CN112733860B - 用于二分类分割网络难样本挖掘的方法及系统 - Google Patents
用于二分类分割网络难样本挖掘的方法及系统 Download PDFInfo
- Publication number
- CN112733860B CN112733860B CN202110111499.3A CN202110111499A CN112733860B CN 112733860 B CN112733860 B CN 112733860B CN 202110111499 A CN202110111499 A CN 202110111499A CN 112733860 B CN112733860 B CN 112733860B
- Authority
- CN
- China
- Prior art keywords
- target
- cutting
- image
- calculating
- module
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种提升二分类分割网准确率和召回率的方法及系统,该方法包括:设定裁剪后获得难样本的尺寸以及难样本数number;输入原图、标记图和模型预测的结果图;获取过检目标和漏检目标的边缘点;计算出过检目标和漏检目标的外接矩形坐标,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0;初始化样本个数k=0;获得裁剪原图、裁剪标注图和裁剪结果图;计算裁剪标注图上漏检目标的像素面积,占整个漏检目标像素面积的比例a,和裁剪结果图上过检目标的像素面积,占整个过检目标的像素面积的比例b;判断a是否大于The或者b是否大于The;判断k是否大于等于number;判断i是否大于等于TotalNumber。本发明能够针对性的裁剪增加难样本数量,提升分割网的准确率和召回率。
Description
技术领域
本发明涉及深度学习技术领域,具体地,涉及一种用于二分类分割网络难样本挖掘的方法及系统。
背景技术
随着深度学习的不断发展,深度学应用领域也越来越多,语义分割一直是深度学习的一个热门分支,使用的非常广泛,例如,自动驾驶目标分割,医疗影像病灶分割,工业领域缺陷分割、生物领域的细胞检测等等。在而分割的过程中,网络有可能会产生误分割,即过检(网络将背景误分割为目标)和漏检(网络将目标误分割为背景),这种使网络产生误分割的样本,称为难样本,在难样本中,难样本会使分割网的准确率和召回率降低。
在减少难样本误分割,提升分割网准确率和召回率的过程中,现在主要方法采用更复杂网络结构、FocalLoss、在线难样本挖掘等方法。
针对上述现有技术,使用更复杂网络结构的方法,往往训练时间更长,推理时间更长,硬件成本更高;FocalLoss、在线难样本挖掘方法,在训练样本标签不准确,有错标、漏标的情况下,可能会使训练结果相对于不使用这些方法的结果更差。
发明内容
针对现有技术中的缺陷,本发明的目的是提供用于二分类分割网络难样本挖掘的方法及系统,能够通过在原图、标注图和模型预测结果图上,针对性的裁剪以增加难样本数量,从而提升分割网的准确率和召回率。
根据本发明提供的一种用于二分类分割网络难样本挖掘的方法及系统,所述方案如下:
第一方面,提供了一种用于二分类分割网络难样本挖掘的方法,所述方法包括:
设定裁剪后获得难样本的尺寸:宽width、高height,难样本个数number,像素面积比值The,将宽width、高height转成离32的倍数最近的整数;
输入难样本的原图、标记图和模型预测的结果图;
通过遍历算法,比较标记图和结果图之间的差异,获取过检目标和漏检目标的边缘点;
根据获取的所述边缘点,计算出过检目标和漏检目标的外接矩形坐标,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0;
初始化样本个数k=0;
通过获得的所述外接矩形坐标,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标;
计算裁剪标注图上漏检目标的像素面积,占标注图上整个漏检目标像素面积的比例a,计算裁剪结果图上过检目标的像素面积,占结果图上过检目标的像素面积的比例b;
判断a是否大于The或者b是否大于The;
判断k是否大于等于number;
判断i是否大于等于TotalNumber。
优选的,所述通过遍历算法,比较标记图和结果图之间的差异,获取过检目标和漏检目标的边缘点包括:
通过遍历算法,寻找标记图上每一个目标,在结果图上相同位置,是否有目标,若没有目标,则标记图上这个目标为漏检;
结果图上的目标,在标记图上相同的位置没有目标,则结果图上这个目标为过检;
获得漏检目标、过检目标后,用边缘提取算法获取目标边缘点。
优选的,所述根据获取的所述边缘点,计算出过检目标和漏检目标的外接矩形坐标,计算外接矩形总数TotalNumber包括:
根据获取的所述边缘点,找出所有边缘点中最小的横、纵坐标值min_x,min_y做为外接矩形左上角的点;
找出所有边缘点中最大的横、纵坐标值max_x,max_y值做为外接矩形右下角的点,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0。
优选的,所述判断a是否大于The或者b是否大于The包括:
当a>The或者b>The时,保存裁剪原图和裁剪标注图为难样本,k=k+1;
当a<The并且b<The时,进入使裁剪后获得的难样本包含漏检目标或者包含过检目标的步骤中。
优选的,所述判断k是否大于等于number包括:
当k>=number时,i=i+1;
当k<number时,进入使裁剪后获得的难样本包含漏检目标或者包含过检目标的步骤中。
优选的,所述判断i是否大于等于TotalNumber包括:
当i<TotalNumber时,进入初始化初始化样本个数k=0的步骤;
当i>=TotalNumber,结束。
第二方面,提供了一种用于二分类分割网络难样本挖掘的系统,所述系统包括:
模块M1:设定裁剪后获得难样本的尺寸:宽width、高height,样本个数number,像素面积比值The,将宽width、高height转成离32的倍数最近的整数;
模块M2:输入难样本的原图、标记图和模型预测的结果图;
模块M3:通过遍历算法,比较标记图和结果图之间的差异,获取过检目标和漏检目标的边缘点;
模块M4:根据获取的所述边缘点,计算出过检目标和漏检目标的外接矩形坐标,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0;
模块M5:初始化样本个数k=0;
模块M6:通过获得的所述外接矩形坐标,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标;
模块M7:计算裁剪标注图上漏检目标的像素面积,占标注图上整个漏检目标像素面积的比例a,计算裁剪结果图上过检目标的像素面积,占结果图上过检目标的像素面积的比例b;
模块M8:判断a是否大于The或者b是否大于The;
模块M9:判断k是否大于等于number;
模块M10:判断i是否大于等于TotalNumber。
优选的,所述模块M3包括:
通过遍历算法,寻找标记图上每一个目标,在结果图上相同位置,是否有目标,若没有目标,则标记图上这个目标为漏检;
结果图上的目标,在标记图上相同的位置没有目标,则结果图上这个目标为过检;
获得漏检目标、过检目标后,用边缘提取算法获取目标边缘点。
优选的,所述模块M4包括:
根据获取的所述边缘点,找出所有边缘点中最小的横、纵坐标值min_x,min_y做为外接矩形左上角的点;
找出所有边缘点中最大的横、纵坐标值max_x,max_y值做为外接矩形右下角的点,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0。
优选的,所述模块M8包括:
当a>The或者b>The时,保存裁剪原图和裁剪标注图为难样本,k=k+1;
当a<The并且b<The时,进入模块M6。
与现有技术相比,本发明具有如下的有益效果:
1、与现有的提升分割网召回率和准确率的方法相比,避免了使用更复杂的网络,从而在提升网络召回率和准确率的基础上,提升了训练速度和预测速度,节省了硬件成本,同时也使网络受不准确的标注影响减小;
2、通过在原图、标注图和模型预测结果图上,针对性的裁剪以增加难样本数量,从而提升分割网的准确率和召回率,并且不会增加网络结构的复杂度,对不准确的样本适应性更强。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的整体流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种用于二分类分割网络难样本挖掘的方法,参照图1所示,该方法包括下列步骤:首先设定裁剪后获得难样本的尺寸:宽width、高height,样本个数number,像素面积比值The,将宽width、高height转成离32的倍数最近的整数。
其次,通过过遍历算法,寻找标记图上每一个目标,在结果图上相同位置,是否有目标,假设没有目标,则标记图上这个目标为漏检;结果图上的目标,在标记图上相同的位置没有目标,则结果图上这个目标为过检;获得漏检目标、过检目标后,用边缘提取算法获取目标边缘点。
再根据获取的所述边缘点,找出所有边缘点中最小的横、纵坐标值min_x,min_y做为外接矩形左上角的点,找出所有边缘点中最大的横、纵坐标值max_x,max_y值做为外接矩形右下角的点,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0;
获得外接矩形坐标后,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标。再计算裁剪标注图上漏检目标的像素面积,占标注图上整个漏检目标像素面积的比例a;以及计算裁剪结果图上过检目标的像素面积,占结果图上过检目标的像素面积的比例b。
最后,判断a是否大于The或者b是否大于The:当a>The或者b>The时,保存裁剪原图和裁剪标注图为难样本,k=k+1;当a<The并且b<The时,进入步骤:通过获得的外接矩形坐标,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标。
判断k是否大于等于number:当k>=number时,i=i+1;当k<number时,进入步骤:通过获得的外接矩形坐标,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标。
判断i是否大于等于TotalNumber,当i<TotalNumber时,进入步骤:初始化样本个数k=0;
当i>=TotalNumber,结束。
本发明实施例提供了一种用于二分类分割网络难样本挖掘的方法,通过结果图和标记图,确定漏检目标和过检目标的外接矩形的坐标,并通过控制裁剪起始坐标的取值范围,以及像素面积比值The,从而保证难样本中包含漏检目标或者过检目标,又因为裁剪起始点坐标有一定的随机性,所以获得每一个难样本都不一样,从而使难样本具有多样性,更多数量的难样本,使难样本在样本集中所占的权重更大,使网络更加关注于难样本中的过检目标和漏检目标,从而提升网络的召回率和准确率;在裁剪生成的难样本中挑选合格的难样本的时候,还可以去掉标签不准确的难样本,从而使网络受不准确的标注影响减小,提升网络召回率和准确率。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种用于二分类分割网络难样本挖掘的方法,其特征在于,所述方法包括:
步骤1:设定裁剪后获得难样本的尺寸:宽width、高height,难样本个数number,像素面积比值The,将宽width、高height分别转换成能被32整除的整数,且转换后的整数分别与原来的宽width和高height之间差的绝对值最小;
步骤2:输入难样本的原图、标记图和模型预测的结果图;
步骤3:通过遍历算法,比较标记图和结果图之间的差异,获取过检目标和漏检目标的边缘点;
步骤4:根据获取的所述边缘点,计算出过检目标和漏检目标的外接矩形坐标,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0;
步骤5:初始化样本个数k=0;
步骤6:通过获得的所述外接矩形坐标,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标;
步骤7:计算裁剪标注图上漏检目标的像素面积,占标注图上整个漏检目标像素面积的比例a,计算裁剪结果图上过检目标的像素面积,占结果图上过检目标的像素面积的比例b;
步骤8:判断a是否大于The或者b是否大于The;
步骤9:判断k是否大于等于number;
步骤10:判断i是否大于等于TotalNumber。
2.根据权利要求1所述的方法,其特征在于,所述步骤3包括:
通过遍历算法,寻找标记图上每一个目标,在结果图上相同位置,是否有目标,若没有目标,则标记图上这个目标为漏检;
结果图上的目标,在标记图上相同的位置没有目标,则结果图上这个目标为过检;
获得漏检目标、过检目标后,用边缘提取算法获取目标边缘点。
3.根据权利要求1所述的方法,其特征在于,所述步骤4包括:
根据获取的所述边缘点,找出所有边缘点中最小的横、纵坐标值min_x,min_y做为外接矩形左上角的点;
找出所有边缘点中最大的横、纵坐标值max_x,max_y值做为外接矩形右下角的点,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0。
4.根据权利要求1所述的方法,其特征在于,所述步骤8包括:
当a>The或者b>The时,保存裁剪原图和裁剪标注图为难样本,k=k+1;
当a<The并且b<The时,进入步骤6。
5.根据权利要求1所述的方法,其特征在于,所述步骤9包括:
当k>=number时,i=i+1;
当k<number时,进入步骤6。
6.根据权利要求1所述的方法,其特征在于,所述步骤10包括:
当i<TotalNumber时,进入步骤5;
当i>=TotalNumber,结束。
7.一种用于二分类分割网络难样本挖掘的系统,其特征在于,所述系统包括:
模块M1:设定裁剪后获得难样本的尺寸:宽width、高height,难样本个数number,像素面积比值The,将宽width、高height分别转换成能被32整除的整数,且转换后的整数分别与原来的宽width和高height之间差的绝对值最小;
模块M2:输入难样本的原图、标记图和模型预测的结果图;
模块M3:通过遍历算法,比较标记图和结果图之间的差异,获取过检目标和漏检目标的边缘点;
模块M4:根据获取的所述边缘点,计算出过检目标和漏检目标的外接矩形坐标,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0;
模块M5:初始化样本个数k=0;
模块M6:通过获得的所述外接矩形坐标,计算难样本的剪裁起始点坐标,以转换后的整数,在原图、标注图和模型预测的结果图上进行裁剪,从而获得裁剪原图、裁剪标注图和裁剪结果图,使裁剪后获得的难样本包含漏检目标或者包含过检目标;
模块M7:计算裁剪标注图上漏检目标的像素面积,占标注图上整个漏检目标像素面积的比例a,计算裁剪结果图上过检目标的像素面积,占结果图上过检目标的像素面积的比例b;
模块M8:判断a是否大于The或者b是否大于The;
模块M9:判断k是否大于等于number;
模块M10:判断i是否大于等于TotalNumber。
8.根据权利要求7所述的系统,其特征在于,所述模块M3包括:
通过遍历算法,寻找标记图上每一个目标,在结果图上相同位置,是否有目标,若没有目标,则标记图上这个目标为漏检;
结果图上的目标,在标记图上相同的位置没有目标,则结果图上这个目标为过检;
获得漏检目标、过检目标后,用边缘提取算法获取目标边缘点。
9.根据权利要求7所述的系统,其特征在于,所述模块M4包括:
根据获取的所述边缘点,找出所有边缘点中最小的横、纵坐标值min_x,min_y做为外接矩形左上角的点;
找出所有边缘点中最大的横、纵坐标值max_x,max_y值做为外接矩形右下角的点,计算外接矩形总数TotalNumber,初始化外接矩形个数i=0。
10.根据权利要求7所述的系统,其特征在于,所述模块M8包括:
当a>The或者b>The时,保存裁剪原图和裁剪标注图为难样本,k=k+1;
当a<The并且b<The时,进入模块M6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111499.3A CN112733860B (zh) | 2021-01-27 | 2021-01-27 | 用于二分类分割网络难样本挖掘的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111499.3A CN112733860B (zh) | 2021-01-27 | 2021-01-27 | 用于二分类分割网络难样本挖掘的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733860A CN112733860A (zh) | 2021-04-30 |
CN112733860B true CN112733860B (zh) | 2021-09-10 |
Family
ID=75594146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110111499.3A Active CN112733860B (zh) | 2021-01-27 | 2021-01-27 | 用于二分类分割网络难样本挖掘的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733860B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463336A (zh) * | 2021-12-29 | 2022-05-10 | 济南超级计算技术研究院 | 一种用于图像及其像素级分割标注数据的裁剪方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665351A (zh) * | 2017-05-06 | 2018-02-06 | 北京航空航天大学 | 基于难样本挖掘的机场检测方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
CN109492608A (zh) * | 2018-11-27 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN110610197A (zh) * | 2019-08-19 | 2019-12-24 | 北京迈格威科技有限公司 | 一种困难样本挖掘和模型训练方法、装置和电子设备 |
CN110659600A (zh) * | 2019-09-19 | 2020-01-07 | 北京百度网讯科技有限公司 | 物体检测方法、装置及设备 |
CN111539957A (zh) * | 2020-07-07 | 2020-08-14 | 浙江啄云智能科技有限公司 | 一种用于目标检测的图像样本生成方法、系统及检测方法 |
-
2021
- 2021-01-27 CN CN202110111499.3A patent/CN112733860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665351A (zh) * | 2017-05-06 | 2018-02-06 | 北京航空航天大学 | 基于难样本挖掘的机场检测方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
CN109492608A (zh) * | 2018-11-27 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN110610197A (zh) * | 2019-08-19 | 2019-12-24 | 北京迈格威科技有限公司 | 一种困难样本挖掘和模型训练方法、装置和电子设备 |
CN110659600A (zh) * | 2019-09-19 | 2020-01-07 | 北京百度网讯科技有限公司 | 物体检测方法、装置及设备 |
CN111539957A (zh) * | 2020-07-07 | 2020-08-14 | 浙江啄云智能科技有限公司 | 一种用于目标检测的图像样本生成方法、系统及检测方法 |
Non-Patent Citations (2)
Title |
---|
Difficulty in estimating visual information from randomly sampled images;Masaki Kitayama et al;《2020 IEEE 9th Global Conference on Consumer Electronics》;20201231;第222-226页 * |
聚焦难样本的区分尺度的文字检测方法;林泓 等;《浙江大学学报(工学版)》;20190831;第53卷(第8期);第1506-1516页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733860A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288088B (zh) | 一种基于端到端全卷积神经网络的场景文本检测方法 | |
CN111160469B (zh) | 一种目标检测系统的主动学习方法 | |
CN106446896A (zh) | 一种字符分割方法、装置及电子设备 | |
CN110889437B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN110598698A (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN111062383A (zh) | 一种基于图像的船舶检测深度神经网络算法 | |
CN112102250B (zh) | 训练数据为缺失标注的病理图像检测模型建立、检测方法 | |
CN116052193B (zh) | Rpa界面动态表格的拾取和匹配方法及系统 | |
CN112733860B (zh) | 用于二分类分割网络难样本挖掘的方法及系统 | |
CN111583183A (zh) | 一种用于pcb板图像缺陷检测的数据增强方法和系统 | |
CN115512169A (zh) | 基于梯度和区域亲和力优化的弱监督语义分割方法及装置 | |
CN117093260B (zh) | 一种基于决策树分类算法的融合模型网站结构解析方法 | |
CN113963333A (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN103700112A (zh) | 一种基于混合预测策略的遮挡目标跟踪方法 | |
CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
CN111260659A (zh) | 一种基于初始标注点指导的图像交互分割方法 | |
CN113886578B (zh) | 一种表单分类方法及装置 | |
CN115082944A (zh) | 表格的智能识别切分方法、系统和终端 | |
CN111652083B (zh) | 一种基于自适应采样的弱监督时序动作检测方法及系统 | |
CN114898290A (zh) | 一种海上船舶实时检测方法及系统 | |
CN113469955A (zh) | 一种光伏组件故障区图像检测方法及系统 | |
CN103514609A (zh) | 一种基于反馈的运动物体分割的图像处理方法 | |
CN112749293A (zh) | 一种图像分类方法、装置及存储介质 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 |
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 |