CN111986262B - 一种图像区域定位方法及装置 - Google Patents

一种图像区域定位方法及装置 Download PDF

Info

Publication number
CN111986262B
CN111986262B CN202010931282.2A CN202010931282A CN111986262B CN 111986262 B CN111986262 B CN 111986262B CN 202010931282 A CN202010931282 A CN 202010931282A CN 111986262 B CN111986262 B CN 111986262B
Authority
CN
China
Prior art keywords
image
area
training sample
sample image
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.)
Active
Application number
CN202010931282.2A
Other languages
English (en)
Other versions
CN111986262A (zh
Inventor
胡凯
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.)
Luster LightTech Co Ltd
Original Assignee
Luster LightTech 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 Luster LightTech Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN202010931282.2A priority Critical patent/CN111986262B/zh
Publication of CN111986262A publication Critical patent/CN111986262A/zh
Application granted granted Critical
Publication of CN111986262B publication Critical patent/CN111986262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像区域定位方法及装置，包括：获取训练图像、目标区域以及特征矩阵；根据所述训练图像和所述特征矩阵，计算出每一个像素点与所述目标区域的预测相似度；分别以所述训练图像中的每一个像素点为中心，获取一个与所述目标区域大小相同的矩形区域，并计算所述目标区域与所述矩形区域之间的模板匹配度；通过所述训练图像中每一个像素点的所述预测相似度与所述模板匹配度，构建训练模型；将图像输入到所述训练模型中，得出与所述目标区域预测相似度最高的矩形区域，完成区域特征筛选。本申请可以通过机器学习方法实现对图像中目标区域的粗定位,不容易受到图像和目标区域的复杂程度影响，并且不需要大量训练样本，更加简单。

Description

一种图像区域定位方法及装置
技术领域
本申请涉及目标区域识别技术领域，尤其涉及一种图像区域定位方法及装置。
背景技术
基于图像匹配的图像定位方案，其在执行过程中对图像中的每一个像素点都需要执行与目标区域特征的匹配运算，并且该定位方案的耗时长短与图像和目标区域尺度成正比，还会受到图像和目标区域的复杂程度影响，从而容易出现处理时间过长。
现有技术中，通过深度学习的方法，进行图像区域定位，但是采用深度学习网络的方法进行训练处理，则需要大量的训练样本图像，同时需要进行大量的矩阵运算，在训练样本图像较少的情况下，采用深度学习方法的性能并不好，而且使用深度学习对于图像中的目标区域的特征处理过程时间较长，专业要求更高，实现目标区域的定位过程较为复杂。
发明内容
本申请提供了一种图像区域定位方法及装置，以解决现有技术中存在的定位方案的处理时间过长，容易受到训练样本图像和目标区域的复杂程度影响，并且需要大量的训练样本图像，实现过程较为复杂的问题。
第一方面，本申请提供一种图像区域定位方法，包括以下步骤：
获取训练样本图像和所述训练样本图像中的目标区域以及与所述训练样本图像大小一致的特征矩阵；
根据所述训练样本图像和所述特征矩阵，计算出所述训练样本图像中的每一个像素点与所述目标区域的预测相似度；
分别以所述训练样本图像中的每一个像素点为基础，获取一个与所述目标区域大小相同的矩形区域，并计算所述目标区域与所述矩形区域之间的模板匹配度；
通过所述训练样本图像中的每一个像素点的所述预测相似度与所述模板匹配度，构建训练模型；
将需要定位的目标图像输入到所述训练模型中，得出与所述目标图像中的目标区域预测相似度最高的矩形区域。
在本申请的较佳实施例中，所述目标区域为手动标定或者通过定位核选取功能选择出来的用于与背景进行区分的图像中的定位核区域。
在本申请的较佳实施例中，所述特征矩阵经由高斯分布初始化方法优化。
在本申请的较佳实施例中，通过所述训练样本图像中的每一个像素点与所述特征矩阵的对应特征点相乘，得到所述训练样本图像该像素点的所述预测相似度。
在本申请的较佳实施例中，所述模板匹配度的具体计算过程如下：
假设训练样本图像大小为M*N，则训练样本图像中像素点(i，j)处的模板匹配度NCC(i，j)为
其中，(u，v)表示所述训练样本图像中目标区域的像素点，且遍历所述训练样本图像中目标区域的所有像素点，f(i+u,j+v)和t(u,v)分别表示训练样本图像中对应的特征值，uf和ut表示在M*N大小内的区域特征值的均值。
在本申请的较佳实施例中，所述训练模型的具体构建过程如下：
遍历训练样本图像中的所有像素点，计算当前像素点的预测相似度及其与所述训练样本图像中目标区域的模板匹配度，并求取所述当前像素点的预测相似度与所述模板匹配度的差值；
若所述差值的绝对值大于所述第一阈值，则对特征矩阵参数进行更新，更新公式如下：
Wt＝Wt-α*loss，loss＝y-NCC，
其中，α表示更新步长，且为常数，loss表示差值，y表示预测相似度，NCC表示模板匹配度，Wt表示特征矩阵参数；
对所有定位到的重叠矩形区域进行非极大值抑制，更新抑制掉的特征点的特征矩阵参数；
根据所有所述重叠矩形区域的边界像素点计算每两个所述矩形区域之间的交并比；
当所述交并比大于第二阈值时，保留所述预测相似度高的矩形区域；
将所述预测相似度低的矩形区域的模板匹配度调整为0，重新计算loss值，重复上述步骤，直到loss为0，得到最优训练模型。
在本申请的较佳实施例中，所述训练模型的目标函数F的计算公式如下：
F＝∑i,jNCC(i,j)-y(i,j)，
其中，NCC(i，j)为模板匹配度，y(i,j)为对应像素点的预测相似度。
第二方面，本申请提供一种图像区域定位装置，包括：
训练单元，用于获取若干训练样本图像和所述训练样本图像中的目标区域以及与所述训练样本图像大小一致的特征矩阵，并进行预测相似度和模板匹配度计算，不断更新特征矩阵的参数，得到最优训练模型；
处理单元，用于将需要定位的目标图像输入所述最优训练模型中，找出预测相似度高的矩形区域，并输出图像区域定位结果。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述图像区域定位方法。
本申请提供的一种图像区域定位方法及装置，相较于现有技术而言，具有以下有益效果：
本申请通过机器学习方法，将训练样本图像中已经确定好的目标区域写成目标函数的形式，并通过训练过程不断对目标函数中的参数进行更新，使得目标函数不断逼近目标值，从而实现对训练样本图像中目标区域的粗定位,采用机器学习方法，能够显著降低在实际使用过程中的时间，且不容易受到训练样本图像和目标区域的复杂程度影响，也不需要大量训练样本图像，数据处理更加简单，对设备的要求较低，实现目标区域定位的过程也更加简单快速。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请的一种区域特征提取方法的流程图；
图2为本申请实施例1所采用的训练图像示意图；
图3为本申请实施例1中两个矩形区域之间的相交面积示意图；
图4为本申请实施例1中两个矩形区域之间的相并面积示意图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请实施例的描述中，需要说明的是，术语“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
基于本申请描述的示例性实施例，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，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中使用的术语“单元”，是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
监督学习：输入数据中有样本信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。
实施例1
本申请中采用的为有监督的图像区域定位方法，有监督是指已经确定了目标区域，在训练过程中，完成的是对已经确定的目标区域进行定位筛选的过程。
参见图1，为本申请提供的一种图像区域定位方法的流程图，具体包括以下步骤：
S101，获取训练样本图像和所述训练样本图像中的目标区域以及与所述训练样本图像大小一致的特征矩阵；
在本实施例中，用X表示训练样本图像，W表示与训练样本图像X大小一致的特征矩阵。
S102，根据所述训练样本图像和所述特征矩阵，计算出所述训练样本图像中的每一个像素点与所述目标区域的预测相似度；
S103，分别以所述训练样本图像中的每一个像素点为基础，获取一个与所述目标区域大小相同的矩形区域，并计算所述目标区域与所述矩形区域之间的模板匹配度；
S104，通过所述训练样本图像中的每一个像素点的所述预测相似度与所述模板匹配度，构建训练模型；
S105，将需要定位的目标图像输入到所述训练模型中，得出与所述目标图像中的目标区域预测相似度最高的矩形区域。
如图2所示，在本实施例中，所述目标区域为手动标定或者通过定位核选取功能选择出来的用于与背景进行区分的图像中的定位核区域，即图2中以“+”为中心所标注出的矩形区域。
需要说明的是，本实施例中，进一步地，在训练的过程中，需要对特征矩阵W进行初始化，所述特征矩阵经由高斯分布初始化方法优化，即初始化之后的特征矩阵数值分布符合高斯分布。
在本实施例中，步骤S102中的所述预测相似度的计算方法为通过将所述训练样本图像中的每一个像素点与所述特征矩阵的对应特征点相乘得到，即训练样本图像X中的像素点(i，j)对应的预测相似度y＝W(i，j)X(i，j)，其中，W(i，j)表示训练样本图像对应特征矩阵中的特征点。
在本实施例中，步骤S103中的所述模板匹配度的具体计算过程如下：
假设训练样本图像大小为M*N，则训练样本图像中像素点(i，j)处的模板匹配度NCC(i，j)为
其中，(u，v)表示所述训练样本图像中目标区域的像素点，且遍历所述训练样本图像中目标区域的所有像素点，f(i+u,j+v)和t(u,v)分别表示训练样本图像中对应的特征值，uf和ut表示在M*N大小内的区域特征值的均值。
另外，需要特别说明的是，步骤S103中，若训练样本图像中的像素点处于中间位置，则以该像素点为中心，获取一个与所述目标区域大小相同的矩形区域；若训练样本图像中的像素点处于边界位置，则以该像素点为边界点，获取一个与所述目标区域大小相同的矩形区域。
在本实施例中，步骤S104中的所述训练模型的具体构建过程如下：
遍历训练样本图像中的所有像素点，计算当前像素点的预测相似度及其与所述训练样本图像中目标区域的模板匹配度，并求取所述当前像素点的预测相似度与所述模板匹配度的差值；
若所述差值的绝对值大于所述第一阈值，在本实施例中，所述第一阈值取值为0.1，则对特征矩阵参数进行更新，更新公式如下：
Wt＝Wt-α*loss，loss＝y-NCC，
其中，α表示更新步长，且为常数，loss表示差值，y表示预测相似度，NCC表示模板匹配度，Wt表示特征矩阵参数；若所述差值的绝对值小于第一阈值0.1，则不对特征矩阵参数进行更新。
需要说明的是，在本实施例中，α取值为0.001，第一阈值的取值则需要根据实际中的情况而定。
对所有定位到的重叠矩形区域进行非极大值抑制，更新抑制掉的特征点的特征矩阵参数；
遍历所有的特征点，并将所有的特征点按照模板匹配度的大小从大到小依次进行排序，遍历所有的矩形区域，根据所有所述重叠矩形区域的边界像素点计算每两个所述矩形区域之间的交并比；
当所述交并比大于第二阈值0.5时，则认为两个预测框重合，保留所述预测相似度高的矩形区域；
将所述预测相似度低的矩形区域的模板匹配度调整为0，重新计算loss值，重复上述步骤，直到loss为0，得到最优训练模型。
需要说明的是，在本实施例中，如图3和图4所示，交并比IOU的计算方法为两个矩形区域相交部分的面积(如图3)除以两个矩形相并的面积(如图4)，得到两个矩形区域的交并比IOU为0.66，由于IOU大于第二阈值，则认为两个矩形区域重合，根据上述计算方法得到左侧矩形区域的预测相似度为0.01，右侧矩形区域的预测相似度为0.71，则仅保留预测相似度高的右侧矩形区域，并将其的模板匹配度调整为0。本实施例中，第二阈值也需要根据实际情况选择数值，且图3和图4的两个矩形区域仅是为了说明本申请的技术方案。
在本实施例中，所述训练模型通过构建目标函数进行表达，所述目标函数F的计算公式如下：
F＝∑i,jNCC(i,j)-y(i,j)，
其中，NCC(i，j)为模板匹配度，y(i,j)为对应像素点的预测相似度。
本实施例的步骤S105中，将需要进行目标区域定位的目标图像输入至上述得到的最优训练模型中，计算目标图像中的每一个像素点与目标区域的预测相似度，遍历目标图像中的所有像素点，提取出预测相似度值大于第三阈值0.7的像素点，则认为这些像素点可能是目标区域的中心点，然后对以该部分像素点为中心的矩形区域进行非极大值抑制，当交并比IOU大于第二阈值0.5时，则保留预测相似度高的矩形区域，即为目标图像中的目标区域。需要说明的是，第三阈值也为根据实际情况选择的数值。
实施例2
本申请提供一种图像区域定位装置，包括：
训练单元，用于获取若干训练样本图像和所述训练样本图像中的目标区域以及与所述训练样本图像大小一致的特征矩阵，并进行预测相似度和模板匹配度计算，不断更新特征矩阵的参数，得到最优训练模型；
处理单元，用于将需要定位的目标图像输入所述最优训练模型中，找出预测相似度高的矩形区域，并输出图像区域定位结果。
实施例3
本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述图像区域定位方法。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (7)

1.一种图像区域定位方法，其特征在于，包括以下步骤：
获取训练样本图像和所述训练样本图像中的目标区域以及与所述训练样本图像大小一致的特征矩阵；
通过所述训练样本图像中的每一个像素点与所述特征矩阵的对应特征点相乘，得到所述训练样本图像中每一个像素点与所述目标区域的预测相似度；
分别以所述训练样本图像中的每一个像素点为基础，获取一个与所述目标区域大小相同的矩形区域，并计算所述目标区域与所述矩形区域之间的模板匹配度；
通过所述训练样本图像中的每一个像素点的所述预测相似度与所述模板匹配度，构建训练模型，所述训练模型的具体构建过程如下：
遍历训练样本图像中的所有像素点，计算当前像素点的预测相似度及其与所述训练样本图像中目标区域的模板匹配度，并求取所述当前像素点的预测相似度与所述模板匹配度的差值；
若所述差值的绝对值大于第一阈值，则对特征矩阵参数进行更新，更新公式如下：
Wt＝Wt-α*loss，loss＝y-NCC，
其中，α表示更新步长，且为常数，loss表示差值，y表示预测相似度，NCC表示模板匹配度，Wt表示特征矩阵参数；
对所有定位到的重叠矩形区域进行非极大值抑制，更新抑制掉的特征点的特征矩阵参数；
根据所有所述重叠矩形区域的边界像素点计算每两个所述矩形区域之间的交并比；
当所述交并比大于第二阈值时，保留所述预测相似度高的矩形区域；
将所述预测相似度低的矩形区域的模板匹配度调整为0，重新计算loss值，重复上述步骤，直到loss为0，得到最优训练模型；
将需要定位的目标图像输入到所述训练模型中，得出与所述目标图像中的目标区域预测相似度最高的矩形区域。
2.根据权利要求1所述的一种图像区域定位方法，其特征在于，所述训练模型的目标函数F的计算公式如下：
F＝∑i,jNCC(i,j)-y(i,j)，
其中，NCC(i，j)为模板匹配度，y(i,j)为对应像素点的预测相似度。
3.根据权利要求1或2所述的一种图像区域定位方法，其特征在于，所述模板匹配度的具体计算过程如下：
假设训练样本图像大小为M*N，则训练样本图像中像素点(i，j)处的模板匹配度NCC(i，j)为
其中，(u，v)表示所述训练样本图像中目标区域的像素点，且遍历所述训练样本图像中目标区域的所有像素点，f(i+u,j+v)表示所述训练样本图像中对应的M*N区域中任一点的特征值，t(u,v)表示训练样本图像中目标区域内(u，v)位置对应的特征值，uf表示所述训练样本图像中对应的M*N区域的特征均值，ut表示目标区域对应M*N区域的特征均值。
4.根据权利要求3所述的一种图像区域定位方法，其特征在于，
所述目标区域为手动标定或者通过定位核选取功能选择出来的用于与背景进行区分的图像中的定位核区域。
5.根据权利要求1或2所述的一种图像区域定位方法，其特征在于，
所述特征矩阵经由高斯分布初始化方法优化。
6.一种图像区域定位装置，其特征在于，所述图像区域定位装置用于实现如以上任意一项权利要求所述的图像区域定位方法，具体包括：
训练单元，用于获取若干训练样本图像和所述训练样本图像中的目标区域以及与所述训练样本图像大小一致的特征矩阵，并进行预测相似度和模板匹配度计算，不断更新特征矩阵的参数，得到最优训练模型；
处理单元，用于将需要定位的目标图像输入所述最优训练模型中，找出预测相似度高的矩形区域，并输出图像区域定位结果。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-5中任意一项所述的图像区域定位方法。
CN202010931282.2A 2020-09-07 2020-09-07 一种图像区域定位方法及装置 Active CN111986262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010931282.2A CN111986262B (zh) 2020-09-07 2020-09-07 一种图像区域定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010931282.2A CN111986262B (zh) 2020-09-07 2020-09-07 一种图像区域定位方法及装置

Publications (2)

Publication Number Publication Date
CN111986262A CN111986262A (zh) 2020-11-24
CN111986262B true CN111986262B (zh) 2024-04-26

Family

ID=73448133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010931282.2A Active CN111986262B (zh) 2020-09-07 2020-09-07 一种图像区域定位方法及装置

Country Status (1)

Country Link
CN (1) CN111986262B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638774B (zh) * 2020-12-01 2024-02-02 珠海碳云智能科技有限公司 图像数据处理方法及装置、非易失性存储介质
CN112541902A (zh) * 2020-12-15 2021-03-23 平安科技（深圳）有限公司 相似区域搜索方法、装置、电子设备及介质
CN113077390B (zh) * 2021-06-04 2021-09-14 中建电子商务有限责任公司 一种基于深度学习的图像摆正方法
CN113673518B (zh) * 2021-08-24 2024-02-06 凌云光技术股份有限公司 一种目标定位候选位置筛选策略方法
CN113643370B (zh) * 2021-08-24 2024-01-23 凌云光技术股份有限公司 一种基于ncc算法的图像定位方法与装置
CN117172190B (zh) * 2023-11-01 2023-12-29 启东市旭能电子科技有限公司 一种基于建立pcb预测模型的pcb设计方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072233A1 (zh) * 2016-10-20 2018-04-26 中山大学 一种基于选择性搜索算法的车标检测识别方法及系统
CN109903314A (zh) * 2019-03-13 2019-06-18 腾讯科技（深圳）有限公司 一种图像区域定位的方法、模型训练的方法及相关装置
CN110009665A (zh) * 2019-03-12 2019-07-12 华中科技大学 一种遮挡环境下的目标检测跟踪方法
CN110276346A (zh) * 2019-06-06 2019-09-24 北京字节跳动网络技术有限公司 目标区域识别模型训练方法、装置和计算机可读存储介质
CN111242973A (zh) * 2020-01-06 2020-06-05 上海商汤临港智能科技有限公司 目标跟踪方法、装置、电子设备及存储介质
WO2020114421A1 (zh) * 2018-12-05 2020-06-11 华中科技大学 对象检测模型训练方法、目标对象检测方法
CN111401376A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072233A1 (zh) * 2016-10-20 2018-04-26 中山大学 一种基于选择性搜索算法的车标检测识别方法及系统
WO2020114421A1 (zh) * 2018-12-05 2020-06-11 华中科技大学 对象检测模型训练方法、目标对象检测方法
CN110009665A (zh) * 2019-03-12 2019-07-12 华中科技大学 一种遮挡环境下的目标检测跟踪方法
CN109903314A (zh) * 2019-03-13 2019-06-18 腾讯科技（深圳）有限公司 一种图像区域定位的方法、模型训练的方法及相关装置
CN110276346A (zh) * 2019-06-06 2019-09-24 北京字节跳动网络技术有限公司 目标区域识别模型训练方法、装置和计算机可读存储介质
CN111242973A (zh) * 2020-01-06 2020-06-05 上海商汤临港智能科技有限公司 目标跟踪方法、装置、电子设备及存储介质
CN111401376A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
显著度目标示性及背景自适应约束的目标跟踪算法;王婧;朱虹;;模式识别与人工智能(第10期);全文 *

Also Published As

Publication number Publication date
CN111986262A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111986262B (zh) 一种图像区域定位方法及装置
CN111723860B (zh) 一种目标检测方法及装置
CN110337669B (zh) 一种用于多标签分割医学图像中的解剖结构的管线方法
US20190294970A1 (en) Systems and methods for polygon object annotation and a method of training an object annotation system
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN110826458A (zh) 一种基于深度学习的多光谱遥感图像变化检测方法及系统
CN104008538A (zh) 基于单张图像超分辨率方法
CN108364297B (zh) 血管图像分割方法、终端、存储介质
WO2007027452A1 (en) Training convolutional neural networks on graphics processing units
DE102007046582A1 (de) System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild
Pintea et al. Resolution learning in deep convolutional networks using scale-space theory
CN110599500A (zh) 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统
CN112288011A (zh) 一种基于自注意力深度神经网络的图像匹配方法
CN109658378B (zh) 基于土壤ct图像的孔隙辨识方法及系统
CN108830792A (zh) 一种利用多类字典的图像超分辨率方法
Ensafi et al. Type-2 fuzzy image enhancement
CN114266894A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN109191503B (zh) 基于条件随机场的遥感影像变化检测方法及系统
CN109242832B (zh) 一种多时相多光谱遥感影像变化检测方法及系统
CN104268550A (zh) 特征提取方法及装置
CN116611576B (zh) 碳排量预测方法及装置
CN110929731B (zh) 一种基于探路者智能搜索算法的医疗影像处理方法及装置
CN108447066B (zh) 胆道图像分割方法、终端、存储介质
CN111898408A (zh) 一种快速人脸识别方法及装置
CN107492101B (zh) 基于自适应构造最优图的多模态鼻咽肿瘤分割算法

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
CB02 Change of applicant information

Address after: 100094 Beijing city Haidian District Cui Hunan loop 13 Hospital No. 7 Building 7 room 701

Applicant after: Lingyunguang Technology Co.,Ltd.

Address before: 100094 Beijing city Haidian District Cui Hunan loop 13 Hospital No. 7 Building 7 room 701

Applicant before: Beijing lingyunguang Technology Group Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant