CN112990045A - 用于生成图像变化检测模型和图像变化检测的方法和装置 - Google Patents
用于生成图像变化检测模型和图像变化检测的方法和装置 Download PDFInfo
- Publication number
- CN112990045A CN112990045A CN202110322609.0A CN202110322609A CN112990045A CN 112990045 A CN112990045 A CN 112990045A CN 202110322609 A CN202110322609 A CN 202110322609A CN 112990045 A CN112990045 A CN 112990045A
- Authority
- CN
- China
- Prior art keywords
- change detection
- image pair
- training
- target image
- model
- 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
- 230000008859 change Effects 0.000 title claims abstract description 179
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000002372 labelling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (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
本公开提供了用于生成图像变化检测模型和图像变化检测的方法、装置,涉及人工智能领域,具体为计算机视觉和深度学习技术领域。具体实现方案为:获取校准对齐的至少一个图像对;获取至少2种弱变化检测模型;对于至少一个图像对中的目标图像对,将目标图像对分别输入至少2种弱变化检测模型,得到目标图像对的至少2种变化区块的预测结果;基于目标图像对的至少2种变化区块的预测结果确定出目标图像对的高置信度的变化区块;将至目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。该实施方式可以节省大量的标注人力,可在低时间和经济成本下训练出性能良好的图像变化检测模型。
Description
技术领域
本公开涉及人工智能领域,尤其是计算机视觉和深度学习技术领域,具体为用于生成图像变化检测模型和图像变化检测的方法和装置。
背景技术
现有技术通常使用图像监控环境变化,特别是通过卫星遥感图像判断是否有违章建筑,有违规损坏林地,水系面积变化的监控,森林火灾的监控等等。
如果使用人工方式肉眼分析图像的变化,效率太低。即使通过深度学习的方法批量查阅大量影像,仍需要人工精细标注不同场景下不同卫星拍摄的大量图像才能训练出变化检测模型。
发明内容
本公开提供了一种用于生成图像变化检测模型的方法、装置、设备、存储介质和软件产品。
根据本公开的第一方面,提供了一种用于生成图像变化检测模型的方法,包括:获取校准对齐的至少一个图像对;获取至少2种弱变化检测模型;对于至少一个图像对中的目标图像对,将所述目标图像对分别输入至少2种弱变化检测模型,得到所述目标图像对的至少2种变化区块的预测结果;对于至少一个图像对中的图像对,基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块;将目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
根据本公开的第二方面,提供了一种图像变化检测方法,包括:获取待检测的图像组;将所述图像组输入根据第一方面中任一项所述的方法生成的强预训练模型,输出图像变化检测结果。
根据本公开的第三方面,提供了一种用于生成图像变化检测模型的装置,包括:图像获取单元,被配置成获取校准对齐的至少一个图像对;模型获取单元,被配置成获取至少2种弱变化检测模型;检测单元,被配置成对于至少一个图像对中的目标图像对,将所述目标图像对分别输入至少2种弱变化检测模型,得到所述目标图像对的至少2种变化区块的预测结果;确定单元,被配置成对于至少一个图像对中的图像对,基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块;训练单元,被配置成将所述目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
根据本公开的第四方面,提供了一种图像变化检测装置,包括:获取单元,被配置成获取待检测的图像组;检测单元,被配置成将所述图像组输入根据第三方面中任一项所述的装置生成的强预训练模型,输出图像变化检测结果。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面或第二方面中任一项的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据第一方面或第二方面中任一项的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据第一方面或第二方面中任一项的方法。
本公开的实施例提供的用于生成图像变化检测模型和图像变化检测的方法和装置,从多个弱变化检测模型获取高置信度的有效信息,减少人力标注成本和时间,并采用部分监督训练的思路,减少标注误差对模型造成的影响。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成图像变化检测模型的方法的一个实施例的流程图;
图3是根据本公开的用于生成图像变化检测模型的方法的一个应用场景的示意图;
图4是根据本公开的用于生成图像变化检测模型的方法的又一个实施例的流程图;
图5是根据本公开的图像变化检测的方法的一个实施例的流程图;
图6是根据本公开的用于生成图像变化检测模型的装置的一个实施例的结构示意图;
图7是根据本公开的图像变化检测装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的用于生成图像变化检测模型的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本申请实施例的用于生成图像变化检测模型和图像变化检测的方法和装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、图像识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时,其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备,如摄像头、传感器、卫星等等。用户110可以利用终端101、102上的图像采集设备,来采集图像,还可通过卫星采集遥感图像。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中,样本可以包括样本图像对(2个校准对齐的样本图像)以及与样本图像对相应的标注信息(哪些像素是变化的)。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,对弱变化检测模型进行训练,并可以将训练结果(如生成的强预训练模型)发送给终端101、102。这样,用户可以应用生成的图像变化检测模型判断一对图像是否发生变化以及发生变化的区块。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当它们为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于生成图像变化检测模型和图像变化检测的方法一般由服务器105执行。相应地,用于生成图像变化检测模型和图像变化检测的装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本申请的用于生成图像变化检测模型的方法的一个实施例的流程200。该用于生成图像变化检测模型的方法可以包括以下步骤:
步骤201,获取校准对齐的至少一个图像对。
在本实施例中,用于生成图像变化检测模型的方法的执行主体(例如图1所示的服务器)可以通过多种方式来获取校准对齐的至少一个图像对。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的图像对。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的图像对。一个图像对中包括2个校准对齐的图像。可预先准备多种卫星、多种环境、多种分辨率的成对校准对齐的图像对(原始数据)存储到数据库服务器104。
原始数据希望能有尽可能高的多样性,才能在更多样的测试场景下有更强的泛化能力。最好能够包括不同的卫星类型(例如,高分1号和吉林1号等),不同的环境(比如不同地区的影像),不同分辨率(亚米、1米、2米等)。
原始数据为成对图像,即一对图像包含同一个地区的两个不同时期的图像,图像需要进行对齐,例如,两张图像同一个地理坐标的像素偏差不能超过5个像素。
步骤202,获取至少2种弱变化检测模型。
在本实施例中,弱变化检测模型是用于检测一对图像是否变化的神经网络模型,模型的输入为一对图像,输出为预测的变化区块。
可对至少一个图像对中部分图像对的部分像素进行精标,对精标数量没有限制,但需要尽可能覆盖应用时可能的场景,比如应用时可能采用1米或者2米的分辨率,那么对1米和两米分辨率都需要进行一部分的精标。精标覆盖的场景越多,泛化能力越强;精标的数量越多,最终模型的效果也会越好。利用精标数据训练神经网络模型,得到弱变化检测模型(简称为弱模型)。
步骤203,对于至少一个图像对中的目标图像对,将目标图像对分别输入至少2种弱变化检测模型,得到目标图像对的至少2种变化区块的预测结果。
在本实施例中,将步骤201获取的至少一个图像对中的任意数量的图像对作为目标图像对,用步骤202获取的弱模型分别进行预测。每个模型对每个图像对预测得到同等尺寸的变化检测分割结果,变化区域像素值为1,不变化区域为0。通过求解像素值为1区域的连通域和提取边缘,可以得到每个变化区域的边缘矢量多边形(后面简称变化区块)。即,对于任一图像对,每种弱模型检测目标图像对后得到1种变化区块的预测结果。
步骤204,基于目标图像对的至少2种变化区块的预测结果确定出目标图像对的高置信度的变化区块。
在本实施例中,可基于至少2种变化区块的预测结果的重叠部分确定高置信度的变化区块。对于图像对上的每个像素点,如果有超过预定数目的模型预测其为变化的像素,则可将该像素点确定为高置信度的变化像素。高置信度的变化像素构成了高置信度的变化区块。预定数目是可以配置的,可根据步骤202获取的弱模型的总数量设置,总数量越高则预定数目越大,例如,如果当前有5个弱模型,则可设置预定数目为3,如果当前有3个弱模型,则可设置预定数目为2。
步骤205,将目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
在本实施例中,可直接将至少一个图像对中的目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型(简称强模型)。也可对高置信度的变化区块进行人工修正后作为样本进行有监督地训练,得到强预训练模型。
本公开的实施例提供的用于生成图像变化检测模型的方法和装置,从多个弱变化检测模型获取高置信度的有效信息,减少人力标注成本和时间,并采用部分监督训练的思路,减少标注误差对模型造成的影响。
在本实施例的一些可选的实现方式中,可通过以下至少一种方式获取至少2种弱变化检测模型(简称弱模型):
1、采用公开的变化检测数据集训练变化检测模型。公开的变化检测数据集往往场景和卫星比较单一,但也能训练出有一定辨识度的变化检测模型,可作为弱模型使用。
2、获取至少一个图像对的部分像素的标注信息,基于图像对的部分像素的标注信息训练得到弱变化检测模型,可以分场景单独训练和合并训练,可以得到一批弱模型。
3、传统变化检测算法,采用传统机器学习算法进行变化检测,其中部分效果较好的模型也可以作为弱模型。
4、其他方法,比如采购各种来源的变化检测服务,这些服务也可以作为弱模型。
通过不同的来源获得弱变化检测模型,可针对不同场景的图像对进行识别,提高了模型的泛化能力和最终训练出的强模型的性能。
在本实施例的一些可选的实现方式中,基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块,包括:基于所述目标图像对的至少2种变化区块的预测结果中的重叠区块进行投票;将投票数高于预定票数阈值的变化区块确定为所述目标图像对的高置信度的变化区块。
步骤203中得到的变化区块和真实变化区块会有较大的差距,需要通过算法筛选过滤掉一些低置信度的变化区块。
这里可采用基于IoU阈值的投票算法来筛选出高置信度变化区块。IoU是两个区域重叠的部分除以两个区域的集合部分得出的结果,通过设定的阈值,与这个IoU计算结果比较。
1)对某模型m预测的第i个变化区块Bmi,可计算它和任意一个其他模型n的任意一个变化区域j的IoU(Bmi,Bnj),m≠n。
4)如果Vmi≥k,则变化区块Bmi为高置信度区块,否则为低置信度区块。其中k为可调整的阈值。
这种方式可以快速、准确地从多个弱模型的预测结果中确定出高置信度区块和低置信度区块,从而提高模型的训练速度和准确性。
在本实施例的一些可选的实现方式中,该方法还包括:获取至少一个图像对的精标数据;基于精标数据以预定学习率和全监督的方式微调强预训练模型,训练出最终的图像变化检测模型。用户还可进行交互式标注,以增加样本数量。使用扩充的样本再次训练强预训练模型,此时使用的学习率小于步骤205使用的学习率,可以是步骤205的学习率的1/10,或1/100。通过新增标注数据微调后的强模型的性能得到进一步提高。
继续参见图3,图3是根据本实施例的用于生成图像变化检测模型的方法的应用场景的一个示意图。在图3的应用场景中,服务器获取了校准对齐的至少一个图像对,图像1和图像1’是一对,还有其它的图像对省略未画出。将这些图像对输入2种弱变化检测模型(图中只是示意性列出2种,实际可支持更多种),每种弱变化检测模型都得到变化区块的预测结果,图中用空心圆表示变化的像素。将不同预测结果进行投票,确定出高置信度的变化区块(本例中将2个弱模型都认为是变化的像素确定为高置信度的像素)。然后根据每个图像对确定出的高置信度的变化区块训练出强预训练模型。
进一步参考图4,其示出了用于生成图像变化检测模型的方法的又一个实施例的流程400。该用于生成图像变化检测模型的方法的流程400,包括以下步骤:
步骤401,获取校准对齐的至少一个图像对。
步骤402,获取至少2种弱变化检测模型。
步骤403,对于至少一个图像对中的目标图像对,将目标图像对分别输入至少2种弱变化检测模型,得到目标图像对的至少2种变化区块的预测结果。
步骤404,基于目标图像对的至少2种变化区块的预测结果确定出目标图像对的高置信度的变化区块。
步骤405,将目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
步骤401-405与步骤201-205基本相同,因此不再赘述。
步骤406,获取用户对目标图像对的高置信度的区块的每个像素标注的类型。
在本实施例中,模型识别出的变化区块和无变化区块均可包括高置信度的区块和低置信度区块。可以人工筛选高置信度的区块,可分为三种类型:人工确认为变化区块、人工不确定的区块、人工确认为背景的区块。人工确认为变化区块是用户从高置信度的变化区块中能够肉眼确定出变化的像素,把这些像素标注出来构成人工确认为变化区块。人工不确定的区块是用户从高置信度的变化区块和高置信度的无变化区块中无法肉眼确定出是否变化的像素,把这些像素标注出来构成人工不确定的区块。人工确认为背景的区块是用户从高置信度的无变化区块中能够肉眼确定出没有发生变化的像素,把这些像素标注出来构成人工确认为背景的区块。
可以人工标注出这三种类型,也可只标注出任一种或两种。标注出的像素都可以作为训练样本。
步骤407,基于用户标注的类型和目标图像对的至少2种变化区块的预测结果确定训练样本。
在本实施例中,可直接根据用户标注的类型和模型识别的类型(例如,模型预测为变化区块和模型预测为无变化区块)将图像对划分为正样本(有变化区块)和负样本(无变化区块)。
在本实施例的一些可选的实现方式中,每个区域仅属于如下几种类型:人工确认为变化区块,人工不确定的区块,人工确认为背景区块,低置信度区块,所有模型都预测为背景的区域。由于存在真实的变化区域没有被找出来,整个训练问题为一个部分标注分割问题。可将上述类型划分为如下几个类别用于模型训练:
1、正样本:人工确认为变化区块
2、负样本:人工确认为背景区块,所有模型都预测为背景的区域
3、可疑样本:低置信度区块
4、忽略样本:人工不确定的区块
这样可以针对不同的样本设置不同的权重,提高模型的准确率和模型训练效率,加快模型收敛速度。
步骤408,基于训练样本进行有监督地训练,得到强预训练模型。
在本实施例中,在训练模型时,对于正样本和负样本,可按照正常的监督方式,希望正样本的预测结果为1,负样本的预测结果为0。
在本实施例的一些可选的实现方式中,对于忽略样本,训练时不计算忽略样本对应区域的损失值。这样可以降低忽略样本对模型参数的影响,提高模型的准确率并且加快训练速度。
在本实施例的一些可选的实现方式中,对于可疑样本,将可疑样本对应区域内部的概率的平均值的期望值设置为小于预定概率阈值。对于可疑样本,期望该类区域内部的概率的平均值要小于阈值λ,该约束条件比负样本的约束条件更为宽松,因此允许模型在该区域内预测出少量比例的正样本。这样可以降低可疑样本对模型参数的影响,提高模型的准确率并且加快训练速度。
在本实施例的一些可选的实现方式中,该方法还包括:获取至少一个图像对的精标数据;基于精标数据以预定学习率和全监督的方式微调强预训练模型,训练出最终的图像变化检测模型。用户还可进行交互式标注,以增加样本数量。使用扩充的样本再次训练强预训练模型,此时使用的学习率小于步骤408使用的学习率,可以是步骤408的学习率的1/10,或1/100。通过新增标注数据微调后的强模型的性能得到进一步提高。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成图像变化检测模型的方法的流程400体现了人工筛选扩充训练样本的步骤。由此,本实施例描述的方案能够以较小的代价扩充样本,提高模型的准确率和泛化能力。
继续参见图5,其示出了根据本申请的图像变化检测方法的一个实施例的流程500。该图像变化检测方法可以包括以下步骤:
步骤501,获取待检测的图像组。
在本实施例中,图像变化检测方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待检测的图像组,该图像组可包括至少一对图像。图像组可以是用于训练图像变化检测模型的样本图像。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集样本图像。这样,执行主体可以接收终端所收集的样本图像,并将这些样本图像存储在本地。该图像还可以是终端发送的用于检测变化的图像。
步骤502,将图像组输入图像变化检测模型,输出图像变化检测结果。
在本实施例中,图像变化检测模型为根据步骤201-205的方法训练出的图像变化检测模型,输出图像变化检测结果,即这对图像是否发生变化。图像变化检测结果可用作训练图像变化检测模型的标注数据。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于生成图像变化检测模型的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于生成图像变化检测模型的装置600包括:图像获取单元601、模型获取单元602、检测单元603、确定单元604、训练单元605。其中,图像获取单元601,被配置成获取校准对齐的至少一个图像对;模型获取单元602,被配置成获取至少2种弱变化检测模型;检测单元603,被配置成对于至少一个图像对中的目标图像对,将所述目标图像对分别输入至少2种弱变化检测模型,得到所述目标图像对的至少2种变化区块的预测结果;确定单元604,被配置成基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块;训练单元605,被配置成将所述目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
在本实施例中,用于生成图像变化检测模型的装置600的图像获取单元601、模型获取单元602、检测单元603、确定单元604、训练单元605的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在本实施例的一些可选的实现方式中,模型获取单元602进一步被配置成:通过以下至少一种方式获取至少2种弱变化检测模型:采用公开的变化检测数据集训练出弱变化检测模型;获取至少一个图像对的部分像素的标注信息,基于图像对的部分像素的标注信息训练得到弱变化检测模型;采用传统机器学习算法进行变化检测,将效果较好的模型作为弱变化检测模型;将各种来源的变化检测服务作为弱变化检测模型。
在本实施例的一些可选的实现方式中,确定单元604进一步被配置成:基于所述目标图像对的至少2种变化区块的预测结果中的重叠区块进行投票;将投票数高于预定票数阈值的变化区块确定为所述目标图像对的高置信度的变化区块。
在本实施例的一些可选的实现方式中,训练单元605进一步被配置成:获取用户对目标图像对的高置信度的区块的每个像素标注的类型;基于用户标注的类型和目标图像对的至少2种变化区块的预测结果确定训练样本;基于训练样本进行有监督地训练,得到强预训练模型。
在本实施例的一些可选的实现方式中,类型包括人工确认为变化区块、人工不确定的区块、人工确认为背景的区块;以及训练单元605进一步被配置成:基于目标图像对的低置信度区块、所有弱变化检测模型都预测为背景的区块、人工确认为变化区块、人工不确定的区块、人工确认为背景的区块确定出正样本、负样本、可疑样本、忽略样本。
在本实施例的一些可选的实现方式中,训练单元605进一步被配置成:对于忽略样本,训练时不计算忽略样本对应区域的损失值。
在本实施例的一些可选的实现方式中,训练单元605进一步被配置成:对于可疑样本,将可疑样本对应区域内部的概率的平均值的期望值设置为小于预定概率阈值。
在本实施例的一些可选的实现方式中,训练单元605进一步被配置成:获取至少一个图像对的精标数据;基于精标数据以预定学习率和全监督的方式微调强预训练模型,训练出最终的图像变化检测模型。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种图像变化检测装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的图像变化检测装置700包括:获取单元701,被配置成获取待检测的图像组;检测单元702,被配置成将所述图像组输入根据步骤201-205所述的方法生成的强预训练模型,输出图像变化检测结果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如方法用于生成图像变化检测模型。例如,在一些实施例中,方法用于生成图像变化检测模型可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的方法用于生成图像变化检测模型的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法用于生成图像变化检测模型。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种用于生成图像变化检测模型的方法,包括:
获取校准对齐的至少一个图像对;
获取至少2种弱变化检测模型;
对于所述至少一个图像对中的目标图像对,将所述目标图像对分别输入所述至少2种弱变化检测模型,得到所述目标图像对的至少2种变化区块的预测结果;
基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块;
将所述目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
2.根据权利要求1所述的方法,其中,所述获取至少2种弱变化检测模型,包括:
通过以下至少一种方式获取至少2种弱变化检测模型:
采用公开的变化检测数据集训练出弱变化检测模型;
获取所述至少一个图像对的部分像素的标注信息,基于所述图像对的部分像素的标注信息训练得到弱变化检测模型;
采用传统机器学习算法进行变化检测,将效果较好的模型作为弱变化检测模型;
将各种来源的变化检测服务作为弱变化检测模型。
3.根据权利要求1所述的方法,其中,所述基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块,包括:
基于所述目标图像对的至少2种变化区块的预测结果中的重叠区块进行投票;
将投票数高于预定票数阈值的变化区块确定为所述目标图像对的高置信度的变化区块。
4.根据权利要求1所述的方法,其中,所述将所述目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型,包括:
获取用户对所述目标图像对的高置信度的区块的每个像素标注的类型;
基于所述用户标注的类型和所述目标图像对的至少2种变化区块的预测结果确定训练样本;
基于所述训练样本进行有监督地训练,得到强预训练模型。
5.根据权利要求4所述的方法,其中,所述类型包括人工确认为变化区块、人工不确定的区块、人工确认为背景的区块;以及
所述基于所述用户标注的类型和所述目标图像对的至少2种变化区块的预测结果确定训练样本,包括:
基于所述目标图像对的低置信度区块、所有弱变化检测模型都预测为背景的区块、人工确认为变化区块、人工不确定的区块、人工确认为背景的区块确定出正样本、负样本、可疑样本、忽略样本。
6.根据权利要求5所述的方法,其中,所述基于所述训练样本进行有监督地训练,得到强预训练模型,包括:
对于所述忽略样本,训练时不计算忽略样本对应区域的损失值。
7.根据权利要求5所述的方法,其中,所述基于所述训练样本进行有监督地训练,得到强预训练模型,包括:
对于所述可疑样本,将所述可疑样本对应区域内部的概率的平均值的期望值设置为小于预定概率阈值。
8.根据权利要求1-7中任一项所述的方法,其中,所述方法还包括:
获取所述至少一个图像对的精标数据;
基于所述精标数据以预定学习率和全监督的方式微调所述强预训练模型,训练出最终的图像变化检测模型。
9.一种图像变化检测方法,包括:
获取待检测的图像组;
将所述图像组输入根据权利要求1-8中任一项所述的方法生成的强预训练模型,输出图像变化检测结果。
10.一种用于生成图像变化检测模型的装置,包括:
图像获取单元,被配置成获取校准对齐的至少一个图像对;
模型获取单元,被配置成获取至少2种弱变化检测模型;
检测单元,被配置成对于所述至少一个图像对中的目标图像对,将所述目标图像对分别输入所述至少2种弱变化检测模型,得到所述目标图像对的至少2种变化区块的预测结果;
确定单元,被配置成对于所述至少一个图像对中的图像对,基于所述目标图像对的至少2种变化区块的预测结果确定出所述目标图像对的高置信度的变化区块;
训练单元,被配置成将所述目标图像对的高置信度的变化区块作为样本进行有监督地训练,得到强预训练模型。
11.根据权利要求10所述的装置,其中,所述模型获取单元进一步被配置成:
通过以下至少一种方式获取至少2种弱变化检测模型:
采用公开的变化检测数据集训练出弱变化检测模型;
获取所述至少一个图像对的部分像素的标注信息,基于所述图像对的部分像素的标注信息训练得到弱变化检测模型;
采用传统机器学习算法进行变化检测,将效果较好的模型作为弱变化检测模型;
将各种来源的变化检测服务作为弱变化检测模型。
12.根据权利要求10所述的装置,其中,所述确定单元进一步被配置成:
基于所述目标图像对的至少2种变化区块的预测结果中的重叠区块进行投票;
将投票数高于预定票数阈值的变化区块确定为所述目标图像对的高置信度的变化区块。
13.根据权利要求10所述的装置,其中,所述训练单元进一步被配置成:
获取用户对所述目标图像对中的图像对的高置信度的区块的每个像素标注的类型;
基于所述用户标注的类型和所述目标图像对的至少2种变化区块的预测结果确定训练样本;
基于所述训练样本进行有监督地训练,得到强预训练模型。
14.根据权利要求13所述的装置,其中,所述类型包括人工确认为变化区块、人工不确定的区块、人工确认为背景的区块;以及
所述训练单元进一步被配置成:
基于所述目标图像对的低置信度区块、所有弱变化检测模型都预测为背景的区块、人工确认为变化区块、人工不确定的区块、人工确认为背景的区块确定出正样本、负样本、可疑样本、忽略样本。
15.根据权利要求14所述的装置,其中,所述训练单元进一步被配置成:
对于所述忽略样本,训练时不计算忽略样本对应区域的损失值。
16.根据权利要求14所述的装置,其中,所述训练单元进一步被配置成:
对于所述可疑样本,将所述可疑样本对应区域内部的概率的平均值的期望值设置为小于预定概率阈值。
17.根据权利要求10-116中任一项所述的装置,其中,所述训练单元进一步被配置成:
获取所述至少一个图像对的精标数据;
基于所述精标数据以预定学习率和全监督的方式微调所述强预训练模型,训练出最终的图像变化检测模型。
18.一种图像变化检测装置,包括:
获取单元,被配置成获取待检测的图像组;
检测单元,被配置成将所述图像组输入根据权利要求10-15中任一项所述的装置生成的强预训练模型,输出图像变化检测结果。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322609.0A CN112990045A (zh) | 2021-03-25 | 2021-03-25 | 用于生成图像变化检测模型和图像变化检测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322609.0A CN112990045A (zh) | 2021-03-25 | 2021-03-25 | 用于生成图像变化检测模型和图像变化检测的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990045A true CN112990045A (zh) | 2021-06-18 |
Family
ID=76333684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322609.0A Pending CN112990045A (zh) | 2021-03-25 | 2021-03-25 | 用于生成图像变化检测模型和图像变化检测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990045A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2518661A2 (en) * | 2011-04-29 | 2012-10-31 | Tata Consultancy Services Limited | System and method for human detection and counting using background modeling, hog and haar features |
US20160070988A1 (en) * | 2014-09-05 | 2016-03-10 | Apical Ltd | Method of image analysis |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测系统及终端 |
US20200110965A1 (en) * | 2018-10-08 | 2020-04-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating vehicle damage information |
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
US20200305808A1 (en) * | 2018-10-30 | 2020-10-01 | Diagnocat, Inc. | Automated Tooth Localization, Enumeration, and Diagnostic System and Method |
CN111967527A (zh) * | 2020-08-21 | 2020-11-20 | 菏泽学院 | 一种基于人工智能牡丹品种识别方法及识别系统 |
US20210004976A1 (en) * | 2019-07-06 | 2021-01-07 | Toyota Research Institute, Inc. | Systems and methods for semi-supervised training using reprojected distance loss |
CN112464885A (zh) * | 2020-12-14 | 2021-03-09 | 上海交通大学 | 基于机器学习的面部色斑未来变化的图像处理系统 |
-
2021
- 2021-03-25 CN CN202110322609.0A patent/CN112990045A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2518661A2 (en) * | 2011-04-29 | 2012-10-31 | Tata Consultancy Services Limited | System and method for human detection and counting using background modeling, hog and haar features |
US20160070988A1 (en) * | 2014-09-05 | 2016-03-10 | Apical Ltd | Method of image analysis |
US20200110965A1 (en) * | 2018-10-08 | 2020-04-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating vehicle damage information |
US20200305808A1 (en) * | 2018-10-30 | 2020-10-01 | Diagnocat, Inc. | Automated Tooth Localization, Enumeration, and Diagnostic System and Method |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测系统及终端 |
US20210004976A1 (en) * | 2019-07-06 | 2021-01-07 | Toyota Research Institute, Inc. | Systems and methods for semi-supervised training using reprojected distance loss |
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
CN111967527A (zh) * | 2020-08-21 | 2020-11-20 | 菏泽学院 | 一种基于人工智能牡丹品种识别方法及识别系统 |
CN112464885A (zh) * | 2020-12-14 | 2021-03-09 | 上海交通大学 | 基于机器学习的面部色斑未来变化的图像处理系统 |
Non-Patent Citations (4)
Title |
---|
冯春凤;范洪冬;温斌繁;马;: "基于堆叠稀疏自动编码器的SAR图像变化检测", 激光杂志, no. 11 * |
晏鹏程;张一鸣;童光红;黄锋;欧先锋;: "基于卷积神经网络的视频监控人脸识别方法", 成都工业学院学报, no. 01 * |
王玉龙;蒲军;赵江华;黎建辉;: "基于生成对抗网络的地面新增建筑检测", 计算机应用, no. 05 * |
陈伟栋;张杨;杨晓龙;: "基于肤色特征和深度模型的人脸检测方法", 工业控制计算机, no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
CN112633384A (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN112784778A (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN112989987A (zh) | 用于识别人群行为的方法、装置、设备以及存储介质 | |
CN114169425B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN114596188A (zh) | 水印检测方法、模型训练方法、装置及电子设备 | |
CN113869253A (zh) | 活体检测方法、训练方法、装置、电子设备及介质 | |
CN113657248A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN115170919A (zh) | 图像处理模型训练及图像处理方法、装置、设备和存储介质 | |
CN112990045A (zh) | 用于生成图像变化检测模型和图像变化检测的方法和装置 | |
CN113989568A (zh) | 目标检测方法、训练方法、装置、电子设备以及存储介质 | |
CN113344064A (zh) | 事件处理方法和装置 |
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 |