CN112565763A - 异常图像样本生成方法及装置、图像检测方法及装置 - Google Patents

异常图像样本生成方法及装置、图像检测方法及装置 Download PDF

Info

Publication number
CN112565763A
CN112565763A CN202011375765.5A CN202011375765A CN112565763A CN 112565763 A CN112565763 A CN 112565763A CN 202011375765 A CN202011375765 A CN 202011375765A CN 112565763 A CN112565763 A CN 112565763A
Authority
CN
China
Prior art keywords
image
abnormal
decoding operation
frame
decoding
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
CN202011375765.5A
Other languages
English (en)
Inventor
吴明达
刘智辉
闻兴
戴宇荣
于冰
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 Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information 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 Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202011375765.5A priority Critical patent/CN112565763A/zh
Publication of CN112565763A publication Critical patent/CN112565763A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/157—Assigned coding mode, i.e. the coding mode being predefined or preselected to be further used for selection of another element or parameter
    • H04N19/159—Prediction type, e.g. intra-frame, inter-frame or bidirectional frame prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/177—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a group of pictures [GOP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/587—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal sub-sampling or interpolation, e.g. decimation or subsequent interpolation of pictures in a video sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开关于一种异常图像样本生成方法及装置、图像检测方法及装置，其中一种异常图像样本生成方法，包括：获取视频编码序列；其中所述视频编码序列包括多个图像组；对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。由于该过程模拟真实解码过程中的遗漏部分解码参考信息的情况，所以获得的异常视频数据中会出现不同形式的异常图像帧，所以按此方式确定得到的异常图像样本样式较多，效果较好。

Description

异常图像样本生成方法及装置、图像检测方法及装置
技术领域
本公开涉及图像处理技术领域，尤其涉及异常图像样本生成方法及装置、图像检测方法及装置。
背景技术
为了便于传输图像，第一端可以对图像执行编码操作，并发送编码数据至第二端，第二端对编码数据执行解码操作获得并显示图像。若图像的编码操作或解码操作发生误差，可能会导致第二端的图像显示异常(例如图像出现花屏现象)。为此第二端可以对图像执行检测操作，以便及时发现图像是否显示异常。
相关技术中，可以设定一个表征像素点出现异常的阈值范围，并遍历图像中各个像素点，统计超出阈值范围的像素点数量从而得到异常像素点数量，然后计算异常像素点数量与图像中像素点总数量的比例，若该比例大于预设比例则确定图像出现异常(例如图像出现花屏现象)。
但是，相关技术中不同图像的阈值范围不尽相同，阈值范围的设定与调整依赖于人工经验及图像特点，所以相关技术的迁移性较差，并且，需要遍历各个像素点，所以执行效率较低。
相关技术中，可以采用机器模型分辨图像是否出现异常，在训练机器模型之前，需要构建异常图像样本，现有技术中构建异常图像样本方式较为单一，效果不好。
发明内容
本公开提供一种异常图像样本生成方法及装置、图像检测方法及装置，以至少解决相关技术中迁移性差执行效率较低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种异常图像样本生成方法，包括：
获取视频编码序列；其中所述视频编码序列包括多个图像组；
对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；
将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。
其中，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据包括：
对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的帧内编码图像帧，在解码操作结束后获得异常视频数据。
其中，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据包括：
对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的预测编码图像帧，在解码操作结束后获得异常视频数据。
其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据包括：
对所述视频编码序列执行解码操作，并在所述解码操作中改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，在解码操作结束后获得异常视频数据。
其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据，包括：
分别对所述多个视频编码序列执行解码操作，并在所述解码操作中：
遗漏所述图像组中的帧内编码图像帧，以获得异常视频数据；或者，
遗漏所述图像组中的预测编码图像帧，以获得异常视频数据；或者，
改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，以获得异常视频数据；
从所述异常视频数据中提取多个图像帧，作为所述多个异常图像样本。
根据本公开实施例的第二方面，提供一种图像检测方法，包括：
按第一方面所述的异常图像样本生成方法，生成多个异常图像样本；
构建包含所述多个异常图像样本和多个正常图像样本的图像样本集；
利用所述图像样本集训练神经网络模型，直到达到训练结束条件；
将训练结束后的神经网络模型作为所述图像识别模型，以用于进行图像检测。
其中，还包括：
确定待检测图像；
输入所述待检测图像至预先训练好的图像识别模型；其中，所述图像识别模型为依据图像样本集训练神经网络模型后得到的、用于区分正常图像和异常图像的机器模型；
获得所述图像识别模型输出的表示所述待检测图像是否异常的输出结果。
根据本公开实施例的第三方面，提供一种异常图像样本生成装置，包括：
获取单元，被配置为获取视频编码序列；其中所述视频编码序列包括多个图像组；
解码单元，被配置为对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；
确定单元，被配置为将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。
其中，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；
则所述解码单元被配置为：对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的帧内编码图像帧，在解码操作结束后获得异常视频数据。
其中，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；
则所述解码单元被配置为：对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的预测编码图像帧，在解码操作结束后获得异常视频数据。
其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；
则所述解码单元被配置为：
对所述视频编码序列执行解码操作，并在所述解码操作中改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量。
其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；
则所述解码单元被配置为：
分别对所述多个视频编码序列执行解码操作，并在所述解码操作中：
遗漏所述图像组中的帧内编码图像帧，以获得异常视频数据；或者，
遗漏所述图像组中的预测编码图像帧，以获得异常视频数据；或者，
改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，以获得异常视频数据；
从所述异常视频数据中提取多个图像帧，作为所述多个异常图像样本。
根据本公开实施例的第四方面，提供一种图像检测装置，包括：
生成单元，被配置为按第一方面的异常图像样本生成方法，生成多个异常图像样本；
构建单元，被配置为构建包含所述多个异常图像样本和多个正常图像样本的图像样本集；
训练单元，被配置为利用所述图像样本集训练神经网络模型，直到达到训练结束条件；
确定单元，被配置为将训练结束后的神经网络模型作为所述图像识别模型，以用于进行图像检测。
其中，还包括：
确定图像单元，被配置为确定待检测图像；
输入单元，被配置为输入所述待检测图像至预先训练好的图像识别模型；其中，所述图像识别模型为依据图像样本集训练神经网络模型后得到的、用于区分正常图像和异常图像的机器模型；
输出单元，被配置为获得所述图像识别模型输出的表示所述待检测图像是否异常的输出结果。
根据本公开实施例的第五方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现第一方面所述的异常图像样本生成方法。
