CN112488098A - 一种目标检测模型的训练方法 - Google Patents
一种目标检测模型的训练方法 Download PDFInfo
- Publication number
- CN112488098A CN112488098A CN202011278455.1A CN202011278455A CN112488098A CN 112488098 A CN112488098 A CN 112488098A CN 202011278455 A CN202011278455 A CN 202011278455A CN 112488098 A CN112488098 A CN 112488098A
- Authority
- CN
- China
- Prior art keywords
- image data
- training
- data set
- target
- target detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000012549 training Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种目标检测模型的训练方法,包括:S1.获取与不同目标相对应的初始图像数据集,并训练多个针对不同目标的单目标检测模型;S2.采用多个训练完成的所述单目标检测模型分别采集检测到的单目标图像并构建相应的第一图像数据集;S3.采用多个所述第一图像数据集训练并生成多目标检测模型。本发明的训练方法所使用的数据量少,网络简单且精度高,进而其实时性更优,适用范围广。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种目标检测模型的训练方法。
背景技术
近年来,随着深度学习技术的发展,以及硬件性能的提升,越来越多的计算机视觉任务比如目标检测、目标识别、跟踪、以图搜图等,都开始使用深度学习方案在服务器上进行计算。以目标检测为例,往往会存在一些不可避免的误检。这对一些对于准确率要求比较高的场景,比如物流场景中的快递分发、工厂中的故障分析及电梯中的梯控,如果准确率较低的情况下,会严重影响系统的正常运行,如工厂的生产效率、住户的乘梯体验等。
以梯控场景中的电瓶车检测为例,由于现在的电瓶车样式繁多、且在狭小的空间中目标往往会存在人体杂物等遮挡的情况。实际应用中往往对于与其相似的自行车、儿童滑板车、玩具车等目标存在较多的误检。现有技术中这些以电瓶车入梯检测的方案往往只关注于系统的构建,并没有过多的去描述对于电瓶车的检测如何提升其准确率。
例如,公开号为CN111612017A的中国专利,其通过修改深度学习网络,来提高网络对于特征提取和融合,以及结合语义信息来提升目标检测的准确率。这种方案虽然能够取得一定的准确率提升,但往往忽略了对于数据本身的处理,而且网络复杂度增加,计算效率随之降低,对于实时性要求比较高的应用场景,不具有使用价值。
发明内容
本发明的目的在于提供一种目标检测模型的训练方法,解决目标检测模型计算负荷大且检测性能差的问题。
为实现上述发明目的,本发明提供一种目标检测模型的训练方法,包括:
S1.获取与不同目标相对应的初始图像数据集,并训练多个针对不同目标的单目标检测模型;
S2.采用多个训练完成的所述单目标检测模型分别采集检测到的单目标图像并构建相应的第一图像数据集;
S3.采用多个所述第一图像数据集训练并生成多目标检测模型。
根据本发明的一个方面,还包括:
S4.采用所述多目标检测模型采集检测到的不同目标图像并构建目标图像数据集,其中,所述目标图像数据集中针对不同的所述目标图像进行分类,划分成与所述目标图像种类相对应的第二图像数据集;
S5.筛选满足设定的训练条件的所述第二图像数据集,将满足训练条件的所述第二图像数据集与所述第一图像数据集和所述初始图像数据集合并,并继续进行所述多目标检测模型的训练。
根据本发明的一个方面,步骤S5中,将不满足训练条件的所述第二图像数据集作为负样本使用。
根据本发明的一个方面,还包括:
S6.对所述多目标检测模型进行测试,若满足预设条件,则将所述多目标检测模型发布至线上运行。
根据本发明的一个方面,步骤S5中,筛选满足设定的训练条件的所述第二图像数据集的步骤中,包括:
S51.选取多个所述第二图像数据集中的一个为参照数据集;
S52.按照设定的训练条件分别将所述参照数据集与其余所述第二图像数据集进行比较,筛选出满足所述训练条件的所述第二图像数据集。
根据本发明的一个方面,S52.按照设定的训练条件分别将所述参照数据集与其余所述第二图像数据集进行比较的步骤中,分别计算其余所述第二图像数据集中的目标图像数量与所述参照数据集中的目标图像数量的比例,若所述比例超过预定值,则判定为满足。
根据本发明的一个方面,所述第二图像数据集中目标图像的数量至少为相应类别所述第一图像数据集中目标图像的数量的20%。
根据本发明的一个方面,S52.按照设定的训练条件分别将所述参照数据集与其余所述第二图像数据集进行比较的步骤中,分别计算其余所述第二图像数据集中的目标图像数量与所述参照数据集中的目标图像数量的比例,若所述比例低于预定值,则将所述第二图像数据集作为负样本使用。
根据本发明的一个方面,步骤S1中,获取与不同目标相对应的初始图像数据集,并训练多个针对不同目标的单目标检测模型的步骤中,包括:
S1.收集不同目标的目标图像并构成初始图像数据集;
S2.基于所述初始图像数据集,以及采用目标检测网络分别获取针对不同所述目标的单目标检测模型。
根据本发明的一个方面,所述单目标检测模型的骨干网络为darknet19;
所述多目标检测模型的骨干网络为darknet53。
根据本发明的一种方案,先通过少量数据训练一个简单的单目标检测模型,然后使用该单目标检测模型来收集实际检测过程中容易误检的目标,将误检目标数据当做对应的独立类别来检测或者增加到负样本中,来提升多目标检测模型的准确率。通过上述过程,使得根据本方案所生成的目标检测模型在不增加计算负荷的情况下,显著提升了检测性能,非常有效的便于其在终端部署,检测效率高、运行快。
根据本发明的一种方案,本发明的训练方法所使用的数据量少,网络简单且精度高,进而其实时性更优,适用范围广。
附图说明
图1是示意性表示根据本发明的一种实施方式的训练方法的步骤框图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,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。
在针对本发明的实施方式进行描述时,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述,实施方式不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施方式。
如图1所示,根据本发明的一种实施方式,本发明的目标检测模型的训练方法,包括:
S1.获取与不同目标相对应的初始图像数据集,并训练多个针对不同目标的单目标检测模型;
S2.采用多个训练完成的单目标检测模型分别采集检测到的单目标图像并构建相应的第一图像数据集;
S3.采用多个第一图像数据集训练并生成多目标检测模型。
如图1所示,根据本发明的一种实施方式,步骤S1中,训练多个针对不同目标的单目标检测模型的步骤中,包括:
S11.收集不同目标的目标图像并构成初始图像数据集;在本实施方式中,以识别电瓶车为例,在实际应用场景中,收集包含电瓶车、自行车、平衡车、滑板车、婴儿车、玩具车、平板车等容易和电瓶车混淆的不同目标的目标图像。在本实施方式中,可收集3万张包含这些目标的图像数据,并混合后构成初始图像数据集。
S12.基于初始图像数据集,以及采用目标检测网络分别获取针对不同目标的单目标检测模型。在本实施方式中,在前述步骤中已经收集完成初始图像数据集后,通过采用目标检测网络对初始图像数据集及逆行是被训练。在本实施方式中,目标检测网络可采用yolov3。通过目标检测网络的训练后分别生成了针对识别不同目标的单目标检测模型,该单目标检测模型仅执行对单一类型的目标的检测。在本实施方式中,单目标检测模型使用的骨干网络为darknet19。通过将单目标检测模型选用darknet19可实现训练样本少,避免过拟合的效果。
如图1所示,根据本发明的一种实施方式,步骤S2中,将单目标检测模型(称为model-p)接入实际的电梯数据,收集并检测相应的目标获取包含各目标图像的第一图像数据集。在本实施方式中,单目标检测模型在阈值0.2条件下,检出率0.97。
如图1所示,根据本发明的一种实施方式,步骤S3中,利用各第一图像数据集进行多目标检测模型(称为model-m)训练并输出该多目标检测模型(称为model-m)。在本实施方式中,多目标检测模型的骨干网络为darknet53。
如图1所示,根据本发明的一种实施方式,本发明的目标检测模型的训练方法,还包括:
S4.采用多目标检测模型采集检测到的不同目标图像并构建目标图像数据集,其中,目标图像数据集中针对不同的目标图像进行分类,划分成与目标图像种类相对应的第二图像数据集;在本实施方式中,使用较小的目标检测阈值,使得当前数据收集模型检出率大于0.95。在本实施方式中,第二图像数据集中目标图像的数量至少为相应类别第一图像数据集中目标图像的数量的20%。如果前述步骤是第一次使用单目标检测模型,该步骤收集的第二图像数据集的数据量等于小样本模型数据集的数据量。
S5.筛选满足设定的训练条件的第二图像数据集,将满足训练条件的第二图像数据集与第一图像数据集和所述初始图像数据集合并,并继续进行多目标检测模型的训练。在本实施方式中,通过对合并后的数据集进行进一步的多类别标注后用于多目标模型的训练,实现了对多目标检测模型的更新,进而其目标检测阈值也在不断调整,使检出率始终大于0.95且大于检准率。
在本实施方式中,步骤S5中,筛选满足设定的训练条件的第二图像数据集的步骤中,包括:
S51.选取多个第二图像数据集中的一个为参照数据集;
S52.按照设定的训练条件分别将参照数据集与其余第二图像数据集进行比较,筛选出满足训练条件的第二图像数据集,并将不满足训练条件的第二图像数据集作为负样本使用。
在本实施方式中,分别计算其余第二图像数据集中的目标图像数量与参照数据集中的目标图像数量的比例,若比例超过预定值,则判定为满足。例如,统计当前数据集中每个类别目标数量,以电瓶车的目标数量为基准,如果某类目标框数量大于电瓶车目标框数量的一定比例(例如比例为5%),则将该类目标加入多类别目标检测模型中训练,否则该类目标仅当做负样本;然后使用重新整理后的数据集训练多类目标检测模型;其中解码图像数据是指从视频流中解码的图像数据;
在本实施方式中,分别计算其余第二图像数据集中的目标图像数量与参照数据集中的目标图像数量的比例,若比例低于预定值,则将第二图像数据集作为负样本使用。例如,对于模型更新得到的数据集,进行进一步清理,将目标框数量小于电瓶车目标框数量一定值(例如比例为10%)的类别当做负样本,其余当做独立的目标。形成[电瓶车,类别1,类别2,…]的检测数据集。
在本实施方式中,通过重复步骤S4至S5实现对多目标检测模型的更新,直到其检测结果满足设定的判断条件后停止。在本实施方式中,在重复步骤S4至S5的过程中,第二图像数据集中目标图像的数量至少为相应类别第一图像数据集中目标图像的数量的20%。
如图1所示,根据本发明的一种实施方式,本发明的目标检测模型的训练方法,还包括:
S6.对多目标检测模型进行测试,若满足预设条件,则将多目标检测模型发布至线上运行。
将上一步训练好的多目标检测模型,接入实际的电梯场景数据,抓取检测到的目标样本图像,每个类别的目标图像不少于特定数量(例如,5000张),然后判断实际数据的误检率是否和该模型测试集上误检率一致。在本实施方式中,判断实际场景抓取的数据的误检率是否和测试机误检率一致的步骤框中包括,如果一致,则停止迭代,否则重复数据收集步骤。
需要注意的是,目标检测网络yolov3由两部分组成,分别为特征提取的骨干网络和做预测的head网络。
在本发明中,以电梯梯控中的电瓶车检测为例,先通过少量数据训练一个简单的电瓶车检测网络,然后使用该网络来收集实际检测过程中容易误检的目标,将误检目标数据当做对应的独立类别来检测或者增加到负样本中,来提升电瓶车检测的准确率,实现了在不增加计算负荷的情况下,显著提升检测性能。
上述内容仅为本发明的具体方案的例子,对于其中未详尽描述的设备和结构,应当理解为采取本领域已有的通用设备及通用方法来予以实施。
以上所述仅为本发明的一个方案而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种目标检测模型的训练方法,包括:
S1.获取与不同目标相对应的初始图像数据集,并训练多个针对不同目标的单目标检测模型;
S2.采用多个训练完成的所述单目标检测模型分别采集检测到的单目标图像并构建相应的第一图像数据集;
S3.采用多个所述第一图像数据集训练并生成多目标检测模型。
2.根据权利要求1所述的训练方法,其特征在于,还包括:
S4.采用所述多目标检测模型采集检测到的不同目标图像并构建目标图像数据集,其中,所述目标图像数据集中针对不同的所述目标图像进行分类,划分成与所述目标图像种类相对应的第二图像数据集;
S5.筛选满足设定的训练条件的所述第二图像数据集,将满足训练条件的所述第二图像数据集与所述第一图像数据集和所述初始图像数据集合并,并继续进行所述多目标检测模型的训练。
3.根据权利要求2所述的训练方法,其特征在于,步骤S5中,将不满足训练条件的所述第二图像数据集作为负样本使用。
4.根据权利要求3所述的训练方法,其特征在于,还包括:
S6.对所述多目标检测模型进行测试,若满足预设条件,则将所述多目标检测模型发布至线上运行。
5.根据权利要求2至4任一项所述的训练方法,其特征在于,步骤S5中,筛选满足设定的训练条件的所述第二图像数据集的步骤中,包括:
S51.选取多个所述第二图像数据集中的一个为参照数据集;
S52.按照设定的训练条件分别将所述参照数据集与其余所述第二图像数据集进行比较,筛选出满足所述训练条件的所述第二图像数据集。
6.根据权利要求5所述的训练方法,其特征在于,S52.按照设定的训练条件分别将所述参照数据集与其余所述第二图像数据集进行比较的步骤中,分别计算其余所述第二图像数据集中的目标图像数量与所述参照数据集中的目标图像数量的比例,若所述比例超过预定值,则判定为满足。
7.根据权利要求6所述的训练方法,其特征在于,所述第二图像数据集中目标图像的数量至少为相应类别所述第一图像数据集中目标图像的数量的20%。
8.根据权利要求5所述的训练方法,其特征在于,S52.按照设定的训练条件分别将所述参照数据集与其余所述第二图像数据集进行比较的步骤中,分别计算其余所述第二图像数据集中的目标图像数量与所述参照数据集中的目标图像数量的比例,若所述比例低于预定值,则将所述第二图像数据集作为负样本使用。
9.根据权利要求1至4任一项所述的训练方法,其特征在于,步骤S1中,获取与不同目标相对应的初始图像数据集,并训练多个针对不同目标的单目标检测模型的步骤中,包括:
S1.收集不同目标的目标图像并构成所述初始图像数据集;
S2.基于所述初始图像数据集,以及采用目标检测网络分别获取针对不同所述目标的单目标检测模型。
10.根据权利要求9所述的训练方法,其特征在于,所述单目标检测模型的骨干网络为darknet19;
所述多目标检测模型的骨干网络为darknet53。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278455.1A CN112488098A (zh) | 2020-11-16 | 2020-11-16 | 一种目标检测模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278455.1A CN112488098A (zh) | 2020-11-16 | 2020-11-16 | 一种目标检测模型的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488098A true CN112488098A (zh) | 2021-03-12 |
Family
ID=74930835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011278455.1A Pending CN112488098A (zh) | 2020-11-16 | 2020-11-16 | 一种目标检测模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488098A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705570A (zh) * | 2021-08-31 | 2021-11-26 | 长沙理工大学 | 一种基于深度学习的少样本目标检测方法 |
WO2023159527A1 (zh) * | 2022-02-25 | 2023-08-31 | 京东方科技集团股份有限公司 | 检测器训练方法、装置及存储介质 |
CN117830859A (zh) * | 2024-03-05 | 2024-04-05 | 农业农村部南京农业机械化研究所 | 基于图像处理的果树靶标自动识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250913A (zh) * | 2016-07-21 | 2016-12-21 | 江苏大学 | 一种基于局部典型相关分析的分类器集成车牌识别方法 |
CN108665065A (zh) * | 2018-04-25 | 2018-10-16 | 清华大学 | 任务数据的处理方法、装置、设备和存储介质 |
CN110002302A (zh) * | 2018-08-09 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 一种基于深度学习的电梯开关门检测系统与方法 |
CN110796166A (zh) * | 2019-09-25 | 2020-02-14 | 浙江大学 | 一种基于注意力机制的多任务图像处理方法 |
CN111046973A (zh) * | 2019-12-26 | 2020-04-21 | 北京市商汤科技开发有限公司 | 多任务检测方法及装置、存储介质 |
CN111160434A (zh) * | 2019-12-19 | 2020-05-15 | 中国平安人寿保险股份有限公司 | 目标检测模型的训练方法、装置及计算机可读存储介质 |
-
2020
- 2020-11-16 CN CN202011278455.1A patent/CN112488098A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250913A (zh) * | 2016-07-21 | 2016-12-21 | 江苏大学 | 一种基于局部典型相关分析的分类器集成车牌识别方法 |
CN108665065A (zh) * | 2018-04-25 | 2018-10-16 | 清华大学 | 任务数据的处理方法、装置、设备和存储介质 |
CN110002302A (zh) * | 2018-08-09 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 一种基于深度学习的电梯开关门检测系统与方法 |
CN110796166A (zh) * | 2019-09-25 | 2020-02-14 | 浙江大学 | 一种基于注意力机制的多任务图像处理方法 |
CN111160434A (zh) * | 2019-12-19 | 2020-05-15 | 中国平安人寿保险股份有限公司 | 目标检测模型的训练方法、装置及计算机可读存储介质 |
CN111046973A (zh) * | 2019-12-26 | 2020-04-21 | 北京市商汤科技开发有限公司 | 多任务检测方法及装置、存储介质 |
Non-Patent Citations (1)
Title |
---|
张晶: "基于AdaBoost回归树的多目标预测算法", 《计算机与现代化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705570A (zh) * | 2021-08-31 | 2021-11-26 | 长沙理工大学 | 一种基于深度学习的少样本目标检测方法 |
CN113705570B (zh) * | 2021-08-31 | 2023-12-08 | 长沙理工大学 | 一种基于深度学习的少样本目标检测方法 |
WO2023159527A1 (zh) * | 2022-02-25 | 2023-08-31 | 京东方科技集团股份有限公司 | 检测器训练方法、装置及存储介质 |
CN117830859A (zh) * | 2024-03-05 | 2024-04-05 | 农业农村部南京农业机械化研究所 | 基于图像处理的果树靶标自动识别方法及系统 |
CN117830859B (zh) * | 2024-03-05 | 2024-05-03 | 农业农村部南京农业机械化研究所 | 基于图像处理的果树靶标自动识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488098A (zh) | 一种目标检测模型的训练方法 | |
US8218819B2 (en) | Foreground object detection in a video surveillance system | |
US8218818B2 (en) | Foreground object tracking | |
CN110555387B (zh) | 骨架序列中基于局部关节点轨迹时空卷的行为识别方法 | |
CN112016461A (zh) | 一种多目标的行为识别方法及系统 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN113850162A (zh) | 一种视频审核方法、装置及电子设备 | |
CN112949751B (zh) | 车辆图像聚类及轨迹还原方法 | |
CN113822224A (zh) | 融合多模态学习与多粒度结构学习的谣言检测方法及装置 | |
Hammam et al. | Real-time multiple spatiotemporal action localization and prediction approach using deep learning | |
CN115359406A (zh) | 一种邮局场景人物交互行为识别方法及系统 | |
CN113569687B (zh) | 基于双流网络的场景分类方法、系统、设备及介质 | |
CN110769259A (zh) | 一种视频目标跟踪轨迹内容的图像数据压缩方法 | |
CN112084968B (zh) | 基于空中监控视频的语义表征方法、系统及电子设备 | |
CN115994781A (zh) | 一种基于大数据的精准获客系统及方法 | |
CN111275733A (zh) | 基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法 | |
CN110543827A (zh) | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 | |
CN115965992A (zh) | 一种基于半监督学习的提高行人重识别聚类精度的方法 | |
CN115273100A (zh) | 一种基于语义引导鉴别器的半监督汉字图像生成方法 | |
CN114445716A (zh) | 关键点检测方法、装置、计算机设备、介质及程序产品 | |
CN117576678B (zh) | 视频处理方法、装置、设备、介质及产品 | |
CN111597906B (zh) | 一种结合文字信息的快速绘本识别方法及系统 | |
CN118155119A (zh) | 面向智能电梯乘客意图分析的视频分类方法及系统 | |
KR102179590B1 (ko) | 동영상 내 등장인물 갈등정보 추출 장치 | |
Pan et al. | Edge Computing-Based Vehicle Detection in Intelligent Transportation Systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |
|
RJ01 | Rejection of invention patent application after publication |