CN112001453A - 一种视频事件检测算法的准确率计算方法及装置 - Google Patents
一种视频事件检测算法的准确率计算方法及装置 Download PDFInfo
- Publication number
- CN112001453A CN112001453A CN202010902213.9A CN202010902213A CN112001453A CN 112001453 A CN112001453 A CN 112001453A CN 202010902213 A CN202010902213 A CN 202010902213A CN 112001453 A CN112001453 A CN 112001453A
- Authority
- CN
- China
- Prior art keywords
- accuracy
- calculating
- video event
- event
- video
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000007787 solid Substances 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
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
本发明公开了一种视频事件检测算法的准确率计算方法及装置，涉及计算机视觉技术领域，所述方法包括：分别获取视频事件的真实值与预测值对应的目标检测立体框，所述目标检测立体框由待测目标各个面的边界框组合而成；计算所述真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比；根据所述交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度。本发明实施例能够解决现有技术中没有明确的方法对视频事件检测算法准确率进行判断，从而对算法进行优劣评估的问题，能够简化输入数据，能够从时间维度来对算法的准确率进行计算从而评价算法优劣，具有较好的评价能力和兼容性。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种视频事件检测算法的准确率计算方法及装置。
背景技术
目标检测作为计算机视觉的一个重要研究领域，具有广泛的应用场景，诸如人脸检测、无人驾驶、车辆跟踪等。近年来，随着深度学习的发展，一批以卷积网络结构为基础的目标检测算法相继被提出，目标检测的准确度及检测速度的记录不断被刷新。在此过程中，由企业、政府或高校出资举办的算法大赛，无疑为人工智能的发展提供了强大的助力，比较有影响的赛事诸如国外的kaggle平台，国内阿里巴巴的天池比赛平台、上海和今信息科技有限公司的和鲸社区平台等。诸多赛事都涉及到目标检测算法这一领域，每年都有成千上万的队伍参加目标价检测算法领域的比赛。这些赛事往往能产出能够解决赛事题目的不错的算法，进而不断提升算法的性能，拓宽目标检测算法的应用范围，加速人工智能算法落地的进程，加快智能社会前进的步伐。
现有技术中对视频事件的识别大多基于计算机视觉技术，计算机视觉算法所解决的问题基本上是基于二维图像数据的，而在人工智能算法实际落地的场景中，单一的图像数据往往很难支撑整个算法应用，比如在检测打架斗殴、车辆违法行驶等事件时，静止的图像不能反映整个事件发生的过程，也就无法通过一张图像判定某个事件即将发生、正在发生或者事件已经结束。这就需要对视频数据进行分析处理，设计基于人工智能的视频事件识别算法。
但是，如何对选手设计的视频事件检测算法的准确率进行计算，从而对选手提交的算法结果进行优劣评估尚无明确定义，且是一个亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种视频事件检测算法的准确率计算方法及装置，以解决现有技术中没有明确的方法对视频事件检测算法准确率进行判断，从而对算法进行优劣评估的问题。
根据第一方面，本发明实施例提供一种视频事件检测算法的准确率计算方法，
所述方法包括：分别获取视频事件的真实值与预测值对应的目标检测立体框，所述目标检测立体框由待测目标各个面的边界框组合而成；计算所述真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比；根据所述交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度。
优选地，所述真实值与预测值的大小分别为其对应的目标检测立体框的体积，其中，目标检测立体框包括六面体，目标检测立体框的上下两底面分别是两个矩形，表示事件开始和结束时车辆在视野中的位置，目标检测立体框的高度表示事件持续的时间。
优选地，根据所述交并比计算视频事件的模型精确度，具体包括：根据所述交并比计算视频事件的评估指标；根据所述评估指标计算出精确率和召回率；根据所述精确率和召回率，计算出在视频事件的模型精确度。
优选地，所述模型精确度的计算公式为：
其中，k为事件类型，f1k为事件类型k的模型精确度，P为精确率，R为召回率。
优选地，所述视频事件的平均精确度的计算方法包括：获取n个事件类型的平均精确度，并计算n个事件类型的平均精确度的平均值；其中，平均精确度
优选地，所述方法还包括：获取不同视频事件检测算法模型下的平均精确度，并按值排序，所述视频事件检测算法的准确率与平均精确度的大小成正比。
第二方面，本发明实施例提供一种视频事件检测算法的评价装置，
所述装置包括：检测框获取模块，用于获取视频事件的真实值与预测值对应的目标检测立体框；交并比计算模块，用于计算所述真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比；平均精确度计算模块，用于根据所述交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度。
第三方面，本发明实施例提供一种电子设备，所述电子设备包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行一种视频事件检测算法的准确率计算方法。
第四方面，本发明实施例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计算机指令，所述计算机指令用于使所述计算机执行一种视频事件检测算法的准确率计算方法。
本发明实施例提供的技术方案至少具有如下优点：
本发明实施例提供的一种视频事件检测算法的准确率计算方法及装置，采用目标检测立体框来映射视频事件中的多种数据，并根据真实立体框和预测立体框的交集与并集的体积之比得到交并比，再通过交并比得到视频事件的平均精确度；最后根据平均精确度对视频事件检测算法的准确率进行评价，在输入数据时只需要获取事件的立体框和预测立体框，不需要将待检测算法模型的输入文件转化为XML或JSON文件等复杂的输入格式，能够简化输入数据，且不依赖于置信度，能够从时间维度来对算法进行评价，具有较好的评价能力和兼容性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1示出了本发明实施例中一种视频事件检测算法的准确率计算方法的流程图；
图2是根据本发明实施例的视频事件的模型精确度计算方法流程图；
图3是根据发明实施例的一种目标检测立体框的结构示意图；
图4示出了本发明优选实施例的一种视频事件检测算法的评价装置的结构示意图；
图5是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明实施例提供一种视频事件检测算法的准确率计算方法，参考图1，该方法主要应用于对视频事件检测算法比赛中对算法进行测评，所述方法主要包括如下步骤：
步骤S1：分别获取视频事件的真实值与预测值对应的目标检测立体框；
其中，上述目标检测立体框由待测目标各个面的边界框组合而成，优选地，目标检测立体框为六面体；
在实际应用中，视频事件可以是道路交通视频数据，利用交通事件检测算法来识别违章变道、占用应急车道、闯红灯等违法驾驶事件。一般采用的方法是设计视频事件检测算法，利用视频数据集对该算法创建的检测模型进行训练和校准，最终得到准确率较高的视频事件检测模型。
本发明实施例对视频事件检测算法的评估方法可以采用利用参赛者提交的算法模型获取事件的检测结果，根据检测结果得到的事件提取检测目标，得到目标检测立体框，并结合多种评价指标来对算法的准确率进行评价。
具体地，分别获取视频事件的真实值与预测值对应的目标检测立体框，包括：
在图像的目标检测算法领域通常采用预测边界框和真实边界框来计算交并比，从而判断目标检测是否有效，但当算法模型不能给出准确的事件置信度时，该方式不适用于对视频事件的检测分析。因此，本发明实施例采用目标检测立体框来计算交并比，目标检测立体框优选地为六面体，该目标检测立体框包括真实立体框和预测立体框，真实值可以通过人工标注得到，真实立体框即真实值所对应的立体框，代表该事件的客观存在的，没有任何误差的物理边界立体框，预测值即通过参赛者的算法模型得到的输出值，预测立体框即以参赛者的算法模型得到的输出数据为目标，而提取的该目标的边界立体框。
进一步地，通过将时间和物体位置映射在目标检测立体框中，分别得到真实立体框和预测立体框对应的视频事件的真实值(ground truth)和预测值(prediction)的数值大小。真实值(ground truth)和预测值(prediction)的数值大小的计算方式为：
假设只关注事件发生的始末，且车辆的轨迹线性近似，参考图3，该六面体的上下两底面分别是两个矩形，表示事件开始(start)和结束(end)时车辆在视野中的位置，坐标分别为(xs，ys，ws，hs)和(xe，ye，we，he)，高度表示事件持续的时间，数值为(end＿time–start＿time)。
该步骤通过分别获取真实立体框和预测立体框，通过真实立体框和预测立体框来映射视频事件，通过真实立体框和预测立体框的体积表征视频事件的真实值和预测值，从而能够通过真实值和预测值对视频检测算法的准确率进行计算。
步骤S2：计算真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比。
详细地，可以基于步骤S1中目标检测立体框的体积得到真实值Cgt与预测值Cp，从而计算交并比(IOU)：
其中，volume(Cgt∩Cp)为真实立体框和预测立体框相交部分的体积，volume(Cgt∪Cp)为真实立体框和预测立体框的并集的总体积。
该步骤通过计算真实立体框和预测立体框的交集和并集，来计算交并比，以便于根据交并比计算模型精确度。
步骤S3：根据交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度；
具体地，视频事件的模型精确度f1是用来衡量模型精确度的一种指标，计算某一事件类型k的交并比在预设阈值下的模型精确度，对于交并比预设阈值的选择通常是按照任务的难易程度自行选取，一般选择的是50％，75％，95％，在此不作具体限定。
参考图2，具体包括：
步骤S31：根据交并比计算视频事件的评估指标；
在一个具体的例子中，视频事件的评估指标包括针对某一个事件类型的真正例(TP)、假正例(FP)和假负例(FN)，其中，当检测出来目标样本，并且目标样本的IOU大于等于预设阈值，则为真正例(TP)，即正确预测，且预测为正样本；当检测出来目标样本，并且目标样本的IOU小于预设阈值，则为假正例(FP)，即错误预测，且预测为正样本；假负例(FN)即未检测出事件样本。
该步骤通过对视频事件的评估指标进行预测样例正确性的判断，以便于根据评估指标得到精确率和召回率。
步骤S32：根据评估指标计算出精确率和召回率；
在实际应用中，精确率(Precision)是描述模型预测正例的准确程度，它是实际为正的样本占全部预测为正的样本比例：
召回率(Recall)是描述模型预测正例的覆盖能力，它是实际为正的样本占整个数据集中实际为正的样本的比例：
其中，TP、FP和FN的值为0或1。
步骤S33：根据精确率和召回率，计算出模型精确度。
不同于图片检测算法直接采用精确率和召回率绘制PR曲线计算平均精度的方式，本发明实施例的某一事件类型k的模型精确度计算公式为：
其中，f1k为事件类型k的模型精确度，P为精确率，R为召回率。
基于上述步骤得到某一事件类型模型精确度后，需要对一段视频数据里包含的多个视频事件的平均精确度进行计算，具体计算方法包括：
获取n个事件类型的平均精确度，并计算n个事件类型的平均精确度的平均值；
其中，平均精确度
该步骤通过真实立体框和预测立体框的交并比计算出视频事件的评估指标，通过评估指标计算出精确率和召回率，通过精确率和召回率计算出某一事件类型模型精确度，再计算出一段视频数据中多个视频事件的平均精确度，来对视频事件检测算法的准确率进行计算，具有较高的计算精度。
应用到比赛场景中，本实施例可以根据平均精确度对视频事件检测算法的准确率进行评价。
在一个可行的例子中，具体的评价方法包括：
获取不同视频事件检测算法模型下的平均精确度，并按值排序，视频事件检测算法的准确率与平均精确度的大小成正比，即平均精确度越大的视频事件检测算法其准确率越高。
需要说明的是，当本发明实施例应用在可输出置信度的复杂视频事件检测算法模型中时，其事件轨迹可能是非线性的，因此在设计代码时预留平均精度(AP，AveragePrecision)的评价指标代码接口，AP为图片检测算法中常用的评价指标，用于比较不同检测器的性能，在此不做过多赘述。
本发明实施例采用目标检测立体框来映射视频事件中的多种数据，并根据真实立体框和预测立体框的交集与并集的体积之比得到交并比，再通过交并比得到视频事件的平均精确度；最后根据平均精确度对视频事件检测算法的准确率进行评价，在输入数据时只需要获取事件的立体框和预测立体框，不需要将待检测算法模型的输入文件转化为XML或JSON文件等复杂的输入格式，能够简化输入数据，且不依赖于置信度，能够从时间维度来对算法进行评价，具有较好的评价能力和兼容性。
与上述实施例对应的，本发明实施例还提供一种视频事件检测算法的准确率计算装置，参考图4，该装置包括：
检测框获取模块1，用于获取视频事件的真实值与预测值对应的目标检测立体框；此模块执行上述实施例中的步骤S1所描述的方法，在此不再赘述。
交并比计算模块2，用于计算所述真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比；此模块执行上述实施例中的步骤S2所描述的方法，在此不再赘述。
平均精确度计算模块3，用于根据所述交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度。此模块执行上述实施例中的步骤S3所描述的方法，在此不再赘述。
本发明实施例采用目标检测立体框来映射视频事件中的多种数据，并根据真实立体框和预测立体框的交集与并集的体积之比得到交并比，再通过交并比得到视频事件的平均精确度；最后根据平均精确度对视频事件检测算法的准确率进行评价，在输入数据时只需要获取事件的真实立体框和预测立体框，不需要将待检测算法模型的输入文件转化为XML或JSON文件等复杂的输入格式，能够简化输入数据，且不依赖于置信度，能够从时间维度来对算法进行评价，具有较好的评价能力和兼容性。
与上述实施例对应的，本发明实施例还提供一种电子设备，参考图5，该电子设备包括：存储器4和处理器5，存储器4和处理器5之间互相通信连接，存储器4中存储有计算机指令，处理器5通过执行所述计算机指令，从而执行一种视频事件检测算法的准确率计算方法。
存储器可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random－access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non－volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid－state drive，缩写：SSD)；存储器还可以包括上述种类的存储器的组合。
其中，处理器可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application－specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field－programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic，缩写：GAL)或其任意组合。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行本发明上述实施例中的一种视频事件检测算法的准确率计算方法。
其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变形均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种视频事件检测算法的准确率计算方法，其特征在于，所述方法包括：
分别获取视频事件的真实值与预测值对应的目标检测立体框，所述目标检测立体框由待测目标各个面的边界框组合而成；
计算所述真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比；
根据所述交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度。
2.如权利要求1所述的视频事件检测算法的准确率计算方法，其特征在于，所述真实值与预测值的大小分别为其对应的目标检测立体框的体积，其中，目标检测立体框包括六面体，目标检测立体框的上下两底面分别是两个矩形，表示事件开始和结束时车辆在视野中的位置，目标检测立体框的高度表示事件持续的时间。
3.如权利要求1所述的视频事件检测算法的准确率计算方法，其特征在于，根据所述交并比计算视频事件模型精确度，具体包括：
根据所述交并比计算视频事件的评估指标；
根据所述评估指标计算出精确率和召回率；
根据所述精确率和召回率，计算出视频事件的模型精确度。
4.如权利要求1或3所述的视频事件检测算法的准确率计算方法，其特征在于，所述模型精确度的计算公式为：
其中，k为事件类型，f1k为事件类型k的模型精确度，P为精确率，R为召回率。
5.如权利要求4所述的视频事件检测算法的准确率计算方法，其特征在于，所述视频事件的平均精确度的计算方法包括：
获取n个事件类型的平均精确度，并计算n个事件类型的平均精确度的平均值；
其中，平均精确度
6.如权利要求1所述的视频事件检测算法的准确率计算方法，其特征在于，所述方法还包括：
获取不同视频事件检测算法模型下的平均精确度，并按值排序，所述视频事件检测算法的准确率与平均精确度的大小成正比。
7.一种视频事件检测算法的准确率计算装置，其特征在于，所述装置包括：
检测框获取模块，用于获取视频事件的真实值与预测值对应的目标检测立体框；
交并比计算模块，用于计算所述真实值与预测值对应的目标检测立体框的交集与并集，从而得到真实值与预测值的交并比；
平均精确度计算模块，用于根据所述交并比计算视频事件的模型精确度，从而得到视频事件的平均精确度。
8.一种电子设备，其特征在于，所述电子设备包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1－6所述的视频事件检测算法的准确率计算方法。
9.一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计算机指令，所述计算机指令用于使所述计算机执行权利要求1－6所述的视频事件检测算法的准确率计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010902213.9A CN112001453B (zh) | 2020-08-31 | 2020-08-31 | 一种视频事件检测算法的准确率计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010902213.9A CN112001453B (zh) | 2020-08-31 | 2020-08-31 | 一种视频事件检测算法的准确率计算方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001453A true CN112001453A (zh) | 2020-11-27 |
| CN112001453B CN112001453B (zh) | 2024-03-08 |
Family
ID=73464614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010902213.9A Active CN112001453B (zh) | 2020-08-31 | 2020-08-31 | 一种视频事件检测算法的准确率计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001453B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329892A (zh) * | 2020-12-03 | 2021-02-05 | 中国第一汽车股份有限公司 | 一种目标检测算法的评估方法、装置、设备及存储介质 |
| CN113326400A (zh) * | 2021-06-29 | 2021-08-31 | 合肥高维数据技术有限公司 | 基于深度伪造视频检测的模型的评价方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304798A (zh) * | 2018-01-30 | 2018-07-20 | 北京同方软件股份有限公司 | 基于深度学习及运动一致性的街面秩序事件视频检测方法 |
| WO2018159542A1 (ja) * | 2017-03-03 | 2018-09-07 | 株式会社日立製作所 | 行動認識システムおよび行動認識方法 |
| CN109685144A (zh) * | 2018-12-26 | 2019-04-26 | 上海众源网络有限公司 | 一种对视频模型做评估的方法、装置及电子设备 |
| US20190147245A1 (en) * | 2017-11-14 | 2019-05-16 | Nuro, Inc. | Three-dimensional object detection for autonomous robotic systems using image proposals |
| US10403037B1 (en) * | 2016-03-21 | 2019-09-03 | URC Ventures, Inc. | Verifying object measurements determined from mobile device images |
| CN110321853A (zh) * | 2019-07-05 | 2019-10-11 | 杭州巨骐信息科技股份有限公司 | 基于视频智能检测的分布式电缆防外破系统 |
| CN110399871A (zh) * | 2019-06-14 | 2019-11-01 | 华南理工大学 | 一种场景文本检测结果的评估方法 |
| CN110427807A (zh) * | 2019-06-21 | 2019-11-08 | 诸暨思阔信息科技有限公司 | 一种时序事件动作检测方法 |
| CN110458160A (zh) * | 2019-07-09 | 2019-11-15 | 北京理工大学 | 一种基于深度压缩神经网络的无人艇水面目标识别算法 |
| CN110503095A (zh) * | 2019-08-27 | 2019-11-26 | 中国人民公安大学 | 目标检测模型的定位质量评价方法、定位方法及设备 |
| CN111445524A (zh) * | 2020-03-31 | 2020-07-24 | 清华大学 | 基于场景理解的施工现场工人不安全行为识别方法 |
| US20200265273A1 (en) * | 2019-02-15 | 2020-08-20 | Surgical Safety Technologies Inc. | System and method for adverse event detection or severity estimation from surgical data |
| US20200387735A1 (en) * | 2019-06-10 | 2020-12-10 | Alibaba Group Holding Limited | Method and system for evaluating an object detection model |
-
2020
- 2020-08-31 CN CN202010902213.9A patent/CN112001453B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10403037B1 (en) * | 2016-03-21 | 2019-09-03 | URC Ventures, Inc. | Verifying object measurements determined from mobile device images |
| WO2018159542A1 (ja) * | 2017-03-03 | 2018-09-07 | 株式会社日立製作所 | 行動認識システムおよび行動認識方法 |
| US20190147245A1 (en) * | 2017-11-14 | 2019-05-16 | Nuro, Inc. | Three-dimensional object detection for autonomous robotic systems using image proposals |
| CN108304798A (zh) * | 2018-01-30 | 2018-07-20 | 北京同方软件股份有限公司 | 基于深度学习及运动一致性的街面秩序事件视频检测方法 |
| CN109685144A (zh) * | 2018-12-26 | 2019-04-26 | 上海众源网络有限公司 | 一种对视频模型做评估的方法、装置及电子设备 |
| US20200265273A1 (en) * | 2019-02-15 | 2020-08-20 | Surgical Safety Technologies Inc. | System and method for adverse event detection or severity estimation from surgical data |
| US20200387735A1 (en) * | 2019-06-10 | 2020-12-10 | Alibaba Group Holding Limited | Method and system for evaluating an object detection model |
| CN110399871A (zh) * | 2019-06-14 | 2019-11-01 | 华南理工大学 | 一种场景文本检测结果的评估方法 |
| CN110427807A (zh) * | 2019-06-21 | 2019-11-08 | 诸暨思阔信息科技有限公司 | 一种时序事件动作检测方法 |
| CN110321853A (zh) * | 2019-07-05 | 2019-10-11 | 杭州巨骐信息科技股份有限公司 | 基于视频智能检测的分布式电缆防外破系统 |
| CN110458160A (zh) * | 2019-07-09 | 2019-11-15 | 北京理工大学 | 一种基于深度压缩神经网络的无人艇水面目标识别算法 |
| CN110503095A (zh) * | 2019-08-27 | 2019-11-26 | 中国人民公安大学 | 目标检测模型的定位质量评价方法、定位方法及设备 |
| CN111445524A (zh) * | 2020-03-31 | 2020-07-24 | 清华大学 | 基于场景理解的施工现场工人不安全行为识别方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329892A (zh) * | 2020-12-03 | 2021-02-05 | 中国第一汽车股份有限公司 | 一种目标检测算法的评估方法、装置、设备及存储介质 |
| CN113326400A (zh) * | 2021-06-29 | 2021-08-31 | 合肥高维数据技术有限公司 | 基于深度伪造视频检测的模型的评价方法及系统 |
| CN113326400B (zh) * | 2021-06-29 | 2024-01-12 | 合肥高维数据技术有限公司 | 基于深度伪造视频检测的模型的评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001453B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126399B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| CN109960742B (zh) | 局部信息的搜索方法及装置 | |
| CN111832489A (zh) | 一种基于目标检测的地铁人群密度估计方法及系统 | |
| KR20200091331A (ko) | 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
| CN112668480A (zh) | 头部姿态角检测方法、装置、电子设备及存储介质 | |
| CN110889421A (zh) | 目标物检测方法及装置 | |
| CN114565842A (zh) | 基于Nvidia Jetson嵌入式硬件的无人机实时目标检测方法及系统 | |
| CN112001453A (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
| CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
| CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
| CN111178178B (zh) | 结合区域分布的多尺度行人重识别方法、系统、介质及终端 | |
| CN114627441A (zh) | 非结构化道路识别网络训练方法、应用方法及存储介质 | |
| CN111369524A (zh) | 结节识别模型训练方法、结节识别方法及装置 | |
| CN111652168B (zh) | 基于人工智能的群体检测方法、装置、设备及存储介质 | |
| CN116343159B (zh) | 一种非结构化场景可通行区域检测方法、装置及存储介质 | |
| WO2023160666A1 (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
| CN116229419B (zh) | 一种行人检测方法及装置 | |
| CN114565092A (zh) | 一种神经网络结构确定方法及其装置 | |
| CN114882490B (zh) | 一种基于点引导定位的无受限场景车牌检测分类方法 | |
| CN110135382A (zh) | 一种人体检测方法和装置 | |
| CN110796115A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
| CN115937991A (zh) | 人体摔倒识别方法、装置、计算机设备及存储介质 | |
| CN114155524A (zh) | 单阶段3d点云目标检测方法及装置、计算机设备、介质 | |
| CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
| CN113326891A (zh) | 小目标对象的检测方法、系统及装置 |
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 |