CN112308106A - 一种图像标注的方法及系统 - Google Patents

一种图像标注的方法及系统 Download PDF

Info

Publication number
CN112308106A
CN112308106A CN201911117131.7A CN201911117131A CN112308106A CN 112308106 A CN112308106 A CN 112308106A CN 201911117131 A CN201911117131 A CN 201911117131A CN 112308106 A CN112308106 A CN 112308106A
Authority
CN
China
Prior art keywords
target
similarity
target search
area
sample
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.)
Pending
Application number
CN201911117131.7A
Other languages
English (en)
Inventor
董博
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.)
Beijing Jingbangda Trade Co Ltd
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingbangda Trade Co Ltd
Beijing Jingdong Qianshi Technology 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 Beijing Jingbangda Trade Co Ltd, Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingbangda Trade Co Ltd
Priority to CN201911117131.7A priority Critical patent/CN112308106A/zh
Publication of CN112308106A publication Critical patent/CN112308106A/zh
Pending 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
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种图像标注的方法及系统，本发明实施例首先从目标数据采用RPN方式提取得到多个目标区域，然后将得到的多个目标区域与设置的包括至少一个目标搜索子区域样本的目标搜索域作为输入，输入到Siamese中计算，得到多个目标区域分别与每个目标搜索子区域样本的相似度；最后，根据多个目标区域分别与每个目标搜索子区域样本的相似度，确定为每个目标区域标注的信息。这样，本发明实施例就可以实现对图像中的目标数据进行自动标注。

Description

一种图像标注的方法及系统
技术领域
本发明涉及计算机技术领域，特别涉及一种图像标注的方法及系统。
背景技术
随着计算机技术的发展，基于计算机的人工智能(AI)技术成为了发展的新趋势。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能技术的核心为机器学习，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
机器学习包括监督学习和非监督信息，其中监督学习被证明是非常有效的机器学习方法。监督学习过程涉及大量的数据处理，即从给定的训练数据集中学习出一个深度学习模型，当新的数据到来时，可以根据这个模型预测结果。监督学习的训练集要求包括输入输出，也可以说是特征数据和目标数据。训练集中的目标数据必须由人工一一标注信息。监督学习就是最常见的分类(注意和聚类区分)问题，通过已有的训练样本(即已知数据及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合，最优表示某个评价准则下是最佳的)，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的。监督学习的目标是对未知数据分类的能力。
在监督学习过程中，为了训练得到一个准确性和鲁棒性都比较好的深度学习模型，大量的标注目标数据是必不可少的，但是，申请人发现，还没有一个对图像中的目标数据进行自动标注的方法存在。
发明内容
有鉴于此，本发明实施例提供一种图像标注的方法，该方法能对图像中的目标数据进行自动标注。
本发明实施例还提供一种图像标注的系统，该系统能够对图像中的目标数据进行自动标注。
本发明实施例是这样实现的：
一种图像标注的方法，包括：
设置图像的目标搜索域，所述目标搜索域中包括至少一个目标搜索子区域样本；
从待标注的目标图像中，采用区域推荐网络提取多个目标区域；
将所述目标搜索域及所述多个目标区域作为输入，输入到设置的孪生网络中，输出得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度；
针对每个目标区域，当判断与其具有最大相似度的目标搜索子区域样本的相似度大于设置的第一相似度阈值时，将该目标区域采用与其具有最大相似度的目标搜索子区域样本进行标注。
该方法还包括：
当小于等于设置的第一相似度阈值，大于设置的第二相似度阈值时，将该目标区域采用人工标注方式进行标注。
在将所述该目标区域采用人工标注方式进行标注之后，该方法还包括：
将采用人工标注方式进行标注了的该目标区域，作为一个新的目标搜索子区域样本，设置到该设置图像的目标搜索域中。
该方法还包括：
当小于等于设置的第二相似度阈值时，丢弃该目标区域。
所述孪生网络的结构为：卷积层、线性整流函数ReLU层、最大池化层max-pooling层及决策层，其中，
所述目标区域和所述目标搜索域分别经过卷积层的卷积计算、ReLU层的线性整流计算及max-pooling层的池化计算，再由决策层进行对比，得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度。
所述max-pooling层采用空间金字塔池化实现。
一种图像标注的系统，包括：设置单元、提取单元、训练单元及比较单元，其中，
设置单元，用于设置图像的目标搜索域，所述目标搜索域包括至少一个目标搜索子区域样本；
提取单元，用于从待标注的目标图像中，采用区域推荐网络提取多个目标区域；
训练单元，用于将所述多个目标区域，及设置的目标搜索域作为输入，输入到设置的孪生网络中，输出得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度；
比较单元，用于针对每个目标区域，判断与其具有最大相似度的目标搜索子区域的相似度，当大于设置的第一相似度阈值时，将该目标区域采用与其具有最大相似度的目标搜索子区域样本进行标注。
所述比较单元，用于当小于等于第一相似度阈值，且大于第二相似度阈值时，将该目标区域采用人工方式标注；当小于等于第二相似度阈值，则丢弃该目标区域。
所述比较单元，还用于将该目标区域采用人工方式标注后，作为一个新的目标搜索子区域样本，指示设置单元设置到该设置图像的目标搜索域中。
所述训练单元包括：卷积层、ReLU层、max-pooling层及决策层，其中，目标区域和目标搜索域分别经过卷积层的卷积计算、ReLU的线性整流计算及max-pooling层的池化计算，再由决策层进行对比，得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度。
一种图像标注的装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-6中任一项所述的图像标注的方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-6中任一项所述的图像标注的方法。
如上可见，本发明实施例首先从目标数据采用区域推荐网络(RPN，RegionProposal Network)方式提取得到多个目标区域，然后将得到的多个目标区域与设置的包括至少一个目标搜索子区域样本的目标搜索域作为输入，输入到孪生网络(Siamese)中计算，得到多个目标区域分别与每个目标搜索子区域样本的相似度；最后，根据多个目标区域分别与每个目标搜索子区域样本的相似度，确定为每个目标区域标注的信息。这样，本发明实施例就可以实现对图像中的目标数据进行自动标注。
附图说明
图1为本发明实施例提供的一种图像标注的方法流程图；
图2为本发明实施例提供的一种图像标注的系统结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
从背景技术可以看出，为了在监督学习过程中，训练得到一个准确性和鲁棒性都比较好的深度学习模型，就需要对图像中的目标数据进行标注，而对图像中的目标数据标准信息采用的是人工方式进行，比较繁琐且不容易实现。因此，本发明实施例采用了自动对图像中的目标数据的标注方式，即首先从目标数据采用RPN方式提取得到多个目标区域，然后将得到的多个目标区域与设置的包括至少一个目标搜索子区域样本的目标搜索域作为输入，输入到Siamese中计算，得到多个目标区域分别与每个目标搜索子区域样本的相似度；最后，根据多个目标区域分别与每个目标搜索子区域样本的相似度，确定为每个目标区域标注的信息。这样，本发明实施例就可以实现对图像中的目标数据进行自动标注。
也就是说，本发明实施例预先设置了具有至少一个目标搜索子区域样本的目标搜索域，目标搜索子区域样本是目标样本，是人工标注的；然后将从待标注的目标数据中提取多个目标区域，分别与目标搜索域中的目标搜索子区域样本对比，得到所述目标数据与每个目标搜索子区域样本的相似度；最后，基于相似度大小，分别确定每个目标区域对应的目标搜索子区域样本，作为该目标区域的标注。
在本发明实施例中，目标数据为目标图片图像或视频帧图像。目标搜索域为图片图像或视频帧图像的目标搜索域。
图1为本发明实施例提供的一种图像标注的方法流程图，其具体步骤：
步骤101、设置图像的目标搜索域，所述目标搜索域中包括至少一个目标搜索子区域样本；
在本步骤中，图像的目标搜索子区域采用人工标注方式，是已知的已经标注好的目标搜索子区域样本，可以是一个或多个，形成了一个完整的图像的目标搜索域；
在本步骤中，每个图像的搜索域中的目标搜索子区域成为目标搜索patch，patch是从图像中剪裁出的长方形的局部区域；
步骤102、从待标注的目标图像中，采用RPN方式提取多个目标区域；
在本步骤中，所提取的多个目标区域称为目标patch；
在本步骤中，RPN方式是现有方式，其就是从待标注的目标图像中，提取出设定尺寸的特征图向量；
步骤103、将所述多个目标区域，及设置的目标搜索域作为输入，输入到设置的孪生网络中，输出得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度；
步骤104、针对每个目标区域，判断与其具有最大相似度的目标搜索子区域样本的相似度，是否大于设置的第一相似度阈值，如果是，则执行步骤105；如果否，则执行步骤106；
步骤105、将该目标区域采用与其具有最大相似度的目标搜索子区域样本进行标注；
步骤106、针对每个目标区域，判断与具有最大相似度的目标搜索子区域样本的相似度，是否小于等于设置的第一相似度阈值，且大于设置的第二相似度阈值，如果是，则执行步骤107；如果否，则执行步骤108；
步骤107、该目标区域采用人工方式标注；
在该步骤中，将该目标区域标注后，作为一个新的目标搜索子区域样本，设置到设置图像的目标搜索域中；
这样，图像的目标搜索域中的目标搜索子区域样本是实时更新的；
步骤108、对该目标区域进行丢弃；
在该步骤中，说明该目标区域为非可以进行标注的patch，直接丢弃。
在本发明实施例中，第一相似度阈值及第二相似度阈值都是根据经验设置的，第一相似度阈值要大于第二相似度阈值，说明第一相似度阈值的相似度比第二相似度阈值的相似度更高。
在本发明实施例中，所采用的Siamese网络的结构为：卷积层、线性整流函数(ReLU)层、最大池化(max-pooling)层及决策层。在最大池化层中，采用空间金字塔池化(SPP，Spatial Pyramid Pooling)方式实现，从而即使目标区域的特征向量所采用的长度不同，在经过了池化过程时，就可以得到一个固定长度的特征向量，然后在决策层与各个目标搜索子域样本相比，得到两者的相似度。
采用Siamese网络进行训练时，目标区域和目标搜索域都分别经过卷积层的卷积计算、ReLU的线性整流计算及max-pooling层的池化计算后，再进行对比。
在本发明实施例中，Siamese网络可以使用各种目标函数，举例说明，可以使用的目标函数为：
Figure BDA0002274376850000051
其中，ω为参数权值，
Figure BDA0002274376850000052
是第i个训练样本的输出，yi＝{-1,1}是对应的标注，其中，-1标识份配对，1标识配对。
在本发明实施例中，计算得到的相似度实际上就是所计算得到的特征向量的距离。
图2为本发明实施例提供的一种图像标注的系统，包括：设置单元、提取单元、训练单元及比较单元，其中，
设置单元，用于设置图像的目标搜索域，所述目标搜索域包括至少一个目标搜索子区域样本；
提取单元，用于从待标注的目标图像中，采用RPN方式提取多个目标区域；
训练单元，用于将所述多个目标区域，及设置的目标搜索域作为输入，输入到设置的孪生网络中，输出得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度；
比较单元，用于针对每个目标区域，判断与其具有最大相似度的目标搜索子区域的相似度，基于设置的第一相似度阈值和第二相似度阈值进行判断，当大于第一相似度阈值时，将该目标区域采用与其具有最大相似度的目标搜索子区域样本进行标注；当小于等于第一相似度阈值，且大于第二相似度阈值时，将该目标区域采用人工方式标注；当小于等于第二相似度阈值，则丢弃该目标区域。
在该结构中，所述比较单元，还用于将该目标区域采用人工方式标注后，将该目标区域标注后，作为一个新的目标搜索子区域样本。指示设置单元设置到设置图像的目标搜索域中。也就是说，图像的目标搜索域是实时更新的。
在该结构中，所述训练单元包括：卷积层、ReLU层、max-pooling层及决策层，其中，目标区域和目标搜索域分别经过卷积层的卷积计算、ReLU的线性整流计算及max-pooling层的池化计算，再由决策层进行对比，得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度。
在该结构中，所述max-pooling层采用SPP方式实现。
一种图像标注的装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行上述任一项所述的图像标注的方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任一项所述的图像标注的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (12)

1.一种图像标注的方法，其特征在于，包括：
设置图像的目标搜索域，所述目标搜索域中包括至少一个目标搜索子区域样本；
从待标注的目标图像中，采用区域推荐网络提取多个目标区域；
将所述目标搜索域及所述多个目标区域作为输入，输入到设置的孪生网络中，输出得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度；
针对每个目标区域，当判断与其具有最大相似度的目标搜索子区域样本的相似度大于设置的第一相似度阈值时，将该目标区域采用与其具有最大相似度的目标搜索子区域样本进行标注。
2.如权利要求1所述的方法，其特征在于，该方法还包括：
当小于等于设置的第一相似度阈值，大于设置的第二相似度阈值时，将该目标区域采用人工标注方式进行标注。
3.如权利要求2所述的方法，其特征在于，在将所述该目标区域采用人工标注方式进行标注之后，该方法还包括：
将采用人工标注方式进行标注了的该目标区域，作为一个新的目标搜索子区域样本，设置到该设置图像的目标搜索域中。
4.如权利要求1或2所述的方法，其特征在于，该方法还包括：
当小于等于设置的第二相似度阈值时，丢弃该目标区域。
5.如权利要求1所述的方法，其特征在于，所述孪生网络的结构为：卷积层、线性整流函数ReLU层、最大池化层max-pooling层及决策层，其中，
所述目标区域和所述目标搜索域分别经过卷积层的卷积计算、ReLU层的线性整流计算及max-pooling层的池化计算，再由决策层进行对比，得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度。
6.如权利要求1所述的方法，其特征在于，所述max-pooling层采用空间金字塔池化实现。
7.一种图像标注的系统，其特征在于，包括：设置单元、提取单元、训练单元及比较单元，其中，
设置单元，用于设置图像的目标搜索域，所述目标搜索域包括至少一个目标搜索子区域样本；
提取单元，用于从待标注的目标图像中，采用区域推荐网络提取多个目标区域；
训练单元，用于将所述多个目标区域，及设置的目标搜索域作为输入，输入到设置的孪生网络中，输出得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度；
比较单元，用于针对每个目标区域，判断与其具有最大相似度的目标搜索子区域的相似度，当大于设置的第一相似度阈值时，将该目标区域采用与其具有最大相似度的目标搜索子区域样本进行标注。
8.如权利要求1所述的系统，其特征在于，所述比较单元，用于当小于等于第一相似度阈值，且大于第二相似度阈值时，将该目标区域采用人工方式标注；当小于等于第二相似度阈值，则丢弃该目标区域。
9.如权利要求1所述的系统，其特征在于，所述比较单元，还用于将该目标区域采用人工方式标注后，作为一个新的目标搜索子区域样本，指示设置单元设置到该设置图像的目标搜索域中。
10.如权利要求1所述的系统，其特征在于，所述训练单元包括：卷积层、ReLU层、max-pooling层及决策层，其中，目标区域和目标搜索域分别经过卷积层的卷积计算、ReLU的线性整流计算及max-pooling层的池化计算，再由决策层进行对比，得到每个目标区域分别与目标搜索域中的各个目标搜索子区域样本的相似度。
11.一种图像标注的装置，其特征在于，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-6中任一项所述的图像标注的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述的图像标注的方法。
CN201911117131.7A 2019-11-15 2019-11-15 一种图像标注的方法及系统 Pending CN112308106A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911117131.7A CN112308106A (zh) 2019-11-15 2019-11-15 一种图像标注的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911117131.7A CN112308106A (zh) 2019-11-15 2019-11-15 一种图像标注的方法及系统

Publications (1)

Publication Number Publication Date
CN112308106A true CN112308106A (zh) 2021-02-02

Family

ID=74336264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911117131.7A Pending CN112308106A (zh) 2019-11-15 2019-11-15 一种图像标注的方法及系统

Country Status (1)

Country Link
CN (1) CN112308106A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838058A (zh) * 2021-10-11 2021-12-24 重庆邮电大学 一种基于小样本分割的医学图像自动标注方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117885A (zh) * 2018-08-17 2019-01-01 北方民族大学 一种基于深度学习的邮票识别方法
CN109359558A (zh) * 2018-09-26 2019-02-19 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
CN109543534A (zh) * 2018-10-22 2019-03-29 中国科学院自动化研究所南京人工智能芯片创新研究院 一种目标跟踪中目标丢失重检的方法及装置
CN109635108A (zh) * 2018-11-22 2019-04-16 华东师范大学 一种基于人机交互的远程监督实体关系抽取方法
CN109960742A (zh) * 2019-02-18 2019-07-02 苏州科达科技股份有限公司 局部信息的搜索方法及装置
CN110298404A (zh) * 2019-07-02 2019-10-01 西南交通大学 一种基于三重孪生哈希网络学习的目标跟踪方法
CN110309835A (zh) * 2019-06-27 2019-10-08 中国人民解放军战略支援部队信息工程大学 一种图像局部特征提取方法及装置
CN110443829A (zh) * 2019-08-05 2019-11-12 北京深醒科技有限公司 一种基于运动特征和相似度特征的抗遮挡跟踪算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117885A (zh) * 2018-08-17 2019-01-01 北方民族大学 一种基于深度学习的邮票识别方法
CN109359558A (zh) * 2018-09-26 2019-02-19 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
CN109543534A (zh) * 2018-10-22 2019-03-29 中国科学院自动化研究所南京人工智能芯片创新研究院 一种目标跟踪中目标丢失重检的方法及装置
CN109635108A (zh) * 2018-11-22 2019-04-16 华东师范大学 一种基于人机交互的远程监督实体关系抽取方法
CN109960742A (zh) * 2019-02-18 2019-07-02 苏州科达科技股份有限公司 局部信息的搜索方法及装置
CN110309835A (zh) * 2019-06-27 2019-10-08 中国人民解放军战略支援部队信息工程大学 一种图像局部特征提取方法及装置
CN110298404A (zh) * 2019-07-02 2019-10-01 西南交通大学 一种基于三重孪生哈希网络学习的目标跟踪方法
CN110443829A (zh) * 2019-08-05 2019-11-12 北京深醒科技有限公司 一种基于运动特征和相似度特征的抗遮挡跟踪算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨露菁 等: "《图像特征提取与语义分析》", 31 July 2015, 中国铁道学院出版社, pages: 137 - 140 *
杨露菁 等: "《智能图像处理及应用》", 中国铁道学院出版社, pages: 58 - 59 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838058A (zh) * 2021-10-11 2021-12-24 重庆邮电大学 一种基于小样本分割的医学图像自动标注方法及系统
CN113838058B (zh) * 2021-10-11 2024-03-19 重庆邮电大学 一种基于小样本分割的医学图像自动标注方法及系统

Similar Documents

Publication Publication Date Title
CN110111340B (zh) 基于多路割的弱监督实例分割方法
CN110414368B (zh) 一种基于知识蒸馏的无监督行人重识别方法
Wei et al. Stc: A simple to complex framework for weakly-supervised semantic segmentation
CN112001385B (zh) 一种目标跨域检测与理解方法、系统、设备及存储介质
CN107133569B (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN114241282A (zh) 一种基于知识蒸馏的边缘设备场景识别方法及装置
CN109919106B (zh) 渐进式目标精细识别与描述方法
CN111612100B (zh) 对象再识别方法、装置、存储介质及计算机设备
CN104680193B (zh) 基于快速相似性网络融合算法的在线目标分类方法与系统
CN111209935B (zh) 基于自适应域转移的无监督目标检测方法及系统
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN113283282B (zh) 一种基于时域语义特征的弱监督时序动作检测方法
CN112052818A (zh) 无监督域适应的行人检测方法、系统及存储介质
CN115797632B (zh) 一种基于多任务学习的图像分割方法
CN113420827A (zh) 语义分割网络训练和图像语义分割方法、装置及设备
CN114462290A (zh) 一种生成预训练人工智能模型的方法及装置
Yan et al. A lightweight weakly supervised learning segmentation algorithm for imbalanced image based on rotation density peaks
CN113989556A (zh) 一种小样本医学影像分类方法和系统
CN114333062B (zh) 基于异构双网络和特征一致性的行人重识别模型训练方法
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN112308106A (zh) 一种图像标注的方法及系统
CN116681961A (zh) 基于半监督方法和噪声处理的弱监督目标检测方法
CN116543162A (zh) 基于特征差值与上下文感知一致性的图像分割方法及系统
CN116229512A (zh) 基于跨摄像头自蒸馏的行人重识别模型建立方法及其应用
Lv et al. A challenge of deep‐learning‐based object detection for hair follicle dataset

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