CN111985537A - 一种目标图像识别方法、终端、系统和存储介质 - Google Patents

一种目标图像识别方法、终端、系统和存储介质 Download PDF

Info

Publication number
CN111985537A
CN111985537A CN202010728739.XA CN202010728739A CN111985537A CN 111985537 A CN111985537 A CN 111985537A CN 202010728739 A CN202010728739 A CN 202010728739A CN 111985537 A CN111985537 A CN 111985537A
Authority
CN
China
Prior art keywords
picture
target image
background
training sample
generate
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.)
Withdrawn
Application number
CN202010728739.XA
Other languages
English (en)
Inventor
胡郡郡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Minglue Artificial Intelligence Group Co Ltd
Original Assignee
Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Minglue Artificial Intelligence Group Co Ltd filed Critical Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority to CN202010728739.XA priority Critical patent/CN111985537A/zh
Publication of CN111985537A publication Critical patent/CN111985537A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种目标图像识别方法、终端、系统和存储介质，其中，所述方法包括：生成背景图片；将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；使用所述训练样本训练目标检测模型；使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。

Description

一种目标图像识别方法、终端、系统和存储介质
技术领域
本文涉及但不限于目标检测技术，尤指一种目标图像识别方法、终端、系统和存储介质。
背景技术
目标图像的识别可以使用目标检测模型来实现。使用目标检测模型对目标图像进行识别之前，使用基于目标图像所在的图片生成训练样本对目标检测模型进行训练；进行训练的时候对训练样本进行标注，告知目标检测模型识别的目标图像是什么，以及目标图像位于其所在图片中的位置等信息。
但是实际进行目标图像识别时，用于生成训练样本的图片有时能获取到的为仅包含目标图像的图片，这样在对目标检测模型进行训练时无法对训练样本进行标注，也就无法完成对目标检测模型的训练，进而无法达到识别目标图像的目的。
发明内容
本文提供了一种目标图像识别方法、终端、系统和存储介质，在获得仅包含目标图像的图片时，能够从待识别图片中识别出所述目标图像。
本文提供的目标图像识别的方法，包括：
生成背景图片；
将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；
使用所述训练样本训练目标检测模型；
使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。
在获得仅包含目标图像的图片时，通过上述方法能够从待识别图片中识别出所述目标图像。
本文提供了一种计算机可读写存储介质，所述介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前所述的目标图像识别方法的步骤。
本文提供的目标图像识别终端，包括：
存储器，设置为存储计算机可执行指令；
处理器，设置为执行所述计算机可执行指令，以实现如前所述的目标图像识别方法的步骤。
在获得仅包含目标图像的图片时，通过上述终端能够从待识别图片中识别出所述目标图像。
本文提供的目标图像识别系统，包括：
背景生成模块，设置为生成背景图片；
训练样本生成模块，设置为将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；
模型训练模块，设置为使用所述训练样本训练目标检测模型；
识别模块，设置为使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。
在获得仅包含目标图像的图片时，通过上述系统能够从待识别图片中识别出所述目标图像。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例提供的目标识别方法流程图；
图2为本申请实施例提供的将仅包含目标图像的图片分别与不同纯色背景图片进行叠加的示意图；
图3为本申请实施例提供的将仅包含目标图像的图片调整长宽比后分别与相同的纯色背景图片进行叠加的示意图；
图4为本申请实施例提供的保持仅包含目标图像图片的长宽比不变，调整包含目标图像的图片在所述背景图片中的占比后分别与相同的纯色背景图片进行叠加的示意图；
图5为本申请实施例提供的将仅包含目标图像的图片与背景图片的叠加位置进行调整后，叠加生成的图片示意图；
图6为本申请应用示例提供的识别出的第一识别结果的示意图；
图7为本申请应用示例提供的识别出的第二识别结果的示意图；
图8为本申请应用示例提供的将结果框与其框住的识别结果对齐后的示意图；
图9为本申请实施例提供的目标图像识别终端结构示意图；
图10为本申请实施例提供的目标图像识别系统组成模块示意图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种目标图像识别方法，如图1所示，所述方法包括：
步骤S101生成背景图片；
步骤S102将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；所述目标图像可以包括：人、物、符号、文字、纯logo等；
步骤S103使用所述训练样本训练目标检测模型；
常见的目标检测模型可以包括Faster R-CNN模型、VGG模型、基于Region的全卷积网络(R-FCN)模型和SSD模型；
步骤S104使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。
本申请实施例使用上述方法在获得仅包含目标图像的图片时，可以生成背景图片，将仅包含目标图像的图片与所述背景图片叠加后生成训练样本，进而可以继续使用训练样本完成对目标检测模型的训练，使用训练好的目标检测模型从待识别图片中识别出所述目标图像。
在一示例性实施例中，上述步骤S101生成背景图片，包括：生成纯色背景图。
纯色背景图实现简单且依托该纯色背景图能够从待识别图片中识别出所述目标图像；并且基于纯色背景图生成的训练样本训练目标检测模型时，背景内容少，前景内容多，增加了目标检测模型在推理识别过程中识别出前景内容的概率，进而能够提高使用训练好的目标检测模型识别目标图像的召回率。
在一示例性实施例中，步骤S102将仅包含目标图像的图片与所述背景图片叠加后生成训练样本，可以包括以下一种或多种：
将仅包含目标图像的图片分别与多个不同颜色的纯色背景图片叠加生成训练样本；图2给出了将仅包含目标图像“超市”的图片分别与不同纯色背景图片进行叠加的示意图；图2中的网格状图案可以表示红色背景，点状图案可以表示黑色背景；由图2所示的叠加生成的图片组成训练样本；
调整仅包含目标图像的图片的长宽比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；图3给出了将仅包含目标图像“超市”的图片调整长宽比后分别与相同的纯色背景图片进行叠加的示意图；
保持仅包含目标图像的图片的长宽比不变，调整所述包含目标图像的图片在所述背景图片中的占比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；图4给出了保持仅包含目标图像“超市”图片的长宽比不变，调整包含目标图像的图片在所述背景图片中的占比后分别与相同的纯色背景图片进行叠加的示意图；
通过改变所述仅包含目标图像的图片与所述背景图片的叠加位置生成训练样本；图5给出了将仅包含目标图像“超市”的图片与背景图片的叠加位置进行调整后，叠加生成的图片示意图。
本申请实施例通过上述叠加方式可以对训练样本进行数据扩增，有利于提升识别效果。
在一示例性实施例中，使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果后，所述方法还包括：
对所述第一图片识别结果进行筛选，得到第二图片识别结果，所述筛选的方式包括以下一种或多种：
通过特征匹配方式计算所述第一图片识别结果与所述目标图像的匹配度，将超过预设第一阈值的匹配度对应的第一图片识别结果作为第二图片识别结果；
特征匹配算法可以为Sift算法、Harris算法等；
上述预设第一阈值可以根据经验值或者仿真结果设定。
当第一图片识别结果中包含误识别的图片时，本申请实施例通过上述特征匹配方式对第一图片识别结果进行筛选，从中选出与目标图像匹配度高的第一图片识别结果，可提高识别的准确率precision。
在一示例性实施例中，所述方法还包括以下一种或多种：
将所述图片识别结果以方框框住。如图；
将所述图片识别结果以方框框住，并使所述方框与所述图片识别结果对齐；如可以通过单应性矩阵将所述方框与所述图片识别结果对齐。
本申请实施例将图片识别结果用方框框出，以及将方框与图片识别结果对齐，可以使得识别结果对用户一目了然；特别是待识别图片中不仅包括目标图像还包括非目标图像的情况，如果目标图像用方框框出，非目标图像无方框，可以使用户快速获得所需的结果，优化用户体验。
下面以一个具体的应用示例对上述目标图像识别方法的实施例进行说明。
步骤一，使用HSV颜色模型生成各种纯色背景图片，纯色背景图片的长宽尺寸可以在500到800单位之间随机选择；
步骤二，将获得的纯logo图片叠加到步骤一生成的背景图片中生成训练数据；
叠加的过程可以采用前述实施例所述的多种叠加方式中的一种或多种进行叠加，如考虑到真实场景中logo的长宽比具有多样性，对纯logo图片的长宽比进行多尺度缩放；选择全部或部分经过多尺度缩放后的纯logo图片，将选择的纯logo图片保持长宽比不变后调整纯logo图片在通过步骤一生成的背景图片中的占比后与背景图片进行叠加；
步骤三，使用目标检测模型(如VGG模型)对步骤二生成的训练数据进行训练，通过训练调整模型的参数增大了模型能从输入的识别对象中识别出目标对象的概率；训练过程中可以通过数据增强(数据增强也可以称为数据扩增，是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值)增加仿射变换(仿射变换包括旋转，平移，错切shear，尺度变化scale)以及颜色变换等数据转换方式，以增大对复杂场景中logo的召回率；其中，数据增强的方式可以为在线数据增强，即在小批量(mini-batch)训练样本上先执行数据转换方式后再将训练样本送入模型学习；
步骤四，使用训练好的目标检测模型对对待识别图片进行识别，得到第一识别结果，将第一识别结果以结果框框出；除使用结果框框出第一识别结果外，还可以输出结果框的坐标；
步骤五，对步骤四得到的第一识别结果进行校验，使用sift特征匹配算法对结果框框住的第一识别结果进行特征提取，然后将提取的特征与步骤二获得的纯logo的特征进行匹配，将匹配度大于预设第一阈值的第一识别结果作为第二识别结果；
在其他示例中，对经过步骤五特征匹配得到的识别结果还可以通过几何校验去除其中的错误匹配结果，如计算经过步骤五特征匹配得到的识别结果与步骤二获得的纯logo的角度差，将角度差不大于预设第二阈值对应的计算经过步骤五特征匹配得到的识别结果作为第二识别结果；
步骤六，将结果框与其框住的识别结果对齐；步骤四后生成的结果框可能不是很紧致，或大或小，可以采用单应性矩阵将结果框与识别结果对齐，生成非常紧致的结果框；
图6为经过步骤四识别出的第一识别结果，其中，识别的目标纯logo为小雨伞。从图6中可以看出第一识别结果中存在误识别的结果，且框住识别结果的结果框中有的与识别结果没有对齐；
图7为经过步骤五筛选出的第二识别结果，经过步骤五对第一识别结果进行筛选后，可以去除误识别的结果，提高识别的精确率；
图8是将结果框与其框住的识别结果对齐后的示意图。
上述应用示例的第一步生成的是纯色的背景图片，在其他应用示例中，也可以通过网络爬虫抓取万维网信息生成背景图片，后续步骤二～步骤六与上述应用示例中的相同。
本申请实施例还提供了一种计算机可读写存储介质，所述介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前实施例所述的目标图像识别方法的步骤。
在获得仅包含目标图像的图片时，本申请实施例可以通过读取所述计算机可读存储介质上的指令生成背景图片，将仅包含目标图像的图片与所述背景图片叠加后生成训练样本，进而可以继续使用训练样本完成对目标检测模型的训练，使用训练好的目标检测模型从待识别图片中识别出所述目标图像。
本申请实施例还提供了一种目标图像识别终端，如图9所示，所述终端包括：
存储器901，设置为存储计算机可执行指令；
处理器902，设置为执行所述计算机可执行指令，以实现如权利要求1至5中任一项所述的目标图像识别方法的步骤。
在获得仅包含目标图像的图片时，通过本申请实施例所述的目标图像识别终端可以生成背景图片，将仅包含目标图像的图片与所述背景图片叠加后生成训练样本，进而可以继续使用训练样本完成对目标检测模型的训练，使用训练好的目标检测模型从待识别图片中识别出所述目标图像。
本申请实施例还提供了一种目标图像识别系统，如图10所示，所述系统包括：
背景生成模块1001，设置为生成背景图片；
训练样本生成模块1002，设置为将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；
模型训练模块1003，设置为使用所述训练样本训练目标检测模型；
识别模块1004，设置为使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。
在一示例性实施例中，所述背景生成模块1001，设置为生成背景图片，包括：
生成纯色背景图。
在一示例性实施例中，所述训练样本生成模块1002，设置为将仅包含目标图像的图片与所述背景图片叠加后生成训练样本，包括以下一种或多种方式：
将仅包含目标图像的图片分别与多个不同颜色的纯色背景图片叠加生成训练样本；
调整仅包含目标图像的图片的长宽比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；
保持仅包含目标图像的图片的长宽比不变，调整所述包含目标图像的图片在所述背景图片中的占比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；
通过改变所述仅包含目标图像的图片与所述背景图片的叠加位置生成训练样本。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种目标图像识别方法，所述方法包括：
生成背景图片；
将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；
使用所述训练样本训练目标检测模型；
使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。
2.根据权利要求1所述的目标图像识别方法，其特征在于，所述生成背景图片，包括：
生成纯色背景图。
3.根据权利要求2所述的目标图像识别方法，其特征在于，将仅包含目标图像的图片与所述背景图片叠加生成训练样本，包括以下一种或多种方式：
将仅包含目标图像的图片分别与多个不同颜色的纯色背景图片叠加生成训练样本；
调整仅包含目标图像的图片的长宽比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；
保持仅包含目标图像的图片的长宽比不变，调整所述包含目标图像的图片在所述背景图片中的占比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；
通过改变所述仅包含目标图像的图片与所述背景图片的叠加位置生成训练样本。
4.根据权利要求1或2或3所述的目标图像识别方法，其特征在于，
使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果后，所述方法还包括：
对所述第一图片识别结果进行筛选，得到第二图片识别结果，所述筛选的方式包括以下一种或多种：
通过特征匹配方式计算所述第一图片识别结果与所述目标图像的匹配度，将超过预设第一阈值的匹配度对应的第一图片识别结果作为第二图片识别结果。
5.根据权利要求1或4所述的目标图像识别方法，其特征在于，所述方法还包括以下一种或多种：
将所述图片识别结果以方框框住；
将所述图片识别结果以方框框住，并使所述方框与所述图片识别结果对齐。
6.一种计算机可读写存储介质，其特征在于，所述介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1至5中任一项所述的目标图像识别方法的步骤。
7.一种目标图像识别终端，其特征在于，所述终端包括：
存储器，设置为存储计算机可执行指令；
处理器，设置为执行所述计算机可执行指令，以实现如权利要求1至5中任一项所述的目标图像识别方法的步骤。
8.一种目标图像识别系统，其特征在于，所述系统包括：
背景生成模块，设置为生成背景图片；
训练样本生成模块，设置为将仅包含目标图像的图片与所述背景图片叠加后生成训练样本；
模型训练模块，设置为使用所述训练样本训练目标检测模型；
识别模块，设置为使用训练好的目标检测模型对待识别图片进行识别，得到第一图片识别结果。
9.根据权利要求8所述的目标图像识别系统，其特征在于，所述背景生成模块，设置为生成背景图片，包括：
生成纯色背景图。
10.根据权利要求9所述的目标图像识别系统，其特征在于，所述训练样本生成模块，设置为将仅包含目标图像的图片与所述背景图片叠加后生成训练样本，包括以下一种或多种方式：
将仅包含目标图像的图片分别与多个不同颜色的纯色背景图片叠加生成训练样本；
调整仅包含目标图像的图片的长宽比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；
保持仅包含目标图像的图片的长宽比不变，调整所述包含目标图像的图片在所述背景图片中的占比，将调整后得到的多个仅包含目标图像的图片分别与所述背景图片叠加生成训练样本；
通过改变所述仅包含目标图像的图片与所述背景图片的叠加位置生成训练样本。
CN202010728739.XA 2020-07-23 2020-07-23 一种目标图像识别方法、终端、系统和存储介质 Withdrawn CN111985537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010728739.XA CN111985537A (zh) 2020-07-23 2020-07-23 一种目标图像识别方法、终端、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010728739.XA CN111985537A (zh) 2020-07-23 2020-07-23 一种目标图像识别方法、终端、系统和存储介质

Publications (1)

Publication Number Publication Date
CN111985537A true CN111985537A (zh) 2020-11-24

Family

ID=73438204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010728739.XA Withdrawn CN111985537A (zh) 2020-07-23 2020-07-23 一种目标图像识别方法、终端、系统和存储介质

Country Status (1)

Country Link
CN (1) CN111985537A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688887A (zh) * 2021-08-13 2021-11-23 百度在线网络技术（北京）有限公司 图像识别模型的训练与图像识别方法、装置
CN114461986A (zh) * 2022-01-17 2022-05-10 北京快乐茄信息技术有限公司 一种训练识别标识模型的方法、图像识别的方法和装置
CN115033154A (zh) * 2021-02-23 2022-09-09 北京小米移动软件有限公司 缩略图生成方法、缩略图生成装置及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115033154A (zh) * 2021-02-23 2022-09-09 北京小米移动软件有限公司 缩略图生成方法、缩略图生成装置及存储介质
CN113688887A (zh) * 2021-08-13 2021-11-23 百度在线网络技术（北京）有限公司 图像识别模型的训练与图像识别方法、装置
CN114461986A (zh) * 2022-01-17 2022-05-10 北京快乐茄信息技术有限公司 一种训练识别标识模型的方法、图像识别的方法和装置
CN114461986B (zh) * 2022-01-17 2023-04-07 北京快乐茄信息技术有限公司 一种训练识别标识模型的方法、图像识别的方法和装置

Similar Documents

Publication Publication Date Title
CN109325954B (zh) 图像分割方法、装置及电子设备
CN108229490B (zh) 关键点检测方法、神经网络训练方法、装置和电子设备
Romero et al. Unsupervised deep feature extraction for remote sensing image classification
CN111598182B (zh) 训练神经网络及图像识别的方法、装置、设备及介质
CN110555433B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN111985537A (zh) 一种目标图像识别方法、终端、系统和存储介质
CN111222513B (zh) 车牌号码识别方法、装置、电子设备及存储介质
CN110163188B (zh) 视频处理以及在视频中嵌入目标对象的方法、装置和设备
CN111680690B (zh) 一种文字识别方法及装置
JP6997369B2 (ja) プログラム、測距方法、及び測距装置
Thajeel et al. A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern.
WO2023123981A1 (zh) 一种视频处理方法、装置、计算机设备和存储介质
CN111178363B (zh) 文字识别方法、装置、电子设备以及可读存储介质
CN112052907A (zh) 基于图像边缘信息的目标检测方法、装置及存储介质
CN111046755A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN113807237A (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
CN110751163B (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
CN112380978A (zh) 基于关键点定位的多人脸检测方法、系统及存储介质
CN115937596A (zh) 目标检测方法及其模型的训练方法、设备以及存储介质
CN111402185A (zh) 一种图像检测方法及装置
CN116152079A (zh) 图像处理方法及图像处理模型训练方法
CN114267076A (zh) 一种图像识别方法、装置、设备及存储介质
CN111325194B (zh) 一种文字识别方法、装置及设备、存储介质
CN110738225B (zh) 图像识别方法及装置
CN113033612A (zh) 一种图像分类方法和装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201124