CN111881908B - 目标检测模型的修正方法、检测方法、装置、设备及介质 - Google Patents
目标检测模型的修正方法、检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111881908B CN111881908B CN202010700881.3A CN202010700881A CN111881908B CN 111881908 B CN111881908 B CN 111881908B CN 202010700881 A CN202010700881 A CN 202010700881A CN 111881908 B CN111881908 B CN 111881908B
- Authority
- CN
- China
- Prior art keywords
- target
- detection model
- corrected
- target detection
- image
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012937 correction Methods 0.000 title claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 60
- 238000012795 verification Methods 0.000 claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000002401 inhibitory effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种目标检测模型的修正方法、检测方法、装置、设备及介质，涉及大数据、计算机视觉和深度学习技术领域。具体实现方案为：获取待修正的目标检测模型，所述目标检测模型用于在输入的待测图像中标注出目标识别框；将多个待测图像分别输入至所述待修正的目标检测模型中，获取多个标注图像；根据与各所述标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，所述第一数量小于所述第二数量；使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型。本申请实施例的技术方案可以提高目标检测模型对实际需求目标的识别准确率。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及大数据、计算机视觉和深度学习技术，具体涉及一种目标检测模型的修正方法、检测方法、装置、设备及介质。
背景技术
目前，在利用图像进行信息点(Point of Information，POI)数据生产的过程中，由于一张图像上可能存在多个商家招牌，因此需要通过招牌检测标记出每一个商家招牌，然后基于标记结果分别进行POI数据的生产。
现有技术中，在商家招牌的采集过程中，可能出现招牌中存在遮挡、模糊等问题，并且很多和招牌类似的广告牌使得招牌检测模型的检测准确率不高。并且，目前的各种目标检测算法的实现目标，都是尽可能的召回所有的目标物，这就使得上述这些无法生成POI数据的目标物被识别出来，并传递至后续的POI数据的生成过程，造成生产资源的浪费。
发明内容
本申请实施例提供了一种目标检测模型的修正方法、检测方法、装置、设备及介质。
第一方面，本申请实施例提供了一种目标检测模型的修正方法，包括：
获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；
将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；
根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；
使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型。
第二方面，本申请实施例还提供了一种目标检测方法，包括：
获取待检测的目标图像；
将目标图像输入至通过本申请任意实施例提供的目标检测模型的修正方法修正得到的修正后的目标检测模型中；
获取修正后的目标检测模型输出的目标标注图像，目标标注图像中包括有目标识别框。
第三方面，本申请实施例还提供了一种目标检测模型的修正装置，包括：
模型获取模块，用于获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；
图像标注模块，用于将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；
样本构造模块，用于根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；
模型再训练模块，用于使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型。