根据本公开实施例的第六方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现第二方面所述的图像检测方法。
根据本公开实施例的第七方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的异常图像样本生成方法。
根据本公开实施例的第八方面，提供一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行第二方面所述的图像检测方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开提供了一种异常图像样本生成方法，可以获取视频编码序列；其中所述视频编码序列包括多个图像组；本公开可以对视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。
本申请可以在对视频编码序列执行解码操作时，随机变更部分解码参考信息，然后根据变更后的解码参考信息进行解码操作，从而获得异常视频数据。然后，再从异常视频数据中提取异常图像帧作为异常图像样本。
由于该过程模拟真实解码过程中的遗漏部分解码参考信息的情况，所以获得的异常视频数据中会出现不同形式的异常图像帧，所以按此方式确定得到的异常图像样本样式较多，效果较好。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1a和1b是根据一示例性实施例示出的一种图像识别模型训练方法的流程图；
图2a和2b是根据一示例性实施例示出的一种异常图像样本生成方法实施例一的流程图；
图3a和3b是根据一示例性实施例示出的一种异常图像样本生成方法实施例二的流程图；
图4a和4b是根据一示例性实施例示出的一种异常图像样本生成方法实施例三的流程图；
图5是根据一示例性实施例示出的一种异常图像样本生成方法实施例四的流程图；
图6是根据一示例性实施例示出的一种图像检测方法的流程图；
图7是根据一示例性实施例示出的一种视频检测方法的流程图；
图8是根据一示例性实施例示出的一种异常图像样本生成装置框图；
图9是根据一示例性实施例示出的一种图像检测装置的框图；
图10是根据一示例性实施例示出的一种用于异常图像样本生成装置800的框图。
具体实施方式
术语解释：
视频编码序列：对视频数据执行视频编码操作后获得视频编码序列，视频编码序列包括连续排列的多个编码帧，视频编码序列通过预设间隔分为多个图像组，每个图像组主要包括三种编码帧I帧、P帧、B帧。
I帧即Intra-coded Picture(帧内编码图像帧)：I帧也称关键帧，I帧具有图像帧的完整图像数据。在对I帧执行解码操作时，无需参考其它帧、只需要本帧即可完成解码操作获得图像帧。I帧是P帧和B帧的参考帧，所以I帧会直接影响同一图像组后续P帧和B帧的解码操作；I帧不需要考虑运动矢量。
P帧即Predictive-coded Picture(预测编码图像帧)：P帧也称差别帧，即P帧没有完整图像数据，P帧表示当前图像帧与参考帧(最靠近该P帧的I帧或P帧)的差值及运动矢量。在对P帧执行解码操作时，根据各个区域的运动矢量，遍历参考帧找出该P帧各个区域的预测值，并将各个区域的预测值与差值叠加获得像素值，从而获得解码操作后的图像帧。P帧可以是其后面P帧的参考帧，也可以是其前面或后面的B帧的参考帧，所以P帧会直接影响同一图像组后续P帧，和，前面或后面B帧的解码操作。
B帧即Bidirectionally-predicted Picture(双向预测编码图像帧)：B帧表示本帧与前后帧的差值及运动矢量(具体情况比较复杂)。在对B帧执行解码操作时，不仅需要使用本帧之前的I帧或P帧对应缓存的图像帧，还需要本帧之后P帧对应缓存的图像帧。根据各个区域的运动矢量，遍历前面图像帧和后面图像帧计算得到该B帧各个区域的预测值，并将各个区域的预测值与差值叠加获得像素值，从而获得解码操作后的图像帧。
图像组：Group of picture，简称GOP。在视频编码序列中，GOP指两个I帧之间编码帧。一个GOP包括一个I帧，多个P帧和多个B帧。
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1a和1b是根据一示例性实施例示出的一种图像识别模型训练方法的流程图，图像识别模型训练方法用于电子设备中，包括以下步骤。
在步骤S101中，生成多个异常图像样本。
在步骤S102中，构建包含所述多个异常图像样本和多个正常图像样本的图像样本集。
从正常视频数据中提取多个正常图像样本，或者，直接获取多个正常图像样本。将步骤S101中的多个异常图像样本和多个正常图像样本组成图像样本集。
为了便于训练，可以对图像样本集中的各个图像样本进行随机采样操作，以获得预设大小的图像样本。例如对各个图像样本机型随机采样操作获得256x256的图像样本。
可以理解的是，为了表示正常图像样本和异常图像样本，可以对图像样本进行打标签操作，正常图像样本具有表示正常的标签(例如“1”)，异常图像样本具有异常的标签(例如“0”)。
在步骤S103中，利用所述图像样本集训练神经网络模型，直到达到训练结束条件。
神经网络模型可以采用全卷积神经网络模型。分别输入图像样本集中的各个图像样本至全卷积神经网络模型，以便对全卷积神经网络模型进行训练。
一次训练过程为例，输入一个图像样本至全卷积神经网络模型，全卷积神经网络模型经过计算会输出表示图像样本出现异常的输出概率，利用输出概率与标签计算二值交叉熵，利用二值交叉熵来调整全卷积神经网络模型的模型参数，依次来达到训练全卷积神经网络模型的目的。
经过多次训练，在达到训练结束条件后停止训练。训练结束条件可以为达到训练次数或者达到预先设定的收敛条件，本申请对此不做限定。
在步骤S104中，将训练结束后的神经网络模型作为所述图像识别模型。
为了简单方便地生成异常图像样本，下面提供步骤S101中生成多个异常图像样本的四种实现方式：
第一种实现方式：遗漏所述图像组中的帧内编码图像帧，也即遗漏I帧。
图2a和2b是根据一示例性实施例示出的一种异常图像样本生成方法实施例一的流程图，异常图像样本生成方法应用于电子设备中，包括以下步骤。
在步骤S201中：获取视频编码序列；其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧。
预先对视频数据执行视频编码操作获得一个视频编码序列，对视频数据执行视频编码操作已经为成熟技术，对此本申请不再赘述。
电子设备获取一个视频编码序列。视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧也即I帧、多个预测编码图像帧也即P帧和多个双向预测编码图像帧也即B帧。
在一个图像组中，I帧是P帧和B帧的参考帧，也即对P帧和B帧进行解码操作时，需要借助于I帧才可以正确解码。
在步骤S202中：对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的帧内编码图像帧，获得异常视频数据。
对视频编码序列执行解码操作，也即按视频编码序列由前至后进行解码操作。
针对视频编码序列中的每个图像组执行下述操作：
通过识别一个编码帧的前端内容便可以得知该编码帧为I帧、P帧或B帧，当识别图像组中的编码帧为I帧后则遗漏I帧，也即不对I帧执行解码操作。
在识别编码帧为P帧和B帧的情况下正常执行解码操作，但是由于P帧和B帧的解码需要依赖于I帧，在丢失I帧后，无法解码得到P帧和B帧的正确数据，所以P帧和B帧解码后为异常数据。
在完成对视频编码序列的解码操作后，会获得异常视频数据。本实施例中异常视频数据中各个图像帧均是异常图像帧(图像帧会出现花屏现象)。
在步骤S203中，将所述异常视频数据中的多个异常图像帧，作为所述多个异常图像样本。
由于异常视频数据中各个图像帧均是异常的，所以可以从异常视频数据中选取多个图像帧，将选取的多个图像帧作为多个异常图像样本。
第二种实现方式：遗漏所述图像组中的预测编码图像帧，也即遗漏P帧。
图3a和3b是根据一示例性实施例示出的一种异常图像样本生成方法实施例二的流程图，异常图像样本生成方法应用于电子设备中，包括以下步骤。
在步骤S301中：获取视频编码序列；其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧。
对视频数据执行视频编码操作获得一个视频编码序列，对视频数据执行视频编码操作已经为成熟技术，对此本申请不再赘述。
电子设备获取一个视频编码序列。视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧也即I帧、多个预测编码图像帧也即P帧和多个双向预测编码图像帧也即B帧。
在步骤S302中：对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的预测编码图像帧，获得异常视频数据。
对视频编码序列执行解码操作，也即按视频编码序列由前至后进行解码操作。
针对视频编码序列中的每个图像组执行下述操作：
通过识别一个编码帧的前端内容便可以得知该编码帧为I帧、P帧或B帧，当识别图像组中的编码帧为I帧后则正常解码，获得正常图像帧。
在识别编码帧为P帧的情况下遗漏P帧。由于B帧的解码需要依赖于P帧，所以在丢失P帧后，无法解码得到B帧的正确数据，所以B帧解码后为异常数据。
在完成对视频编码序列的解码操作后，会获得异常视频数据。本实施例中异常视频数据中各个图像帧中，I帧对应图像帧为正常图像帧，其余均是异常图像帧(图像帧会出现花屏现象)。
在步骤S303中：将所述异常视频数据中的多个异常图像帧，作为所述多个异常图像样本。
从异常视频数据提取多个异常图像帧，作为异常图像样本。
第三种实现方式：改变运动矢量。
图4a和4b是根据一示例性实施例示出的一种异常图像样本生成方法实施例三的流程图，异常图像样本生成方法应用于电子设备中，包括以下步骤。
在步骤S401中，获取视频编码序列；其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量。
对视频数据执行视频编码操作获得一个视频编码序列，对视频数据执行视频编码操作已经为成熟技术，对此本申请不再赘述。
电子设备获取一个视频编码序列。视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧也即I帧、多个预测编码图像帧也即P帧和多个双向预测编码图像帧也即B帧。
P帧表示当前图像帧与参考帧(最靠近该P帧的I帧或P帧)的差值及运动矢量。B帧表示本帧与前后帧的差值及运动矢量。在对P帧和B帧进行解码时，需要使用运动矢量。
在步骤S402中：对所述视频编码序列执行解码操作，并在所述解码操作中改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，获得异常视频数据。
在对P帧或B帧进行解码操作中，需要利用P帧或B帧中各个区域的对应的运动矢量来计算或查找各个区域对应的预测值，以便将各个区域的预测值与差值叠加得到各个区域的像素值。
但是，本实施例中改变P帧、B帧的运动矢量，使得P帧、B帧的运动矢量发生变化，使得解码操作中P帧、B帧无法准确的找到各个区域本应该对应的预测值，使得解码操作后P帧、B帧为异常数据。
在完成对视频编码序列的解码操作后，会获得异常视频数据。本实施例中异常视频数据中各个图像帧中，I帧对应图像帧为正常图像帧，其余均是异常图像帧(图像帧会出现花屏现象)。
在步骤S403中：将所述异常视频数据中的多个异常图像帧，作为所述多个异常图像样本。
从异常视频数据提取多个异常图像帧，作为异常图像样本。
以上三种实现方式可以从某一方面生成异常图像样本，为了丰富异常图像样本的种类，提供了第四种实现方式：第一种实现方式、第二种实现方式和第三种实现方式的综合。
图5是根据一示例性实施例示出的一种异常图像样本生成方法实施例四的流程图，异常图像样本生成方法应用于电子设备中，包括以下步骤。
在步骤S501中，获取多个视频编码序列；其中，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量。
在步骤S502中，分别对所述多个视频编码序列执行解码操作，并在所述解码操作中：
遗漏所述图像组中的帧内编码图像帧，获得异常视频数据；或者，
遗漏所述图像组中的预测编码图像帧，获得异常视频数据；或者，
改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，获得异常视频数据。
步骤S502可以参见图2、图3和图4的实现方式，在此不再赘述。
在步骤S503中，分别从多个异常视频数据中提取多个图像帧，作为所述多个异常图像样本。
通过对多个视频编码序列分别执行不同实现方式来生成异常图像样本，从而可以丰富异常图像样本的种类，增加贴近真实场景中的异常图像样本。
图6是根据一示例性实施例示出的一种图像检测方法的流程图，图像检测方法应用于电子设备中，包括以下步骤。
在步骤S601中，确定待检测图像。
在步骤S602中，输入所述待检测图像至预先训练好的图像识别模型；其中，所述图像识别模型为依据图像样本集训练神经网络模型后得到的、用于区分正常图像和异常图像的机器模型。
在步骤S603中，获得所述图像识别模型输出的表示所述待检测图像是否异常的输出结果。
在输出结果为表示待检测图像为异常图像的情况下(例如待检测图像花屏)，则发送提醒消息，以便技术人员发现排查故障，及时发现异常问题。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开提供一种图像检测方法，可以输入待检测图像至预先训练好的图像识别模型，图像识别模型经过内部计算后会输出表示待检测图像是否异常的输出结果。若输出结果异常则表示待检测图像出现异常(例如图像出现花屏)，若输出结果正常则表示待检测图像未出现异常(例如图像不出现花屏)。
本公开针对不同待检测图像均可适用，且，无需遍历各个像素点，所以可以提高迁移性和执行效率。
图7是根据一示例性实施例示出的一种视频检测方法的流程图，视频检测方法应用于电子设备中，包括以下步骤。
在步骤S701中，确定待检测视频并将待检测视频中图像帧作为待检测图像。
将待检测视频中的各个图像帧均作为待检测图像。
在步骤S702中，输入所述待检测图像至预先训练好的图像识别模型；其中，所述图像识别模型为依据图像样本集训练神经网络模型后得到的、用于区分正常图像和异常图像的机器模型。
在步骤S703中，获得所述图像识别模型输出的表示所述待检测图像是否异常的输出结果。
分别将待检测图像帧输入至预先训练好的图像识别模型，从而可以获得图像识别模型的输出结果。
在步骤S704中，若所述待检测视频中所述待检测图像的输出结果为异常，则确定所述待检测视频出现异常。
在待检测视频中至少一个待检测图像的输出结果为异常的情况下，则确定待检测视频出现异常。在待检测视频为异常视频的情况下，则发送提醒消息，以便技术人员发现排查故障，及时发现异常问题。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开提供一种视频检测方法，可以输入待检测视频中的待检测图像至预先训练好的图像识别模型，图像识别模型经过内部计算后会输出表示待检测图像是否异常的输出结果。若输出结果异常则表示待检测图像出现异常(例如图像出现花屏)，若输出结果正常则表示待检测图像未出现异常(例如图像不出现花屏)。
本公开针对不同待检测图像均可适用，且，无需遍历各个像素点，所以可以提高迁移性和执行效率。
图8是根据一示例性实施例示出的一种异常图像样本生成装置800框图。参照图8，该装置包括获取单元81，解码单元82和确定单元83。
获取单元81，被配置为获取视频编码序列；其中所述视频编码序列包括多个图像组；
解码单元82，被配置为对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；
确定单元83，被配置为将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。
每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；则所述解码单元82被配置为：对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的帧内编码图像帧，在解码操作结束后获得异常视频数据。
每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；则所述解码单元82被配置为：对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的预测编码图像帧，在解码操作结束后获得异常视频数据。
所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；则所述解码单元82被配置为：
对所述视频编码序列执行解码操作，并在所述解码操作中改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量。
所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；则所述解码单元82被配置为：
分别对所述多个视频编码序列执行解码操作，并在所述解码操作中：
遗漏所述图像组中的帧内编码图像帧，以获得异常视频数据；或者，
遗漏所述图像组中的预测编码图像帧，以获得异常视频数据；或者，
改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，以获得异常视频数据；
从所述异常视频数据中提取多个图像帧，作为所述多个异常图像样本。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种图像检测装置900的框图。参照图9，该装置包括生成单元91，构建单元92、训练单元93和确定单元94。
生成单元91，被配置为所述的异常图像样本生成方法，生成多个异常图像样本；
构建单元92，被配置为构建包含所述多个异常图像样本和多个正常图像样本的图像样本集；
训练单元93，被配置为利用所述图像样本集训练神经网络模型，直到达到训练结束条件；
确定单元94，被配置为将训练结束后的神经网络模型作为所述图像识别模型，以用于进行图像检测。
其中，图像检测装置还包括：
确定图像单元95，被配置为确定待检测图像；
输入单元96，被配置为输入所述待检测图像至预先训练好的图像识别模型；其中，所述图像识别模型为依据图像样本集训练神经网络模型后得到的、用于区分正常图像和异常图像的机器模型；
输出单元97，被配置为获得所述图像识别模型输出的表示所述待检测图像是否异常的输出结果。
异常图像样本生成装置800和图像检测装置900的框图可以相同，以异常图像样本生成装置800为例，进行详细介绍。图10是根据一示例性实施例示出的一种用于异常图像样本生成装置800的框图。
例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图10，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种异常图像样本生成方法，其特征在于，包括：
获取视频编码序列；其中所述视频编码序列包括多个图像组；
对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；
将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。
2.如权利要求1所述的异常图像样本生成方法，其特征在于，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据包括：
对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的帧内编码图像帧，在解码操作结束后获得异常视频数据。
3.如权利要求1所述的异常图像样本生成方法，其特征在于，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据包括：
对所述视频编码序列执行解码操作，并在所述解码操作中遗漏所述图像组中的预测编码图像帧，在解码操作结束后获得异常视频数据。
4.如权利要求1所述的异常图像样本生成方法，其特征在于，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据包括：
对所述视频编码序列执行解码操作，并在所述解码操作中改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，在解码操作结束后获得异常视频数据。
5.如权利要求1所述的异常图像样本生成方法，其特征在于，所述视频编码序列包括多个图像组，每个图像组包括一个帧内编码图像帧、多个预测编码图像帧和多个双向预测编码图像帧，且，所述预测编码图像帧和所述双向预测编码图像帧均包括运动矢量；
则所述对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据，包括：
分别对所述多个视频编码序列执行解码操作，并在所述解码操作中：
遗漏所述图像组中的帧内编码图像帧，以获得异常视频数据；或者，
遗漏所述图像组中的预测编码图像帧，以获得异常视频数据；或者，
改变所述图像组中帧内编码图像帧中的运动矢量，和/或，改变所述图像组中双向预测编码图像帧中的运动矢量，以获得异常视频数据；
从所述异常视频数据中提取多个图像帧，作为所述多个异常图像样本。
6.一种图像检测方法，其特征在于，包括：
按权利要求1-5任一项所述的异常图像样本生成方法，生成多个异常图像样本；
构建包含所述多个异常图像样本和多个正常图像样本的图像样本集；
利用所述图像样本集训练神经网络模型，直到达到训练结束条件；
将训练结束后的神经网络模型作为所述图像识别模型，以用于进行图像检测。
7.如权利要求6所述的图像检测方法，其特征在于，还包括：
确定待检测图像；
输入所述待检测图像至预先训练好的图像识别模型；其中，所述图像识别模型为依据图像样本集训练神经网络模型后得到的、用于区分正常图像和异常图像的机器模型；
获得所述图像识别模型输出的表示所述待检测图像是否异常的输出结果。
8.一种异常图像样本生成装置，其特征在于，包括：
获取单元，被配置为获取视频编码序列；其中所述视频编码序列包括多个图像组；
解码单元，被配置为对所述视频编码序列执行解码操作时，变更部分解码参考信息并根据变更后的解码参考信息进行解码操作，在解码操作结束后获得异常视频数据；
确定单元，被配置为将所述异常视频数据中多个异常图像帧，作为所述多个异常图像样本。
9.一种图像检测装置，其特征在于，包括：
生成单元，被配置为按权利要求1-5任一项所述的异常图像样本生成方法，生成多个异常图像样本；
构建单元，被配置为构建包含所述多个异常图像样本和多个正常图像样本的图像样本集；
训练单元，被配置为利用所述图像样本集训练神经网络模型，直到达到训练结束条件；
确定单元，被配置为将训练结束后的神经网络模型作为所述图像识别模型，以用于进行图像检测。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的异常图像样本生成方法。
CN202011375765.5A 2020-11-30 2020-11-30 异常图像样本生成方法及装置、图像检测方法及装置 Pending CN112565763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011375765.5A CN112565763A (zh) 2020-11-30 2020-11-30 异常图像样本生成方法及装置、图像检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011375765.5A CN112565763A (zh) 2020-11-30 2020-11-30 异常图像样本生成方法及装置、图像检测方法及装置

Publications (1)

Publication Number Publication Date
CN112565763A true CN112565763A (zh) 2021-03-26

Family

ID=75045517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011375765.5A Pending CN112565763A (zh) 2020-11-30 2020-11-30 异常图像样本生成方法及装置、图像检测方法及装置

Country Status (1)

Country Link
CN (1) CN112565763A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385807A (zh) * 2023-05-30 2023-07-04 南京信息工程大学 一种异常图像样本生成方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292589B1 (en) * 1996-06-21 2001-09-18 Compaq Computer Corporation Method for choosing rate control parameters in motion-compensated transform-based picture coding scheme using non-parametric technique
CN107895172A (zh) * 2017-11-03 2018-04-10 北京奇虎科技有限公司 利用图像信息检测异常视频文件的方法、装置及计算设备
CN109522822A (zh) * 2018-10-30 2019-03-26 北京奇虎科技有限公司 一种视频检测方法及装置
CN110009013A (zh) * 2019-03-21 2019-07-12 腾讯科技（深圳）有限公司 编码器训练及表征信息提取方法和装置
US20190244029A1 (en) * 2016-10-18 2019-08-08 Zhejiang Dahua Technology Co., Ltd. Methods and systems for video processing
CN110874819A (zh) * 2018-08-29 2020-03-10 中国电信股份有限公司 视频图像修复方法、装置以及存储介质
CN110891195A (zh) * 2019-11-22 2020-03-17 腾讯科技（深圳）有限公司 花屏图像的生成方法、装置、设备和存储介质
CN110910427A (zh) * 2019-12-04 2020-03-24 数据堂(北京)智能科技有限公司 一种交互式视频数据标注方法及装置
US20200098139A1 (en) * 2018-09-26 2020-03-26 Facebook Technologies, Llc Systems and Methods for Generating and Transmitting Image Sequences Based on Sampled Color Information
CN111079567A (zh) * 2019-11-28 2020-04-28 中科驭数（北京）科技有限公司 采样方法、模型生成方法、视频行为识别方法及装置
CN111144375A (zh) * 2019-12-31 2020-05-12 中国民用航空总局第二研究所 基于特征编码的异常行为检测方法、装置及电子设备
CN111260620A (zh) * 2020-01-14 2020-06-09 三峡大学 图像异常检测方法、装置和电子设备
CN111310613A (zh) * 2020-01-22 2020-06-19 腾讯科技（深圳）有限公司 一种图像检测方法、装置以及计算机可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292589B1 (en) * 1996-06-21 2001-09-18 Compaq Computer Corporation Method for choosing rate control parameters in motion-compensated transform-based picture coding scheme using non-parametric technique
US20190244029A1 (en) * 2016-10-18 2019-08-08 Zhejiang Dahua Technology Co., Ltd. Methods and systems for video processing
CN107895172A (zh) * 2017-11-03 2018-04-10 北京奇虎科技有限公司 利用图像信息检测异常视频文件的方法、装置及计算设备
CN110874819A (zh) * 2018-08-29 2020-03-10 中国电信股份有限公司 视频图像修复方法、装置以及存储介质
US20200098139A1 (en) * 2018-09-26 2020-03-26 Facebook Technologies, Llc Systems and Methods for Generating and Transmitting Image Sequences Based on Sampled Color Information
CN109522822A (zh) * 2018-10-30 2019-03-26 北京奇虎科技有限公司 一种视频检测方法及装置
CN110009013A (zh) * 2019-03-21 2019-07-12 腾讯科技（深圳）有限公司 编码器训练及表征信息提取方法和装置
CN110891195A (zh) * 2019-11-22 2020-03-17 腾讯科技（深圳）有限公司 花屏图像的生成方法、装置、设备和存储介质
CN111079567A (zh) * 2019-11-28 2020-04-28 中科驭数（北京）科技有限公司 采样方法、模型生成方法、视频行为识别方法及装置
CN110910427A (zh) * 2019-12-04 2020-03-24 数据堂(北京)智能科技有限公司 一种交互式视频数据标注方法及装置
CN111144375A (zh) * 2019-12-31 2020-05-12 中国民用航空总局第二研究所 基于特征编码的异常行为检测方法、装置及电子设备
CN111260620A (zh) * 2020-01-14 2020-06-09 三峡大学 图像异常检测方法、装置和电子设备
CN111310613A (zh) * 2020-01-22 2020-06-19 腾讯科技（深圳）有限公司 一种图像检测方法、装置以及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385807A (zh) * 2023-05-30 2023-07-04 南京信息工程大学 一种异常图像样本生成方法及装置
CN116385807B (zh) * 2023-05-30 2023-09-12 南京信息工程大学 一种异常图像样本生成方法及装置

Similar Documents

Publication Publication Date Title
CN106911961B (zh) 多媒体数据播放方法及装置
CN106559712B (zh) 视频播放处理方法、装置及终端设备
CN107277423B (zh) 丢包重传的方法及装置
CN106375772B (zh) 视频播放方法及装置
US10212386B2 (en) Method, device, terminal device, and storage medium for video effect processing
CN105095881B (zh) 人脸识别方法、装置及终端
KR102456272B1 (ko) 비디오 클립 추출 방법， 비디오 클립 추출 장치 및 저장매체
CN110708559B (zh) 图像处理方法、装置及存储介质
CN110650370B (zh) 一种视频编码参数确定方法、装置、电子设备及存储介质
CN109714415B (zh) 数据处理方法及装置
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN114025105A (zh) 视频处理方法、装置、电子设备、存储介质
CN110796012B (zh) 图像处理方法、装置、电子设备及可读存储介质
CN110266914B (zh) 图像拍摄方法、装置及计算机可读存储介质
CN113676671A (zh) 视频剪辑方法、装置、电子设备及存储介质
CN113259226A (zh) 信息同步方法、装置、电子设备及存储介质
CN111835739A (zh) 视频播放方法、装置及计算机可读存储介质
CN109120929B (zh) 一种视频编码、解码方法、装置、电子设备及系统
CN112565763A (zh) 异常图像样本生成方法及装置、图像检测方法及装置
CN110611820A (zh) 视频编码方法、装置、电子设备及存储介质
CN111953980B (zh) 视频处理方法及装置
CN111860552A (zh) 基于核自编码器的模型训练方法、装置及存储介质
EP3945722A1 (en) Method for processing hybrid playing of multi-type multimedia data, playing apparatus and storage medium
CN115713641A (zh) 视频获取方法、装置及存储介质
CN113139560A (zh) 视频处理模型的训练方法和装置、视频处理方法和装置

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