CN112001373A - 一种物品识别方法、装置及存储介质 - Google Patents
一种物品识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112001373A CN112001373A CN202011167365.5A CN202011167365A CN112001373A CN 112001373 A CN112001373 A CN 112001373A CN 202011167365 A CN202011167365 A CN 202011167365A CN 112001373 A CN112001373 A CN 112001373A
- Authority
- CN
- China
- Prior art keywords
- image
- article
- feature vector
- identified
- recognized
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种物品识别方法、装置及存储介质,涉及图像识别技术领域。该物品识别方法包括:接收待识别物品的图像;将待识别物品的图像输入预先训练获取的图像特征提取器,得到待识别物品的图像的第一特征向量;根据待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定待识别物品的类别信息,其中,图像数据库中包括多个物品的图像信息。本方案中,通过预先训练的图像特征提取器,可对输入的待识别物品的图像的第一特征向量进行提取,从而可根据所提取的图像的第一特征向量,以及利用图像特征提取器所提取的预存于图像数据库中的图像特征向量之间的关系,最终确定出待识别物品的类别信息,提高了物品识别的精确度。
Description
技术领域
本申请涉及图像识别技术领域,具体而言,涉及一种物品识别方法、装置及存储介质。
背景技术
随着生活水平的不断提高,人们越来越重视自己的健康状况,如何高效、科学、有效的管理自己的饮食,成为人们每天要解决的问题。通过手写,或者打字的方式记录人们的日常饮食,繁琐而且缺乏趣味性,通过菜品图像识别菜名,并且得到相关的信息,具有快速,高效,趣味性高的特点。
目前的菜品识别,往往基于图像分类的技术来实现,具体是通过给定的菜品数据集,按照分类的损失函数(一般是交叉熵损失函数),进行菜品分类模型的训练,并使用完成的分类模型进行菜品识别。
现有的菜品识别方法,当菜品数据集的类别不均衡时,会导致分类模型的分类效果不佳。
发明内容
为了解决现有技术中存在的问题,本申请提供了一种物品识别方法、装置及存储介质。
为实现上述目的,本申请采用的技术方案为:
本申请第一方面提供一种物品识别方法,包括:
接收待识别物品的图像;
将所述待识别物品的图像输入预先训练获取的图像特征提取器,得到所述待识别物品的图像的第一特征向量;
根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,其中,所述图像数据库中包括多个物品的图像信息,每个所述物品的图像信息至少包括:物品的类别、图像的第一特征向量。
可选地,所述根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,包括:
将所述待识别物品的图像的第一特征向量输入预先训练获取的特征量化器,得到所述待识别物品的图像的第二特征向量,所述第二特征向量为二进制特征向量;
根据所述待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息。
可选地,所述图像数据库中每个物品的图像信息还包括:图像的第二特征向量;
所述根据所述待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,包括:
将所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从所述图像数据库中筛选出待选图像信息集合;
将所述待识别物品的第一特征向量与所述待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定所述待识别物品的类别信息。
可选地,所述将所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从所述图像数据库中筛选出待选图像信息集合,包括:
对所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行异或操作,得到比对结果,所述比对结果用于标识所述待识别物品的图像与所述图像数据库中各图像信息的不相似度;
将小于第一预设阈值的不相似度对应的图像数据库中的各图像信息加入所述待选图像信息集合。
可选地,所述将所述待识别物品的第一特征向量与所述待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定所述待识别物品的类别信息,包括:
确定所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的欧式距离,得到所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度;
根据所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度,确定所述待识别物品的类别信息。
可选地,所述根据所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度,确定所述待识别物品的类别信息,包括:
将最小不相似度对应的待选图像信息集合中的图像信息所标识的物品的类别,作为所述待识别物品的类别。
可选地,所述根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,包括:
将所述待识别物品的图像的第一特征向量与所述图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
可选地,所述将所述待识别物品的图像的第一特征向量与所述图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息,包括:
确定所述待识别物品的图像的第一特征向量与所述图像数据库中各第一特征向量的欧式距离,得到所述待识别物品的图像的第一特征向量与所述图像数据库中各第一特征向量的不相似度;
根据所述待识别物品的图像的第一特征向量与所述图像数据库中各第一特征向量的不相似度,确定所述待识别物品的类别信息。
本申请第二方面提供一种物品识别装置,包括:接收单元、输入单元、以及确定单元;
所述接收单元,用于接收待识别物品的图像;
所述输入单元,用于将所述待识别物品的图像输入预先训练获取的图像特征提取器,得到所述待识别物品的图像的第一特征向量;
所述确定单元,用于根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,其中,所述图像数据库中包括多个物品的图像信息,每个所述物品的图像信息至少包括:物品的类别、图像的第一特征向量。
可选地,所述确定单元,用于将所述待识别物品的图像的第一特征向量输入预先训练获取的特征量化器,得到所述待识别物品的图像的第二特征向量,所述第二特征向量为二进制特征向量;
根据所述待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息。
可选地,所述图像数据库中每个物品的图像信息还包括:图像的第二特征向量;
所述确定单元,用于将所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从所述图像数据库中筛选出待选图像信息集合;
将所述待识别物品的第一特征向量与所述待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定所述待识别物品的类别信息。
可选地,所述确定单元,用于对所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行异或操作,得到比对结果,所述比对结果用于标识所述待识别物品的图像与所述图像数据库中各图像信息的不相似度;
将小于第一预设阈值的不相似度对应的图像数据库中的各图像信息加入所述待选图像信息集合。
可选地,所述确定单元,用于确定所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的欧式距离,得到所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度;
根据所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度,确定所述待识别物品的类别信息。
可选地,所述确定单元,用于将最小不相似度对应的待选图像信息集合中的图像信息所标识的物品的类别,作为所述待识别物品的类别。
可选地,所述确定单元,用于将所述待识别物品的图像的第一特征向量与所述图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
可选地,所述确定单元,用于确定所述待识别物品的图像的第一特征向量与所述图像数据库中各第一特征向量的欧式距离,得到所述待识别物品的图像的第一特征向量与所述图像数据库中各第一特征向量的不相似度;
根据所述待识别物品的图像的第一特征向量与所述图像数据库中各第一特征向量的不相似度,确定所述待识别物品的类别信息。
本申请第三方面提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上述第一方面所述方法的步骤。
本申请第四方面提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时,执行如上述第一方面所述方法的步骤。
本申请提供了一种物品识别方法、装置及存储介质。其中,该物品识别方法包括:接收待识别物品的图像;将所述待识别物品的图像输入预先训练获取的图像特征提取器,得到所述待识别物品的图像的第一特征向量;根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,其中,所述图像数据库中包括多个物品的图像信息,每个所述物品的图像信息至少包括:物品的类别、图像的第一特征向量。本方案中,通过预先训练的图像特征提取器,可对输入的待识别物品的图像的第一特征向量进行提取,从而可根据所提取的图像的第一特征向量,以及利用图像特征提取器所提取的预存于图像数据库中的图像特征向量之间的关系,最终确定出待识别物品的类别信息。通过第一特征向量与图像数据库中的图像特征向量之间的关系,确定待识别物品的类别信息,避免了在数据集较小,且数据集类别分布不均匀时,无法学习到准确的图像特征导致分类不准确的问题,提高了物品识别的精确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本申请实施例提供的一种物品识别系统的框图;
图2为本申请实施例提供的可以实现本申请思想的电子设备的示例性硬件和软件组件的示意图;
图3为本申请一实施例提供的物品识别方法的流程示意图;
图4为本申请另一实施例提供的物品识别方法的流程示意图;
图5为本申请另一实施例提供的物品识别方法的流程示意图;
图6为本申请另一实施例提供的物品识别方法的流程示意图;
图7为本申请另一实施例提供的物品识别方法的流程示意图;
图8为本申请另一实施例提供的物品识别方法的流程示意图;
图9为本申请一实施例提供的物品识别装置的结构示意图;
图10为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。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。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
现有的菜品识别方法,一般采用图像分类的技术架构,就是对于给定的菜品数据集,按照分类的损失函数(一般是交叉熵损失函数),进行分类模型的训练,该方式有以下几个缺点:
(1)、由于采用的分类的损失函数,对于菜品数据集中类别不均衡的菜品类别(例如:有的菜品类别具有几万张菜品数据集,而有的菜品类别只有几张菜品数据集),尤其对于小样本的菜品数据集,无法学习到有用的特征信息,因此对于小样本的菜品类别,分类效果不佳。
(2)、当存在菜品类别的调整时,例如:新增加菜品类别或者需要删除某个菜品类别时,需要重新训练模型。而重新训练的过程会耗费大量的计算和人力资源,不利于项目的迭代开发。
为了解决上述现有技术中存在的技术问题,本申请提供一种发明构思:预先存储所有菜品图像的第一特征向量,并利用预先训练的图像特征提取器提取待识别菜品的图像,获得待识别菜品的图像的第一特征向量,通过判断待识别菜品的图像的第一特征向量以及预存于图像数据库中的菜品图像的第一特征向量之间的关系,确定待识别菜品的类别信息。通过上述方法,将分类问题转换为判断特征向量之间的关系,避免了当菜品数据集的类别不均衡时,导致分类模型的分类效果不佳的问题。
下面通过可能的实现方式对本申请所提供的具体技术方案进行说明。
图1为本申请实施例提供的一种物品识别系统的框图。例如,物品识别系统100可以是应用于菜品识别系统、花卉识别系统等一些物品识别系统中。物品识别系统100可以包括服务器110、网络120、终端140和数据库150中的一种或多种,服务器110中可以包括执行指令操作的处理器。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110相对于终端,可以是本地的、也可以是远程的。例如,服务器110可以经由网络120访问存储在终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例,服务器110可以直接连接到终端140和数据库150中至少一个,以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从终端130获得的待识别物品图像确定物品的特征信息。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit, PPU)、数字信号处理器 (Digital Signal Processor,DSP)、现场可编程门阵列( Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,物品识别系统100中的一个或多个组件(例如,服务器110,终端140和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从终端130获取待识别物品图像。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local AreaNetwork,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local AreaNetworks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide AreaNetwork,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication, NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,物品识别系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,终端140可以包括移动设备、平板计算机等,或其任意组合。
图2为本申请实施例提供的可以实现本申请思想的电子设备的示例性硬件和软件组件的示意图。例如,处理器220可以用于电子设备200上,并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的物品识别方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I / O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本申请中的电子设备200还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
如下将通过多个具体的实施例,对本申请所提供的物品识别方法的实现原理以及对应产生的有益效果进行说明。
图3为本申请实施例提供的一种物品识别方法的流程示意图,该方法的执行主体可以是智能移动设备、计算机、服务器等处理设备等。如图3所示,该方法可包括:
S301、接收待识别物品的图像。
示例性的,在本申请实施例中,待识别物品的图像可以是待识别菜品图像、待识别花卉图像、或者待识别人脸图像等,本申请对于待识别物品的具体类型不做限定。为便于描述,以下实施例均以菜品为例进行说明。
当然,上述仅示例性的列举了几种应用场景,实际应用中,并不限于上述的应用场景。
S302、将待识别物品的图像输入预先训练获取的图像特征提取器,得到待识别物品的图像的第一特征向量。
在本申请实施例中,图像特征提取器为通过包含有目前所有类别的菜品图像的数据库训练得到。需要说明的是,该数据库中不仅包含有所有类别的菜品图像,还包含有所有菜品图像的标签数据。此外,图像特征提取器的训练过程采取度量学习的方式,也称为相似度学习的方式。
图像特征提取器可以采用现有的神经网络模型,示例性地,可以基于孪生网络模型,利用菜品数据库训练得到图像特征提取器。进一步地,特征提取器的损失函数可以采用三元组损失(triplet loss)等损失函数。需要说明的是,上述网络模型以及损失函数的选取只是示例性地,具体的网络模型以及损失函数的选择,并不限于此。
当接收到识别菜品的图像时,利用图像特征提取器获取待识别菜品的图像的第一特征向量。
一种可选的方式中,上述待识别物品的图像的第一特征向量可以为浮点数形式的特征向量。该第一特征向量可以完整描述每个菜品图像的特征信息。
S303、根据待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定待识别物品的类别信息。
可选地,图像数据库中包括多个物品的图像信息,每个物品的图像信息至少包括:物品的类别、图像的第一特征向量。示例性地,图像数据库中可以包括:菜品图像、菜品图像的类别、菜品图像的第一特征向量。
本实施例中,通过图像数据库中预存的所有菜品图像的特征向量与待识别菜品的图像的第一特征向量之间的关系,确定待识别菜品的类别信息。
综上,本实施例中提供了一种物品识别方法,包括:接收待识别物品的图像;将所述待识别物品的图像输入预先训练获取的图像特征提取器,得到所述待识别物品的图像的第一特征向量;根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,其中,所述图像数据库中包括多个物品的图像信息,每个所述物品的图像信息至少包括:物品的类别、图像的第一特征向量。本方案中,通过预先训练的图像特征提取器,可对输入的待识别物品的图像的第一特征向量进行提取,从而可根据所提取的图像的第一特征向量,以及利用图像特征提取器所提取的预存于图像数据库中的图像特征向量之间的关系,最终确定出待识别物品的类别信息。通过第一特征向量与图像数据库中的图像特征向量之间的关系,确定待识别物品的类别信息,避免了在数据集较小,且数据集类别分布不均匀时,无法学习到准确的图像特征导致分类不准确的问题,提高了物品识别的精确度。此外,通过本申请实施例所提供的物品识别方法,当存在物品类别的删除或者增加时,可以通过特征提取器提取新增加的菜品类别的第一特征向量,并直接将新添加的菜品类别的第一特征向量添加到图像数据库,或者直接将需要删除的菜品类别的第一特征向量在图像数据库中删除即可,不需要重新训练网络模型,在一定程度上节约了人力以及设备资源,提高了项目的迭代开发性。
上述步骤S303中根据待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量确定待识别物品的类别信息时,可以使用如下两种可选方式。
第一种可选方式中,可以直接根据第一特征向量以及图像数据库中的图像特征向量确定待识别物品的类别信息。
第二种可选方式中,可以在第一特征向量以及图像数据库中的图像特征向量的基础上,同时结合待识别物品的第二特征向量,确定待识别物品的类别信息。
以下分别对上述两种可选方式进行说明。
图4为本申请实施例提供的一种物品识别方法的流程示意图。可选地,如图4所示,上述步骤第二种可选方式包括:
S401、将待识别物品的图像的第一特征向量输入预先训练获取的特征量化器,得到待识别物品的图像的第二特征向量,第二特征向量为二进制特征向量。
在本申请实施例中,为了减少数据运算量,可以将第一特征向量进一步转化为第二特征向量。具体地,将第一特征向量输入到预先训练完成的特征量化器中,通过特征量化器输出第二特征向量。
需要说明的是,在本申请实施例中,首先将待识别菜品的图像输入特征提取器得到所有菜品的第一特征向量,再将第一特征向量作为特征量化器的输入,最终输出得到二值化后的第一特征向量,即第二特征向量。第二特征向量以二进制格式存储。
此外,需要说明的是,在实际应用中,还可以将第二特征向量转换为其他格式用于菜品类别信息的确定。即只要能够达到降低第一特征向量的维度即可。
S402、根据待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定待识别物品的类别信息。
在一种可实现的方式中,可以直接通过待识别菜品的图像的第一特征向量以及图像数据库中的图像特征向量,确定待识别菜品的类别信息。
在另一种可实现的方式中,可通过待识别菜品的图像的第二特征向量以及图像数据库中的图像特征向量,确定待识别菜品的类别信息。
此外,还可以结合待识别菜品图像的第一特征向量、第二特征向量以及数据库中的图像特征向量,确定待识别菜品的类别信息。
图5为本申请另一实施例提供的一种物品识别方法的流程示意图。可选地,图像数据库中每个物品的图像信息还包括:图像的第二特征向量;如图5所示,上述步骤S402可以包括:
S501、将待识别物品的图像的第二特征向量与图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从图像数据库中筛选出待选图像信息集合。
在本实施例中,图像数据库中包含有各图像信息的第二特征向量,通过待识别菜品的图像的第二特征向量与数据库中各图像信息的第二特征向量进行比对,首先筛选出待选图像信息集合。
需要说明的是,在本申请实施例中,待选图像信息集合是从预存的包含有图像的第一特征向量、图像的第二特征向量,以及图像的类别信息的图像数据库中,挑选的满足预设条件的信息集合。可选地,每个图像的第二特征向量对应唯一的第一特征向量以及图像类别信息。
S502、将待识别物品的第一特征向量与待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
在本实施例中,当选出待选图像信息集合之后,直接将待识别菜品的第一特征向量与待选图像信息集合中各图像信息的第一特征向量进行比对,通过比对结果确定出待识别菜品的类别信息。
本实施例中,基于第二特征向量进行图像信息集合的选取,并在所选取的图像信息集合的基础上,直接将待识别菜品的第一特征向量与图像信息集合中的各图像信息的第一特征向量进行比对,避免了将第一特征向量与数据库中预存的所有的图像信息的第一特征向量进行比对。即通过预先得到待选图像信息集合,可以达到对图像特征向量的粗过滤,在一定程度上降低了对计算机的算力要求,提高了确定待识别菜品的类别信息的速度。
图6为本申请又一实施例提供的一种物品识别方法的流程示意图,如图6所示,上述步骤S501具体可以包括:
S601、对待识别物品的图像的第二特征向量与图像数据库中各图像信息的第二特征向量进行异或操作,得到比对结果,比对结果用于标识待识别物品的图像与图像数据库中各图像信息的不相似度。
在本申请实施例中,可以采用异或操作的方式计算待识别菜品的图像的第二特征向量与图像数据库中各图像信息的第二特征向量之间的不相似度。
异或操作的规则一般为:如果待识别菜品图像的第二特征向量与数据库中某一图像信息的第二特征向量两个值不相同,则异或结果为1。如果待识别菜品图像的第二特征向量与数据库中某一图像信息的第二特征向量两个值相同,异或结果为0。示例性地,在本实施例中,当待识别菜品的图像的第二特征向量为101010111,其与图像数据库中某一预存的第二特征向量111001011进行异或操作后,其比对结果应该为010011100。
S602、将小于第一预设阈值的不相似度对应的图像数据库中的各图像信息加入待选图像信息集合。
在本申请实施例中,可以将小于第一预设阈值的不相似度对应的图像数据库中的各图像信息加入待选图像信息集合。此外,还可以计算待识别菜品与数据库中预存的第二特征向量的相似度信息,并将大于某一预设阈值的相似度对应的图像数据库中的各图像信息加入待选图像信息集合。
需要说明的是,第一预设阈值的确定可以根据设备的硬件水平具体设定,本申请实施例对比不做限定。
图7为本申请又一实施例提供的一种物品识别方法的流程示意图,如图7所示,上述步骤S502具体可以包括:
S701、确定待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的欧式距离,得到待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的不相似度。
S702、根据待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的不相似度,确定待识别物品的类别信息。
可选地,可通过计算待识别物品的图像的第一特征向量与待选图像信息集合中每个图像的第一特征向量之间的欧氏距离,确定出待识别物品的图像与待选图像信息集合中每个图像的不相似程度,并按照不相似程度的大小进行排序,最终确定待识别菜品的类别信息。
可选地,步骤S702、根据待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的不相似度,确定待识别物品的类别信息,可以包括:将最小不相似度对应的待选图像信息集合中的图像信息所标识的物品的类别,作为待识别物品的类别。
可以理解的是,在本申请实施例中,通过将最小不相似度对应的待选图像信息集合中的图像信息所标识的物品的类别,作为待识别物品的类别,即利用不相似度计算代替现有技术中的模型分类方法,解决了小样本训练下,分类模型无法学习到图像的有用信息所导致的分类不准确的技术问题。
可选地,步骤S303具体可以包括:将待识别物品的图像的第一特征向量与图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
以下对上述第一种可选方式,即直接根据第一特征向量与进行说明图像数据库中各图像信息识别物品类别的方式进行说明。
在一种可能的实现方式中,当运算设备的算力足够满足菜品识别在速度上的要求时,还可以直接使用待识别菜品的第一特征向量以及图像数据库中的图像特征向量,确定待识别菜品的类别信息。可选地,可以将待识别物品的图像的第一特征向量与图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
通过直接比较待识别菜品的第一特征向量与图像数据库中各图像信息的第一特征向量的不相似程度,确定待识别菜品的类别信息。可以在一定程度上提高识别待识别菜品类别的速度以及识别准确度。
图8为本申请又一实施例提供的一种物品识别方法的流程示意图,如图8所示,将待识别物品的图像的第一特征向量与图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息,具体可以包括:
S801、确定待识别物品的图像的第一特征向量与图像数据库中各第一特征向量的欧式距离,得到待识别物品的图像的第一特征向量与图像数据库中各第一特征向量的不相似度。
S802、根据待识别物品的图像的第一特征向量与图像数据库中各第一特征向量的不相似度,确定待识别物品的类别信息。
在本实施例中,通过计算欧式距离得到待识别菜品的图像的第一特征向量与图像数据库中各第一特征向量的不相似度之后,根据不相似度确定待识别物品的类别信息。
可选地,可找出图像数据库中不相似度最低的第一特征向量对应的菜品类别,作为待识别菜品的类别信息。
可以理解的是,通过本申请实施例所提供的物品识别方法,当存在菜品类别的删除或者增加时,可以通过特征提取器提取新增加的菜品类别的第一特征向量,并利用特征量化器对第一特征向量进行处理得到第二特征向量,直接将新添加的菜品类别的第一特征向量以及第二特征向量添加到图像数据库,或者直接将需要删除的菜品类别的第一特征向量以及第二特征向量在图像数据库中删除即可,不需要重新训练网络模型,在一定程度上节约了人力以及设备资源,提高了项目的迭代开发性。
下述对用以执行本申请所提供的物品识别方法所对应的装置及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图9为本申请提供的物品识别装置的示意图,如图9所示,该装置可包括:接收单元901、输入单元902、以及确定单元903;
接收单元901,用于接收待识别物品的图像;
输入单元902,用于将待识别物品的图像输入预先训练获取的图像特征提取器,得到待识别物品的图像的第一特征向量;
确定单元903,用于根据待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定待识别物品的类别信息,其中,图像数据库中包括多个物品的图像信息,每个物品的图像信息至少包括:物品的类别、图像的第一特征向量。
可选地,确定单元903,用于将待识别物品的图像的第一特征向量输入预先训练获取的特征量化器,得到待识别物品的图像的第二特征向量,第二特征向量为二进制特征向量;
根据待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定待识别物品的类别信息。
可选地,图像数据库中每个物品的图像信息还包括:图像的第二特征向量;确定单元903,用于将待识别物品的图像的第二特征向量与图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从图像数据库中筛选出待选图像信息集合;
将待识别物品的第一特征向量与待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
可选地,确定单元903,用于对待识别物品的图像的第二特征向量与图像数据库中各图像信息的第二特征向量进行异或操作,得到比对结果,比对结果用于标识待识别物品的图像与图像数据库中各图像信息的不相似度;
将小于第一预设阈值的不相似度对应的图像数据库中的各图像信息加入待选图像信息集合。
可选地,确定单元903,用于确定待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的欧式距离,得到待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的不相似度;
根据待识别物品的图像的第一特征向量与待选图像信息集合中各第一特征向量的不相似度,确定待识别物品的类别信息。
可选地,确定单元903,用于将最小不相似度对应的待选图像信息集合中的图像信息所标识的物品的类别,作为待识别物品的类别。
可选地,确定单元903,用于将待识别物品的图像的第一特征向量与图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
可选地,确定单元903,用于确定待识别物品的图像的第一特征向量与图像数据库中各第一特征向量的欧式距离,得到待识别物品的图像的第一特征向量与图像数据库中各第一特征向量的不相似度;
根据待识别物品的图像的第一特征向量与图像数据库中各第一特征向量的不相似度,确定待识别物品的类别信息。
图10为本申请实施例提供的电子设备的结构示意图,包括:处理器710、存储介质720和总线730,存储介质720存储有处理器710可执行的机器可读指令,当电子设备运行时,处理器710与存储介质720之间通过总线730通信,处理器710执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
本申请实施例提供了一种存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种物品识别方法,其特征在于,包括:
接收待识别物品的图像;
将所述待识别物品的图像输入预先训练获取的图像特征提取器,得到所述待识别物品的图像的第一特征向量;
根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,其中,所述图像数据库中包括多个物品的图像信息,每个所述物品的图像信息至少包括:物品的类别、图像的第一特征向量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,包括:
将所述待识别物品的图像的第一特征向量输入预先训练获取的特征量化器,得到所述待识别物品的图像的第二特征向量,所述第二特征向量为二进制特征向量;
根据所述待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息。
3.根据权利要求2所述的方法,其特征在于,所述图像数据库中每个物品的图像信息还包括:图像的第二特征向量;
所述根据所述待识别物品的图像的第一特征向量、第二特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,包括:
将所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从所述图像数据库中筛选出待选图像信息集合;
将所述待识别物品的第一特征向量与所述待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定所述待识别物品的类别信息。
4.根据权利要求3所述的方法,其特征在于,所述将所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行比对,根据比对结果,从所述图像数据库中筛选出待选图像信息集合,包括:
对所述待识别物品的图像的第二特征向量与所述图像数据库中各图像信息的第二特征向量进行异或操作,得到比对结果,所述比对结果用于标识所述待识别物品的图像与所述图像数据库中各图像信息的不相似度;
将小于第一预设阈值的不相似度对应的图像数据库中的各图像信息加入所述待选图像信息集合。
5.根据权利要求3所述的方法,其特征在于,所述将所述待识别物品的第一特征向量与所述待选图像信息集合中各图像信息的第一特征向量进行比对,根据比对结果,确定所述待识别物品的类别信息,包括:
确定所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的欧式距离,得到所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度;
根据所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度,确定所述待识别物品的类别信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述待识别物品的图像的第一特征向量与所述待选图像信息集合中各第一特征向量的不相似度,确定所述待识别物品的类别信息,包括:
将最小不相似度对应的待选图像信息集合中的图像信息所标识的物品的类别,作为所述待识别物品的类别。
7.根据权利要求1所述的方法,其特征在于,所述根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,包括:
将所述待识别物品的图像的第一特征向量与所述图像数据库中各图像信息的第一特征向量进行比对,根据比对结果,确定待识别物品的类别信息。
8.一种物品识别装置,其特征在于,包括:接收单元、输入单元以及确定单元;
所述接收单元,用于接收待识别物品的图像;
所述输入单元,用于将所述待识别物品的图像输入预先训练获取的图像特征提取器,得到所述待识别物品的图像的第一特征向量;
所述确定单元,用于根据所述待识别物品的图像的第一特征向量以及图像数据库中的图像特征向量,确定所述待识别物品的类别信息,其中,所述图像数据库中包括多个物品的图像信息,每个所述物品的图像信息至少包括:物品的类别、图像的第一特征向量。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一项所述方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一项所述方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167365.5A CN112001373B (zh) | 2020-10-28 | 2020-10-28 | 一种物品识别方法、装置及存储介质 |
PCT/CN2021/083025 WO2022088603A1 (zh) | 2020-10-28 | 2021-03-25 | 一种物品识别方法、装置及存储介质 |
US17/238,215 US20210241025A1 (en) | 2020-10-28 | 2021-04-23 | Object recognition method and apparatus, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167365.5A CN112001373B (zh) | 2020-10-28 | 2020-10-28 | 一种物品识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001373A true CN112001373A (zh) | 2020-11-27 |
CN112001373B CN112001373B (zh) | 2021-01-22 |
Family
ID=73475176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011167365.5A Active CN112001373B (zh) | 2020-10-28 | 2020-10-28 | 一种物品识别方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112001373B (zh) |
WO (1) | WO2022088603A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819003A (zh) * | 2021-04-19 | 2021-05-18 | 北京妙医佳健康科技集团有限公司 | 一种提升体检报告ocr识别准确率的方法及装置 |
CN113743455A (zh) * | 2021-07-23 | 2021-12-03 | 北京迈格威科技有限公司 | 目标检索方法、装置、电子设备及存储介质 |
WO2022088603A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京妙医佳健康科技集团有限公司 | 一种物品识别方法、装置及存储介质 |
CN116091851A (zh) * | 2023-04-12 | 2023-05-09 | 汕头市超声仪器研究所股份有限公司 | 一种超声心尖切面图像的快速分类方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277598B (zh) * | 2022-06-20 | 2024-04-02 | 中国联合网络通信集团有限公司 | 一种算力资源调度方法、装置及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102400017B1 (ko) * | 2017-05-17 | 2022-05-19 | 삼성전자주식회사 | 객체를 식별하는 방법 및 디바이스 |
CN110084642A (zh) * | 2019-04-19 | 2019-08-02 | 哈尔滨新中新电子股份有限公司 | 基于目标检测和图像检索的菜品识别方法 |
CN110825904B (zh) * | 2019-10-24 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、电子设备和存储介质 |
CN111680716B (zh) * | 2020-05-09 | 2023-05-12 | 浙江大华技术股份有限公司 | 一种识别对比方法、装置、计算机设备和存储介质 |
CN112001373B (zh) * | 2020-10-28 | 2021-01-22 | 北京妙医佳健康科技集团有限公司 | 一种物品识别方法、装置及存储介质 |
-
2020
- 2020-10-28 CN CN202011167365.5A patent/CN112001373B/zh active Active
-
2021
- 2021-03-25 WO PCT/CN2021/083025 patent/WO2022088603A1/zh active Application Filing
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088603A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京妙医佳健康科技集团有限公司 | 一种物品识别方法、装置及存储介质 |
CN112819003A (zh) * | 2021-04-19 | 2021-05-18 | 北京妙医佳健康科技集团有限公司 | 一种提升体检报告ocr识别准确率的方法及装置 |
CN113743455A (zh) * | 2021-07-23 | 2021-12-03 | 北京迈格威科技有限公司 | 目标检索方法、装置、电子设备及存储介质 |
CN116091851A (zh) * | 2023-04-12 | 2023-05-09 | 汕头市超声仪器研究所股份有限公司 | 一种超声心尖切面图像的快速分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112001373B (zh) | 2021-01-22 |
WO2022088603A1 (zh) | 2022-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001373B (zh) | 一种物品识别方法、装置及存储介质 | |
CN112434721A (zh) | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 | |
CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
CN112069319A (zh) | 文本抽取方法、装置、计算机设备和可读存储介质 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN114419363A (zh) | 基于无标注样本数据的目标分类模型训练方法及装置 | |
CN110689046A (zh) | 图像识别方法、装置、计算机装置及存储介质 | |
CN111260220A (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN111784665A (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN114595760A (zh) | 数据分类方法及装置 | |
US20210241025A1 (en) | Object recognition method and apparatus, and storage medium | |
CN115169489A (zh) | 数据检索方法、装置、设备以及存储介质 | |
CN114444514A (zh) | 语义匹配模型训练、语义匹配方法及相关装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211011 Address after: Room 502-3, floor 5, building 1, Taihu cultural innovation center, 2999 Sunwu Road, Suzhou Taihu National Tourism Resort, Suzhou, Jiangsu 215000 Patentee after: Suzhou miaoyijia Health Technology Group Co.,Ltd. Address before: 05-169, 5th floor, building 1, yard 40, Xiaoyun Road, Chaoyang District, Beijing Patentee before: Beijing miaoyijia Health Technology Group Co.,Ltd. |