第四方面，本申请实施例还提供了一种目标检测装置，包括：
第一获取模块，用于获取待检测的目标图像；
图像输入模块，用于将目标图像输入至通过目标检测模型的修正方法修正得到的修正后的目标检测模型中；
第二获取模块，用于获取修正后的目标检测模型输出的目标标注图像，目标标注图像中包括有目标识别框。
第五方面，本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意实施例提供的目标检测模型的修正方法或者目标检测方法。
第六方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意实施例提供的目标检测模型的修正方法或者目标检测方法。
本申请实施例的技术方案，提高了目标检测模型对实际需求目标的识别准确率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例的一种目标检测模型的修正方法的示意图；
图2是本申请实施例的一种目标检测模型的结构示意图；
图3是本申请实施例的一种目标检测模型的修正方法的示意图；
图4是本申请实施例的一种目标检测方法的示意图；
图5是本申请实施例的一种目标检测模型的修正装置的结构示意图；
图6是本申请实施例的一种目标检测装置的结构示意图；
图7是用来实现本申请实施例的目标检测模型的修正方法或目标检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是本申请实施例的一种目标检测模型的修正方法的示意图，本实施例的技术方案适用于对目标检测模型进行修正的情况，该方法可以由目标检测模型的修正装置执行，该装置可以通过软件，和/或硬件的方式实现，并一般可以集成在电子设备中，本实施例的方法具体包括以下步骤：
步骤110、获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框。
本实施例中，如图2所示，待测图像可以是没有标注任何目标识别框的，需要最终生成实际生产数据的图像。目标检测模型为预先训练的，可以识别输入的待测图像中的设定物体，例如，人体、树木、或者商家招牌等，并为识别出的各个物体分别标注目标识别框的检测模型。
本实施例中，目标检测模型主要是基于深度学习，可以分成两阶段模型和一阶段模型两大类，其中，两阶段模型将检测问题划分为两个阶段，首先产生候选区域，然后对候选区域分类，典型的两阶段模型包括基于区域的卷积神经网络(Region-basedConvolutional Neural Networks，R-CNN)、快速基于区域的卷积神经网络(Fast Region-based Convolutional Neural Networks，Fast R-CNN)、更快的基于区域的卷积神经网络(Faster Region-based Convolutional Neural Networks，Faster R-CNN)、基于区域的全卷积网络(Region-based Fully-Convolutional Network，R-FCN)和特征金字塔网络(Feature Pyramid Networks，FPN)等；一阶段模型不需要单独寻找候选区域，可以直接产生物体的类别概率和位置坐标值，典型的一阶段模型包括，只看一眼(You Only LookOnce，YOLO)和单射多箱检测器(Single Shot MultiBox Detector，SSD)等。
步骤120、将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像。
本实施例中，为了使得待修正的目标检测模型可以利用大量无标注的待测图像进行学习，可以将大量的待测图像分别输入至待修正的目标检测模型中，并获取目标检测模型输出的标注有目标识别框的标注图像。
步骤130、根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集。
其中，第一数量小于第二数量。
本实施例中，待修正的目标检测模型在各待测图像中标注的目标识别框可能是标注正确的，即目标识别框确实对应当前的实际需求目标，也可能是标注错误的，即目标识别框对应其他目标，而非当前的实际需求目标。可以将标注正确的目标识别框作为正样本，将标注错误的目标识别框作为负样本，构造第一数量的正样本集以及第二数量的负样本集，并且第一数量小于第二数量。
本实施例中，通过设置负样本的数量多于正样本的数量，使得待修正的目标检测模型可以更加准确的学习错误数据的分布，抑制待修正的目标检测模型对无效的区域标注目标识别框，提高待修正的目标检测模型对实际需求目标的识别准确率。
步骤140、使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型。
本实施例中，通过将少量的正样本集和大量的负样本集都输入至待修正的目标检测模型中，对待修正的目标检测模型进行再训练，调整待修正的目标检测模型的模型参数，使待修正的目标检测模型可以学习大量标注错误的负样本的分布，从而得到可以抑制对负样本进行误检测的、修正后的目标检测模型，修正后的目标检测模型识别实际需求目标的的准确率较高。
本申请实施例的技术方案，通过获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型，解决了现有的目标检测模型对无效目标进行误标注的问题，提高目标检测模型对实际需求目标的识别准确率。
图3是本申请实施例的一种目标检测模型的修正方法的示意图，本实施例在上述实施例的基础上对各步骤进一步细化。下面结合图3对本申请实施例提供的一种目标检测模型的修正方法进行说明，包括以下步骤：
步骤310、获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框。
可选的，获取待修正的目标检测模型，可以包括：使用标注样本图像集对预设的机器学习模型进行训练，得到待修正的目标检测模型，标注样本图像中预先标注有目标识别框。
本实施例中，标注样本图像集中只包括少量的标注样本图像，并且每个标注样本图像中只针对实际需求目标标注有目标识别框，除了实际需求目标之外的其他目标没有标注目标识别框。通过使用标注样本图像集对预设的机器学习模型进行训练，使得机器学习模型学习在输入模型的图像中识别实际需求目标，并为识别出的目标标注目标识别框，从而得到待修正的目标检测模型。
本实施例中，根据标注样本图像集训练得到的待修正的目标检测模型虽然可以对输入模型的待测图像标注目标识别框，但其主要目标是提升目标的召回率，并没有针对目标做更加细粒度的分类，因此，可能会在待测图像中标注无效的目标识别框，导致目标识别的准确率偏低。事实上，做细粒度分类通常需要大量的标注样本图像以及更加细致的标签，在只有少量标注样本图像的情况下无法实现。其中，召回率指的是模型正确预测的目标物体的数量与待测图像中实际包括的目标物体总数的比值。
步骤320、将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像。
本实施例中，如图2所示，待测图像可以是没有标注任何目标识别框的，需要最终生成实际生产数据的图像。为了使得待修正的目标检测模型可以利用大量无标注的待测图像进行学习，可以将大量的待测图像分别输入至待修正的目标检测模型中，以通过待修正的目标检测模型在无标注的待测图像中标注目标识别框，便于后续根据从待修正的目标检测模型获取的标注图像构造样本。
步骤330、根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量。
本实施例中，为了可以使用更多带有标注的样本图像对目标检测模型进行训练，以提高目标检测模型的识别准确率，可以在确定各个标注图像中的目标识别框分别对应的准确性验证结果之后，根据准确性验证结果构造带有标注的正、负样本集，并设置负样本的数量多于正样本的数量，从而通过修改目标检测模型的正、负样本的筛选机制，即由原先随机选择正、负样本，改为针对预测错误的样本拥有更大的概率选中，使得目标检测模型可以更加准确的学习错误数据的分布，抑制待修正的目标检测模型对非实际需求目标标注目标识别框，提高待修正的目标检测模型对实际需求目标的识别准确率。
可选的，根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，可以包括：获取准确性验证结果为正确的目标识别框，构造第一数量的正样本集；获取准确性验证结果为错误的目标识别框，构造第二数量的负样本集。
本实施例中，在构造正、负样本集时，可以从目标检测模型正确标注的目标识别框中，选择第一数量的目标识别框构造正样本集，从目标检测模型错误标注的目标识别框中，选择第二数量的目标识别框构造负样本集。
可选的，目标检测模型具体用于在待测图像中识别商家招牌；
在根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集之前，还可以包括：将各标注图像提供给信息点数据生产平台，获取信息点数据生产平台针对各目标识别框分别反馈的数据生产结果；将能够生产出信息点数据的目标识别框的准确性验证结果确定为正确；将不能够生产出信息点数据的目标识别框的准确性验证结果确定为错误。
本实施例中，目标检测模型具体用于识别出待测图像中包括的各个商家招牌，目标检测模型虽然可以根据需求设置为识别其他目标物体，但只有商家招牌可以用于生产信息点数据。因此，在获取到目标检测模型输出的标注有目标识别框的标注图像后，可以将各标注图像提供给信息点数据生产平台，通过信息点数据生产平台，判断各个标注图像中的目标识别框对应的是否是可以生产出信息点数据的商家招牌，如果是，则确定该目标识别框对应的准确性验证结果为正确，否则，将目标识别框的准确性验证结果确定为错误。
示例性的，假设目标识别框1对应是清晰的商家招牌，则目标识别框的准确性验证结果为正确；假设目标识别框2对应的是不清晰的商家招牌，即无法明确的获取商家招牌上的所有内容，例如商家的名称，则目标识别框2对应的准确性验证结果为错误；假设目标识别框3对应的不是商家招牌，则目标识别框3对应的准确性验证结果为错误.
可选的，获取准确性验证结果为错误的目标识别框，构造第二数量的负样本集，可以包括：在准确性验证结果为错误的各目标识别框中，获取下述至少一项目标物的目标识别框，构造第二数量的负样本集；其中，目标物包括：存在遮挡的商家招牌、模糊的商家招牌或者广告牌。
本实施例中，当从目标检测模型错误标注的目标识别框中选择负样本时，并不是将所有不能生产出信息点数据的目标识别框均作为负样本。例如，与背景中的树、墙等物体对应的目标识别框，由于信息点数据生产平台能够快速、明确地判断出其是无法识别的，即无法产生信息点数据，因此不用过多采用。可以多使用信息点数据生产平台无法快速判断数据生产结果的目标标识框作为负样本，例如，存在遮挡的商家招牌、模糊的商家招牌或者与商家招牌相似的广告牌的目标识别框。
步骤340、使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型。
可选的，在使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，还可以包括：在各标注图像中，获取仅包括负样本的目标标注图像；将各目标标注图像分别输入至修正后的目标检测模型，并单独计算修正后的目标检测模型中的分类损失函数；根据分类损失函数的计算结果，通过误差反向传播调整修正后的目标检测模型中分类模块的模型参数，并将调整后模型更新为新的修正后的目标检测模型。
本实施例中，如图2所示，为了更好的抑制模型对负样本的误检测，还可以从待修正的目标检测模型输出的多个标注图像中，获取不存在正样本的目标标注图像，将各目标标注图像分别输入至修正后的目标检测模型中，以对模型中的分类模块进行训练，并计算分类损失函数。然后通过误差反向传播算法，对修正后的目标检测模型中的分类模块进行参数调整，将调整后模型更新为新的修正后的目标检测模型。
其中，由于目标标注图像中只包括负样本，目标检测模型实际上不会在目标标注图像中标注任何目标识别框，因此，此时无需计算修正后的目标检测模型中的回归模块的损失函数，只需计算分类模块的损失函数即可。
现有技术中，目标检测模型使用的训练图像中必须至少标注有一个正样本，一张不包括任何正样本的图像是无法对目标检测模型进行训练的。在本实施例中，创造性的使用了这类样本图像训练目标检测模型中分类模块的损失函数，可以利用现有技术被认定的无效图像进行目标检测模型的学习，以进一步提供样本的利用率，以及模型的学习效率。
可选的，在使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，还可以包括：降低修正后的目标检测模型的学习率；使用标注样本图像集对修正后目标检测模型进行再训练，并将训练后模型更新为新的修正后的目标检测模型。
本实施例中，由于负样本的数量多于正样本的数量，为了避免修正后的目标检测模型因为学习的负样本过多，产生过抑制，可以在降低修正后的目标检测模型的学习率，即降低模型参数的调整幅度之后，使用仅包括正样本的标注样本图像集对修正后的目标检测模型重新进行训练，以提高新的修正后的目标检测模型对实际需求目标的识别准确率，避免过度抑制修正后的目标检测模型对负样本进行误检测。其中，学习率用于控制目标检测模型的学习进度，一般来说，学习率越大，模型的学习速度越快，学习率越小，模型的学习速度越慢。
本申请实施例的技术方案，通过获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型，解决了现有的目标检测模型对无效目标进行误标注的问题，提高目标检测模型对实际需求目标的识别准确率。
图4是本申请实施例的一种目标检测方法的示意图，本实施例的技术方案适用于通过模型对图像中包括的特定目标进行检测的情况，该方法可以由目标检测装置执行，该装置可以通过软件，和/或硬件的方式实现，并一般可以集成在电子设备中，本实施例的方法具体包括以下步骤：
步骤410、获取待检测的目标图像。
本实施例中，待检测的目标图像可以是在某个地理位置拍摄的包括周边建筑的图像，例如，目标图像中可以包括餐馆、酒店、车站、停车场、广告牌等。待检测的目标图像可以是从数据库中获取的预先拍摄好的图像，也可以是实时拍摄的周边图像。
步骤420、将目标图像输入至修正后的目标检测模型中。
其中，所述修正后的目标检测模型为通过本申请任一实施例提供的目标检测模型的修正方法修正后得到的。
本实施例中，先使用少量的仅包括正样本的标注样本图像集对预设的机器学习模型进行训练，得到待修正的目标检测模型，然后利用待修正的目标检测模型为大量无标注的待测图像标注目标识别框，并根据各目标识别框对应的准确性验证结果，构造少量的正样本集以及大量的负样本集，使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到抑制对负样本进行误检测的、修正后的目标检测模型。将目标图像输入至修正后的目标检测模型，以通过修正后的目标检测模型识别出目标图像中包括的商家招牌。
本实施例中，还可以在得到修正后的目标检测模型之后，将仅包括负样本的目标标注图像输入至修正后的目标检测模型，通过误差反向传播调整模型中分类模块的模型参数，以更好的抑制模型对负样本的误检测，最后，在降低修正后的目标检测模型的学习率之后，使用仅包括正样本的标注样本图像集对修正后的目标检测模型重新进行训练，得到新的修正后的目标检测模型，将目标图像输入至新的修正后的目标检测模型，以通过新的修正后的目标检测模型识别出目标图像中包括的商家招牌。
步骤430、获取修正后的目标检测模型输出的目标标注图像，目标标注图像中包括有目标识别框。
本实施例中，修正后的目标检测模型会在目标图像中为识别出的特定目标，并为识别出的目标标注目标识别框，即通过目标识别框标记特定目标在目标图像中的位置。
可选的，所述目标检测模型具体用于在所述待测图像中识别商家招牌；在获取修正后的目标检测模型输出的标注图像之后，还可以包括：将目标标注图像提供给信息点数据生产平台，以进行信息点数据的生产。
本实施例中，目标检测模型虽然可以根据需求设置为识别各种目标物体，但只有商家招牌可以用于生产信息点数据。在获取修正后的目标检测模型输出的标注图像之后，可以将目标标注图像中的各个目标识别框提供给信息点数据生产平台，即将识别出的商家招牌提供给信息点数据生产平台，以通过信息点数据生产平台生产出与各商家招牌对应的信息点数据。其中，信息点数据具有空间坐标和各种属性，可以用于提醒用户路况的分支以及周边建筑的详尽信息，是各种地图查询软件的基础数据之一。每个信息点数据包含名称、类别、经度和纬度四方面信息。
本申请实施例的技术方案，通过获取待检测的目标图像；将目标图像输入至修正后的目标检测模型中；获取修正后的目标检测模型输出的目标标注图像，目标标注图像中包括有目标识别框，解决了现有的目标检测模型对无效目标进行误标注的问题，，通过使用修正后的目标检测模型，抑制对目标图像中的无效的商家招牌进行标注，提高对目标图像中的特定目标的识别准确率。
图5是本申请实施例的一种目标检测模型的修正装置的结构示意图，该目标检测模型的修正装置包括：模型获取模块510，图像标注模块520，样本构造模块530以及模型再训练模块540。
模型获取模块510，用于获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；
图像标注模块520，用于将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；
样本构造模块530，用于根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；
模型再训练模块540，用于使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型。
本申请实施例的技术方案，通过获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型，解决了现有的目标检测模型对无效目标进行误标注的问题，提高目标检测模型对实际需求目标的识别准确率。
可选的，样本构造模块530，包括：
第一构造单元，用于获取准确性验证结果为正确的目标识别框，构造第一数量的正样本集；
第二构造单元，用于获取准确性验证结果为错误的目标识别框，构造第二数量的负样本集。
可选的，还包括：
模型调整模块，用于在使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，在各标注图像中，获取仅包括负样本的目标标注图像；
将各目标标注图像分别输入至修正后的目标检测模型，并单独计算修正后的目标检测模型中的分类损失函数；
根据分类损失函数的计算结果，通过误差反向传播调整修正后的目标检测模型中分类模块的模型参数，并将调整后模型更新为新的修正后的目标检测模型。
可选的，模型获取模块510，具体用于：
使用标注样本图像集对预设的机器学习模型进行训练，得到待修正的目标检测模型，标注样本图像中预先标注有目标识别框。
可选的，还包括：
模型修正模块，用于在使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，降低修正后的目标检测模型的学习率；
使用标注样本图像集对修正后目标检测模型进行再训练，并将训练后模型更新为新的修正后的目标检测模型。
可选的，目标检测模型具体用于在待测图像中识别商家招牌；
还包括：验证模块，用于在根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集之前，
将各标注图像提供给信息点数据生产平台，获取信息点数据生产平台针对各目标识别框分别反馈的数据生产结果；
将能够生产出信息点数据的目标识别框的准确性验证结果确定为正确；
将不能够生产出信息点数据的目标识别框的准确性验证结果确定为错误。
可选的，第二构造单元，具体用于：
在准确性验证结果为错误的各目标识别框中，获取下述至少一项目标物的目标识别框，构造第二数量的负样本集；
其中，目标物包括：存在遮挡的商家招牌、模糊的商家招牌或者广告牌。
本申请实施例所提供的目标检测模型的修正装置可执行本申请任意实施例所提供的目标检测模型的修正方法，具备执行方法相应的功能模块和有益效果。
图6是本申请实施例的一种目标检测装置的结构示意图，该目标检测装置包括：第一获取模块610，图像输入模块620以及第二获取模块630。
第一获取模块610，用于获取待检测的目标图像；
图像输入模块620，用于将目标图像输入至通过本申请任意实施例提供的目标检测模型的修正方法所修正得到的修正后的目标检测模型中；
第二获取模块630，用于获取修正后的目标检测模型输出的目标标注图像，目标标注图像中包括有目标识别框。
本申请实施例的技术方案，通过获取待检测的目标图像；将目标图像输入至修正后的目标检测模型中；获取修正后的目标检测模型输出的目标标注图像，目标标注图像中包括有目标识别框，解决了现有的目标检测模型可能会对无效的招牌进行标注的问题，通过使用可以抑制对无效的商家招牌进行标注的修正后的目标检测模型，提高对目标图像进行目标识别的准确率。
可选的，所述目标检测模型具体用于在所述待测图像中识别商家招牌；
还包括：数据生成模块，用于在获取修正后的目标检测模型输出的标注图像之后，将目标标注图像提供给信息点数据生产平台，以进行信息点数据的生产。
本申请实施例所提供的目标检测装置可执行本申请任意实施例所提供的目标检测方法，具备执行方法相应的功能模块和有益效果。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是用来实现本申请实施例的目标检测模型的修正方法或目标检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的目标检测模型的修正方法或目标检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的目标检测模型的修正方法或目标检测方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的目标检测模型的修正方法或目标检测方法对应的程序指令/模块(例如，附图5所示的模型获取模块510，图像标注模块520，样本构造模块530以及模型再训练模块540，或者，附图6所示的第一获取模块610，图像输入模块620以及第二获取模块630)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的目标检测模型的修正方法或目标检测方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标检测模型的修正方法或目标检测方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至目标检测模型的修正方法或目标检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目标检测模型的修正方法或目标检测方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与目标检测模型的修正方法或目标检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，本申请实施例的技术方案，通过获取待修正的目标检测模型，目标检测模型用于在输入的待测图像中标注出目标识别框；将多个待测图像分别输入至待修正的目标检测模型中，获取多个标注图像；根据与各标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，第一数量小于第二数量；使用正样本集和负样本集对待修正的目标检测模型进行再训练，得到修正后的目标检测模型，解决了现有的目标检测模型对无效目标进行误标注的问题，提高目标检测模型对实际需求目标的识别准确率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (18)
1.一种目标检测模型的修正方法，包括：
获取待修正的目标检测模型，所述目标检测模型用于在输入的待测图像中标注出目标识别框；
将多个待测图像分别输入至所述待修正的目标检测模型中，获取多个标注图像；
根据与各所述标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，所述第一数量小于所述第二数量；
使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型；
其中，根据与各所述标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，包括：
获取准确性验证结果为正确的目标识别框，构造第一数量的正样本集；
获取准确性验证结果为错误的目标识别框，构造第二数量的负样本集。
2.根据权利要求1所述的方法，在使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，还包括：
在各所述标注图像中，获取仅包括负样本的目标标注图像；
将各所述目标标注图像分别输入至所述修正后的目标检测模型，并单独计算所述修正后的目标检测模型中的分类损失函数；
根据所述分类损失函数的计算结果，通过误差反向传播调整所述修正后的目标检测模型中分类模块的模型参数，并将调整后模型更新为新的修正后的目标检测模型。
3.根据权利要求1所述的方法，其中，获取待修正的目标检测模型，包括：
使用标注样本图像集对预设的机器学习模型进行训练，得到所述待修正的目标检测模型，标注样本图像中预先标注有目标识别框。
4.根据权利要求3所述的方法，在使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，还包括：
降低所述修正后的目标检测模型的学习率；
使用所述标注样本图像集对所述修正后目标检测模型进行再训练，并将训练后模型更新为新的修正后的目标检测模型。
5.根据权利要求1-4任一项所述的方法，其中，所述目标检测模型具体用于在所述待测图像中识别商家招牌；
在根据与各所述标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集之前，还包括：
将各所述标注图像提供给信息点数据生产平台，获取所述信息点数据生产平台针对各所述目标识别框分别反馈的数据生产结果；
将能够生产出信息点数据的目标识别框的准确性验证结果确定为正确；
将不能够生产出信息点数据的目标识别框的准确性验证结果确定为错误。
6.根据权利要求5所述的方法，其中，获取准确性验证结果为错误的目标识别框，构造第二数量的负样本集，包括：
在准确性验证结果为错误的各目标识别框中，获取下述至少一项目标物的目标识别框，构造第二数量的负样本集；
其中，所述目标物包括：存在遮挡的商家招牌、模糊的商家招牌或者广告牌。
7.一种目标检测方法，包括：
获取待检测的目标图像；
将所述目标图像输入至通过权利要求1-6任一项所述的方法修正得到的修正后的目标检测模型中；
获取所述修正后的目标检测模型输出的目标标注图像，所述目标标注图像中包括有目标识别框。
8.根据权利要求7所述的方法，其中，所述目标检测模型具体用于在所述待测图像中识别商家招牌；
在获取所述修正后的目标检测模型输出的标注图像之后，还包括：
将所述目标标注图像提供给信息点数据生产平台，以进行信息点数据的生产。
9.一种目标检测模型的修正装置，包括：
模型获取模块，用于获取待修正的目标检测模型，所述目标检测模型用于在输入的待测图像中标注出目标识别框；
图像标注模块，用于将多个待测图像分别输入至所述待修正的目标检测模型中，获取多个标注图像；
样本构造模块，用于根据与各所述标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集，所述第一数量小于所述第二数量；
模型再训练模块，用于使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型；
其中，样本构造模块，包括：
第一构造单元，用于获取准确性验证结果为正确的目标识别框，构造第一数量的正样本集；
第二构造单元，用于获取准确性验证结果为错误的目标识别框，构造第二数量的负样本集。
10.根据权利要求9所述的装置，还包括：
模型调整模块，用于在使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，在各所述标注图像中，获取仅包括负样本的目标标注图像；
将各所述目标标注图像分别输入至所述修正后的目标检测模型，并单独计算所述修正后的目标检测模型中的分类损失函数；
根据所述分类损失函数的计算结果，通过误差反向传播调整所述修正后的目标检测模型中分类模块的模型参数，并将调整后模型更新为新的修正后的目标检测模型。
11.根据权利要求9所述的装置，其中，模型获取模块，具体用于：
使用标注样本图像集对预设的机器学习模型进行训练，得到所述待修正的目标检测模型，标注样本图像中预先标注有目标识别框。
12.根据权利要求11所述的装置，还包括：
模型修正模块，用于在使用所述正样本集和所述负样本集对所述待修正的目标检测模型进行再训练，得到修正后的目标检测模型之后，降低所述修正后的目标检测模型的学习率；
使用所述标注样本图像集对所述修正后目标检测模型进行再训练，并将训练后模型更新为新的修正后的目标检测模型。
13.根据权利要求9-12任一项所述的装置，其中，所述目标检测模型具体用于在所述待测图像中识别商家招牌；
还包括：验证模块，用于在根据与各所述标注图像中的目标识别框分别对应的准确性验证结果，构造第一数量的正样本集以及第二数量的负样本集之前，
将各所述标注图像提供给信息点数据生产平台，获取所述信息点数据生产平台针对各所述目标识别框分别反馈的数据生产结果；
将能够生产出信息点数据的目标识别框的准确性验证结果确定为正确；
将不能够生产出信息点数据的目标识别框的准确性验证结果确定为错误。
14.根据权利要求13所述的装置，其中，第二构造单元，具体用于：
在准确性验证结果为错误的各目标识别框中，获取下述至少一项目标物的目标识别框，构造第二数量的负样本集；
其中，所述目标物包括：存在遮挡的商家招牌、模糊的商家招牌或者广告牌。
15.一种目标检测装置，包括：
第一获取模块，用于获取待检测的目标图像；
图像输入模块，用于将所述目标图像输入至通过权利要求1-6任一项所述的方法修正得到的修正后的目标检测模型中；
第二获取模块，用于获取所述修正后的目标检测模型输出的目标标注图像，所述目标标注图像中包括有目标识别框。
16.根据权利要求15所述的装置，其中，所述目标检测模型具体用于在所述待测图像中识别商家招牌；
还包括：数据生成模块，用于在获取所述修正后的目标检测模型输出的标注图像之后，将所述目标标注图像提供给信息点数据生产平台，以进行信息点数据的生产。
17. 一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法，或者执行权利要求7-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法，或者执行权利要求7-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700881.3A CN111881908B (zh) | 2020-07-20 | 2020-07-20 | 目标检测模型的修正方法、检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700881.3A CN111881908B (zh) | 2020-07-20 | 2020-07-20 | 目标检测模型的修正方法、检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881908A CN111881908A (zh) | 2020-11-03 |
| CN111881908B true CN111881908B (zh) | 2024-04-05 |
Family
ID=73155049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010700881.3A Active CN111881908B (zh) | 2020-07-20 | 2020-07-20 | 目标检测模型的修正方法、检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881908B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3905123A3 (en) | 2020-12-11 | 2022-01-05 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Human body identification method and apparatus, electronic device, storage medium and program product |
| CN112633274A (zh) * | 2020-12-21 | 2021-04-09 | 中国航天空气动力技术研究院 | 一种声呐图像目标检测方法、装置、电子设备 |
| CN113177469B (zh) * | 2021-04-27 | 2024-04-12 | 北京百度网讯科技有限公司 | 人体属性检测模型的训练方法、装置、电子设备及介质 |
| CN113160209A (zh) * | 2021-05-10 | 2021-07-23 | 上海市建筑科学研究院有限公司 | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 |
| CN114049540A (zh) * | 2021-11-29 | 2022-02-15 | 平安银行股份有限公司 | 基于人工智能的标注图像检测方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN109886998A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技（深圳）有限公司 | 多目标跟踪方法、装置、计算机装置及计算机存储介质 |
| CN110378999A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的目标框标注方法、装置及存储介质 |
| CN111428008A (zh) * | 2020-06-11 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
-
2020
- 2020-07-20 CN CN202010700881.3A patent/CN111881908B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN109886998A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技（深圳）有限公司 | 多目标跟踪方法、装置、计算机装置及计算机存储介质 |
| CN110378999A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的目标框标注方法、装置及存储介质 |
| CN111428008A (zh) * | 2020-06-11 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的无人机影像车辆检测研究;王荣辉;徐红岩;;江西测绘;20180925(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881908A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881908B (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
| EP3889830A1 (en) | Cross-modality processing method and apparatus, electronic device and computer storage medium | |
| EP3926526A2 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
| US20230186486A1 (en) | Vehicle tracking method and apparatus, and electronic device | |
| CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| US11854237B2 (en) | Human body identification method, electronic device and storage medium | |
| CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
| CN111767359B (zh) | 兴趣点分类方法、装置、设备以及存储介质 | |
| CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
| US11915484B2 (en) | Method and apparatus for generating target re-recognition model and re-recognizing target | |
| CN111275011B (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
| CN112581533B (zh) | 定位方法、装置、电子设备及存储介质 | |
| US11423650B2 (en) | Visual positioning method and apparatus, and computer-readable storage medium | |
| CN110852321A (zh) | 候选框过滤方法、装置以及电子设备 | |
| CN111783760A (zh) | 文字识别的方法、装置、电子设备及计算机可读存储介质 | |
| CN113673281B (zh) | 限速信息确定方法、装置、设备以及存储介质 | |
| CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
| CN112101013A (zh) | 地点抽取方法、装置、设备以及存储介质 | |
| CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
| CN111709288A (zh) | 人脸关键点检测方法、装置以及电子设备 | |
| CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
| US20210365448A1 (en) | Method for recommending chart, electronic device, and storage medium | |
| EP3882817A2 (en) | Method, apparatus and device for recognizing bill and storage medium | |
| CN111708477B (zh) | 按键识别方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |