CN112528072B - 应用大数据存储的对象类型分析平台及方法 - Google Patents
应用大数据存储的对象类型分析平台及方法 Download PDFInfo
- Publication number
- CN112528072B CN112528072B CN202011385312.0A CN202011385312A CN112528072B CN 112528072 B CN112528072 B CN 112528072B CN 202011385312 A CN202011385312 A CN 202011385312A CN 112528072 B CN112528072 B CN 112528072B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- feedforward neural
- data storage
- big data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种应用大数据存储的对象类型分析平台及方法，所述平台包括：信号捕获设备，与存放每一个影视文件的逐帧画面的影视数据库连接，用于获取单个影视文件对应的各帧画面；大数据存储网元，用于存储所述影视数据库；角色分析设备，用于对所述单个影视文件中每一人执行以下动作：将该人在所述单个影视文件中出现过的各个表情种类作为前馈神经网络模型的输入数据，运行所述前馈神经网络模型以获得所述前馈神经网络模型的输出数据即该人是否属于所述单个影视文件的主角。本发明的应用大数据存储的对象类型分析平台及方法设计紧凑、鉴别有效。由于采用人工智能模式对影视主角进行自动鉴别，从而方便人们对影视文件进行审核和管理。
Description
技术领域
本发明涉及大数据应用领域，尤其涉及一种应用大数据存储的对象类型分析平台及方法。
背景技术
大数据价值创造的关键在于大数据的应用，随着大数据技术飞速发展，大数据应用已经融入各行各业。大数据产业正快速发展成为新一代信息技术和服务业态，即对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，并从中发现新知识、创造新价值、提升新能力。我国大数据应用技术的发展将涉及机器学习、多学科融合、大规模应用开源技术等领域。
从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
现有技术中，由于影视作品制作速度在加快，面对海量涌现的影视作品，人们往往棘手于对其数据的统计、分析以及影视文件的管理，例如，无法快速、准确识别出每一影视作品的主角和配角，导致在管理影视作品以及审核影视作品时过于费时费力。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种应用大数据存储的对象类型分析平台，在应用大数据存储的基础上，引入训练后的前馈神经网络对影视画面中出现的每一个人物是否属于主角进行智能化判断，从而提升影视文件数据解析的智能化水平。
为此，本发明至少需要具备以下几处关键的发明点：
（1）引入训练后的前馈神经网络对影视画面中出现的每一个人物是否属于主角进行智能化判断，从而方便影视审核方进行审核，同时方便影视运营商进行数据管理；
（2）将最大数量阈值的各种主角表情作为前馈神经网络模型的输入数据，将类型为主角作为前馈神经网络模型的输出数据，实现对所述前馈神经网络模型的训练。
根据本发明的一方面，提供了一种应用大数据存储的对象类型分析平台，所述平台包括：
信号捕获设备，与存放每一个影视文件的逐帧画面的影视数据库连接，用于获取单个影视文件对应的各帧画面；
大数据存储网元，通过无线网络与所述信号捕获设备连接，用于存储所述影视数据库；
第一分析设备，与所述信号捕获设备连接，用于对每一帧画面执行先带阻滤波后陷阱滤波的图像处理，以获得对应的双重滤波图像；
第二分析设备，与所述第一分析设备连接，用于对接收到的每一帧双重滤波图像进行人体脸部对象检测，以获得每一帧双重滤波图像中的一个以上人体脸部对象；
第三分析设备，与所述第二分析设备连接，用于对每一帧双重滤波图像中的每一个人体脸部对象进行表情分析以获得每一帧双重滤波图像中的一个以上人体脸部对象分别对应的一个以上表情种类，其中，表情的所有种类的数量等于最大数量阈值；
种类累计机构，与所述第三分析设备连接，用于将单个影视文件的各帧画面分别对应的各帧双重滤波图像中属于同一人的所有人体脸部对象的所有表情种类进行去重处理，以获得属于同一人的在所述单个影视文件中出现过的各个表情种类；
角色分析设备，与所述种类累计机构连接，用于对所述单个影视文件中每一人执行以下动作：将该人在所述单个影视文件中出现过的各个表情种类作为前馈神经网络模型的输入数据，运行所述前馈神经网络模型以获得所述前馈神经网络模型的输出数据即该人是否属于所述单个影视文件的主角；
其中，在所述角色分析设备中，所述前馈神经网络模型的输入数据的数量等于所述最大数量阈值，当输入不足所述最大数量阈值时，对差额的输入数据执行补零操作；
其中，所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型；
其中，所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型包括：将最大数量阈值的各种主角表情作为前馈神经网络模型的输入数据，将类型为主角作为前馈神经网络模型的输出数据，实现对所述前馈神经网络模型的训练。
根据本发明的另一方面，还提供了一种应用大数据存储的对象类型分析方法，所述方法包括使用如上述的应用大数据存储的对象类型分析平台以采用训练后的前馈神经网络模型对影视画面中出现的每一个人物是否属于主角执行智能化判断。
本发明的应用大数据存储的对象类型分析平台及方法设计紧凑、鉴别有效。由于采用人工智能模式对影视主角进行自动鉴别，从而方便人们对影视文件进行审核和管理。
具体实施方式
下面将对本发明的应用大数据存储的对象类型分析平台及方法的实施方案进行详细说明。
前馈神经网络（feedforward neural network，FNN）是一种神经网络，其各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层．各层间没有反馈。是目前应用最广泛、发展最迅速的人工神经网络之一。目前理论研究和实际应用达到了很高的水平。前馈神经网络的第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层）。隐层可以是一层。也可以是多层。
前馈神经网络结构简单，应用广泛，能够以任意精度逼近任意连续函数及平方可积函数．而且可以精确实现任意有限训练样本集。从系统的观点看，前馈网络是一种静态非线性映射．通过简单非线性处理单元的复合映射，可获得复杂的非线性处理能力。从计算的观点看．缺乏丰富的动力学行为。大部分前馈网络都是学习网络，其分类能力和模式识别能力一般都强于反馈网络。
现有技术中，由于影视作品制作速度在加快，面对海量涌现的影视作品，人们往往棘手于对其数据的统计、分析以及影视文件的管理，例如，无法快速、准确识别出每一影视作品的主角和配角，导致在管理影视作品以及审核影视作品时过于费时费力。
为了克服上述不足，本发明搭建了一种应用大数据存储的对象类型分析平台及方法，能够有效解决相应的技术问题。
根据本发明实施方案示出的应用大数据存储的对象类型分析平台包括：
信号捕获设备，与存放每一个影视文件的逐帧画面的影视数据库连接，用于获取单个影视文件对应的各帧画面；
大数据存储网元，通过无线网络与所述信号捕获设备连接，用于存储所述影视数据库；
第一分析设备，与所述信号捕获设备连接，用于对每一帧画面执行先带阻滤波后陷阱滤波的图像处理，以获得对应的双重滤波图像；
第二分析设备，与所述第一分析设备连接，用于对接收到的每一帧双重滤波图像进行人体脸部对象检测，以获得每一帧双重滤波图像中的一个以上人体脸部对象；
第三分析设备，与所述第二分析设备连接，用于对每一帧双重滤波图像中的每一个人体脸部对象进行表情分析以获得每一帧双重滤波图像中的一个以上人体脸部对象分别对应的一个以上表情种类，其中，表情的所有种类的数量等于最大数量阈值；
种类累计机构，与所述第三分析设备连接，用于将单个影视文件的各帧画面分别对应的各帧双重滤波图像中属于同一人的所有人体脸部对象的所有表情种类进行去重处理，以获得属于同一人的在所述单个影视文件中出现过的各个表情种类；
角色分析设备，与所述种类累计机构连接，用于对所述单个影视文件中每一人执行以下动作：将该人在所述单个影视文件中出现过的各个表情种类作为前馈神经网络模型的输入数据，运行所述前馈神经网络模型以获得所述前馈神经网络模型的输出数据即该人是否属于所述单个影视文件的主角；
其中，在所述角色分析设备中，所述前馈神经网络模型的输入数据的数量等于所述最大数量阈值，当输入不足所述最大数量阈值时，对差额的输入数据执行补零操作；
其中，所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型；
其中，所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型包括：将最大数量阈值的各种主角表情作为前馈神经网络模型的输入数据，将类型为主角作为前馈神经网络模型的输出数据，实现对所述前馈神经网络模型的训练。
接着，继续对本发明的应用大数据存储的对象类型分析平台的具体结构进行进一步的说明。
所述应用大数据存储的对象类型分析平台中：
所述大数据存储网元还通过无线网络与所述角色分析设备连接，用于存储所述前馈神经网络模型。
所述应用大数据存储的对象类型分析平台中：
所述第一分析设备包括数据接收单元、第一滤波单元、第二滤波单元和数据发送单元。
所述应用大数据存储的对象类型分析平台中：
所述数据接收单元、所述第一滤波单元、所述第二滤波单元和所述数据发送单元共用同一8位并行数据总线。
所述应用大数据存储的对象类型分析平台中：
在所述第一分析设备中，所述数据接收单元、所述第一滤波单元、所述第二滤波单元和所述数据发送单元次序连接。
所述应用大数据存储的对象类型分析平台中：
在所述第一分析设备中，所述数据接收单元与所述信号捕获设备连接，用于接收每一帧画面。
所述应用大数据存储的对象类型分析平台中：
在所述第一分析设备中，所述第一滤波单元用于对接收到的每一帧画面执行带阻滤波处理，以获得第一滤波图像。
所述应用大数据存储的对象类型分析平台中：
在所述第一分析设备中，所述第二滤波单元用于对接收到的第二滤波图像执行陷阱滤波处理，以获得双重滤波图像；
其中，在所述第一分析设备中，所述数据发送单元与所述第二滤波单元连接，用于接收并发送所述双重滤波图像。
所述应用大数据存储的对象类型分析平台中：
所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型还包括：将最大数量阈值的各种配角表情作为前馈神经网络模型的输入数据，将类型为配角作为前馈神经网络模型的输出数据，实现对所述前馈神经网络模型的训练。
同时，为了克服上述不足，本发明还搭建了一种应用大数据存储的对象类型分析方法，所述方法包括使用如上述的应用大数据存储的对象类型分析平台以采用训练后的前馈神经网络模型对影视画面中出现的每一个人物是否属于主角执行智能化判断。
另外，在所述应用大数据存储的对象类型分析平台中，所述角色分析设备为一可编程阵列逻辑PAL器件。PAL器件是美国MMI公司率先推出的，它由于输出结构种类很多，设计灵活，因而得到普遍使用。PAL器件的基本结构是把一个可编程的与阵列的输出乘积项馈送到或阵列，PAL器件所实现的逻辑表达式具有积之和的形式，因而可以描述任意布尔传递函数。PAL器件从内部结构上来说由五种基本类型构成：（1）基本阵列结构；（2）可编程I/O结构；（3）带反馈的寄存器输出结构；（4）异或结构：（5）算术功能结构。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种应用大数据存储的对象类型分析平台，其特征在于，所述平台包括：
信号捕获设备，与存放每一个影视文件的逐帧画面的影视数据库连接，用于获取单个影视文件对应的各帧画面；
大数据存储网元，通过 无线网络与所述信号捕获设备连接，用于存储所述影视数据库；
第一分析设备，与所述信号捕获设备连接，用于对每一帧画面执行先带阻滤波后陷阱滤波的图像处理，以获得对应的双重滤波图像；
第二分析设备，与所述第一分析设备连接，用于对接收到的每一帧双重滤波图像进行人体脸部对象检测，以获得每一帧双重滤波图像中的一个以上人体脸部对象；
第三分析设备，与所述第二分析设备连接，用于对每一帧双重滤波图像中的每一个人体脸部对象进行表情分析以获得每一帧双重滤波图像中的一个以上人体脸部对象分别对应的一个以上表情种类，其中，表情的所有种类的数量等于最大数量阈值；
种类累计机构，与所述第三分析设备连接，用于将单个影视文件的各帧画面分别对应的各帧双重滤波图像中属于同一人的所有人体脸部对象的所有表情种类进行去重处理，以获得属于同一人的在所述单个影视文件中出现过的各个表情种类；
角色分析设备，与所述种类累计机构连接，用于对所述单个影视文件中每一人执行以下动作：将该人在所述单个影视文件中出现过的各个表情种类作为前馈神经网络模型的输入数据，运行所述前馈神经网络模型以获得所述前馈神经网络模型的输出数据即该人是否属于所述单个影视文件的主角；
其中，在所述角色分析设备中，所述前馈神经网络模型的输入数据 的数量等于所述最大数量阈值，当输入不足所述最大数量阈值时，对差额的输入数据执行补零操作；
其中，所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型；
其中，所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型包括：将最大数量阈值的各种主角表情作为前馈神经网络模型的输入数据，将类型为主角作为前馈神经网络模型的输出数据，实现对所述前馈神经网络模型的训练。
2.如权利要求1所述的应用大数据存储的对象类型分析平台，其特征在于：
所述大数据存储网元还通过 无线网络与所述角色分析设备连接，用于存储所述前馈神经网络模型。
3.如权利要求2所述的应用大数据存储的对象类型分析平台，其特征在于：
所述第一分析设备包括数据接收单元、第一滤波单元、第二滤波单元和数据发送单元。
4.如权利要求3所述的应用大数据存储的对象类型分析平台，其特征在于：
所述数据接收单元、所述第一滤波单元、所述第二滤波单元和所述数据发送单元共用同一8位并行数据总线。
5.如权利要求4所述的应用大数据存储的对象类型分析平台，其特征在于：
在所述第一分析设备中，所述数据接收单元、所述第一滤波单元、所述第二滤波单元和所述数据发送单元次序连接。
6.如权利要求5所述的应用大数据存储的对象类型分析平台，其特征在于：
在所述第一分析设备中，所述数据接收单元与所述信号捕获设备连接，用于接收每一帧画面。
7.如权利要求6所述的应用大数据存储的对象类型分析平台，其特征在于：
在所述第一分析设备中，所述第一滤波单元用于对接收到的每一帧画面执行带阻滤波处理，以获得第一滤波图像。
8.如权利要求7所述的应用大数据存储的对象类型分析平台，其特征在于：
在所述第一分析设备中，所述第二滤波单元用于对接收到的第二滤波图像执行陷阱滤波处理，以获得双重滤波图像；
其中，在所述第一分析设备中，所述数据发送单元与所述第二滤波单元连接，用于接收并发送所述双重滤波图像。
9.如权利要求8所述的应用大数据存储的对象类型分析平台，其特征在于：
所述角色分析设备使用的前馈神经网络模型是训练后的前馈神经网络模型还包括：将最大数量阈值的各种配角表情作为前馈神经网络模型的输入数据，将类型为配角作为前馈神经网络模型的输出数据，实现对所述前馈神经网络模型的训练。
10.一种应用大数据存储的对象类型分析方法，所述方法包括使用如权利要求1-9任一所述的应用大数据存储的对象类型分析平台以采用训练后的前馈神经网络模型对影视画面中出现的每一个人物是否属于主角执行智能化判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011385312.0A CN112528072B (zh) | 2020-12-02 | 2020-12-02 | 应用大数据存储的对象类型分析平台及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011385312.0A CN112528072B (zh) | 2020-12-02 | 2020-12-02 | 应用大数据存储的对象类型分析平台及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528072A CN112528072A (zh) | 2021-03-19 |
| CN112528072B true CN112528072B (zh) | 2021-06-22 |
Family
ID=74995967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011385312.0A Active CN112528072B (zh) | 2020-12-02 | 2020-12-02 | 应用大数据存储的对象类型分析平台及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528072B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101053251A (zh) * | 2004-11-04 | 2007-10-10 | 皇家飞利浦电子股份有限公司 | 为电视推荐器合并主演信息 |
| CN106250379A (zh) * | 2015-06-08 | 2016-12-21 | 中外名人文化产业集团有限公司 | 中国电视剧剧本数据分析法 |
| CN106327448A (zh) * | 2016-08-31 | 2017-01-11 | 上海交通大学 | 一种基于深度学习的图片风格化处理方法 |
| CN106355346A (zh) * | 2016-09-18 | 2017-01-25 | 北京新传智库科技有限公司 | 一种基于神经网络算法的电影票房预测方法及预测系统 |
| CN106557783A (zh) * | 2016-11-21 | 2017-04-05 | 厦门优莱柏网络科技有限公司 | 一种漫画主要角色的自动提取系统及方法 |
| CN106886762A (zh) * | 2017-01-25 | 2017-06-23 | 咪咕动漫有限公司 | 一种连结信息的插入方法、设备及系统 |
| CN108989839A (zh) * | 2018-08-27 | 2018-12-11 | 深圳艺达文化传媒有限公司 | 推介视频的主角选择方法及相关产品 |
| CN109598223A (zh) * | 2018-11-26 | 2019-04-09 | 北京洛必达科技有限公司 | 基于视频获取目标人物的方法和装置 |
| CN110390263A (zh) * | 2019-06-17 | 2019-10-29 | 宁波江丰智能科技有限公司 | 一种视频图像处理方法及系统 |
| WO2020157972A1 (en) * | 2019-02-01 | 2020-08-06 | Nec Corporation | Estimation apparatus, method and program |
| CN111773676A (zh) * | 2020-07-23 | 2020-10-16 | 网易（杭州）网络有限公司 | 确定虚拟角色动作的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8195689B2 (en) * | 2009-06-10 | 2012-06-05 | Zeitera, Llc | Media fingerprinting and identification system |
-
2020
- 2020-12-02 CN CN202011385312.0A patent/CN112528072B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101053251A (zh) * | 2004-11-04 | 2007-10-10 | 皇家飞利浦电子股份有限公司 | 为电视推荐器合并主演信息 |
| CN106250379A (zh) * | 2015-06-08 | 2016-12-21 | 中外名人文化产业集团有限公司 | 中国电视剧剧本数据分析法 |
| CN106327448A (zh) * | 2016-08-31 | 2017-01-11 | 上海交通大学 | 一种基于深度学习的图片风格化处理方法 |
| CN106355346A (zh) * | 2016-09-18 | 2017-01-25 | 北京新传智库科技有限公司 | 一种基于神经网络算法的电影票房预测方法及预测系统 |
| CN106557783A (zh) * | 2016-11-21 | 2017-04-05 | 厦门优莱柏网络科技有限公司 | 一种漫画主要角色的自动提取系统及方法 |
| CN106886762A (zh) * | 2017-01-25 | 2017-06-23 | 咪咕动漫有限公司 | 一种连结信息的插入方法、设备及系统 |
| CN108989839A (zh) * | 2018-08-27 | 2018-12-11 | 深圳艺达文化传媒有限公司 | 推介视频的主角选择方法及相关产品 |
| CN109598223A (zh) * | 2018-11-26 | 2019-04-09 | 北京洛必达科技有限公司 | 基于视频获取目标人物的方法和装置 |
| WO2020157972A1 (en) * | 2019-02-01 | 2020-08-06 | Nec Corporation | Estimation apparatus, method and program |
| CN110390263A (zh) * | 2019-06-17 | 2019-10-29 | 宁波江丰智能科技有限公司 | 一种视频图像处理方法及系统 |
| CN111773676A (zh) * | 2020-07-23 | 2020-10-16 | 网易（杭州）网络有限公司 | 确定虚拟角色动作的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 视频足球比赛中的团队行为识别研究综述;王智文等;《广西科技大学学报》;20160630;第27卷(第2期);第37-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528072A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adhinata et al. | A deep learning using DenseNet201 to detect masked or non-masked face | |
| WO2020204460A1 (en) | A method for recognizing human emotions in images | |
| WO2021120186A1 (zh) | 分布式产品缺陷分析系统、方法及计算机可读存储介质 | |
| CN106295489B (zh) | 信息处理方法、信息处理装置和视频监控系统 | |
| CN110569765B (zh) | 图片识别方法、图片比对方法及装置 | |
| CN112528072B (zh) | 应用大数据存储的对象类型分析平台及方法 | |
| CN115269438A (zh) | 针对图像处理算法的自动化测试方法及装置 | |
| CN111935226A (zh) | 支持工业数据实现流式计算方法及系统 | |
| GB2601640A (en) | System and method for performing object analysis | |
| CN111598833A (zh) | 一种目标样本瑕疵检测的方法、装置及电子设备 | |
| WO2020168675A1 (zh) | 一种样本数据的处理方法、系统及装置 | |
| Chang et al. | Location and timestamp-based chip contour detection using LWMG-YOLOv5 | |
| CN110363198B (zh) | 一种神经网络权重矩阵拆分与组合的方法 | |
| Zhu et al. | An FPGA accelerator for high-speed moving objects detection and tracking with a spike camera | |
| Chang et al. | Application of edge computing technology in the security industry | |
| CN112286918B (zh) | 数据快速接入转换的方法、装置、电子设备及存储介质 | |
| CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
| Ye et al. | Network intrusion classification based on extreme learning machine | |
| CN115509739A (zh) | 一种面向视频实时智能感知的高并发调度与分析系统 | |
| Wang et al. | Accelerating real‐time object detection in high‐resolution video surveillance | |
| CN108228868A (zh) | 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 | |
| CN106908455A (zh) | 图像采集终端、玻璃表面缺陷在线检测系统及方法 | |
| Nicolau et al. | On Image Compression for Mobile Robots Using Feed-Forward Neural Networks | |
| Liu et al. | A quantum moving target segmentation algorithm for grayscale video | |
| CN112035159A (zh) | 一种稽核模型的配置方法、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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210602 Address after: 518001 2318 Anhui building, 6007 Shennan Avenue, Tian'an community, Shatou street, Futian District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Sanxi Software Technology Co.,Ltd. Address before: 225300 601a, building 1, No. 98, Yingchun East Road, hailing Industrial Park, Taizhou City, Jiangsu Province Applicant before: Taizhou langjiaxin Network Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |