CN112396003A - 模型训练方法、识别方法、装置、设备及存储介质 - Google Patents
模型训练方法、识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112396003A CN112396003A CN202011312180.9A CN202011312180A CN112396003A CN 112396003 A CN112396003 A CN 112396003A CN 202011312180 A CN202011312180 A CN 202011312180A CN 112396003 A CN112396003 A CN 112396003A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- loss function
- feature
- image
- fine
- 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
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (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
本发明涉及人工智能技术领域,公开了一种车辆识别模型训练方法、车辆识别方法、装置、计算机设备及计算机可读存储介质,该方法包括:获取带标签的车辆类型图像;确定预设的神经网络,预设的神经网络的损失函数包括全连接损失函数用于学习车辆分类信息,距离损失函数用于学习车辆特征识别器的属性信息,区域损失函数用于学习车辆特征关系,面积损失函数用于学习切割区域的层次关系;将带标签的车辆类型图像输入预设的神经网络进行模型训练;若待训练模型收敛,生成车辆识别模型,实现在没有标注精细粒度特征下,通过全连接损失函数、距离损失函数、区域损失函数和面积损失函数的辅助下进行模型训练,训练出识别车辆精细粒度特征的车辆识别模型。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种车辆识别模型训练方法、车辆识别方法、装置、计算机设备及计算机可读存储介质。
背景技术
计算机视觉(CV)是用机器来理解和分析图像的过程,是人工智能中的一个重要分支。在CV的各个研究领域中,细粒度图像分析是一个长期存在的基础性问题,而且在各种实际应用(比如鸟的种类、汽车模型、商品识别等)中无处不在,由于细粒度特性造成的类间小变化和类内大变化使得这一问题具有极大的挑战性。随着深度学习在图像识别中应用的深入,深度模型对数据的需求越来越多,对高质量标注数据的需求同样也是越来越多,然而高质量标注的数据随着数据量级的几何增长以及标注细节的重要性提升,需要专业人士对训练样本进行标注,从而导致成本较高。
发明内容
本申请的主要目的在于提供一种车辆识别模型训练方法、车辆识别方法、装置、计算机设备及计算机可读存储介质,旨在解决现有的深度模型需要专业人士对训练样本进行标注,从而导致成本较高的技术问题。
第一方面,本申请提供一种车辆识别模型训练方法,所述车辆识别模型训练方法包括以下步骤:
获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;
确定预设的神经网络,所述预设的神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数;
将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;
若待训练模型收敛,生成车辆识别模型;
其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数学习特征识别器的属性信息,所述区域损失函数学习车辆特征关系信息,所述面积损失函数学习切割区域的层次关系。
第二方面,本申请提供一种车辆识别方法,所述车辆识别方法包括以下步骤:
获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像;
基于所述车辆识别模型对所述辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征,所述车辆识别模型为前述车辆识别模型训练得到的;
根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像中的车辆和所述第二车辆图像中的车辆是否为同一车辆。
第三方面,本申请还提供一种车辆识别模型训练装置,所述车辆识别模型训练装置包括:
第一获取模块,用于获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;
第一确定模块,用于确定预设的神经网络,所述神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数,其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数学习特征识别器的度量,所述区域损失函数学习车辆特征关系信息,所述面积损失函数学习切割区域的层次关系;
训练模块,用于将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;
生成模块,用于若所述待训练模型收敛,生成车辆识别模型。
第四方面,本申请还提供一种车辆识别装置,所述车辆识别装置包括:
第二获取模块,用于获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像;
第三获取模块,用于基于所述车辆识别模型对所述辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征,所述车辆识别模型为前述车辆识别模型训练得到的;
第二确定模块,用于根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像和第二车辆图像中车辆是否为同一车辆。
第五方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的车辆识别模型训练方法的步骤,和实现上述的车辆识别方法的步骤。
第六方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质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,实现如上述的车辆识别模型训练方法的步骤,和实现上述的车辆识别方法的步骤。
本申请提供一种车辆识别模型训练方法、车辆识别方法、装置、计算机设备及计算机可读存储介质,通过获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;确定预设的神经网络,所述预设的神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数,其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数用于学习车辆特征识别器的属性信息,所述区域损失函数用于学习车辆特征关系,所述面积损失函数用于学习切割区域的层次关系;将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;若待训练模型收敛,生成车辆识别模型,实现在没有标注精细粒度特征下,通过全连接损失函数、距离损失函数、区域损失函数和面积损失函数的辅助下进行模型训练,训练出识别车辆精细粒度特征的车辆识别模型。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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申请的一些实施例,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为本申请实施例提供的一种车辆识别模型训练方法的流程示意图;
图2为本申请实施例提供的一种车辆识别方法的流程示意图;
图3为图2中的车辆识别方法的子步骤流程示意图;
图4为本申请实施例提供的一种车辆识别模型训练装置的示意性框图;
图5为本申请实施例提供的一种车辆识别装置的示意性框图;
图6为本申请一实施例涉及的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种车辆识别模型训练方法、车辆识别方法、装置、计算机设备及计算机可读存储介质。其中,该车辆识别模型训练方法和车辆识别方法可应用于计算机设备中,该计算机设备可以是笔记本电脑、台式电脑等电子设备,或者服务器。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请的实施例提供的一种车辆识别模型训练方法的流程示意图。
如图1所示,该车辆识别模型训练方法包括步骤S101至步骤S104。
步骤S101、获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像。
示范性的,获取待训练数据,该待训练数据包括带标签的车辆类型图像。该带标签的车辆类型图像包括各种车辆类型的图像,例如,宝马、奔驰、奥迪等各种型号的图像,其中每一种型号的图像还包括各种颜色,例如,红色、白色等。
步骤S102、确定预设的神经网络。
其中,所述预设的神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数,其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数用于学习车辆特征识别器的属性信息,所述区域损失函数用于学习车辆特征关系,所述面积损失函数用于学习切割区域的层次关系。
示范性的,确定预设的神经网络,该预设的神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数。该预设的神经网络存储于区块链中,从该区块链中确定预设的神经网络,全连接损失函数包括softmax loss损失函数和Softmax rank loss损失函数,该softmax loss损失函数用于学习车辆分类的准确性;Softmax rank loss损失函数用于学习车辆分类准确性的递增关系。该距离损失函数包括triplet loss损失函数和triplet rank loss损失函数,该triplet loss损失函数用于学习车辆特征识别器的度量;该triplet rank loss损失函数用于学习所述车辆特征识别器的度量关系的递增关系。该区域损失函数包括region loss损失函数,该region loss损失函数用于学习车辆特征关系,其中,该车辆特征关系包括车灯关于车牌-车标轴线的对称关系,两车灯的左右关系,车标车牌的上下关系、关键点连线之间的角度关系等。面积损失函数包括Area loss损失函数,该Area loss损失函数用于学习切割区域的层次关系。
示范例的,获取通过该预设的神经网络的预置softmax函数预测待训练的车辆类型图像的类型,得到预测的类型值,通过该待训练的车辆类型图像的标签值和预测的类型值训练softmax loss损失函数。例如,softmax loss损失函数为其中,y′为标签值,标签值包括0和1,1为类型准确,0为类型错误;y为预测值。通过该标签值、预测值和softmax loss损失函数,确定是否需要对预设的神经网络参数进行优化。预设的神经网络对预测待训练的车辆类型图像的类型进行预测,得到预测为T类型的概率值。在预设的神经网络对预测待训练的车辆类型图像的类型进行预测,得到预测为T类型前后两次的概率值即和根据预置softmax rank loss损失函数、和确定是否需要对预设的神经网络参数进行优化。例如,预置softmax rank loss损失函数为其中,为T类型的第一概率值,为T类型的第二概率值,M为预置阈值。基于预设的神经网络得到待训练的车辆类型图像中相同特征的欧式距离以及不同特征的欧式距离,根据预置triplet loss损失函数,确定是否需要对预设的神经网络参数进行优化。例如,预置triplet loss损失函数为Ltr=max[(Dap+M-Dan),0],其中,Dap为相同特征的欧式距离,Dan为不同特征的欧式距离,其中,Dap中,D是距离distance,Dap是目标特征anchor和正特征positive的距离,anchor和positive属于同一类的特征,distance、anchor和positive为三元组损失;Dan中,D是距离distance,Dan是目标特征anchor和负特征Negative的距离,anchor和Negative属于不同类的特征,distance、anchor和Negative为三元组损失。根据预置triplet rank loss损失函数,确定是否需要对预设的神经网络参数进行优化。例如,得到预置tripletank loss损失函数的第一值、第一值和第一值,基于triplet loss损失函数其中,M为预置阈值。根据预设的神经网络定位得到待训练的车辆类型图像中车牌-车标轴线的对称关系,两车灯的左右关系,车标车牌的上下关系,基于预置region loss损失函数、车牌-车标轴线的对称关系,两车灯的左右关系,车标车牌的上下关系,确定是否需要对预设的神经网络参数进行优化。例如,预置region loss损失函数为Lloc=Lsym+Lpos+Langle,其中,Lsym为车牌-车标轴线的对称关系,Lpos为两车灯的左右关系,Langle为车标车牌的上下关系。根据预设的神经网络定位得到待训练的车辆类型图像中的第一区域,基于预设的神经网络定位得到第一区域中的第二区域,基于基于预设的神经网络定位得到第二区域中的第三区域。基于预置area loss损失函数、第一区域、第二区域和第三区域,确定是否需要对预设的神经网络参数进行优化。例如,该预置area loss损失函数为其中,为第一区域,为第二区域,为第三区域。
步骤S103、将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练。
示范性的,将带标签的车辆类型图像输入预设的神经网络,通过该带标签的车辆类型图像对该模型中的神经网络的损失函数进行模型训练。例如,预置softmax loss损失函数是分类网络的标准loss,具体表达是:当网络预测的类别同标签的类别一致时,该第一loss值小于或等于第一预置loss值,网络参数变化不调;当网络预测的类别同标签的类别不一致时,该第一loss值大于第一预置loss值,网络参数需要采用梯度下降法调整,其中,该第一loss值为Hy′。预置softmax rank loss损失函数是在softmax loss损失函数的基础上,加上rank排序,具体表达是:当网络由粗到细再到精的定位过程中,预测对应的类别的概率逐步提高,确定该定位是比较准的,该第二loss值小于或等于第二预置loss值时,确定该定位是准确的;反之则该第二loss值大于第二预置loss值时,确定该定位是不准确的,其中,该第二loss值为Lsmr。该rank的作用是驱使网络在目标由粗到精的过程中,预测概率要逐渐变大。预置triplet loss损失函数是度量计算的第三loss值,解决softmax loss损失函数只能分类,不能足够分开的缺陷,triplet loss损失函数能让同一辆车的特征足够接近,让不同车辆的特征足够远离,其中,第三loss值为Ltr,当第三loss值小于或等于第三预置loss值时,确定该预设的神经网络参数不需要优化;当第三loss值大于第三预置loss值时,确定该预设的神经网络参数需要优化。预置triplet rank loss损失函数是在tripletloss损失函数的基础上得到的第四loss值,加上rank排序,使得同一辆车在被定位逐渐精准的过程中,细节特征之间的距离逐渐有序靠近,符合视觉上的感知特点,其中,第四loss值为Ltr,若该第四loss值小于或等于第四预置loss值时,确定该预设的神经网络参数不需要优化;该第四loss值大于第四预置loss值时,确定该预设的神经网络参数需要优化。预置region loss损失函数是使得定位的车灯有关于车标和车牌轴线成左右对称关系,同时定位的车牌和车窗贴有上下关系,当基于预置region loss损失函数得到第五loss值,若该第五loss值小于或等于第五预置loss值时,确定该预设的神经网络参数不需要优化;若该第五loss值大于第五预置loss值时,确定该预设的神经网络参数需要优化,其中,第五loss值为Lloc。预置area loss损失函数是由粗到精定位车尾的区域是逐渐收缩的,若基于预置area loss损失函数得到第六loss值,若该第六loss值小于或等于第六预置loss值时,确定该预设的神经网络参数不需要优化;该第六loss值大于第六预置loss值时,确定该预设的神经网络参数需要优化,其中,第六loss值为Larea。若该预设的神经网络参数需要优化,通过预置softmax loss损失函数的第一loss值、预置softmax rank loss损失函数的第二loss值、预置预置triplet loss损失函数的第三loss值、预置triplet rank loss损失函数的第四loss值、预置region loss损失函数的第五loss值和预置area loss损失函数的第六loss值对预设的神经网络进行模型训练。
步骤S104、若待训练模型收敛,生成车辆识别模型。
示范性的,确定该待训练模型收敛,则生成对应的车辆识别模型。例如,确定该待训练模型收敛的方式包括获取softmax loss损失函数中第一loss值,若该值小于或等于预置第一loss值,则确定该待训练模型收敛;和/或,获取softmax rank loss损失函数中的中第二loss值,若该值小于或等于预置第二loss值,则确定该待训练模型收敛;和/或,获取triplet loss损失函数中的中第三loss值,若该值小于或等于预置第三loss值,则确定该待训练模型收敛;和/或,获取triplet rank loss损失函数中的中第四loss值,若该值小于或等于预置第四loss值,则确定该待训练模型收敛;和/或,获取region loss损失函数中的中第五loss值,若该值小于或等于预置第五loss值,则确定该待训练模型收敛;和/或,获取area loss损失函数中的中第六loss值,若该值小于或等于预置第六loss值,则确定该待训练模型收敛,生成对应的车辆识别模型。
在本发明实施例中,通过将带标签的车辆类型图像输入预设的神经网络进行模型训练,该预设的神经网络包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数,若待训练模型收敛,生成车辆识别模型,实现在没有标注精细粒度特征下,通过全连接损失函数、距离损失函数、区域损失函数和面积损失函数的辅助下进行模型训练,训练出识别车辆精细粒度特征的车辆识别模型。
请参照图2,图2为本申请的实施例提供的一种车辆识别方法的流程示意图。
如图2所示,该车辆识别方法包括步骤S201至步骤S203。
步骤S201、获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像。
示范性的,获取待预测的获取车辆图像,该车辆图像包括第一车辆图像和第二车辆图像,分别将该第一车辆图像和第二车辆图像输入到车辆识别模型,该车辆识别模型为通过带标签的车辆类型图像训练输入预设的神经网络进行模型训练得到的。
步骤S202、基于所述车辆识别模型对所述车辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征。
示范性的,基于该车辆识别模型车辆图像进行识别,得到该车辆识别模型输出的第一车辆图像的第一车辆精细粒度特征,以及得到该车辆识别模型输出该第二车辆图像的第二车辆精细粒度特征。例如,分别对该第一车辆图像和第二车辆图像进行识别,得到该车辆识别模型输出的第一车辆图像的第一车辆精细粒度特征,以及得到该车辆识别模型输出该第二车辆图像的第二车辆精细粒度特征,其中,该车辆识别模型包括第一路网络、第二路网络和第三路网络。
在一实施例中,具体地,参照图3,步骤S202包括:子步骤S2021至子步骤S2026。
子步骤S2021、基于所述第一路网络的分类函数,确定所述第一车辆图像中的车辆类型。
示范性的,该第一路网络包括分类函数,通过该分类函数,确定该第一车辆图像中的车辆类型。例如,通过该分类函数确定该第一车辆图像中的车辆类型为小轿车、中型货车等等。
子步骤S2022、根据所述车辆类型对应的第一特征提取函数,提取所述所述第一车辆图像中的第一车辆粗粒度特征。
示范性的,该第一路网络包括第一特征提取函数,根据该车辆类型确定对应的第一特征提取函数,通过该第一特征提取函数提取该第一车辆图像中的第一车辆粗粒度特征。例如,该第一路网络包括第一特征提取函数为extract feature函数,通过该extractfeature函数提取该第一车辆图像中的第一车辆粗粒度特征,例如,提取该第一车辆图像中的车尾,将该车尾作为第一车辆粗粒度特征。
子步骤S2023、基于所述第二路网络的第一定位函数,定位所述第一车辆粗粒度特征,获取所述第一车辆粗粒度特征中的多个第一坐标。
示范性的,第二路网络包括第一定位函数,通过该第一定位函数定位第一车辆粗粒度特征,获取到第一车辆粗粒度特征中的多个第一坐标。例如,第二路网络包括第一定位函数locate,通过该第一定位函数locate对第一车辆粗粒度特征进行定位,得到对应的五个第一坐标,例如,对该车尾进行定位,得到车尾区域的车灯、车牌、车标、车窗贴以及中心的大致位置,该中心为车灯、车牌、车标、车窗贴的中心位置。
子步骤S2024、通过对所述多个第一坐标对应的范围进行切割和放大,得到所述多个第一坐标对应的第一子图像。
示范性的,在获取到多个第一坐标时,对该多个第一坐标对应区域的进行切割,得到该多个第一坐对应的区域。在得到该对个第一坐标对应的区域时,对该区域进行放大,得到该多个第一坐标对应的第一子图像。例如,在获取到五个第一坐标时,对该五个第一坐标对应区域进行crop并amplify得到放大细节的车尾图,其中,该车尾图为第一车辆子图像。
子步骤S2025、基于所述第二路网络的第二特征提取函数,提取所述第一车辆子图像中的第一车辆细粒度特征。
示范性的,该第二路网络包括第二特征提取函数,通过该第二特征提取函数提取该第一子图像中的第一车辆细粒度特征。例如,该第二路网络包括第二特征提取函数为extract feature函数,通过该extract feature函数提取该第一车辆子图像中的第一车辆细粒度特征,例如,提取车灯、车牌、车标、车窗贴的大致位置,将该大致位置作为第一车辆细粒度特征。
子步骤S2026、根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征,并输出所述第一车辆精细粒度特征。
示范性的,通过该第三路网络和该第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征,并输出所述第一车辆精细粒度特征。例如,通过第三路网络识别第一车辆细粒度特征,得到该第一车辆细粒度特征的车灯、车牌、车标、车窗贴,将该车灯、车牌、车标、车窗贴作为第一车辆精细粒度特征。
具体的,所述根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征,包括:基于所述第三路网络的第二定位函数,定位所述第一车辆细粒度特征,获取所述第一车辆细粒度特征中的多个第二坐标;通过对所述多个第二坐标对应的范围进行切割和放大,得到所述多个第二坐标对应的第二子图像;基于所述第三路网络的第三特征提取函数,得到所述第二子图像中的第一车辆精细粒度特征。
示范性的,该第三路网络包括第二定位函数,通过该第二定位函数定位第一车辆细粒度特征,获取到第一车辆细粒度特征中的多个第二坐标。例如,第三路网络包括第二定位函数locate,通过该第二定位函数locate对第一车辆细粒度特征进行定位,得到对应的五个第二坐标,例如,该五个第二坐标为车尾区域的车灯、车牌、车标或车窗贴的中心位置,该中心为车灯、车牌、车标、车窗贴的中心位置。
在获取到多个第二坐标时,对该多个第二坐标对应区域的进行切割,得到该多个第二坐标对应的区域。在得到该多个第二坐标对应的区域时,对该区域进行放大,得到该多个第二坐标对应的第二子图像。例如,在获取到五个第二坐标时,对该五个第二坐标对应区域进行crop并amplify得到放大细节的车灯图、车牌图、车标图或车窗贴图,其中,该车灯图、车牌图、车标图或车窗贴图为第二子图像。
该第三路网络包括第三特征提取函数,通过该第三特征提取函数提取该第二子图像中的第一车辆精细粒度特征。例如,该第三路网络包括第三特征提取函数为extractfeature函数,通过该extract feature函数提取该第二子图像中的第一车辆精细粒度特征,例如,提取车灯、车牌、车标或车窗贴的位置,将该车灯、车牌、车标或车窗贴的位置作为第一车辆精细粒度特征。
步骤S203、根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像中的车辆和所述第二车辆图像中的车辆是否为同一车辆。
示范性的,在获取到第一车辆精细粒度特征和第二车辆精细粒度特征时,将该第一车辆精细粒度特征和第二车辆精细粒度特征进行比对,若该第一车辆精细粒度特征和第二车辆精细粒度特征相同,则确定该第一车辆精细特征对应的第一车辆图像中的车辆和第二车辆精细特征对应的第二车辆图像中的车辆为同一车辆。例如,将第一车辆图像中的车灯与第二车辆图像中的车灯进行比对,若相同,则确定第一车辆图像中的车辆与第二车辆图像中的车辆为同一车辆。
在本实施例中,通过该识别模型分别识别第一车辆图像和第二车辆图像,识别出第一车辆图像的第一精细粒度特征和第二车辆图像的第二精细粒度特征,根据第一精细粒度特征和第二精细粒度特征,确定第一车辆图像中的中的车辆和第二车辆图像中的车辆是否为同一车辆,实现在没有对第一车辆车辆和/或第二车辆图像中的精细粒度特征标注下,识别出第一车辆车辆和第二车辆图像中的精细粒度特征。
请参照图4,图4为本申请实施例提供的一种车辆识别模型训练装置的示意性框图。
如图4所示,该车辆识别模型训练装置400,包括:第一获取模块401、第一确定模块402、训练模块403、生成模块404。
第一获取模块401,用于获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;
第一确定模块402,用于确定预设的神经网络,所述神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数;
训练模块403,用于将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;
生成模块404,用于若所述待训练模型收敛,生成车辆识别模型;
其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数学习特征识别器的度量,所述区域损失函数学习车辆特征关系信息,所述面积损失函数学习切割区域的层次关系。
其中,训练模块403具体还用于:
基于所述第一损失函数学习车辆分类准确性;
基于所述第二损失函数学习车辆分类准确性的递增关系。
其中,训练模块403具体还用于:
基于所述第三损失函数学习车辆特征识别器的度量;
基于所述第四损失函数学习所述车辆特征识别器的度量关系的递增关系。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块及单元的具体工作过程,可以参考前述车辆识别模型训练方法实施例中的对应过程,在此不再赘述。
请参照图5,图5为本申请实施例提供的一种车辆识别装置的示意性框图。
如图5所示,该车辆识别装置500,包括:第二获取模块501、第三获取模块502、第二确定模块503。
第二获取模块501,用于获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像;
第三获取模块502,用于基于所述车辆识别模型对所述辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征,所述车辆识别模型为前述车辆识别模型训练得到的;
第二确定模块503,用于根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像中的车辆和所述第二车辆图像中车辆是否为同一车辆。
其中,第三获取模块502具体还用于:
基于所述第一路网络的分类函数,确定所述第一车辆图像中的车辆类型;
根据所述车辆类型对应的第一特征提取函数,提取所述所述第一车辆图像中的第一车辆粗粒度特征;
基于所述第二路网络的第一定位函数,定位所述第一车辆粗粒度特征,获取所述第一车辆粗粒度特征中的多个第一坐标;
通过对所述多个第一坐标对应的范围进行切割和放大,得到所述多个第一坐标对应的第一子图像;
基于所述第二路网络的第二特征提取函数,提取所述第一子图像中的第一车辆细粒度特征;
根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征,并输出所述第一车辆精细粒度特征。
其中,第三获取模块502具体还用于:
基于所述第三路网络的第二定位函数,定位所述第一车辆细粒度特征,获取所述第一车辆细粒度特征中的多个第二坐标;
通过对所述多个第二坐标对应的范围进行切割和放大,得到所述多个第二坐标对应的第二子图像;
基于所述第三路网络的第三特征提取函数,得到所述第二子图像中的第一车辆精细粒度特征。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块及单元的具体工作过程,可以参考前述车辆识别方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6,图6为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
如图6所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种车辆识别模型训练方法和任意一种车辆识别方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种车辆识别模型训练方法和任意一种车辆识别方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;
确定预设的神经网络,所述预设的神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数;
将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;
若待训练模型收敛,生成车辆识别模型;
其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数用于学习车辆特征识别器的属性信息,所述区域损失函数用于学习车辆特征关系,所述面积损失函数用于学习切割区域的层次关系。
在一个实施例中,所述处理器所述全连接损失函数包括第一损失损失函数和第二损失函数,所述全连接损失函数用于学习车辆分类信息实现时,用于实现:
基于所述第一损失函数学习车辆分类准确性;
基于所述第二损失函数学习车辆分类准确性的递增关系。
在一个实施例中,所述处理器所述距离损失函数包括第三损失函数和第四损失函数,所述距离损失函数学习特征识别器的属性信息实现时,用于实现:
基于所述第三损失函数学习车辆特征识别器的度量;
基于所述第四损失函数学习所述车辆特征识别器的度量关系的递增关系。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像;
基于所述车辆识别模型对所述车辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征,其中,所述车辆识别模型为前述车辆识别模型训练得到的;
根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像中的车辆和所述第二车辆图像中的车辆是否为同一车辆。
在一个实施例中,所述处理器所述车辆识别模型包括第一路网络、第二路网络和第三路网络;所述基于所述车辆识别模型,得到所述车辆识别模型输出所述第一车辆图像的第一车辆精细粒度特征实现时,用于实现:
基于所述第一路网络的分类函数,确定所述第一车辆图像中的车辆类型;
根据所述车辆类型对应的第一特征提取函数,提取所述所述第一车辆图像中的第一车辆粗粒度特征;
基于所述第二路网络的第一定位函数,定位所述第一车辆粗粒度特征,获取所述第一车辆粗粒度特征中的多个第一坐标;
通过对所述多个第一坐标对应的范围进行切割和放大,得到所述多个第一坐标对应的第一子图像;
基于所述第二路网络的第二特征提取函数,提取所述第一子图像中的第一车辆细粒度特征;
根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征,并输出所述第一车辆精细粒度特征。
在一个实施例中,所述处理器所述根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征实现时,用于实现:
基于所述第三路网络的第二定位函数,定位所述第一车辆细粒度特征,获取所述第一车辆细粒度特征中的多个第二坐标;
通过对所述多个第二坐标对应的范围进行切割和放大,得到所述多个第二坐标对应的第二子图像;
基于所述第三路网络的第三特征提取函数,得到所述第二子图像中的第一车辆精细粒度特征。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请车辆识别模型训练方法和车辆识别方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是预设的神经网络、待训练模型和车辆识别模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,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,可轻易想到各种等效的修改或替换,这些修改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)
1.一种车辆识别模型训练方法,其特征在于,包括:
获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;
确定预设的神经网络,所述预设的神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数,其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数用于学习车辆特征识别器的属性信息,所述区域损失函数用于学习车辆特征关系,所述面积损失函数用于学习切割区域的层次关系;
将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;
若待训练模型收敛,生成车辆识别模型。
2.如权利要求1所述的车辆识别模型训练方法,其特征在于,所述全连接损失函数包括第一损失函数和第二损失函数,所述第一损失函数用于学习车辆分类准确性,所述第二损失函数用于学习车辆分类准确性的递增关系。
3.如权利要求1所述的车辆识别模型训练方法,其特征在于,所述距离损失函数包括第三损失函数和第四损失函数,所述第三损失函数用于学习车辆特征识别器的度量,所述第四损失函数用于学习所述车辆特征识别器的度量关系的递增关系。
4.一种车辆识别方法,其特征在于,所述方法包括:
获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像;
基于所述车辆识别模型对所述车辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征,其中,所述车辆识别模型为权利要求1至3任一项所述车辆识别模型训练得到的;
根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像中的车辆和所述第二车辆图像中的车辆是否为同一车辆。
5.如权利要求4所述的车辆识别方法,其特征在于,所述车辆识别模型包括第一路网络、第二路网络和第三路网络;所述基于所述车辆识别模型,对所述车辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,包括:
基于所述第一路网络的分类函数,确定所述第一车辆图像中的车辆类型;
根据所述车辆类型对应的第一特征提取函数,提取所述所述第一车辆图像中的第一车辆粗粒度特征;
基于所述第二路网络的第一定位函数,定位所述第一车辆粗粒度特征,获取所述第一车辆粗粒度特征中的多个第一坐标;
通过对所述多个第一坐标对应的范围进行切割和放大,得到所述多个第一坐标对应的第一子图像;
基于所述第二路网络的第二特征提取函数,提取所述第一子图像中的第一车辆细粒度特征;
根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征。
6.如权利要求5所述的车辆识别方法,其特征在于,所述根据所述第三路网络和所述第一车辆细粒度特征,得到第一车辆图像的第一车辆精细粒度特征,包括:
基于所述第三路网络的第二定位函数,定位所述第一车辆细粒度特征,获取所述第一车辆细粒度特征中的多个第二坐标;
通过对所述多个第二坐标对应的范围进行切割和放大,得到所述多个第二坐标对应的第二子图像;
基于所述第三路网络的第三特征提取函数,得到所述第二子图像中的第一车辆精细粒度特征。
7.一种车辆识别模型训练装置,其特征在于,包括:
第一获取模块,用于获取待训练数据,其中,所述待训练数据包括带标签的车辆类型图像;
第一确定模块,用于确定预设的神经网络,所述神经网络的损失函数包括全连接损失函数、距离损失函数、区域损失函数和面积损失函数,其中,所述全连接损失函数用于学习车辆分类信息,所述距离损失函数学习特征识别器的度量,所述区域损失函数学习车辆特征关系信息,所述面积损失函数学习切割区域的层次关系;
训练模块,用于将所述带标签的车辆类型图像输入所述预设的神经网络进行模型训练;
生成模块,用于若所述待训练模型收敛,生成车辆识别模型。
8.一种车辆识别装置,其特征在于,包括:
第二获取模块,用于获取车辆图像,所述车辆图像包括第一车辆图像和第二车辆图像;
第三获取模块,用于基于所述车辆识别模型对所述辆图像进行识别,得到所述第一车辆图像的第一车辆精细粒度特征,以及得到所述第二车辆图像的第二车辆精细粒度特征,所述车辆识别模型为前述车辆识别模型训练得到的;
第二确定模块,用于根据所述第一车辆精细粒度特征和第二车辆精细粒度特征,确定所述第一车辆图像和第二车辆图像中车辆是否为同一车辆。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至3中任一项所述的车辆识别模型训练方法的步骤,和实现如权利要求4至6中任一项所述的车辆识别方法的步骤。
10.一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至3中任一项所述的车辆识别模型训练方法的步骤,和实现如权利要求4至6中任一项所述的车辆识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011312180.9A CN112396003A (zh) | 2020-11-20 | 2020-11-20 | 模型训练方法、识别方法、装置、设备及存储介质 |
PCT/CN2021/084224 WO2021213157A1 (zh) | 2020-11-20 | 2021-03-31 | 模型训练方法、识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011312180.9A CN112396003A (zh) | 2020-11-20 | 2020-11-20 | 模型训练方法、识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396003A true CN112396003A (zh) | 2021-02-23 |
Family
ID=74606912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011312180.9A Pending CN112396003A (zh) | 2020-11-20 | 2020-11-20 | 模型训练方法、识别方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112396003A (zh) |
WO (1) | WO2021213157A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052008A (zh) * | 2021-03-01 | 2021-06-29 | 深圳市捷顺科技实业股份有限公司 | 一种车辆重识别方法及装置 |
CN113076840A (zh) * | 2021-03-25 | 2021-07-06 | 高新兴科技集团股份有限公司 | 一种车辆后拍图像品牌训练方法 |
CN113326768A (zh) * | 2021-05-28 | 2021-08-31 | 浙江商汤科技开发有限公司 | 训练方法、图像特征提取方法、图像识别方法及装置 |
WO2021213157A1 (zh) * | 2020-11-20 | 2021-10-28 | 平安科技(深圳)有限公司 | 模型训练方法、识别方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886073B (zh) * | 2017-11-10 | 2021-07-27 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
JP6931624B2 (ja) * | 2018-05-22 | 2021-09-08 | 株式会社日立製作所 | 学習支援装置および学習支援方法 |
CN109858552B (zh) * | 2019-01-31 | 2021-01-26 | 深兰科技(上海)有限公司 | 一种用于细粒度分类的目标检测方法及设备 |
CN111767954A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 车辆细粒度识别模型生成方法、系统、设备及存储介质 |
CN111914911B (zh) * | 2020-07-16 | 2022-04-08 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
CN112396003A (zh) * | 2020-11-20 | 2021-02-23 | 平安科技(深圳)有限公司 | 模型训练方法、识别方法、装置、设备及存储介质 |
-
2020
- 2020-11-20 CN CN202011312180.9A patent/CN112396003A/zh active Pending
-
2021
- 2021-03-31 WO PCT/CN2021/084224 patent/WO2021213157A1/zh active Application Filing
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021213157A1 (zh) * | 2020-11-20 | 2021-10-28 | 平安科技(深圳)有限公司 | 模型训练方法、识别方法、装置、设备及存储介质 |
CN113052008A (zh) * | 2021-03-01 | 2021-06-29 | 深圳市捷顺科技实业股份有限公司 | 一种车辆重识别方法及装置 |
CN113076840A (zh) * | 2021-03-25 | 2021-07-06 | 高新兴科技集团股份有限公司 | 一种车辆后拍图像品牌训练方法 |
CN113326768A (zh) * | 2021-05-28 | 2021-08-31 | 浙江商汤科技开发有限公司 | 训练方法、图像特征提取方法、图像识别方法及装置 |
CN113326768B (zh) * | 2021-05-28 | 2023-12-22 | 浙江商汤科技开发有限公司 | 训练方法、图像特征提取方法、图像识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021213157A1 (zh) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396003A (zh) | 模型训练方法、识别方法、装置、设备及存储介质 | |
US11106926B2 (en) | Methods and systems for automatically predicting the repair costs of a damaged vehicle from images | |
CN111178253B (zh) | 自动驾驶的视觉感知方法、装置、计算机设备和存储介质 | |
CN107798136B (zh) | 基于深度学习的实体关系抽取方法、装置及服务器 | |
US20220114627A1 (en) | Methods and systems for automatic processing of images of a damaged vehicle and estimating a repair cost | |
US11120574B1 (en) | Methods and systems for obtaining image data of a vehicle for automatic damage assessment | |
CN111860669A (zh) | Ocr识别模型的训练方法、装置和计算机设备 | |
CN111091215B (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
CN113688851A (zh) | 数据标注方法和装置和精细粒度识别方法和装置 | |
CN112241442A (zh) | 地图更新方法、装置、计算机设备和存储介质 | |
US20210350470A1 (en) | Methods and systems for automatic processing of vehicle image data to identify one or more damaged parts | |
CN111291715A (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN114548192A (zh) | 样本数据处理方法、装置、电子设备及介质 | |
CN111797195A (zh) | 配件名称识别方法、装置、计算机设备和存储介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN111488927B (zh) | 分类阈值确定方法、装置、电子设备及存储介质 | |
CN114119953A (zh) | 快速车牌定位和矫正方法、存储介质及设备 | |
CN114049371A (zh) | 一种时序物种进化的小样本目标检测装置及方法 | |
CN113936187A (zh) | 文本图像合成方法、装置、存储介质及电子设备 | |
CN113284141A (zh) | 用于缺陷检测的模型确定方法、装置和设备 | |
CN112749293A (zh) | 一种图像分类方法、装置及存储介质 | |
CN115908998B (zh) | 水深数据识别模型的训练方法、水深数据识别方法及装置 | |
CN113792733B (zh) | 车辆部件检测方法、系统、电子设备及存储介质 | |
CN113888537B (zh) | 掩模提取方法、装置、设备及存储介质 | |
CN116934505A (zh) | 车险理赔风险识别方法、装置、设备及存储介质 |
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 |