CN113012176B - 样本图像的处理方法、装置、电子设备及存储介质 - Google Patents
样本图像的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113012176B CN113012176B CN202110287801.0A CN202110287801A CN113012176B CN 113012176 B CN113012176 B CN 113012176B CN 202110287801 A CN202110287801 A CN 202110287801A CN 113012176 B CN113012176 B CN 113012176B
- Authority
- CN
- China
- Prior art keywords
- target
- area
- sample image
- covered
- processing
- 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
- 238000003672 processing method Methods 0.000 title abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 179
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims description 37
- 230000000877 morphologic effect Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 abstract description 20
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 17
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000010801 machine learning 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
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Abstract
本申请公开了样本图像的处理方法、装置、电子设备及存储介质,涉及人工智能技术领域,具体涉及智能交通、深度学习、计算机视觉技术领域。具体实现方案:获取样本图像,并从样本图像中提取目标检测区域和参考区域;从目标检测区域之中确定目标顶点;从目标检测区域之中确定出与目标顶点对应的待覆盖区域;以及采用参考区域处理待覆盖区域,以得到目标样本图像,从而能够实现对训练用的样本图像进行增强处理,从而丰富遮挡类的样本图像的数量,辅助提升目标检测模型的训练效果和检测性能。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及智能交通、深度学习、计算机视觉技术领域,尤其涉及样本图像的处理方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术,以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
随着人工智能技术地不断发展和完善,其已经在与人类日常生活相关的各个领域扮演着极其重要的作用,例如,人工智能已在智能交通中的遮挡目标检测领域取得了显著的进展。
发明内容
提供了一种样本图像的处理方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面,提供了一种样本图像的处理方法,包括:获取样本图像,并从所述样本图像中提取目标检测区域和参考区域;从所述目标检测区域之中确定目标顶点;从所述目标检测区域之中确定出与所述目标顶点对应的待覆盖区域;以及采用所述参考区域处理所述待覆盖区域,以得到目标样本图像。
根据第二方面,提供了一种样本图像的处理装置,包括:第一获取模块,用于获取样本图像,并从所述样本图像中提取目标检测区域和参考区域;第一确定模块,用于从所述目标检测区域之中确定目标顶点;第二确定模块,用于从所述目标检测区域之中确定出与所述目标顶点对应的待覆盖区域;以及处理模块,用于采用所述参考区域处理所述待覆盖区域,以得到目标样本图像。
根据第三方面,提供了一种电子设备,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本申请实施例的样本图像的处理方法。
根据第四方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例公开的样本图像的处理方法。
根据第五方面,提出了一种计算机程序产品,包括计算机程序,当所述计算机程序由处理器执行时实现本申请实施例公开的样本图像的处理方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2为本申请实施例中一样本图像示意图;
图3为本申请实施例中另一样本图像示意图;
图4是根据本申请第二实施例的示意图;
图5为本申请实施例中另一样本图像示意图;
图6为本申请实施例中另一样本图像示意图;
图7为本申请实施例中另一样本图像示意图;
图8是根据本申请第三实施例的示意图;
图9是根据本申请第四实施例的示意图;
图10是用来实现本申请实施例的样本图像的处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
相关技术中为了提高遮挡目标检测效果,是通过增加样本图像的种类,训练人工智能模型以学习到该种类的样本图像的图像特征,这种方式下收集多种类的样本图像需要耗费大量的时间和精力,从而影响目标检测模型的训练效果,本申请实施例正是为了解决相关技术中存在的技术问题,提供了一种样本图像的处理方法,通过获取样本图像,并从样本图像中提取目标检测区域和参考区域;从目标检测区域之中确定目标顶点;从目标检测区域之中确定出与目标顶点对应的待覆盖区域;以及采用参考区域处理待覆盖区域,以得到目标样本图像,能够实现对训练用的样本图像进行增强处理,从而丰富遮挡类的样本图像的数量,辅助提升目标检测模型的训练效果和检测性能。
图1是根据本申请第一实施例的示意图。
其中,需要说明的是,本实施例的样本图像的处理方法的执行主体为样本图像的处理装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本申请实施例涉及智能交通、深度学习、计算机视觉等人工智能技术领域。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
而计算机视觉,是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
如图1所示,该样本图像的处理方法包括:
S101:获取样本图像,并从样本图像中提取目标检测区域和参考区域。
其中,用于训练目标检测模型的图像,可以被称为样本图像,而目标检测模型,可以具体是指具有目标检测功能的人工智能模型,人工智能模型比如神经网络模型或者机器学习模型等。
目标检测,比如可以应用在智能交通的应用场景,在智慧交通的应用场景中,通过统计路口的车流,人流,运动轨迹等信息,可以有效的降低交通拥堵问题和缓解交通事故发生的概率。而目标检测可以识别出摄像机等传感器传回画面(一般是视频图像)中的目标物体的信息,在目标检测应用的过程中,通常是采用目标检测模型识别出视频图像中的候选检测区域(候选检测区域比如一个矩形的检测框所覆盖的区域),而后将该候选检测区域框选出的物体作为识别到的目标物体。
本申请实施例中提供的样本图像的处理方法,具体是用于对训练目标检测模型用的样本图像进行处理,从而丰富遮挡类样本图像的数量,从而辅助提升目标检测模型的训练效果和检测性能。
上述的样本图像,可以是解析摄像机等传感器传回的视频的图像帧得到的,其中,视频可以是任意的跟踪场景视频,比如自动驾驶中车辆设备捕获的驾驶环境场景视频,或者也可以是视频监控设备捕获的监控场景视频,视频中通常包含多帧的图像帧,对此不做限制。
上述在获取样本图像之后,还可以从样本图像中提取目标检测区域和参考区域。
本申请实施例中,可以首先对样本图像之中的目标进行检测,以得到与目标对应的检测区域,其中,目标是视频之中待检测的对象,比如,驾驶环境场景视频中的车辆、行人等,监控场景视频中的乘客等,对此不做限制。
目标检测区域,可以是多个检测区域之中当前对其进行遮挡处理的检测区域,而参考区域,可以是多个检测区域之中除目标检测区域的其它检测区域,或者,也可以是样本图像之中除目标检测区域之外的背景区域,对此不做限制。
如图2所示,图2为本申请实施例中一样本图像示意图,该样本图像包括:多个检测区域,以及背景区域,可以从中提取未被遮挡的检测区域并作为目标检测区域,将其它检测区域或者背景区域作为参考区域,可以从图2中的多个检测区域之中确定检测区域A为目标检测区域,而后,将其它检测区域B、C、D、E确定为参考区域,图2中参考区域B的一部分被遮挡,对此不做限制。
在实际的应用场景中,如果样本图像的数量为多个,则可以针对每个样本图像,均执行针对性的处理,对此不做限制。
S102:从目标检测区域之中确定目标顶点。
上述在从样本图像中提取目标检测区域和参考区域之后,可以直接从目标检测区域之中确定目标顶点,其中,目标顶点可以是样本图像之中的一个像素点。
比如,可以随机地从目标检测区域之中确定出一个像素点并作为目标顶点,或者,也可以基于概率统计的方式,从目标检测区域之中确定出一个像素点并作为目标顶点,或者,也可以将目标检测区域相对于样本图像的位置特征输入至预训练的模型之中,并根据该模型的输出确定目标顶点,对此不做限制。
S103:从目标检测区域之中确定出与目标顶点对应的待覆盖区域。
上述在从目标检测区域之中确定目标顶点之后,可以从目标检测区域之中确定出与目标顶点对应的待覆盖区域,例如,可以从目标检测区域之中,确定出与目标顶点关联的部分检测区域并作为待覆盖区域,该待覆盖区域,可以在对目标检测区域进行遮挡处理时,作为被覆盖的区域,该待覆盖区域可以是随机确定的,或者,也可以是采用预设的模型计算得出的,对此不做限制。
可选地,一些实施例中,从目标检测区域之中确定出与目标顶点对应的待覆盖区域,可以是确定与目标顶点对应的属性信息;根据属性信息,从目标检测区域之中确定出目标矩形区域并作为待覆盖区域,目标矩形区域的一个顶点是目标顶点,且目标矩形的至少部分边与目标检测区域的框选边重叠,由于使得待覆盖区域的一个顶点是目标顶点,且待覆盖区域的至少部分边与目标检测区域的框选边重叠,能够有效地适配实际应用场景中的目标的遮挡情况,即,由于实际应用场景中的目标的遮挡情况通常是一侧或者多侧的局部遮挡,而较少的情况是目标的中段的局部遮挡,因此,能够有效提升样本图像的遮挡处理的合理性。
上述确定与目标顶点对应的属性信息,可以具体是随机确定的,属性信息例如左上,左下,右上,右下,该属性信息可以被用于辅助确定待覆盖区域,对此不做限制。
上述根据属性信息,从目标检测区域之中确定出目标矩形区域并作为待覆盖区域,可以具体如图3所示,图3为本申请实施例中另一样本图像示意图,其中,目标检测区域A、参考区域C、目标顶点31,目标顶点31的属性信息是右上,则可以将目标检测区域A,以目标顶点31为顶点,与目标检测区域A的边框所重叠的目标矩形区域32作为待覆盖区域,另外一些实施例中,也可以将属性信息是左上,左下,右下指示的目标矩形区域作为待覆盖区域,对此不做限制。
S104:采用参考区域处理待覆盖区域,以得到目标样本图像。
上述在从目标检测区域之中确定出与目标顶点对应的待覆盖区域之后,可以采用参考区域处理待覆盖区域,以得到目标样本图像。
举例而言,可以采用参考区域覆盖在待覆盖区域之上,从而将覆盖后的样本图像作为目标样本图像,或者,也可以确定参考区域的图像特征和待覆盖区域的图像特征,将参考区域的图像特征加权至待覆盖区域的图像特征,从而将加权处理后的样本图像作为目标样本图像,对此不做限制。
而本申请的实施例中,假设参考区域包括参考检测区域和背景区域,则采用参考区域处理待覆盖区域,以得到目标样本图像,可以是获取目标处理类型;如果目标处理类型是前景增强类型,则采用参考检测区域处理待覆盖区域,以得到目标样本图像;如果目标处理类型是背景增强类型,则采用背景区域处理待覆盖区域,以得到目标样本图像,由于是结合目标处理类型确定相应的处理方式,并且该目标处理类型是与目标检测模型的训练需求所相关的,从而使得样本图像的处理方式能够灵活地适配于目标检测模型的训练需求,使得样本图像的处理方式更为灵活,适用性更强。
本申请实施例中,将样本图像处理为前景增强类数据的处理类型,可以被称为前景增强类型,相应的,将样本图像处理为背景增强类数据的处理类型,可以被称为背景增强类型,
而前景增强类数据和背景增强类数据可以举例说明如下:假设样本图像中有人和车辆,人和车辆都是待检测的目标,则人遮挡了车,或者车遮挡了人,则该样本图像可以被称为前景遮挡类数据,而人或者车如果在一个拐角处,被非检测目标的建筑物或者道路遮挡,则该样本图像可以被称为背景类遮挡数据,对此不做限制。
则本申请实施例中,如果目标处理类型是前景增强类型,则采用参考检测区域处理待覆盖区域,以得到目标样本图像;如果目标处理类型是背景增强类型,则采用背景区域处理待覆盖区域,以得到目标样本图像,例如,如果待将样本图像处理为前景增强类数据,则可以采用图2中所示的其它检测区域来覆盖待覆盖区域,而如果待将样本图像处理为背景增强类数据,则可以采用图2中所示的背景区域来覆盖待覆盖区域。
本实施例中,通过获取样本图像,并从样本图像中提取目标检测区域和参考区域;从目标检测区域之中确定目标顶点;从目标检测区域之中确定出与目标顶点对应的待覆盖区域;以及采用参考区域处理待覆盖区域,以得到目标样本图像,能够实现对训练用的样本图像进行增强处理,从而丰富遮挡类的样本图像的数量,辅助提升目标检测模型的训练效果和检测性能。
图4是根据本申请第二实施例的示意图。
如图4所示,该样本图像的处理方法包括:
S401:获取样本图像,并从样本图像中提取目标检测区域和参考区域。
S402:从目标检测区域之中确定目标顶点。
S403:从目标检测区域之中确定出与目标顶点对应的待覆盖区域。
S404:获取目标处理类型。
S401-S404的描述说明可以具体参见上述实施例,在此不再赘述。
S405:如果目标处理类型是前景增强类型,则确定参考检测区域对应于样本图像之中的第一位置信息。
本申请实施例中,将样本图像处理为前景增强类数据的处理类型,可以被称为前景增强类型,相应的,将样本图像处理为背景增强类数据的处理类型,可以被称为背景增强类型,
而前景增强类数据和背景增强类数据可以举例说明如下:假设样本图像中有人和车辆,人和车辆都是待检测的目标,则人遮挡了车,或者车遮挡了人,则该样本图像可以被称为前景遮挡类数据,而人或者车如果在一个拐角处,被非检测目标的建筑物或者道路遮挡,则该样本图像可以被称为背景类遮挡数据,对此不做限制。
由此,本申请实施例中,如果目标处理类型是前景增强类型,则采用参考检测区域处理待覆盖区域,以得到目标样本图像;例如,如果待将样本图像处理为前景增强类数据,则可以采用图2中所示的其它检测区域来覆盖待覆盖区域。
在具体执行的过程中,采用参考检测区域处理待覆盖区域,以得到目标样本图像,可以首先确定参考检测区域对应于样本图像之中的第一位置信息,参考检测区域可以例如为图2中的检测区域C,则目标检测区域A和参考检测区域C实际上均是图2中所示样本图像之中的未遮挡的检测区域,其中的第一位置信息,可以用于标识参考检测区域C对应于样本图像之中的位置,第一位置信息,可以例如为参考检测区域C对应于样本图像之中的位置坐标,对此不做限制。
S406:将第一位置信息调整为第二位置信息,以得到目标样本图像,其中,当参考检测区域在样本图像之中的第一位置信息被调整至第二位置信息时,参考检测区域之中的至少部分区域覆盖在待覆盖区域之上。
上述在目标处理类型是前景增强类型时,确定参考检测区域对应于样本图像之中的第一位置信息之后,可以将第一位置信息调整为第二位置信息,以得到目标样本图像。
结合上述的图2和图3中所示,在图2中,参考检测区域C相对于样本图像的位置可以被称为第一位置信息,而在图3中,由于将参考检测区域C的位置进行了调整,使得参考检测区域C覆盖至目标检测区域A的右上部分的待覆盖区域之上,则覆盖之后的参考检测区域C的位置,可以被称为第二位置信息。
另外一些实施例中,如图5所示,图5为本申请实施例中另一样本图像示意图,其中,由于将参考检测区域C的位置进行了调整,使得参考检测区域C覆盖至目标检测区域A的右下部分的待覆盖区域之上,则覆盖之后的参考检测区域C相对于样本图像的位置,可以被称为第二位置信息。
在图5中,如果目标顶点的属性信息是右下,则可以配置参考检测区域C覆盖至目标检测区域A的右下部分的待覆盖区域之上,另外一些实施例中,如果目标顶点的属性信息是左上,则可以配置参考检测区域C覆盖至目标检测区域A的左上部分的待覆盖区域之上,如果目标顶点的属性信息是左下,则可以配置参考检测区域C覆盖至目标检测区域A的左下部分的待覆盖区域之上,对此不做限制。
S407:如果目标处理类型是背景增强类型,则确定待覆盖区域对应的第一形态特征。
在具体执行的过程中,采用背景区域处理待覆盖区域,以得到目标样本图像,可以首先确定待覆盖区域对应的第一形态特征,其中,第一形态特征,可以具体是待覆盖区域的形状、面积、长宽比例值(或者如果形状为圆形,则是半径值等,对此不做限制),该第一形态特征,可以被用于确定后续目标覆盖区域的形态特征,目标覆盖区域的形态特征,可以被称为第二形态特征。
S408:根据第一形态特征从背景区域之中选取目标覆盖区域,目标覆盖区域的第二形态特征与第一形态特征相同。
上述在目标处理类型是背景增强类型时,确定待覆盖区域对应的第一形态特征之后,可以根据第一形态特征从背景区域之中选取目标覆盖区域,并使得目标覆盖区域的第二形态特征与第一形态特征相同。
S409:将目标覆盖区域覆盖在待覆盖区域之上,以得到目标样本图像。
上述在根据第一形态特征从背景区域之中选取目标覆盖区域之后,可以将目标覆盖区域覆盖在待覆盖区域之上,以得到目标样本图像。
如图6和图7所示,图6为本申请实施例中另一样本图像示意图,图7为本申请实施例中另一样本图像示意图,在图6中,包括目标覆盖区域61,以及待覆盖区域,其中,将目标覆盖区域61覆盖在待覆盖区域之上,则目标覆盖区域61和待覆盖区域即是重叠状态,在图6中,目标顶点的属性信息可以是右上,在图7中,包括目标覆盖区域71,以及待覆盖区域,其中,将目标覆盖区域71覆盖在待覆盖区域之上,则目标覆盖区域71和待覆盖区域即是重叠状态,在图7中,目标顶点的属性信息可以是右下。
在本申请的另外一些实施例中,还可以获取与样本图像对应的初始标签数据,其中,在采用样本图像训练目标检测模型时,初始标签数据用于描述样本图像的遮挡属性特征;确定待覆盖区域和目标检测区域之间的交并比数据;根据交并比数据更新初始标签数据。
交并比(Intersection over Union,IoU)数据,是一种测量在特定数据集中检测相应物体准确度的一个标准,如果是在输出中得出一个预测范围的任务都可以用IoU来进行测量,而目标的交并比IoU数据,能够用于描述目标的检测区域和标准区域(标准区域可以是视频中目标对应的真实的区域,相应的,检测区域,是根据一定的目标检测算法检测出的区域,检测区域可以被视为一个预测区域)之间的交叠率(该交叠率可以被用于描述样本图像的被遮挡程度),该交叠率可以被用于训练目标检测模型时作为标注数据,以辅助确定目标检测模型的收敛时机。
上述的初始标签数据,可以具体包含样本图像对应的初始交并比数据,则在生成目标样本图像之后,可以确定待覆盖区域和目标检测区域之间的交并比数据,并根据交并比数据更新初始标签数据,即将初始交并比数据替换为新的交并比数据,从而实现不仅仅对样本图像进行了处理,还对与样本图像关联的初始标签数据进行了处理,从而有效保障后续目标检测模型训练的准确性,丰富了样本图像处理的应用场景。
本实施例中,通过获取样本图像,并从样本图像中提取目标检测区域和参考区域;从目标检测区域之中确定目标顶点;从目标检测区域之中确定出与目标顶点对应的待覆盖区域;以及采用参考区域处理待覆盖区域,以得到目标样本图像,能够实现对训练用的样本图像进行增强处理,从而丰富遮挡类的样本图像的数量,辅助提升目标检测模型的训练效果和检测性能。通过如果目标处理类型是前景增强类型,则确定参考检测区域对应于样本图像之中的第一位置信息,将第一位置信息调整为第二位置信息,以得到目标样本图像,其中,当参考检测区域在样本图像之中的第一位置信息被调整至第二位置信息时,参考检测区域之中的至少部分区域覆盖在待覆盖区域之上,能够实现将样本图像处理为前景增强类数据,从而提升前景增强类的样本图像的多样化,有效地辅助提升目标检测模型对前景遮挡类的图像的目标检测识别效果。通过在目标处理类型是背景增强类型时,确定待覆盖区域对应的第一形态特征,根据第一形态特征从背景区域之中选取目标覆盖区域,将目标覆盖区域覆盖在待覆盖区域之上,以得到目标样本图像,能够实现将样本图像处理为背景增强类数据,从而提升背景增强类的样本图像的多样化,有效地辅助提升目标检测模型对背景遮挡类的图像的目标检测识别效果。
图8是根据本申请第三实施例的示意图。
如图8所示,该样本图像的处理装置80,包括:
第一获取模块801,用于获取样本图像,并从样本图像中提取目标检测区域和参考区域。
第一确定模块802,用于从目标检测区域之中确定目标顶点。
第二确定模块803,用于从目标检测区域之中确定出与目标顶点对应的待覆盖区域。
处理模块804,用于采用参考区域处理待覆盖区域,以得到目标样本图像。
在本申请的一些实施例中,其中,参考区域包括参考检测区域和背景区域,如图9所示,图9是根据本申请第四实施例的示意图,该样本图像的处理装置90,包括:第一获取模块901、第一确定模块902、第二确定模块903、处理模块904,其中,
处理模块904,包括:
获取子模块9041,用于获取目标处理类型;
第一处理子模块9042,用于在目标处理类型是前景增强类型时,采用参考检测区域处理待覆盖区域,以得到目标样本图像;
第二处理子模块9043,用于在目标处理类型是背景增强类型时,采用背景区域处理待覆盖区域,以得到目标样本图像。
在本申请的一些实施例中,其中,第一处理子模块9042,具体用于:
确定参考检测区域对应于样本图像之中的第一位置信息;
将第一位置信息调整为第二位置信息,以得到目标样本图像,其中,当参考检测区域在样本图像之中的第一位置信息被调整至第二位置信息时,参考检测区域之中的至少部分区域覆盖在待覆盖区域之上。
在本申请的一些实施例中,其中,第二处理子模块9043,具体用于:
确定待覆盖区域对应的第一形态特征;
根据第一形态特征从背景区域之中选取目标覆盖区域,目标覆盖区域的第二形态特征与第一形态特征相同;
将目标覆盖区域覆盖在待覆盖区域之上,以得到目标样本图像。
在本申请的一些实施例中,如图9所示,还包括:
第二获取模块905,用于获取与样本图像对应的初始标签数据,其中,在采用样本图像训练目标检测模型时,初始标签数据用于描述样本图像的遮挡属性特征;
第三确定模块906,用于确定待覆盖区域和目标检测区域之间的交并比数据;
更新模块907,用于根据交并比数据更新初始标签数据。
在本申请的一些实施例中,其中,第二确定模块903,具体用于:
确定与目标顶点对应的属性信息;
根据属性信息,从目标检测区域之中确定出目标矩形区域并作为待覆盖区域,目标矩形区域的一个顶点是目标顶点,且目标矩形的至少部分边与目标检测区域的框选边重叠。
可以理解的是,本实施例附图9中的样本图像的处理装置90与上述实施例中的样本图像的处理装置80,第一获取模块901与上述实施例中的第一获取模块801,第一确定模块902与上述实施例中的第一确定模块802,第二确定模块903与上述实施例中的第二确定模块803,处理模块904与上述实施例中的处理模块804,可以具有相同的功能和结构。
需要说明的是,前述对样本图像的处理方法的解释说明也适用于本实施例的样本图像的处理装置,此处不再赘述。
本实施例中,通过获取样本图像,并从样本图像中提取目标检测区域和参考区域;从目标检测区域之中确定目标顶点;从目标检测区域之中确定出与目标顶点对应的待覆盖区域;以及采用参考区域处理待覆盖区域,以得到目标样本图像,能够实现对训练用的样本图像进行增强处理,从而丰富遮挡类的样本图像的数量,辅助提升目标检测模型的训练效果和检测性能。
根据本申请的实施例,本申请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10是用来实现本申请实施例的样本图像的处理方法的电子设备的框图。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/或者要求的本申请的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如,样本图像的处理方法。
例如,在一些实施例中,样本图像的处理方法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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的样本图像的处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行样本图像的处理方法。
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。
用于实施本申请的样本图像的处理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。
在本申请的上下文中,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)、互联网及区块链网络。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也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。
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,本发申请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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种样本图像的处理方法,包括:
获取样本图像,并从所述样本图像中提取目标检测区域和参考区域;
从所述目标检测区域之中确定目标顶点;
从所述目标检测区域之中确定出与所述目标顶点对应的待覆盖区域;以及
采用所述参考区域处理所述待覆盖区域,以得到目标样本图像;
其中,所述参考区域包括参考检测区域和背景区域,所述采用所述参考区域处理所述待覆盖区域,以得到目标样本图像,包括:
获取目标处理类型;
如果所述目标处理类型是前景增强类型,则采用所述参考检测区域处理所述待覆盖区域,以得到所述目标样本图像;
如果所述目标处理类型是背景增强类型,则确定所述待覆盖区域对应的第一形态特征;根据所述第一形态特征从所述背景区域之中选取目标覆盖区域,所述目标覆盖区域的第二形态特征与所述第一形态特征相同;将所述目标覆盖区域覆盖在所述待覆盖区域之上,以得到所述目标样本图像。
2.根据权利要求1所述的方法,其中,所述采用所述参考检测区域处理所述待覆盖区域,以得到所述目标样本图像,包括:
确定所述参考检测区域对应于所述样本图像之中的第一位置信息;
将所述第一位置信息调整为第二位置信息,以得到所述目标样本图像,其中,当所述参考检测区域在所述样本图像之中的第一位置信息被调整至所述第二位置信息时,所述参考检测区域之中的至少部分区域覆盖在所述待覆盖区域之上。
3.根据权利要求1所述的方法,还包括:
获取与所述样本图像对应的初始标签数据,其中,在采用所述样本图像训练目标检测模型时,所述初始标签数据用于描述所述样本图像的遮挡属性特征;
确定所述待覆盖区域和所述目标检测区域之间的交并比数据;
根据所述交并比数据更新所述初始标签数据。
4.根据权利要求1所述的方法,其中,所述从所述目标检测区域之中确定出与所述目标顶点对应的待覆盖区域,包括:
确定与所述目标顶点对应的属性信息;
根据所述属性信息,从所述目标检测区域之中确定出目标矩形区域并作为所述待覆盖区域,所述目标矩形区域的一个顶点是所述目标顶点,且所述目标矩形的至少部分边与所述目标检测区域的框选边重叠。
5.一种样本图像的处理装置,包括:
第一获取模块,用于获取样本图像,并从所述样本图像中提取目标检测区域和参考区域;
第一确定模块,用于从所述目标检测区域之中确定目标顶点;
第二确定模块,用于从所述目标检测区域之中确定出与所述目标顶点对应的待覆盖区域;以及
处理模块,用于采用所述参考区域处理所述待覆盖区域,以得到目标样本图像;
其中,所述参考区域包括参考检测区域和背景区域,所述处理模块,包括:
获取子模块,用于获取目标处理类型;
第一处理子模块,用于在所述目标处理类型是前景增强类型时,采用所述参考检测区域处理所述待覆盖区域,以得到所述目标样本图像;
第二处理子模块,用于在所述目标处理类型是背景增强类型时,确定所述待覆盖区域对应的第一形态特征;根据所述第一形态特征从所述背景区域之中选取目标覆盖区域,所述目标覆盖区域的第二形态特征与所述第一形态特征相同;将所述目标覆盖区域覆盖在所述待覆盖区域之上,以得到所述目标样本图像。
6.根据权利要求5所述的装置,其中,所述第一处理子模块,具体用于:
确定所述参考检测区域对应于所述样本图像之中的第一位置信息;
将所述第一位置信息调整为第二位置信息,以得到所述目标样本图像,其中,当所述参考检测区域在所述样本图像之中的第一位置信息被调整至所述第二位置信息时,所述参考检测区域之中的至少部分区域覆盖在所述待覆盖区域之上。
7.根据权利要求5所述的装置,还包括:
第二获取模块,用于获取与所述样本图像对应的初始标签数据,其中,在采用所述样本图像训练目标检测模型时,所述初始标签数据用于描述所述样本图像的遮挡属性特征;
第三确定模块,用于确定所述待覆盖区域和所述目标检测区域之间的交并比数据;
更新模块,用于根据所述交并比数据更新所述初始标签数据。
8.根据权利要求5所述的装置,其中,所述第二确定模块,具体用于:
确定与所述目标顶点对应的属性信息;
根据所述属性信息,从所述目标检测区域之中确定出目标矩形区域并作为所述待覆盖区域,所述目标矩形区域的一个顶点是所述目标顶点,且所述目标矩形的至少部分边与所述目标检测区域的框选边重叠。
9.一种电子设备,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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287801.0A CN113012176B (zh) | 2021-03-17 | 2021-03-17 | 样本图像的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287801.0A CN113012176B (zh) | 2021-03-17 | 2021-03-17 | 样本图像的处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012176A CN113012176A (zh) | 2021-06-22 |
CN113012176B true CN113012176B (zh) | 2023-12-15 |
Family
ID=76409402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110287801.0A Active CN113012176B (zh) | 2021-03-17 | 2021-03-17 | 样本图像的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012176B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379718B (zh) * | 2021-06-28 | 2024-02-02 | 北京百度网讯科技有限公司 | 一种目标检测方法、装置、电子设备以及可读存储介质 |
CN113361469A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 一种覆盖状态识别方法、装置、设备及存储介质 |
CN113642612B (zh) * | 2021-07-19 | 2022-11-18 | 北京百度网讯科技有限公司 | 样本图像生成方法、装置、电子设备及存储介质 |
CN115249281B (zh) * | 2022-01-29 | 2023-11-24 | 北京百度网讯科技有限公司 | 图像遮挡和模型训练方法、装置、设备以及存储介质 |
CN114693950B (zh) * | 2022-04-22 | 2023-08-25 | 北京百度网讯科技有限公司 | 一种图像特征提取网络的训练方法、装置及电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN109447243A (zh) * | 2018-10-10 | 2019-03-08 | 深圳增强现实技术有限公司 | 基于深度学习的沥青质量检测方法、系统及电子设备 |
CN109614983A (zh) * | 2018-10-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 训练数据的生成方法、装置及系统 |
CN110503146A (zh) * | 2019-08-21 | 2019-11-26 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
WO2019233341A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
CN110826457A (zh) * | 2019-10-31 | 2020-02-21 | 上海融军科技有限公司 | 一种复杂场景下的车辆检测方法及装置 |
CN111159150A (zh) * | 2019-12-19 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种数据扩充方法及装置 |
CN111523558A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
CN111784588A (zh) * | 2019-04-04 | 2020-10-16 | 长沙智能驾驶研究院有限公司 | 图像数据增强方法、装置、计算机设备和存储介质 |
CN111860566A (zh) * | 2020-04-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 遮挡物识别模型训练方法、识别方法、装置及存储介质 |
CN111914665A (zh) * | 2020-07-07 | 2020-11-10 | 泰康保险集团股份有限公司 | 一种人脸遮挡检测方法、装置、设备及存储介质 |
CN112052781A (zh) * | 2020-09-01 | 2020-12-08 | 平安科技(深圳)有限公司 | 特征提取模型训练方法、人脸识别方法、装置、设备及介质 |
CN112258504A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、设备及计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527074B (zh) * | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 用于车辆的图像处理方法和装置 |
CN109872379B (zh) * | 2017-12-05 | 2022-12-02 | 富士通株式会社 | 数据处理装置和方法 |
WO2019227294A1 (zh) * | 2018-05-28 | 2019-12-05 | 华为技术有限公司 | 图像处理方法、相关设备及计算机存储介质 |
CN110120024B (zh) * | 2019-05-20 | 2021-08-17 | 百度在线网络技术(北京)有限公司 | 图像处理的方法、装置、设备和存储介质 |
-
2021
- 2021-03-17 CN CN202110287801.0A patent/CN113012176B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
WO2019233341A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN109447243A (zh) * | 2018-10-10 | 2019-03-08 | 深圳增强现实技术有限公司 | 基于深度学习的沥青质量检测方法、系统及电子设备 |
CN109614983A (zh) * | 2018-10-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 训练数据的生成方法、装置及系统 |
CN111784588A (zh) * | 2019-04-04 | 2020-10-16 | 长沙智能驾驶研究院有限公司 | 图像数据增强方法、装置、计算机设备和存储介质 |
CN110503146A (zh) * | 2019-08-21 | 2019-11-26 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
CN110826457A (zh) * | 2019-10-31 | 2020-02-21 | 上海融军科技有限公司 | 一种复杂场景下的车辆检测方法及装置 |
CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
CN111159150A (zh) * | 2019-12-19 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种数据扩充方法及装置 |
CN111523558A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
CN111860566A (zh) * | 2020-04-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 遮挡物识别模型训练方法、识别方法、装置及存储介质 |
CN111914665A (zh) * | 2020-07-07 | 2020-11-10 | 泰康保险集团股份有限公司 | 一种人脸遮挡检测方法、装置、设备及存储介质 |
CN112052781A (zh) * | 2020-09-01 | 2020-12-08 | 平安科技(深圳)有限公司 | 特征提取模型训练方法、人脸识别方法、装置、设备及介质 |
CN112258504A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
A multilevel fusion network for 3D object detection;Chunlong Xia 等;《Neurocomputing》;107-117 * |
基于遮挡标记的目标检测算法;帖军;宋威;尹帆;郑禄;杨欣;;中南民族大学学报(自然科学版)(第03期);86-92 * |
面向深度学习的遥感图像目标样本生成方法;王敏;陈金勇;王港;高峰;孙康;许妙忠;;国外电子测量技术(第04期);66-71 * |
Also Published As
Publication number | Publication date |
---|---|
CN113012176A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
CN112785625B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113177469B (zh) | 人体属性检测模型的训练方法、装置、电子设备及介质 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN112989987A (zh) | 用于识别人群行为的方法、装置、设备以及存储介质 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN114419564B (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN114663980B (zh) | 行为识别方法、深度学习模型的训练方法及装置 | |
CN114220163B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 |
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 |
Effective date of registration: 20211011 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |