CN111832369A - 一种图像识别方法、装置及电子设备 - Google Patents
一种图像识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111832369A CN111832369A CN201910329389.7A CN201910329389A CN111832369A CN 111832369 A CN111832369 A CN 111832369A CN 201910329389 A CN201910329389 A CN 201910329389A CN 111832369 A CN111832369 A CN 111832369A
- Authority
- CN
- China
- Prior art keywords
- meta
- image
- neural network
- image information
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 210000005036 nerve Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 241000282472 Canis lupus familiaris Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像识别方法、装置及电子设备,该图像识别方法包括:获取待识别图像对应的元图像信息;根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;利用所述元神经网络,对所述待识别图像进行识别。本发明的实施例,可以利用对识别图像起到关键作用的元神经网络而非完整神经网络,对待识别图像进行识别,从而避免对待识别图像的每个像素点进行处理,节省时间,减小对设备处理能力的要求。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像识别方法、装置及电子设备。
背景技术
目前,基于深度学习进行图像识别的方法基本上都是针对特定场景的,比如,应用较多的人脸识别。比如,人脸图像识别的过程可为:首先,收集大量不同的人脸图像,并基于深度学习网络(比如卷积神经网络(CNN)),对每个人脸图像进行标记;然后,利用标记后的人脸图像,训练得到图像识别神经网络;最后,利用该图像识别神经网络进行图像识别。
然而,由于目前的图像识别大都是针对特定场景,相应图像识别需要训练特定的深度学习网络来完成,且在图像识别过程中需要对每个像素点进行处理,因此不仅耗费时间,还造成所要求的设备处理能力过高。
发明内容
本发明实施例提供一种图像识别方法、装置及电子设备,以解决现有的图像识别方法所要求的设备处理能力过高的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种图像识别方法,包括:
获取待识别图像对应的元图像信息;
根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;
利用所述元神经网络,对所述待识别图像进行识别。
第二方面,本发明实施例提供一种图像识别装置,包括:
第一获取模块,用于获取待识别图像对应的元图像信息;
确定模块,用于根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;
识别模块,用于利用所述元神经网络,对所述待识别图像进行识别。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时可实现上述图像识别方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现上述图像识别方法的步骤。
本发明实施例中,获取待识别图像对应的元图像信息,根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络,利用所述元神经网络,对待识别图像进行识别,相比于现有的图像识别方法,可以利用对识别图像起到关键作用的元神经网络而非完整神经网络,对待识别图像进行识别,从而避免对待识别图像的每个像素点进行处理,节省时间,减小对设备处理能力的要求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A为本发明实施例中元图像的示意图之一;
图1B为本发明实施例中元图像的示意图之二;
图1C为本发明实施例中元图像的示意图之三;
图2为本发明实施例的图像识别方法的流程图;
图3为本发明实施例的图像识别装置的结构示意图;
图4为本发明实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解本发明,首先对本实施例中所涉及的一些概念进行说明。
元图像:用于描述一个图像的若干基本要素,对应某图像特征的图像,该图像特征比如为:颜色、纹理、对应图像中物体的某部分,或者对应图像中物体本身等等。
元图像信息:表示的是元图像的信息,也可称为元图像的语义,或者元图像的特征,比如可选为颜色、纹理、图像中物体的某部分(比如脸部、躯体、眼睛等),或者图像中物体本身等等。
例如,当元图像信息为纹理时,对应的元图像可如图1A所示;或者,当元图像信息为颜色时,对应的元图像可如图1B所示;或者,当元图像信息为图像中物体本身时,对应的元图像可如图1C所示。
元神经网络:预先训练的能够识别对应元图像的网络模型,包括元神经节点(可以理解为节点集合)的拓扑结构和该神经节点的相关权重值。所述元神经网络具体为深度学习网络。
下面结合实施例和附图对本发明进行详细说明。
请参见图2,图2是本发明实施例提供的一种图像识别方法的流程图,该方法应用于电子设备,如图2所示,该方法包括如下步骤:
步骤201:获取待识别图像对应的元图像信息。
本实施例中,当获取待识别图像对应的元图像信息时,可以基于具体识别场景确定待识别图像对应的元图像信息。而基于具体识别场景确定待识别图像对应的元图像信息时,可以将一个识别问题分解为若干识别子问题,即确定的元图像信息可以为多个。
比如,识别场景为:识别两种动物狗和猫;由于本质上讲,两种动物可以通过面部和身体特征来区别,因此对应的元图像信息可为:图像中物体本身。又比如,识别场景为:在一堆狗和猫的图像中识别黄色的狗;则,对应的元图像信息可为:颜色和图像中物体本身。
步骤202:根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络。
可理解的,上述预设的元图像信息和元神经网络的对应关系是预先建立的。由于在整个神经网络中,不同神经节点或神经节点组合对识别出某图像特征的作用通常是不同的,因此,针对不同图像特征的元图像,可由不同的元神经网络识别。即上述预先建立的对应关系中,元神经网络对识别对应的元图像是重要的,可以识别出对应的元图像。
比如,本实施例中预设的元图像信息和元神经网络的对应关系可如下表1所示(但本实施例不以此为限):
表1
步骤203:利用所述元神经网络,对所述待识别图像进行识别。
其中,在确定出对应的元神经网络后,可以利用所述元神经网络对待识别图像进行识别。
本发明实施例的图像识别方法,获取待识别图像对应的元图像信息,根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络,利用所述元神经网络,对待识别图像进行识别,相比于现有的图像识别方法,可以利用对识别图像起到关键作用的元神经网络而非完整神经网络,对待识别图像进行识别,从而避免对待识别图像的每个像素点进行处理,节省时间,减小对设备处理能力的要求。
由于对于一幅图像,通常可以基于元图像信息(比如颜色、纹理等),分解为多个元图像,因此通过不同的预先训练的元神经网络的组合,可以构建针对不同识别场景的深度学习网络模型。因此,在构建了本发明实施例中用于识别元图像的元神经网络信息库的前提下,针对不同的图像识别场景,可以通过调用相应的元神经网络来进行图像识别,而不必专门收集训练图像,并训练得到该图像识别场景下的图像识别模型,从而节省训练模型的时间开销。
本发明实施例中,可选的,当待识别图像对应的元图像信息对应的元神经网络包括:不同的至少两个元神经网络时,上述步骤203可包括:
对所述不同的至少两个元神经网络进行组合,得到图像识别神经网络;
利用所述图像识别神经网络,对所述待识别图像进行识别。
可理解的,由于不同神经节点或神经节点组合对识别出某图像特征的作用通常是不同的,因此在对不同的至少两个元神经网络进行组合时,可以直接对不同元神经网络中的元神经节点及其相关权重值进行叠加,从而组建成一个通用的图像识别神经网络,实现当前图像识别场景中图像的识别。此外,在对不同的至少两个元神经网络进行组合时,还可以基于预设规则对不同的至少两个元神经网络进行处理,本发明实施例不对此进行限制。
这样,借助组合得到的图像识别神经网络,可以准确地实现对待识别图像的识别。
本发明实施例中,元神经网络可以基于预设的元图像信息预先训练得到。该预设的元图像信息比如为颜色、纹理、图像中物体的某部分(比如脸部、躯体、眼睛等),或者图像中物体本身等等。比如,当需要能够识别出不同颜色的图像时,该预设的元图像信息为颜色。
而本实施例中可利用如下两种方式训练得到元神经网络,详述如下。
方式一
可选的,步骤201之前,所述方法还包括:
获取图像训练集;
基于预设的元图像信息,对所述图像训练集中的每个训练图像进行分解,得到每个所述训练图像对应的元图像;
基于所述预设的元图像信息,对所有训练图像对应的元图像进行归类,将对应于同一元图像信息的元图像归为一类;
分别利用每类元图像,训练得到所述每类元图像的元图像信息对应的元神经网络;在此训练过程中,可以持续进行测试及调优,以得到满足要求的元神经网络模型;在此训练过程中,可以提取各个元神经节点在相应元图像信息上的激活值,并与对应响应值对比,选出对相应元图像信息起重要作用的元神经节点及其相关权重值;
建立所述元神经网络和对应的元图像信息之间的对应关系。
实际应用中,建立元神经网络和对应的元图像信息之间的对应关系之后,可对其进行存储,以便后续调用进行图像识别。
这样,可以直接利用元图像进行训练,从而得到相应元图像信息对应的元神经网络。
方式二
可选的,步骤201之前,所述方法还包括:
获取图像训练集;
在利用所述图像训练集中的训练图像训练基础神经网络的过程中,基于预设的元图像信息,通过遍历关闭部分神经节点的方式,获得每类所述元图像信息对应的元神经网络;其中每个训练图像已基于训练要求进行标注;
建立所述元神经网络和对应的元图像信息之间的对应关系。
其中,此基础神经网络为预先建立的完整神经网络。实际应用中,建立元神经网络和对应的元图像信息之间的对应关系之后,可对其进行存储,以便后续调用进行图像识别。
由于不同神经节点或神经节点组合对识别出某图像特征的作用通常是不同的,对于某类元图像的识别,仅部分的元神经节点是重要的,因此可在训练基础神经网络的过程中,通过遍历关闭部分神经节点的方式,查找对于识别某一元图像起主要作用的元神经节点及其相关权重值(即元神经网络)。
请参见图3,图3是本发明实施例提供的一种电子设备的结构示意图,如图3所示,该电子设备30包括:
第一获取模块31,用于获取待识别图像对应的元图像信息;
确定模块32,用于根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;
识别模块33,用于利用所述元神经网络,对所述待识别图像进行识别。
本发明实施例中,获取待识别图像对应的元图像信息,根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络,利用所述元神经网络,对待识别图像进行识别,相比于现有的图像识别方法,可以利用对识别图像起到关键作用的元神经网络而非完整神经网络,对待识别图像进行识别,从而避免对待识别图像的每个像素点进行处理,节省时间,减小对设备处理能力的要求。
可选的,所述元图像信息对应的元神经网络包括:不同的至少两个元神经网络;所述识别模块33包括:
组合单元,用于对所述不同的至少两个元神经网络进行组合,得到图像识别神经网络;
识别单元,用于利用所述图像识别神经网络,对所述待识别图像进行识别。
可选的,所述装置还包括:
第二获取模块,用于获取图像训练集;
分解模块,用于基于预设的元图像信息,对所述图像训练集中的每个训练图像进行分解,得到每个所述训练图像对应的元图像;
归类模块,用于基于所述预设的元图像信息,对所有训练图像对应的元图像进行归类,将对应于同一元图像信息的元图像归为一类;
训练模块,用于分别利用每类元图像,训练得到所述每类元图像的元图像信息对应的元神经网络;
第一建立模块,用于建立所述元神经网络和对应的元图像信息之间的对应关系。
可选的,所述装置还包括:
第三获取模块,用于获取图像训练集;
处理模块,用于在利用所述图像训练集中的训练图像训练基础神经网络的过程中,基于预设的元图像信息,通过遍历关闭部分神经节点的方式,获得每类所述元图像信息对应的元神经网络;
第二建立模块,用于建立所述元神经网络和对应的元图像信息之间的对应关系。
可选的,所述元神经网络包括:元神经节点的拓扑结构和所述元神经节点的相关权重值。
此外,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述计算机程序被所述处理器执行时可实现上述图像识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
具体的,参见图4所示,本发明实施例还提供了一种电子设备,包括总线41、收发机42、天线43、总线接口44、处理器45和存储器46。
在本发明实施例中,所述电子设备还包括:存储在存储器46上并可在处理器45上运行的计算机程序。
具体的,所述计算机程序被处理器45执行时可实现如下步骤:
获取待识别图像对应的元图像信息;根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;利用所述元神经网络,对所述待识别图像进行识别。
可理解的,本实施例中的电子设备可实现上述图2所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
在图4中,总线架构(用总线41来代表),总线41可以包括任意数量的互联的总线和桥,总线41将包括由处理器45代表的一个或多个处理器和存储器46代表的存储器的各种电路链接在一起。总线41还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口44在总线41和收发机42之间提供接口。收发机42可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器45处理的数据通过天线43在无线介质上进行传输,进一步,天线43还接收数据并将数据传送给处理器45。
处理器45负责管理总线41和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器46可以被用于存储处理器45在执行操作时所使用的数据。
可选的,处理器45可以是CPU、ASIC、FPGA或CPLD。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述图像识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
获取待识别图像对应的元图像信息;
根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;
利用所述元神经网络,对所述待识别图像进行识别。
2.根据权利要求1所述的方法,其特征在于,所述元图像信息对应的元神经网络包括:不同的至少两个元神经网络;
所述利用所述元神经网络,对所述待识别图像进行识别,包括:
对所述不同的至少两个元神经网络进行组合,得到图像识别神经网络;
利用所述图像识别神经网络,对所述待识别图像进行识别。
3.根据权利要求1所述的方法,其特征在于,所述获取待识别图像对应的元图像信息之前,所述方法还包括:
获取图像训练集;
基于预设的元图像信息,对所述图像训练集中的每个训练图像进行分解,得到每个所述训练图像对应的元图像;
基于所述预设的元图像信息,对所有训练图像对应的元图像进行归类,将对应于同一元图像信息的元图像归为一类;
分别利用每类元图像,训练得到所述每类元图像的元图像信息对应的元神经网络;
建立所述元神经网络和对应的元图像信息之间的对应关系。
4.根据权利要求1所述的方法,其特征在于,所述获取待识别图像对应的元图像信息之前,所述方法还包括:
获取图像训练集;
在利用所述图像训练集中的训练图像训练基础神经网络的过程中,基于预设的元图像信息,通过遍历关闭部分神经节点的方式,获得每类所述元图像信息对应的元神经网络;
建立所述元神经网络和对应的元图像信息之间的对应关系。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述元神经网络包括:元神经节点的拓扑结构和所述元神经节点的相关权重值。
6.一种图像识别装置,其特征在于,包括:
第一获取模块,用于获取待识别图像对应的元图像信息;
确定模块,用于根据预设的元图像信息和元神经网络的对应关系,确定所述元图像信息对应的元神经网络;
识别模块,用于利用所述元神经网络,对所述待识别图像进行识别。
7.根据权利要求6所述的装置,其特征在于,所述元图像信息对应的元神经网络包括:不同的至少两个元神经网络;所述识别模块包括:
组合单元,用于对所述不同的至少两个元神经网络进行组合,得到图像识别神经网络;
识别单元,用于利用所述图像识别神经网络,对所述待识别图像进行识别。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取图像训练集;
分解模块,用于基于预设的元图像信息,对所述图像训练集中的每个训练图像进行分解,得到每个所述训练图像对应的元图像;
归类模块,用于基于所述预设的元图像信息,对所有训练图像对应的元图像进行归类,将对应于同一元图像信息的元图像归为一类;
训练模块,用于分别利用每类元图像,训练得到所述每类元图像的元图像信息对应的元神经网络;
第一建立模块,用于建立所述元神经网络和对应的元图像信息之间的对应关系。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的图像识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329389.7A CN111832369A (zh) | 2019-04-23 | 2019-04-23 | 一种图像识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329389.7A CN111832369A (zh) | 2019-04-23 | 2019-04-23 | 一种图像识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832369A true CN111832369A (zh) | 2020-10-27 |
Family
ID=72912237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910329389.7A Pending CN111832369A (zh) | 2019-04-23 | 2019-04-23 | 一种图像识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832369A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449737A (zh) * | 2021-05-27 | 2021-09-28 | 南京大学 | 一种基于自编码器的单探头声学成像方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122712A (zh) * | 2017-03-27 | 2017-09-01 | 大连大学 | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 |
CN108171244A (zh) * | 2016-12-07 | 2018-06-15 | 北京深鉴科技有限公司 | 对象识别方法和系统 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、系统及存储介质 |
CN109461118A (zh) * | 2018-11-12 | 2019-03-12 | 泰普智能有限公司 | 一种图片处理方法及装置 |
CN109508694A (zh) * | 2018-12-10 | 2019-03-22 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
-
2019
- 2019-04-23 CN CN201910329389.7A patent/CN111832369A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171244A (zh) * | 2016-12-07 | 2018-06-15 | 北京深鉴科技有限公司 | 对象识别方法和系统 |
CN107122712A (zh) * | 2017-03-27 | 2017-09-01 | 大连大学 | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、系统及存储介质 |
CN109461118A (zh) * | 2018-11-12 | 2019-03-12 | 泰普智能有限公司 | 一种图片处理方法及装置 |
CN109508694A (zh) * | 2018-12-10 | 2019-03-22 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449737A (zh) * | 2021-05-27 | 2021-09-28 | 南京大学 | 一种基于自编码器的单探头声学成像方法及装置 |
CN113449737B (zh) * | 2021-05-27 | 2023-11-17 | 南京大学 | 一种基于自编码器的单探头声学成像方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210182567A1 (en) | Method for accelerated detection of object in videos, server, and non-transitory computer readable storage medium | |
US8953888B2 (en) | Detecting and localizing multiple objects in images using probabilistic inference | |
CN112232293A (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN112740196A (zh) | 基于知识管理人工智能系统中的识别模型 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
KR102607208B1 (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
CN112380955B (zh) | 动作的识别方法及装置 | |
DE102021115299A1 (de) | Verfahren und vorrichtung zum kontinuierlichen few-shot-lernen ohne vergessen | |
CN106169065B (zh) | 一种信息处理方法及电子设备 | |
CN111832369A (zh) | 一种图像识别方法、装置及电子设备 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN107943881A (zh) | 题库生成方法、服务器及计算机可读存储介质 | |
CN116958729A (zh) | 对象分类模型的训练、对象分类方法、装置及存储介质 | |
CN111104951A (zh) | 一种主动学习方法、装置及终端设备 | |
CN113837236B (zh) | 图像中目标对象的识别方法、装置、终端设备及存储介质 | |
CN113139581B (zh) | 一种基于多图融合的图像分类方法和系统 | |
CN112561817B (zh) | 基于am-gan的遥感图像去云方法、装置、设备及存储介质 | |
CN112101185B (zh) | 一种训练皱纹检测模型的方法、电子设备及存储介质 | |
CN115272121A (zh) | 图像处理方法、图像处理装置、计算机设备和存储介质 | |
CN114373090A (zh) | 模型轻量化方法、装置、电子设备及计算机可读存储介质 | |
CN210270939U (zh) | 一种学生上课玩手机的预警系统 | |
CN114266688A (zh) | 基于智慧校园的校园安全管理方法 | |
CN115100244B (zh) | 一种目标跟踪方法、装置、存储介质及电子装置 | |
CN111260757A (zh) | 一种图像处理方法、装置及终端设备 | |
US20240095525A1 (en) | Building an explainable machine learning model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |