CN112149564B - 一种基于小样本学习的面容分类识别系统 - Google Patents
一种基于小样本学习的面容分类识别系统 Download PDFInfo
- Publication number
- CN112149564B CN112149564B CN202011010423.3A CN202011010423A CN112149564B CN 112149564 B CN112149564 B CN 112149564B CN 202011010423 A CN202011010423 A CN 202011010423A CN 112149564 B CN112149564 B CN 112149564B
- Authority
- CN
- China
- Prior art keywords
- classification
- face
- network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于小样本学习的面容分类识别系统,包括:用户端:用于获取人脸图像并展示分类识别结果;服务器:存储有预先经小样本学习训练的分类识别网络,所述的分类识别网络输入为待分类识别的人脸图像,输出为人脸图像所对应的类别;所述的用户端和服务器通过网络连接。与现有技术相比,本发明系统的实用性和可迁移性大大增强,识别正确率和精度高。
Description
技术领域
本发明涉及一种面容识别系统,尤其是涉及一种基于小样本学习的面容识别系统。
背景技术
人脸特征识别技术,可以追溯到20世纪50年代,当时的研究人员主要涉及的是社会心理学领域;从20世纪70年代开始,采用的基本上都是典型的模式识别技术,利用手工设计特征的方式来提取脸部特征,例如利用脸部重要特征点之间的距离进行分类识别。随着计算机的发展,从80年代到90年代初期,基于人脸的统计识别方法得到了很大的发展。
传统的特征提取方法是基于大量人脸数据训练而来的,但对于一些特殊面容的脸部,该种方法将会失准,从而无法对其进行正确的分类识别;与此同时,现有的面容分类识别系统实用性和可迁移性较差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于小样本学习的面容识别系统。
本发明的目的可以通过以下技术方案来实现:
一种基于小样本学习的面容分类识别系统,包括:
用户端:用于获取人脸图像并展示分类识别结果;
服务器:存储有预先经小样本学习训练的分类识别网络,所述的分类识别网络输入为待分类识别的人脸图像,输出为人脸图像所对应的类别;
所述的用户端和服务器通过网络连接。
优选地,所述的用户端包括:
图像获取模块:用于获取图像;
人脸检测器:用于检测图像中是否含有人脸,若含有人脸则输出至服务器,否则提示重新获取。
优选地,所述的图像获取模块获取图像的方式包括如下至少一种方式:相机拍照、调取图库照片。
优选地,所述的人脸检测器包括harr级联分类器。
优选地,所述的分类识别网络包括依次连接的卷积神经网络和全连接分类网络,所述的卷积神经网络输入为人脸图像,输出为人脸特征,所述的全连接分类网络输入为人脸特征,输出为分类向量。
优选地,所述的卷积神经网络为ResNet50。
优选地,所述的分类识别网络具体训练过程为:
S11、获取不同类型的面容图像,并进行扩充得到训练集和测试集;
S12、将训练集中的图像输入至卷积神经网络得到人脸特征,并将该人脸特征输入全连接分类网络,得到分类向量,通过分类向量和分类标签确定分类损失代价函数值;
S13、根据分类损失代价函数值和训练参数采用随机梯度下降法在训练集上训练卷积神经网络和全连接分类网络,当卷积神经网络和全连接分类网络在人脸数据训练集上的损失小于0.005的时候,停止训练;
S14、基于小样本学习,去除全连接分类网络,设置训练集上各个类别的卷积神经网络提取的特征均值作为分类层参数,从而得到分类向量;
S15、利用测试集对分类识别网络进行测试验证。
优选地,步骤S11中的扩充操作包括图片旋转、裁剪、缩放。
优选地,所述的服务器利用Django构建而成,在构建过程中使用uWSGI server替代WSGI server。
优选地,所述的服务器设置多台,并通过nginx实现多台服务器之间的调配。
与现有技术相比,本发明具有如下优点:
(1)本发明系统前后端分离(前端为用户端,后端为服务器),进而该系统更高效快捷,不局限于场地设备,也不依赖于巨大人力,系统的实用性和可迁移性大大增强。
(2)本发明系统分类识别正确率和精度高。
附图说明
图1为本发明基于小样本学习的面容分类识别系统的结构框图;
图2为本发明人脸检测器以及分类识别网络的训练流程图;
图3为本发明人脸检测的具体流程图;
图4为本发明系统构建流程图;
图中,1为用户端,2为服务器,11为图像获取模块,12为人脸检测器,21为分类识别网络。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于小样本学习的面容分类识别系统,包括:
用户端1:用于获取人脸图像并展示分类识别结果;
服务器2:存储有预先经小样本学习训练的分类识别网络21,分类识别网络21输入为待分类识别的人脸图像,输出为人脸图像所对应的类别;
用户端1和服务器2通过网络连接。
用户端1包括:
图像获取模块11:用于获取图像;
人脸检测器12:用于检测图像中是否含有人脸,若含有人脸则输出至服务器2,否则提示重新获取。
图像获取模块11获取图像的方式包括如下至少一种方式:相机拍照、调取图库照片。
人脸检测器12包括harr级联分类器。
分类识别网络21包括依次连接的卷积神经网络和全连接分类网络,卷积神经网络输入为人脸图像,输出为人脸特征,全连接分类网络输入为人脸特征,输出为分类向量。
卷积神经网络为ResNet50。
分类识别网络21具体训练过程为:
S11、获取不同类型的面容图像,并进行扩充得到训练集和测试集;
S12、将训练集中的图像输入至卷积神经网络得到人脸特征,并将该人脸特征输入全连接分类网络,得到分类向量,通过分类向量和分类标签确定分类损失代价函数值;
S13、根据分类损失代价函数值和训练参数采用随机梯度下降法在训练集上训练卷积神经网络和全连接分类网络,当卷积神经网络和全连接分类网络在人脸数据训练集上的损失小于0.005的时候,停止训练;
S14、基于小样本学习,去除全连接分类网络,设置训练集上各个类别的卷积神经网络提取的特征均值作为分类层参数,从而得到分类向量;
S15、利用测试集对分类识别网络21进行测试验证。
步骤S11中的扩充操作包括图片旋转、裁剪、缩放。
服务器2利用Django构建而成,在构建过程中使用uWSGI server替代WSGIserver。
服务器2设置多台,并通过nginx实现多台服务器2之间的调配。
如图2所示为人脸检测器12以及分类识别网络21的训练流程,具体包括:
S111:通过搜集特殊面容的人脸图像,添加到现有的人脸数据集上,进行数据集扩充,并根据人脸的不同种类,进行划分并打上分类标签,用扩充后的数据集图片以及分类标签构建人脸数据集;并将人脸数据集按照8∶2的数量比例划分为训练集和测试集;
S112:从网上获取经过训练的harr级联分类器的参数,并根据所述的harr级联分类器的参数确定harr级联分类器的初始参数;
S113:从网上获取经过训练的深度卷积神经网络ResNet50的参数,并根据所述的深度卷积神经网络ResNet50的参数确定卷积神经网络的初始参数;
经过训练的深度卷积神经网络ResNet50为采用现有技术进行分类的已经训练好了的神经网络。如此,在经过训练的分类的卷积神经网络的基础上进行后续训练,而无需再从零开始训练,因此,可以节约训练时间,更快地找到最优神经网络。
S114:将所述的训练集输入所述的人脸特征提取模型得到人脸特征,并将该特征输入全连接分类网络,得到分类向量。通过分类向量和分类标签确定分类损失代价函数值。全连接网络的分类损失代价函数loss定义为:
其中xi,p(xi),q(xi)分别为输入的图片,图片xi对应的分类标签,图片xi对应的分类向量。i=1,…,N,表示每个批次的具体的图片;
S115:根据所述分类损失代价函数值和训练参数采用随机梯度下降法在所述训练集上训练卷积神经网络和全连接分类网络;
训练参数中包含了学习速率,可以默认设置为0.0001;
S116:当所述的卷积神经网络和全连接分类网络在训练集上的损失小于0.005的时候,停止训练;
S117:之后借助小样本学习的思想,去除所述全连接分类网络,设置训练集上各个类别的卷积神经网络提取的特征均值作为分类层参数,从而得到分类向量;
S118:通过测试集进行测试,并根据测试结果确定测试精度,所述测试精度即指分类正确的人脸数量占所有输入人脸数量的百分比。
采用交叉验证的方式进行验证,测试集为与训练集没有交集的人脸图片的集合。测试集制作方式为:将每个类别中的无偏人脸图片分成N份,除了用于制作训练集的K份,剩下的N-K份的人脸照片用于制作测试集。
如图3,本实施例中,将人脸作为harr级联分类器的输入,并判断是否包含要检测的人脸的步骤,具体包括:
S311:将所述的人脸图片输入到harr级联分类器,进行直方图均衡化并归一化到同样大小;
S312:确定待检测的子窗口;
S312-S316:用多个弱分类器对待检测图片进行检测,形成弱分类器级联分类器,每个节点是多个树构成的分类器,且每个节点的正确识别率很高。在任一级计算中,一旦获得“不在类别中”的结论,则计算终止,只有通过分类器中所有级别,才会认为人脸被检测到。
由于人脸图片中的人脸照片的尺寸是不一致的,为了保证提取到稳定的特征并取得较好的人脸分类效果,需要通过现有方式对人脸图片进行裁剪缩放等预处理操作。
图4为本发明系统构建流程图,具体地:
S611:构建前端(用户端1)安卓app;
S612:用户端1app通过调用相机拍照或者图库照片作为输入图片,利用基于多个分类器集成在一起的高精度的harr级联分类器来检测输入图片当中是否包含人脸,若图片包含人脸,则将其输入到之后的卷积神经网络;若不包含人脸,则提示重新输入;
S613:利用Django构建后端服务器2,同时借助uWSGI server以及nginx提高其性能;
S614:将输入图片通过互联网传输到后端服务器2,从而用所述训练好的卷积神经网络来提取图片的人脸特征,并将所述训练集提取的人脸特征均值作为分类层参数,从而输出人脸分类向量;
S615:用于将所述待分类的人脸特征与分类标签进行对比,并将概率向量最大值所在的列作为该人脸的分类结果;
S616:后端将人脸分类结果即诊断结果通过互联网返回给前端app;
S617:前端app显示诊断结果结果以及相关罕见病知识。
本发明的用户端1负责和用户交互的界面。整个界面分为三部分。中间为图片的选择部分,该部分实现本地图片的选取与拍照。在主活动的布局文件中首先创建相对布局(RelativeLayout),并设定该相对布局为可点击的,之后在其中创建图像视图(ImageView)用以显示图片。对图像视图设定点击事件(onclick)为pickimage函数,该函数在活动中进行实例化用于实现图片选择功能。该功能的实现通过调用第三方库ImagePicker实现,首先实例化一个ImagePicker()方法,设置上下文为this,通过setMaxSize方法设置最大图片选择数量为1,最后通过start()方法启动这一实例。为了使识别更加精准,在选择完图片后我们增加了图片剪裁功能,该功能通过调用第三方库theartofdev的CropImage()方法与CropImageView()方法实现。最后在相对布局中设置一个文本视图(textview)显示提示,用以指导用户进行操作。
第二部分为界面右下方的图片上传部分,该部分实现选取图片的上传。在布局文件中通过设置图像按钮(ImageButton)实现。其中layout_alignParentRight与layout_alignParentBottom参数设置为true,将该组件定位于界面的右下部。设置组件的scaleType参数为centerinside,使得背景图片可以完全填充按钮。此外,设置按键的点击事件为processimage函数,该函数在活动中进行实例化用以实现图片的上传功能。在该函数中设置图像按钮的监听事件。在用户点击按钮后首先对图片进行保存。使用第三方库MediaResizer对保存后的图片进行压缩以便于网络传输首先使用ResizeOption的builder()方法进行实例化,设置文件格式为图片格式,使用setTargetPath设置图片的保存路径,通过setCallback方法进行图片的压缩与编码,并将编码后的图片传递给用于连接服务器2的后台服务。最后为了使界面更加美观,对按钮的elevation参数进行设置,实现按键的阴影效果。
第三部分为一些典型特殊面容的介绍,如本实施例中涉及到14中典型的儿童遗传综合征(包括唐氏综合征、德朗热综合征等),首先在res目录下创建menu文件夹,并在该文件夹下新建一个菜单文件,本设计中命名为main。之后再main.xml添加菜单项。完成后,重新回到主活动中重写onCreateOptionsMenu()方法,通过getMenuInflater()方法获得MenuInflater对象,再调用它的inflate()方法给当前活动创建菜单。Inflate()方法接受两个参数,第一个参数用于指定通过哪一个资源文件来创建菜单,在这里传入R.menu.main。第二个参数用于指定将菜单项添加到哪一个menu对象中,这里直接使用onCreateOptionsMenu()方法传入的menu参数,最后使方法返回true表示菜单可以被显示。此外,在活动中重写onOptionsItemSelected()方法定义菜单响应事件。通过调用item.getItemId()判断菜单的点击项,通过使用显式的Intent跳转到新的活动进行显示。此处命名为thirdActivity。对于thirdActivity的布局文件,首先添加滚动视图(ScrollView)。设置竖直滚动以显示全部内容,之后采用线性布局(LinearLayout)依次为每一种特殊面容添加文本视图显示介绍。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (6)
1.一种基于小样本学习的面容分类识别系统,其特征在于,包括:
用户端:用于获取人脸图像并展示分类识别结果;
服务器:存储有预先经小样本学习训练的分类识别网络,所述的分类识别网络输入为待分类识别的人脸图像,输出为人脸图像所对应的类别;
所述的用户端和服务器通过网络连接;
所述的用户端包括:
图像获取模块:用于获取图像;
人脸检测器:用于检测图像中是否含有人脸,若含有人脸则输出至服务器,否则提示重新获取;
所述的服务器设置多台,并通过nginx实现多台服务器之间的调配;
所述的分类识别网络包括依次连接的卷积神经网络和全连接分类网络,所述的卷积神经网络输入为人脸图像,输出为人脸特征,所述的全连接分类网络输入为人脸特征,输出为分类向量;
所述的分类识别网络具体训练过程为:
S11、获取不同类型的面容图像,并进行扩充得到训练集和测试集;
S12、将训练集中的图像输入至卷积神经网络得到人脸特征,并将该人脸特征输入全连接分类网络,得到分类向量,通过分类向量和分类标签确定分类损失代价函数值;
S13、根据分类损失代价函数值和训练参数采用随机梯度下降法在训练集上训练卷积神经网络和全连接分类网络,当卷积神经网络和全连接分类网络在人脸数据训练集上的损失小于0.005的时候,停止训练;
S14、基于小样本学习,去除全连接分类网络,设置训练集上各个类别的卷积神经网络提取的特征均值作为分类层参数,从而得到分类向量;
S15、利用测试集对分类识别网络进行测试验证。
2.根据权利要求1所述的一种基于小样本学习的面容分类识别系统,其特征在于,所述的图像获取模块获取图像的方式包括如下至少一种方式:相机拍照、调取图库照片。
3.根据权利要求1所述的一种基于小样本学习的面容分类识别系统,其特征在于,所述的人脸检测器包括harr级联分类器。
4.根据权利要求1所述的一种基于小样本学习的面容分类识别系统,其特征在于,所述的卷积神经网络为ResNet50。
5.根据权利要求1所述的一种基于小样本学习的面容分类识别系统,其特征在于,步骤S11中的扩充操作包括图片旋转、裁剪、缩放。
6.根据权利要求1所述的一种基于小样本学习的面容分类识别系统,其特征在于,所述的服务器利用Django构建而成,在构建过程中使用uWSGI server替代WSGI server。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010423.3A CN112149564B (zh) | 2020-09-23 | 2020-09-23 | 一种基于小样本学习的面容分类识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010423.3A CN112149564B (zh) | 2020-09-23 | 2020-09-23 | 一种基于小样本学习的面容分类识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149564A CN112149564A (zh) | 2020-12-29 |
CN112149564B true CN112149564B (zh) | 2023-01-10 |
Family
ID=73896276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010423.3A Active CN112149564B (zh) | 2020-09-23 | 2020-09-23 | 一种基于小样本学习的面容分类识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149564B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090780B (zh) * | 2022-01-20 | 2022-05-31 | 宏龙科技(杭州)有限公司 | 一种基于提示学习的快速图片分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1629875A (zh) * | 2003-12-15 | 2005-06-22 | 中国科学院自动化研究所 | 移动计算环境下分布式的人脸检测与识别方法 |
CN101089874A (zh) * | 2006-06-12 | 2007-12-19 | 华为技术有限公司 | 一种远程人脸图像的身份识别方法 |
CN101957911A (zh) * | 2010-09-29 | 2011-01-26 | 汉王科技股份有限公司 | 一种人脸识别方法及系统 |
CN107133578A (zh) * | 2017-04-19 | 2017-09-05 | 华南理工大学 | 一种基于文件传输的人脸表情识别方法及系统 |
WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN109685106A (zh) * | 2018-11-19 | 2019-04-26 | 深圳博为教育科技有限公司 | 一种图像识别方法、人脸考勤方法、装置以及系统 |
CN111160095A (zh) * | 2019-11-26 | 2020-05-15 | 华东师范大学 | 基于深度自编码器网络的无偏人脸特征提取分类方法及系统 |
-
2020
- 2020-09-23 CN CN202011010423.3A patent/CN112149564B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1629875A (zh) * | 2003-12-15 | 2005-06-22 | 中国科学院自动化研究所 | 移动计算环境下分布式的人脸检测与识别方法 |
CN101089874A (zh) * | 2006-06-12 | 2007-12-19 | 华为技术有限公司 | 一种远程人脸图像的身份识别方法 |
CN101957911A (zh) * | 2010-09-29 | 2011-01-26 | 汉王科技股份有限公司 | 一种人脸识别方法及系统 |
WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN107133578A (zh) * | 2017-04-19 | 2017-09-05 | 华南理工大学 | 一种基于文件传输的人脸表情识别方法及系统 |
CN109685106A (zh) * | 2018-11-19 | 2019-04-26 | 深圳博为教育科技有限公司 | 一种图像识别方法、人脸考勤方法、装置以及系统 |
CN111160095A (zh) * | 2019-11-26 | 2020-05-15 | 华东师范大学 | 基于深度自编码器网络的无偏人脸特征提取分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于人脸识别的移动终端身份认证系统的设计与实现;韦智勇等;《企业科技与发展》;20180610(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149564A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11605226B2 (en) | Video data processing method and apparatus, and readable storage medium | |
CN110020437B (zh) | 一种视频和弹幕相结合的情感分析及可视化方法 | |
US20230119593A1 (en) | Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium | |
KR102576344B1 (ko) | 비디오를 처리하기 위한 방법, 장치, 전자기기, 매체 및 컴퓨터 프로그램 | |
CN110263215B (zh) | 一种视频情感定位方法及系统 | |
KR102002024B1 (ko) | 객체 라벨링 처리 방법 및 객체 관리 서버 | |
US20230162466A1 (en) | Method and computer system for displaying identification result | |
CN110502664A (zh) | 视频标签索引库创建方法、视频标签生成方法及装置 | |
CN114095749B (zh) | 推荐及直播界面展示方法、计算机存储介质、程序产品 | |
CN111182367A (zh) | 一种视频的生成方法、装置及计算机系统 | |
CN111160095B (zh) | 基于深度自编码器网络的无偏人脸特征提取分类方法及系统 | |
CN106445977A (zh) | 图片推送方法及装置 | |
US20110225172A1 (en) | System, method, and computer-readable medium for seeking representative images in image set | |
CN112188306A (zh) | 一种标签生成方法、装置、设备及存储介质 | |
WO2022062028A1 (zh) | 酒标识别方法、酒品信息管理方法、装置、设备及存储介质 | |
CN112633341A (zh) | 一种界面测试方法、装置、计算机设备和存储介质 | |
CN112149564B (zh) | 一种基于小样本学习的面容分类识别系统 | |
CN109902759B (zh) | 图片集描述方法及装置 | |
CN112835807B (zh) | 界面识别方法、装置、电子设备和存储介质 | |
CN113821296A (zh) | 可视化界面生成方法、电子设备及存储介质 | |
CN112052352B (zh) | 视频排序方法、装置、服务器及存储介质 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 | |
CN111986259A (zh) | 颜文字检测模型的训练、视频数据的审核方法及相关装置 | |
CN111768729A (zh) | 一种vr场景自动解说方法、系统和存储介质 | |
CN111813996B (zh) | 基于单帧和连续多帧抽样并行的视频搜索方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |