CN112990161A - 电子证照识别方法及装置 - Google Patents
电子证照识别方法及装置 Download PDFInfo
- Publication number
- CN112990161A CN112990161A CN202110531673.XA CN202110531673A CN112990161A CN 112990161 A CN112990161 A CN 112990161A CN 202110531673 A CN202110531673 A CN 202110531673A CN 112990161 A CN112990161 A CN 112990161A
- Authority
- CN
- China
- Prior art keywords
- electronic license
- model
- electronic
- recognition model
- output vector
- 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
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
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种电子证照识别方法及装置,电子证照识别方法包括获取电子证照识别模型训练数据集,采用描述语言对电子证照识别模型进行描述得到描述模型,将电子证照识别模型训练数据集输入描述模型得到输出向量,对输出向量进行度量,根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注,使用标注后的有效数据训练电子证照识别模型,使用训练好的电子证照识别模型进行电子证照识别。本申请可以减少人工数据标注的成本,提升模型识别性能,有效地提高电子证照识别可靠性。
Description
技术领域
本申请属于电子证照识别技术领域,具体涉及一种电子证照识别方法及装置。
背景技术
电子证照的出现极大的方便了人们的生活。与此同时,电子证照的识别技术伴随神经网络技术的发展同样取得了巨大的突破。采用神经网络技术的电子证照识别检测已经广泛地部署在众多软件系统中。但由于基于神经网络技术的电子证照识别模型训练数据庞大,且存在错误数据,会导致电子证照检测在某些输入下会表现出错误的行为,在某些情境下会产生严重后果。对于一个利用神经网络技术的电子证照识别检测系统,数据集标签的获取通常比获取数据集本身要困难的多,且数据集标签的获取需要花费大量的人力物力进行标签标注工作,不仅增加了整个项目的开发成本,同时也拖慢了项目的开发效率,并且对电子证照识别检测系统的可靠性质量保障工作产生负面作用。
发明内容
为至少在一定程度上克服基于神经网络技术的电子证照识别检测系统的数据集标签的获取需要花费大量的人力物力进行标签标注工作,不仅增加了整个项目的开发成本,同时也拖慢了项目的开发效率,并且对电子证照识别检测系统的可靠性质量保障工作产生负面作用的问题,本申请提供一种电子证照识别方法及装置。
第一方面,本申请提供一种电子证照识别方法,包括:
获取电子证照识别模型训练数据集;
采用描述语言对电子证照识别模型进行描述得到描述模型;
将电子证照识别模型训练数据集输入所述描述模型得到输出向量;
对输出向量进行度量;
根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注;
使用标注后的有效数据训练电子证照识别模型;
使用训练好的电子证照识别模型进行电子证照识别。
进一步的,所述提取所述电子证照识别模型训练数据集中有效数据,包括:
采用描述语言对电子证照识别模型进行描述得到描述模型;
将电子证照识别模型训练数据集输入所述描述模型得到输出向量;
对输出向量进行度量;
根据度量结果提取电子证照识别模型训练数据集中有效数据。
进一步的,所述对输出向量进行度量,包括:
使用信息熵对输出向量进行特征选择;
使用基尼不纯度对输出向量中选择的特征进行计算得到错分概率;
使用快速排序算法对所述错分概率进行排序,得到输出向量度量结果。
进一步的,所述根据度量结果提取电子证照识别模型训练数据集中有效数据,包括:
将错分概率大的数据排序在前;
获取排序在预设范围值内的错分概率对应的错分输出向量;
反溯电子证照识别模型训练数据集中错分输出向量对应的训练数据作为有效数据。
进一步的,还包括:
通过采用echart算法对度量结果进行展示。
进一步的,还包括:
使用缺陷检测加权平均百分比度量表征度量结果。
进一步的,所述使用训练好的电子证照识别模型进行电子证照识别,包括:
获取电子证照中人脸图像;
对所述人脸图像进行对齐;
将对齐后的人脸图像输入训练好的电子证照识别模型得到人脸表征值;
计算所述人脸表征值与识别库中人脸表征值的相似度;
根据相似度计算结果得到电子证照识别结果。
进一步的,所述对所述人脸图像进行对齐包括:
选择特征参考点,所述特征参考点位于人脸图像中固定位置;
根据所述特征参考点缩放和裁剪人脸图像。
进一步的,所述获取电子证照中人脸图像包括:
通过人脸检测器检测电子证照中是否存在人脸;
若存在,绘制包含人脸的边界框,并确定边界框的坐标。
第二方面,本申请提供一种电子证照识别装置,包括:
获取模块,用于获取电子证照识别模型训练数据集;
提取模块,用于采用描述语言对电子证照识别模型进行描述得到描述模型;将电子证照识别模型训练数据集输入所述描述模型得到输出向量;对输出向量进行度量;根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注;
训练模块,用于使用标注后的有效数据训练电子证照识别模型;
识别模块,用于使用训练好的电子证照识别模型进行电子证照识别。
本申请的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的电子证照识别方法及装置,通过获取电子证照识别模型训练数据集,采用描述语言对电子证照识别模型进行描述得到描述模型,将电子证照识别模型训练数据集输入所述描述模型得到输出向量,对输出向量进行度量,根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注,使用标注后的有效数据训练电子证照识别模型,使用训练好的电子证照识别模型进行电子证照识别,可以减少人工数据标注的成本,提升模型识别性能,有效地提高电子证照识别可靠性。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的一种电子证照识别方法的流程图。
图2为本申请另一个实施例提供的一种电子证照识别方法的流程图。
图3为本申请另一个实施例提供的一种电子证照识别方法的流程图。
图4为本申请一个实施例提供的一种电子证照识别装置的功能结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的电子证照识别方法的流程图,如图1所示,该电子证照识别方法,包括:
S11:获取电子证照识别模型训练数据集;
S12:采用描述语言对电子证照识别模型进行描述得到描述模型;
S13:将电子证照识别模型训练数据集输入描述模型得到输出向量;
S14:对输出向量进行度量;
S15:根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注;
S16:使用标注后的有效数据训练电子证照识别模型;
S17:使用训练好的电子证照识别模型进行电子证照识别。
由于基于神经网络技术的电子证照识别模型训练数据庞大,且存在错误数据,会导致电子证照检测在某些输入下会表现出错误的行为,在某些情境下会产生严重后果。对于一个利用神经网络技术的电子证照识别检测系统,数据集标签的获取通常比获取数据集本身要困难的多,且数据集标签的获取需要花费大量的人力物力进行标签标注工作,不仅增加了整个项目的开发成本,同时也拖慢了项目的开发效率,并且对电子证照识别检测系统的可靠性质量保障工作产生负面作用。
有效数据例如为使电子证照识别模型在一个测试用例下出现误判的数据,说明此时电子证照识别模型在这些有效数据下出现了问题,由于电子证照识别模型,往往已经能够对大部分输入数据表现出符合预期的行为,因此并没有必要对全部训练集数据进行标注。而对不符合预期的数据即当前有效数据对于电子证照识别模型来说是非常有意义的。将这些有效数据进行纠正标注,之后使用纠正后的有效数据再次训练电子证照识别模型可以提升模型的性能。
本实施例中,通过获取电子证照识别模型训练数据集,提取电子证照识别模型训练数据集中有效数据并进行标注,使用标注后的有效数据训练电子证照识别模型,使用训练好的电子证照识别模型进行电子证照识别,可以减少人工数据标注的成本,提升模型识别性能,有效地提高电子证照识别可靠性。
图2为本申请另一个实施例提供的一种电子证照识别方法的流程图,如图2所示,该电子证照识别方法,包括:
S21:采用描述语言对电子证照识别模型进行描述得到描述模型;
采用统一的中间语言来完成用户模型逻辑的搭建工作,例如可以通过XML的方式来定义模型结构,代码翻译器会自动将XML的模型定义文件转化为对应电子证照识别模型框架下的Python代码。此后,每适配一种新的框架,只需要编写相应的代码转换逻辑即可,实现将模型和具体的深度学习框架解耦,做到一次设计,即可运行在各个平台之上。
S22:将电子证照识别模型训练数据集输入描述模型得到输出向量;
S23:对输出向量进行度量;
一些实施例中,对输出向量进行度量,包括:
S231:使用信息熵对输出向量进行特征选择;
S232:使用基尼不纯度对输出向量中选择的特征进行计算得到错分概率;
S233:使用快速排序算法对所述错分概率进行排序,得到输出向量度量结果。
S24:根据度量结果提取电子证照识别模型训练数据集中有效数据。
一些实施例中,根据度量结果提取电子证照识别模型训练数据集中有效数据,包括:
S241:将错分概率大的数据排序在前;
S242:获取排序在预设范围值内的错分概率对应的错分输出向量;
S243:反溯电子证照识别模型训练数据集中错分输出向量对应的训练数据作为有效数据。
使用信息熵进行特征的选择,衡量结果的不确定性。除此之外,使用基尼不纯度计算输出向量中被错误的划分到其他组里的概率即错分概率。为了有效的提高电子证照识别模型的质量,将误分类问题简化为一个衡量测试集合杂质的问题。衡量误分类可能性的度量标准定义如下:给定一张电子证照t和它在电子证照识别模型下的输出,定义来度量t可能被错误分类的概率。
利用每张电子证照所对应的错分概率,可以直接用快速排序来给它进行排序,以提升提取速率。同时由于度量计算只需要输出向量,因此该方法基本不会对原有的模型进行干涉。引入训练数据度量优先级排序技术,从而优先执行贡献程度较高的训练数据。利用该方法进行度量更有区分度,因为每个训练数据通常都有着不同的输出向量,但却很可能拥有相同的覆盖率。该度量不用记录中间信息来计算覆盖率。而只需要对训练数据进行优先排序,所以更为安全,易用。
一些实施例中,还包括:
通过采用echart算法对度量结果进行展示。
一些实施例中,还包括:
使用缺陷检测加权平均百分比度量表征度量结果。
采用echart等方式对度量后结果-缺陷检测加权平均百分比APFD(average ofthe percentage of faults detected)进行展示,APFD用于度量测试用例优先级排序方法的测试效率。同时Top10的有效数据会被可视化的方式展现出来,以方便使用人员对有效数据的特性有一个更好的理解。测试用例优先级排序的目的是对总量庞大的数据集进行过滤,从中选取出对提升系统性能较为有效的训练数据,之后针对这部分训练数据进行人工标注,可以最大程度上减少数据标注的成本。电子证照识别模型例如为基于DNN电子证照识别模型,由于DNN算法往往已经能够对大部分输入数据表现出符合预期的行为,因此并没有必要对全部测试集数据进行标注。而错分概率反溯出的训练数据是指在一个测试用例下电子证照检测模型出现误判的情况,说明此时电子证照检测模型在当前有效数据下出现了问题,即当前有效数据对于电子证照检测模型来说是有意义的。因此,优先级排序后该有效数据应排在相对靠前的位置。APFD公式为:
其中,n表示测试用例集T中测试用例数目,m表示该测试用例集可检测软件缺陷的数量,表示经过排序后的测试用例集中首次发现缺陷i的测试用例在该序列中的次序。APFD为非负值,并且APFD的值越大,代表该测试排序的检错速度越快。
本实施例中,通过将度量算法在电子证照识别检测的任务上,可以帮助软件开发人员减少了90%的人工数据标注的成本,同时通过针对排序后数据的重训练,模型的性能能够提升5~10%。既能够有效地提高电子证照识别模型的推理性能,同时也能够大幅度地降低人工数据标注的成本。
图3为本申请另一个实施例提供的一种电子证照识别方法的流程图,如图3所示,该电子证照识别方法,包括:
S31:获取电子证照中人脸图像;
一些实施例中,获取电子证照中人脸图像包括:
S311:通过人脸检测器检测电子证照中是否存在人脸;
S312:若存在,绘制包含人脸的边界框,并确定边界框的坐标。
S32:对人脸图像进行对齐;
一些实施例中,对人脸图像进行对齐包括:
S321:选择特征参考点,所述特征参考点位于人脸图像中固定位置;
S322:根据所述特征参考点缩放和裁剪人脸图像。
S33:将对齐后的人脸图像输入训练好的电子证照识别模型得到人脸表征值;
S34:计算人脸表征值与识别库中人脸表征值的相似度;
S35:根据相似度计算结果得到电子证照识别结果。
本实施例中,对已经训练完成的电子证照检测模型,给定一组具体的电子证照图片作为测试用例送入电子证照检测模型进行检测,从中挑选出使得模型检测出错概率较高的测试用例,这些被挑选出的测试用例对于提高电子证照模型检测精度来说具有重要意义。
本发明实施例提供一种电子证照识别装置,如图4所示的功能结构图,该电子证照识别装置包括:
获取模块41,用于获取电子证照识别模型训练数据集;
提取模块42,用于采用描述语言对电子证照识别模型进行描述得到描述模型,将电子证照识别模型训练数据集输入描述模型得到输出向量,对输出向量进行度量,根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注;
训练模块43,用于使用标注后的有效数据训练电子证照识别模型;
识别模块44,用于使用训练好的电子证照识别模型进行电子证照识别。
本实施例中,通过获取模块获取电子证照识别模型训练数据集,提取模块采用描述语言对电子证照识别模型进行描述得到描述模型,将电子证照识别模型训练数据集输入描述模型得到输出向量,对输出向量进行度量,根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注,训练模块使用标注后的有效数据训练电子证照识别模型,识别模块使用训练好的电子证照识别模型进行电子证照识别,可以减少人工数据标注的成本,提升模型识别性能,有效地提高电子证照识别可靠性。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
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组件的形式实现。所述集成的模块如果以软件功能组件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。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。
需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (9)
1.一种电子证照识别方法,其特征在于,包括:
获取电子证照识别模型训练数据集;
采用描述语言对电子证照识别模型进行描述得到描述模型;
将电子证照识别模型训练数据集输入所述描述模型得到输出向量;
对输出向量进行度量;
根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注;
使用标注后的有效数据训练电子证照识别模型;
使用训练好的电子证照识别模型进行电子证照识别。
2.根据权利要求1所述的电子证照识别方法,其特征在于,所述对输出向量进行度量,包括:
使用信息熵对输出向量进行特征选择;
使用基尼不纯度对输出向量中选择的特征进行计算得到错分概率;
使用快速排序算法对所述错分概率进行排序,得到输出向量度量结果。
3.根据权利要求2所述的电子证照识别方法,其特征在于,所述根据度量结果提取电子证照识别模型训练数据集中有效数据,包括:
将错分概率大的数据排序在前;
获取排序在预设范围值内的错分概率对应的错分输出向量;
反溯电子证照识别模型训练数据集中错分输出向量对应的训练数据作为有效数据。
4.根据权利要求1或2所述的电子证照识别方法,其特征在于,还包括:
通过采用echart算法对度量结果进行展示。
5.根据权利要求2所述的电子证照识别方法,其特征在于,还包括:
使用缺陷检测加权平均百分比度量表征度量结果。
6.根据权利要求1所述的电子证照识别方法,其特征在于,所述使用训练好的电子证照识别模型进行电子证照识别,包括:
获取电子证照中人脸图像;
对所述人脸图像进行对齐;
将对齐后的人脸图像输入训练好的电子证照识别模型得到人脸表征值;
计算所述人脸表征值与识别库中人脸表征值的相似度;
根据相似度计算结果得到电子证照识别结果。
7.根据权利要求6所述的电子证照识别方法,其特征在于,所述对所述人脸图像进行对齐包括:
选择特征参考点,所述特征参考点位于人脸图像中固定位置;
根据所述特征参考点缩放和裁剪人脸图像。
8.根据权利要求6所述的电子证照识别方法,其特征在于,所述获取电子证照中人脸图像包括:
通过人脸检测器检测电子证照中是否存在人脸;
若存在,绘制包含人脸的边界框,并确定边界框的坐标。
9.一种电子证照识别装置,其特征在于,包括:
获取模块,用于获取电子证照识别模型训练数据集;
提取模块,用于采用描述语言对电子证照识别模型进行描述得到描述模型;将电子证照识别模型训练数据集输入所述描述模型得到输出向量;对输出向量进行度量;根据度量结果提取电子证照识别模型训练数据集中有效数据并进行标注;
训练模块,用于使用标注后的有效数据训练电子证照识别模型;
识别模块,用于使用训练好的电子证照识别模型进行电子证照识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531673.XA CN112990161A (zh) | 2021-05-17 | 2021-05-17 | 电子证照识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531673.XA CN112990161A (zh) | 2021-05-17 | 2021-05-17 | 电子证照识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990161A true CN112990161A (zh) | 2021-06-18 |
Family
ID=76336609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110531673.XA Pending CN112990161A (zh) | 2021-05-17 | 2021-05-17 | 电子证照识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990161A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096661A (zh) * | 2016-06-24 | 2016-11-09 | 中国科学院电子学研究所苏州研究院 | 基于相对属性随机森林的零样本图像分类方法 |
CN109934203A (zh) * | 2019-03-25 | 2019-06-25 | 南京大学 | 一种基于信息熵选择的代价敏感增量式人脸识别方法 |
CN110472494A (zh) * | 2019-06-21 | 2019-11-19 | 深圳壹账通智能科技有限公司 | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 |
CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
CN112084812A (zh) * | 2019-06-12 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-05-17 CN CN202110531673.XA patent/CN112990161A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096661A (zh) * | 2016-06-24 | 2016-11-09 | 中国科学院电子学研究所苏州研究院 | 基于相对属性随机森林的零样本图像分类方法 |
CN109934203A (zh) * | 2019-03-25 | 2019-06-25 | 南京大学 | 一种基于信息熵选择的代价敏感增量式人脸识别方法 |
CN112084812A (zh) * | 2019-06-12 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110472494A (zh) * | 2019-06-21 | 2019-11-19 | 深圳壹账通智能科技有限公司 | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 |
CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
侯超群: "主动学习策略研究及其在图像分类中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324937B (zh) | 标注目标的方法和装置 | |
TW202027007A (zh) | 電腦執行的車輛定損方法及裝置 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
US10115189B2 (en) | Image processing apparatus, image processing method, and recording medium | |
US20180341810A1 (en) | Recognition Process Of An Object In A Query Image | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
TW202009681A (zh) | 樣本標註方法及裝置、損傷類別的識別方法及裝置 | |
CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
CN115136209A (zh) | 缺陷检测系统 | |
CN117611879A (zh) | 缺陷检测方法、装置、设备及计算机可读介质 | |
CN116977257A (zh) | 缺陷检测方法、装置、电子设备、存储介质及程序产品 | |
CN114254146A (zh) | 图像数据的分类方法、装置和系统 | |
WO2022237157A1 (zh) | 一种视频数据集标注方法及装置 | |
CN111967450B (zh) | 自动驾驶模型用样本获取方法、训练方法、装置及系统 | |
CN114120071A (zh) | 一种带有对象标注框图像的检测方法 | |
CN116126740B (zh) | 模型在环测试方法、装置、计算机设备及存储介质 | |
CN110826616B (zh) | 信息处理方法及装置、电子设备、存储介质 | |
CN112990161A (zh) | 电子证照识别方法及装置 | |
CN114550129B (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
CN114841255A (zh) | 检测模型的训练方法、装置、设备、存储介质及程序产品 | |
CN110647826B (zh) | 商品训练图片的获取方法、装置、计算机设备和存储介质 | |
CN111753625A (zh) | 一种行人检测方法、装置、设备及介质 | |
CN112699908A (zh) | 标注图片的方法、电子终端、计算机可读存储介质及设备 | |
Garrido-Munoz et al. | End-to-End Graph Prediction for Optical Music Recognition | |
CN118411731B (zh) | 基于多模态的智能表计读数方法、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |