CN112381059B - 一种目标检测的标注方法及装置 - Google Patents
一种目标检测的标注方法及装置 Download PDFInfo
- Publication number
- CN112381059B CN112381059B CN202011402879.4A CN202011402879A CN112381059B CN 112381059 B CN112381059 B CN 112381059B CN 202011402879 A CN202011402879 A CN 202011402879A CN 112381059 B CN112381059 B CN 112381059B
- Authority
- CN
- China
- Prior art keywords
- labeling
- labeled
- target object
- standard
- minimum
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种目标检测的标注方法及装置,其方法包括:确定目标物的标注标准,所述标注标准包括标注的边缘位置、最小标注尺寸;根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;验证所述每个目标物的标注是否符合标准;将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;利用训练完成的目标检测模型对待标注图片进行标注。本发明提供了一种准确高效的目标检测标注方法,能够有效提高标注的可靠性和准确性,同时能够有效提高时间成本,减少人工投入。
Description
技术领域
本发明属于自动驾驶、目标检测以及图像处理领域,尤其涉及一种目标检测的标注方法及装置。
背景技术
随着汽车智能化的逐渐普及,自动驾驶技术越来越多的进入到人们的日常生活中。其中目标检测技术是自动驾驶中感知决策的基础,而对于监督学习的目标检测算法,前期的标注工作又是它的基础,标注工作需要前期人工准确框选出目标物所在坐标,为后面模型的训练和测试提供数据集。
目前人工标注工作主要难点是规范模糊,工作量大,模糊的规范会导致训练模型难以快速拟合,导致后面测试的准确率和召回率低下,而工作量大是客户存在的问题,本专利提出的方法可以有效的降低工作强度,并且制定了可执行的标注规范。
发明内容
为解决现有原始标注中规范模糊,工作量大的问题,在本发明的第一方面提供了一种目标检测的标注方法,包括如下步骤:确定目标物的标注标准,所述标注标准包括标注的边缘位置、最小标注尺寸;根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;验证所述每个目标物的标注是否符合标准;将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;利用训练完成的目标检测模型对待标注图片进行标注。
在本发明的一些实施例中,所述确定目标物的标注标准包括如下步骤:选取不同场景的若干个待标注图片,记为第一标注图片,所述第一标注图片之间的目标物总数误差低于阈值;对所述第一标注图片进行标注;确定并优化不同目标物的边缘位置、标注范围以及像素误差的标准;当所有第一标注图片标注完成后,统计每个目标物的最小像素尺寸及其分布情况;根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸。
进一步的,所述根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸包括如下步骤:根据所述每个目标物的最小像素尺寸的数量分布情况绘制分布曲线;所述分布曲线以每个目标物的最小像素尺寸及其数量分别作为横坐标、纵坐标;根据所述分布曲线的峰值Pi或积分值Ii确定目标物的标准最小标注尺寸Si。优选的,所述目标物的标准最小标注尺寸Si取值范围为:0.5×Pi≤Si<Pi,或Si<0.01×Ii。
在本发明的一些实施例中,所述验证所述每个目标物的标注是否符合标准包括如下步骤:根据所述标注标准验证已标注图片的各个目标物的标注框是否完全覆盖目标物,以及标注物的名称是否正确;遍历所有已标注图片,直至其满足标注标准。
在上述的实施例中,所述标注标准还包括异常处理,所述异常处理包括目标物在被阻断或被边界阶段时的标注规则。
本发明的第二方面,提供了一种目标检测的标注装置,包括确定模块、第一标注模块、验证模块、训练模块、第二标注模块,所述确定模块,用于确定目标物的标注标准,所述标注标准包括标注的边缘位置、最小标注尺寸;所述第一标注模块,用于根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;所述验证模块,用于验证所述每个目标物的标注是否符合标准;所述训练模块,用于将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;所述第二标注模块,用于利用训练完成的目标检测模型对待标注图片进行标注。
进一步的,所述确定模块包括选取模块、第三标注模块、第一确定模块、统计模块、第二确定模块,所述选取模块,用于选取不同场景的若干个待标注图片,记为第一标注图片,所述第一标注图片之间的目标物总数误差低于阈值;所述第三标注模块,用于对所述第一标注图片进行标注;所述第一确定模块,用于确定并优化不同目标物的边缘位置、标注范围以及像素误差的标准;所述统计模块,用于当所有第一标注图片标注完成后,统计每个目标物的最小像素尺寸及其分布情况以及分布情况;所述第二确定模块,根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的一种目标检测的标注方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明第一方面提供的一种目标检测的标注方法。
本发明的有益效果是:
1.本发明提供了一种准确高效的目标检测标注方法,能够有效提高标注的可靠性和准确性,同时能够有效提高时间成本,减少人工投入。
附图说明
图1为本发明的一些实施例中的目标检测的标注方法基本流程图;
图2为本发明的一些实施例中目标检测的标注方法中的步骤S101流程示意图;
图3为本发明的一些实施例中目标检测的标注方法中的步骤S102的流程图示意图;
图4为本发明的一些实施例中的目标检测的标注方法中的步骤S104的流程示意图;
图5为本发明的一些实施例中的最小标注尺寸的分布曲线示意图;
图6为本发明的一些实施例中的目标检测的标注装置的基本结构图;
图7为本发明的一些实施例中的电子设备的基本结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1至图3,在本发明的第一方面提供了一种目标检测的标注方法,包括如下步骤:S101.确定目标物的标注标准,所述标注标准包括标注的边缘位置、最小标注尺寸;S102.根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;S103.验证所述每个目标物的标注是否符合标准;S104.将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;S105.利用训练完成的目标检测模型对待标注图片进行标注。
参考图1与图2,在本发明的一些实施例中的步骤S101中,所述确定目标物的标注标准包括如下步骤:选取不同场景的若干个待标注图片,记为第一标注图片,所述第一标注图片之间的目标物总数误差低于阈值;对所述第一标注图片进行标注;确定并优化不同目标物的边缘位置、标注范围以及像素误差的标准;当所有第一标注图片标注完成后,统计每个目标物的最小像素尺寸及其分布情况;根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸。
具体地,S1011.根据目标物的类型,选取不同场景的图片大于1000张,要求所有图片中的目标物总数基本相等,覆盖白天黑夜、各种涉及的天气情况、各种涉及的道路类型,尽可能把所有场景考虑在内;S1012.标注图片中所有可识别的目标物,在标注过程中逐步跟新完善标注规范,例如对人脸的标注,上方起始于额头(头发与皮肤交界处,如果是秃头,则为头顶和眉毛中间部位,如果无法定位眉毛,则为头顶和眼睛中间部位),下方终止于下巴边缘(如果戴口罩,下边缘定位在口罩最低点),左右侧为脸部轮廓线(如果戴口罩,左右边缘定位在口罩最左和最右点),人脸需要区分后脑勺、侧脸和正脸(后脑勺为皮肤面积少于50%、侧脸为皮肤面积大于或等于50%、正脸看不到后脑勺),后脑勺不包含在人脸标记范围内,侧脸左(右)边缘以耳根或者鼻尖为界。S1013.标注规范以人脸为例,但不仅限于所述人脸规范,其他的目标物规范如此,按照清晰标注规范,减少不确定标注的原则,尽量做到像素误差在2像素以内。
可以理解,上述目标物包括但不限于人脸、人物、动物、植物、车、车道、道路、树木、建筑物等,具体的目标物由不同场景所确定的目标而定,例如,人脸识别场景下,人脸为主要目标物;行人检测场景下,行人为主要目标物;高精度地图制作领域,道路及车道为主要目标物。
参考图2与图5,进一步的,所述根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸包括如下步骤:根据所述每个目标物的最小像素尺寸的数量分布情况绘制分布曲线;所述分布曲线以每个目标物的最小像素尺寸及其数量分别作为横坐标、纵坐标;根据所述分布曲线的峰值Pi或积分值Ii确定目标物的标准最小标注尺寸Si。优选的,所述目标物的标准最小标注尺寸Si取值范围为:0.5×Pi≤Si<Pi,或Si<0.01×Ii。
具体地,统计各个目标物的标注最小像素尺寸(长和宽中的最小值)对应的数量关系,选取曲线峰值左边的某一点为最小标注尺寸,选取方法可以取峰值尺寸的30%-50%,或者按照峰值数量的30%-50%对应的最小尺寸,或者按照最小标注尺寸左边曲线面积为1%来计算最小标注尺寸。具体求取最小标注尺寸的方法和对应数值不局限于上述内容,按照小于峰值尺寸合适的位置的要求,尽量做到减少漏检和减少工作量的要求。各个目标物的最小尺寸可能不相同,根据最后的计算结果决定。
在本发明的一些实施例中的步骤S103,所述验证所述每个目标物的标注是否符合标准包括如下步骤:根据所述标注标准验证已标注图片的各个目标物的标注框是否完全覆盖目标物,以及标注物的名称是否正确;遍历所有已标注图片,直至其满足标注标准。
具体地,在上述步骤S102的标注完成后,需要交叉质检标注内容,质检范围包含第一阶段(S101)和第二阶段(步骤S102)的图片,按照最新(最终)的标注规范(标注标准)质检,如果质检结果出现1次及以上严重问题、3次及以上一般问题(问题的严重级别在第一阶段标注规范规定,例如目标物名称错误属于严重问题)就需要重新标注,直到质检满足要求为止。
参考图4,在本发明的一些实施例中的步骤S104中,训练过程包括标注、训练有、预测、评估几个阶段:具体地,将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;可以理解,目标检测网络包括R-CNN、Spp-Net、fastR-cnn、Yolo系列、FPN、maskR-cnn等,优选的,采用yolo v5作为目标检测网络。
在上述的实施例中,所述标注标准还包括异常处理,所述异常处理包括目标物在被阻断或被边界阶段时的标注规则等。
参考图6,本发明的第二方面,提供了一种目标检测的标注装置1,包括确定模块11、第一标注模块12、验证模块13、训练模块14、第二标注模块15,所述确定模块11,用于确定目标物的标注标准,所述标注标准包括标注的边缘位置、最小标注尺寸;所述第一标注模块12,用于根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;所述验证模块13,用于验证所述每个目标物的标注是否符合标准;所述训练模块14,用于将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;所述第二标注模块15,用于利用训练完成的目标检测模型对待标注图片进行标注。
需要说明的是,上述确定模块11、第一标注模块12、验证模块13可根据实际情况由人工或半人工方式执行。
进一步的,所述确定模块11包括选取模块、第三标注模块、第一确定模块、统计模块、第二确定模块,所述选取模块,用于选取不同场景的若干个待标注图片,记为第一标注图片,所述第一标注图片之间的目标物总数误差低于阈值;所述第三标注模块,用于对所述第一标注图片进行标注;所述第一确定模块,用于确定并优化不同目标物的边缘位置、标注范围以及像素误差的标准;所述统计模块,用于当所有第一标注图片标注完成后,统计每个目标物的最小像素尺寸及其分布情况以及分布情况;所述第二确定模块,根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的高精度地图的定制编译方法。
参考图7,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种目标检测的标注方法,其特征在于,包括如下步骤:
确定目标物的标注标准,选取不同场景的若干个待标注图片,记为第一标注图片,所述第一标注图片之间的目标物总数误差低于阈值;对所述第一标注图片进行标注;确定并优化不同目标物的边缘位置、标注范围以及像素误差的标准;当所有第一标注图片标注完成后,统计每个目标物的最小像素尺寸及其分布情况;根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸:根据所述每个目标物的最小像素尺寸的数量分布情况绘制分布曲线;所述分布曲线以每个目标物的最小像素尺寸及其数量分别作为横坐标、纵坐标;根据所述分布曲线的峰值P i 或积分值I i 确定目标物的标准最小标注尺寸S i ,且0.5×P i ≤S i <P i ,或S i <0.01×I i ;所述标注标准包括标注的边缘位置、最小标注尺寸;
根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;
验证所述每个目标物的标注是否符合标准;
将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;
利用训练完成的目标检测模型对待标注图片进行标注。
2.根据权利要求1所述的目标检测的标注方法,其特征在于,所述验证所述每个目标物的标注是否符合标准包括如下步骤:
根据所述标注标准验证已标注图片的各个目标物的标注框是否完全覆盖目标物,以及标注物的名称是否正确;
遍历所有已标注图片,直至其满足标注标准。
3.根据权利要求1-2任一所述的目标检测的标注方法,其特征在于,所述标注标准还包括异常处理,所述异常处理包括目标物在被阻断或被边界阶段时的标注规则。
4.一种目标检测的标注装置,其特征在于,包括确定模块、第一标注模块、验证模块、训练模块、第二标注模块,
所述确定模块,用于确定目标物的标注标准,选取不同场景的若干个待标注图片,记为第一标注图片,所述第一标注图片之间的目标物总数误差低于阈值;对所述第一标注图片进行标注;确定并优化不同目标物的边缘位置、标注范围以及像素误差的标准;当所有第一标注图片标注完成后,统计每个目标物的最小像素尺寸及其分布情况;根据所述每个目标物的最小像素尺寸的分布情况确定每个目标物的标准最小标注尺寸:根据所述每个目标物的最小像素尺寸的数量分布情况绘制分布曲线;所述分布曲线以每个目标物的最小像素尺寸及其数量分别作为横坐标、纵坐标;根据所述分布曲线的峰值P i 或积分值I i 确定目标物的标准最小标注尺寸S i ,且0.5×P i ≤S i <P i ,或S i <0.01×I i ;所述标注标准包括标注的边缘位置、最小标注尺寸;
所述第一标注模块,用于根据所述最小标注尺寸对待标注图片中的每个目标物进行标注;
所述验证模块,用于验证所述每个目标物的标注是否符合标准;
所述训练模块,用于将符合标注标准的已标注图片作为样本,训练目标检测模型直至其误差低于阈值;
所述第二标注模块,用于利用训练完成的目标检测模型对待标注图片进行标注。
5.一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402879.4A CN112381059B (zh) | 2020-12-02 | 2020-12-02 | 一种目标检测的标注方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402879.4A CN112381059B (zh) | 2020-12-02 | 2020-12-02 | 一种目标检测的标注方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381059A CN112381059A (zh) | 2021-02-19 |
CN112381059B true CN112381059B (zh) | 2023-02-03 |
Family
ID=74589274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402879.4A Active CN112381059B (zh) | 2020-12-02 | 2020-12-02 | 一种目标检测的标注方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381059B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583325B (zh) * | 2018-11-12 | 2023-06-27 | 平安科技(深圳)有限公司 | 人脸样本图片标注方法、装置、计算机设备及存储介质 |
CN111178530A (zh) * | 2019-12-09 | 2020-05-19 | 武汉光庭信息技术股份有限公司 | 一种基于数据标注的质检方法和装置 |
CN111598006B (zh) * | 2020-05-18 | 2023-05-26 | 阿波罗智联(北京)科技有限公司 | 用于标注对象的方法和装置 |
-
2020
- 2020-12-02 CN CN202011402879.4A patent/CN112381059B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112381059A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
CN107909065B (zh) | 用于检测人脸遮挡的方法及装置 | |
CN107622240B (zh) | 人脸检测方法和装置 | |
CN108171260B (zh) | 一种图片识别方法及系统 | |
CN110163153B (zh) | 用于识别交通标志牌边界的方法及装置 | |
CN110245579B (zh) | 人流密度预测方法及装置、计算机设备及可读介质 | |
CN110689804B (zh) | 用于输出信息的方法和装置 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN109285181B (zh) | 用于识别图像的方法和装置 | |
CN113780270B (zh) | 目标检测方法和装置 | |
CN113723169A (zh) | 基于SlowFast的行为识别方法、系统及设备 | |
CN113780201A (zh) | 手部图像的处理方法及装置、设备和介质 | |
CN114580975A (zh) | 街区活力获得方法及系统及装置及介质 | |
CN109298783B (zh) | 基于表情识别的标注监控方法、装置及电子设备 | |
CN112381059B (zh) | 一种目标检测的标注方法及装置 | |
CN113409393B (zh) | 用于识别交通标志牌的方法及装置 | |
CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
CN113177957A (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
CN116091481A (zh) | 一种小穗计数方法、装置、设备和存储介质 | |
CN115460353A (zh) | 教学跟踪摄像设备配置方法、装置、电子设备及介质 | |
CN112668371B (zh) | 用于输出信息的方法和装置 | |
CN114186090A (zh) | 一种图像标注数据的智能质检方法及系统 | |
CN114119973A (zh) | 一种基于图像语义分割网络的空间距离预测方法及系统 | |
CN114136327A (zh) | 一种虚线段的查全率的自动化检查方法及系统 | |
CN107084728A (zh) | 用于检测数字地图的方法和装置 |
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 |