CN113033579B - 图像处理方法、装置、存储介质及电子设备 - Google Patents
图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113033579B CN113033579B CN202110351397.9A CN202110351397A CN113033579B CN 113033579 B CN113033579 B CN 113033579B CN 202110351397 A CN202110351397 A CN 202110351397A CN 113033579 B CN113033579 B CN 113033579B
- Authority
- CN
- China
- Prior art keywords
- pooling
- image
- vector
- processing
- image 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
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
- G06V10/40—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
- G06V10/443—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 by matching or filtering
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法、装置、存储介质及电子设备,以减少图像处理过程中池化操作所需的人力和时间,提高图像池化效率,进而提高图像处理效率。该图像处理方法包括:获取待处理的目标图像;将所述目标图像输入图像处理模型,以得到对应的图像处理结果;其中,所述图像处理模型用于提取所述目标图像的图像特征,根据预训练的池化向量对所述目标图像的图像特征进行池化处理,根据池化处理后的所述图像特征输出所述图像处理结果,其中,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种图像处理技术方法、装置、存储介质及电子设备。
背景技术
图像处理领域中,池化可以将小邻域内的特征点整合得到新的特征,也被称为特征聚合。相关技术中池化方式包括最大值池化(max-pooling)、k-最大值池化(k-maxpooling)、均值池化(average pooling)等方式。实际应用中,需要针对待处理的图像属性或图像特征提取器的类型人工选取对应的池化方式,当待处理的图像属性或图像特征提取器的类型发生变化时,需要重新选择对应的池化方式,耗费人力和时间。并且,以k-最大值池化为例,需要多次实验尝试不同k值来找出最优特征聚合函数,调参开销大。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种图像处理方法,所述方法包括:
获取待处理的目标图像;
将所述目标图像输入图像处理模型,以得到对应的图像处理结果;
其中,所述图像处理模型用于提取所述目标图像的图像特征,根据预训练的池化向量对所述目标图像的图像特征进行池化处理,根据池化处理后的所述图像特征输出所述图像处理结果,其中,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的。
第二方面,本公开提供一种图像处理装置,所述装置包括:
获取模块,用于获取待处理的目标图像;
处理模块,用于将所述目标图像输入图像处理模型,以得到对应的图像处理结果;其中,所述处理模块包括:提取子模块,用于通过所述图像处理模型提取所述目标图像的图像特征;池化子模块,用于根据预训练的池化向量对所述目标图像的图像特征进行池化处理,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的;输出子模块,用于根据池化处理后的所述图像特征输出所述图像处理结果。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现第一方面中所述方法的步骤。
通过上述技术方案,池化向量可以作为图像处理模型的参数,通过对图像处理模型进行训练而得到,由此,池化向量可以根据用于训练图像处理模型的样本图像和训练过程中使用的图像特征提取器进行自适应调整。当待处理的图像属性或图像特征提取器的类型发生变化时,可以通过对应属性的样本图像或对应类型的图像特征提取器重新对图像处理模型进行训练,以得到新的池化向量进行图像处理,无需人工重新选择对应的池化方式,从而可以减少图像池化过程中的调参开销,提高图像池化效率,进而提高图像处理效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图;
图2是图文匹配场景下本公开一示例性实施例示出的一种图像处理方法的过程示意图;
图3是根据本公开一示例性实施例示出的一种图像处理装置的框图;
图4是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图像处理领域中,池化可以将小邻域内的特征点整合得到新的特征,也被称为特征聚合。广义的图像池化可以这样理解:对于经过卷积神经网络的图像特征图F,维度记为H×W×D,其中H表示图像特征图F的高度,W表示图像特征图F的宽度,D表示图像特征图F的通道数,图像池化算子φ可以定义为:
通过对图像特征图F的空间维度(H×W)进行特征聚合(即池化处理),可以得到一个全局的图像特征向量。
池化被广泛应用于各种图像处理过程。比如,在利用图像与文本的相关性来学习视觉表征与文本表征的图文嵌入模型中,首先分别对输入的图像与输入的文本进行特征提取,再将图像模态和文本模态的特征分别进行聚合(即池化处理),并将聚合后的特征映射到一个共享的低维空间中,从而实现图文嵌入模型的训练。由此,训练后的图文嵌入模型可以直接应用于图文匹配、检索等场景,如给定查询文本,找出数据库中与该文本最相关的图片。或者,训练得到的图片表征和文本表征可以为推荐系统提供高质量的内容侧特征,以提升推荐系统的性能,缓解冷启动问题。又或者,作为一个多模态预训练任务,可以将训练后的图片特征提取器或文本特征提取器(如卷积神经网络、序列模型等)迁移至其他视觉或文本任务(如图片物体识别、文本分类等),作为初始特征提取器,以降低训练难度。
相关技术中,池化方式包括最大值池化(max-pooling)、k-最大值池化(k-maxpooling)、均值池化(average pooling)等方式。实际应用中,需要针对待处理的图像属性或图像特征提取器的类型人工选取对应的池化方式,当待处理的图像属性或图像特征提取器的类型发生变化时,需要重新选择对应的池化方式,耗费人力和时间。并且,以k-最大值池化为例,需要多次实验尝试不同k值来找出最优特征聚合函数,调参开销大。
有鉴于此,本公开提供一种图像处理方法、装置、存储介质及电子设备,以减少图像处理过程中池化操作所需的人力和时间,提高图像池化效率,进而提高图像处理效率。
图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图。参照图1,该图像处理方法包括:
步骤101,获取待处理的目标图像;
步骤102,将目标图像输入图像处理模型,以得到对应的图像处理结果,该图像处理模型用于提取目标图像的图像特征,根据预训练的池化向量对目标图像的图像特征进行池化处理,根据池化处理后的图像特征输出图像处理结果,池化向量是作为图像处理模型的参数、通过对图像处理模型进行训练而得到的。
通过上述方式,池化向量可以作为图像处理模型的参数,通过对图像处理模型进行训练而得到,由此,池化向量可以根据用于训练图像处理模型的样本图像和训练过程中使用的图像特征提取器进行自适应调整。当待处理的图像属性或图像特征提取器的类型发生变化时,可以通过对应属性的样本图像或对应类型的图像特征提取器重新对图像处理模型进行训练,以得到新的池化向量进行图像处理,无需人工重新选择对应的池化方式,从而可以减少图像池化过程中的调参开销,提高图像池化效率,进而提高图像处理效率。
为了使得本领域技术人员更加理解本公开提供的图像处理方法,下面对上述各步骤进行详细举例说明。
示例地,在图文匹配场景下,比如通过图片检索对应文本的场景下,获取待处理的目标图像可以是响应于用户触发的图像输入操作,获取用户输入的图像,或者可以是在用户授权的情况下获取电子设备实时拍摄的图像,等等。当然,在其他图像处理场景下,获取待处理的目标图像还可以是其他任意可能的图像获取方式,比如从网络上下载公开的图像,等等,本公开实施例对此不作限定。
在获取待处理的目标图像之后,可以将目标图像输入图像处理模型,以得到对应的图像处理结果。比如,图像处理模型为图文匹配模型,则对应的图像处理结果可以是目标图像对应的文本匹配结果,或者图像处理模型为图像分类模型,则对应的图像处理结果为目标图像对应的图像分类结果,等等,本公开实施例对于图像处理模型不作限定。
在本公开实施例中,图像处理模型可以用于提取目标图像的图像特征。示例地,图像处理模型可以包括图像特征提取器(比如卷积神经网络、序列模型等),则可以通过图像特征提取器提取目标图像的图像特征。之后,图像处理模型可以用于根据预训练的池化向量对提取到的图像特征进行池化处理,该池化向量可以作为图像处理模型的参数、通过对图像处理模型进行训练而得到。由此,池化向量可以根据图像处理模型的样本图像的属性和训练过程中使用的图像特征提取器的类型进行自适应调整,减少调参开销。
在可能的方式中,该池化向量的训练步骤可以包括:先确定初始池化向量,并对初始池化向量进行归一化处理,以得到归一池化向量,然后根据归一池化向量对用于训练图像处理模型的样本图像所对应的样本图像特征进行池化处理,以得到图像处理模型根据池化处理后的样本图像特征输出的样本图像处理结果,再根据样本图像处理结果和对样本图像预先标注的图像处理结果,计算损失函数,最后根据该损失函数的计算结果调整初始池化向量。
示例地,初始池化向量可以为N维向量,一个维度对应一向量值,则N维的初始池化向量可以包括N个向量值。相应地,在初始设置中,可以随机设置初始池化向量中的每一向量值,比如可以设定初始池化向量中每一向量值为1。比如,从样本图像中提取出的样本图像特征是维度为H'×W'×D'的样本图像特征图,其中H'表示样本图像特征图的高度,W'表示样本图像特征图的宽度,D'表示样本图像特征图的通道数。在此种情况下,可以按照相关技术中的方式将样本图像特征图中的样本图像特征进行整合,得到维度为N'×D'的图像特征,其中N'=H'×W'。在此种情况下,初始池化向量为N维向量,可以设定该N的初始池化向量中每一向量值为1。
然后,可以对初始池化向量进行归一化处理。比如,可以通过预设的softmax函数对初始池化向量进行归一化,以得到对应的归一池化向量。
在可能的方式中,对初始池化向量进行归一化处理可以是:针对初始池化向量中每一池化向量值,将该池化向量值除以初始池化向量中各池化向量值之和,以得到该池化向量值的归一化处理结果。
按照上述方式,可以通过公式(2)对初始池化向量中的每一池化向量值进行归一化处理:
或者,在可能的方式中,还可以通过设定权重值来调整初始池化向量中各池化向量值的归一化处理结果。也即是说,还可以按照公式(3)对初始池化向量中的每一池化向量值进行归一化处理:
其中,ki表示初始池化向量中第i个池化向量值对应的预设权重值。应当理解的是,本公开实施例对于预设权重值的设定不作限定,只要归一化后的初始池化向量满足所有相项(即所有池化向量值)的求和为1且恒正的特性即可。
对初始池化向量进行归一化处理后,针对用于训练图像处理模型的样本图像,可以先通过图像处理模型中的图像特征器提取该样本图像对应的样本图像特征,然后通过归一化处理得到的归一池化向量对该样本图像特征进行池化处理,最后根据池化处理后的样本图像特征进行图像处理,以得到样本图像处理结果。之后,可以根据该样本图像处理结果和对样本图像预先标注的图像处理结果,计算损失函数,从而根据损失函数的计算结果调整初始池化向量。由此,可以得到与样本图像特征的属性或图像特征提取器的类型更相符的池化向量,提升后续图像处理过程中的池化准确性。
示例地,在图文匹配场景下,对样本图像预先标注的图像处理结果可以是样本图像对应的样本文本。在图像分类场景下,对样本图像预先标注的图像处理结果可以是样本图像对应的图像分类结果。本公开实施例对于对样本图像预先标注的图像处理结果不作限定。此外,本公开实施例对损失函数的类型不作限定,在本公开具体实施时,可以选取任一类型的损失函数,基于样本图像处理结果和对样本图像预先标注的图像处理结果计算损失函数。
另外应当理解的是,上述训练过程可以不断迭代执行,以不断优化池化向量,从而得到更准确的图像池化结果,进而提高图像处理结果的准确性。
在图像处理模型包括图文匹配模型的情况下,根据损失函数的计算结果调整初始池化向量可以是:调整初始池化向量,以使池化处理后的样本图像特征与具有关联的样本文本特征之间特征向量的距离最小,且使池化处理后的样本图像特征与不具有关联的样本文本特征之间特征向量的距离最大。
应当理解的是,参照图2,在图文匹配场景下,可以分别对输入的图像与输入的文本进行特征提取,再将图像模态和文本模态的特征分别进行特征聚合(即池化处理),并将聚合后的特征映射到一个共享的低维空间中,以得到对应的图片表征和文本表征。其中,该图文匹配模型的损失函数鼓励模型缩小相关性高的图片和文本在该低维空间中的距离,并增大相关性低的图片和文本在该低维空间中的距离,从而促使模型挖掘出有效的图片低维表征和文本低维表征。
因此,在本公开实施例中,若图像处理模型包括图文匹配模型,则作为模型训练参数的池化向量,可以根据池化处理后的样本图像特征与具有关联的样本文本特征之间特征向量的距离进行调整。具体地,可以调整初始池化向量,以使池化处理后的样本图像特征与具有关联的样本文本特征之间特征向量的距离最小,且使池化处理后的样本图像特征与不具有关联的样本文本特征之间特征向量的距离最大。由此,可以通过训练图文匹配模型的方式,调整池化向量,以使池化向量可以根据图文匹配模型的样本图像的属性或训练过程中使用的图像特征提取器的类型进行自适应调整,减少调参开销。
在训练得到池化向量后,对于输入图像处理模型的目标图像,可以先提取目标图像的图像特征,然后根据预训练的池化向量对目标图像的图像特征进行池化处理。在可能的方式中,根据预训练的池化向量对目标图像的图像特征进行池化处理可以是:先基于图像特征对应的特征向量的数值,对该图像特征进行排序,以得到目标图像特征,然后将预训练的池化向量与目标图像特征进行点乘,以得到池化处理后的图像特征。
示例地,可以基于图像特征对应的特征向量的数值,将该图像特征按照从小到大排序,或者可以基于图像特征对应的特征向量的数值,将该图像特征按照从大到小进行排序。以将图像特征按照从大到小排序为例,针对图像特征图F的每一通道d∈[1,D],有其中,vd表示对通道d的图像特征进行池化处理后得到图像特征,ωo表示预训练后的池化向量,sort(Fd)表示将通道d的图像特征图Fd中的图像特征按值从大到小排序后得到的目标图像特征。由此,将预训练的池化向量与排序后的目标图像特征进行点乘,可以使得池化向量中排列第一位的向量值对应排序后的图像特征的最大值,排列第N位的对应排序后的图像特征的最小值。在此种情况下,池化处理后的图像特征可以表示为:v=(v1,v2,…,vD)。
也即是说,本公开实施例提供的图像池化方式具有表达相关技术中池化方式的能力,池化向量作为模型参数的一部分,可以在训练时根据样本图像的属性以及训练过程中图像特征提取器的类型自动进行调整,因此将图像特征排序后与预训练的池化向量进行点乘,可以灵活地近似最大值池化、均值池化或者k-最大值池化方式,无需人工重新选择对应的图像池化方式,可以减少图像池化过程中的调参开销,从而提高图像池化效率,进而提高图像处理效率。
在实际应用中,测试时目标图像的分辨率可能与训练时样本图像的分辨率不同,从而导致测试时目标图像所对应的图像特征图包括的特征数量N’不等于训练时样本图像所对应的样本图像特征包括的特征数量N。此种情况下,如果图像处理模型预训练的池化向量为N维向量,则无法将该N维的池化向量应用在目标图像中进行池化处理。为了解决该问题,本公开实施例可以对池化向量进行插值处理,以使图像特征的维度与池化向量的维度相同。
也即是说,在可能的方式中,根据预训练的池化向量对目标图像的图像特征进行池化处理可以是:先对预训练的池化向量进行插值处理,并对插值处理后的池化向量进行归一化处理,以得到目标池化向量,然后根据目标池化向量对目标图像的图像特征进行池化处理。
例如,在上述举例中,目标图像所对应的图像特征图包括的特征数量N’不等于训练时样本图像所对应的样本图像特征包括的特征数量N。在此种情况下,可以根据测试时目标图像所对应的图像特征图包括的特征数量N’,对训练后得到的N维池化向量中每一池化向量值进行全局双线性插值,以得到维度为N’的池化向量。之后,可以通过softmax函数对该维度为N’的池化向量进行归一化处理,以得到目标池化向量。最后根据目标池化向量对目标图像的图像特征进行池化处理。由此,可以使图像特征的维度与池化向量的维度相同,保证图像池化处理的正常进行。
进一步,由于预训练后的池化向量可以具有上文所述的多种表征形式,每种表征形式中池化向量的最大值通常排在最前,最小值通常排在最后,即池化向量两端的值可以分别对应排序后图像特征中的最大特征值和最小特征值,因此期望的是插值处理后池化向量与排序后图像特征间的此种对应关系也不改变。但是,发明人研究发现,在图文匹配场景下,图像和文本之间的匹配度对池化向量两端的值比较敏感。比如,当目标图像的分辨率大于样本图像的分辨率时,如果使用全局双线性插值对每一池化向量值进行插值计算,以得到新的池化向量进行池化处理,最终的图文匹配结果会明显变差,无法充分利用大分辨率目标图像中更丰富的图像信息。
因此,在可能的方式中,对预训练的池化向量进行插值处理可以是:先对预训练的池化向量进行分段处理,然后针对分段处理后不包括该池化向量中最大向量值和最小向量值的向量分段进行插值处理。
例如,针对预训练后的N维池化向量,可以将该N维池化向量进行等分:1~N/3个池化向量值为第一向量分段,(N/3+1)~(N-N/3)个池化向量值为第二向量分段,(N-N/3+1)~N个池化向量值为第三向量分段。然后,针对分段处理后不包括该池化向量中最大向量值和最小向量值的向量分段进行插值处理,即针对第二向量分段包括的所有池化向量值进行插值处理,以得到新的池化向量。由此,可以使得新的池化向量的维度与待处理的目标图像的图像特征维度一致,保证图像池化处理的正常进行,并且提高图像处理结果的准确性。
应当理解的是,上述提供的对预训练的池化向量进行等分的方式仅是用于举例说明,在其他可能的方式中,还可以通过不等分的方式对预训练的池化向量进行插值处理。比如针对N维池化向量进行分段处理:1~M个池化向量值为第一向量分段,(M+1)~(N-M)个池化向量值为第二向量分段,(N-M+1)~N个池化向量值为第三向量分段,M可以根据实际情况自定义设定,本公开实施例对此不作限定。其中,若M设定为N/3,则是上文举例的均分方式。
通过上述方式,可以在对池化向量的插值处理过程中,保持池化向量前后两端的向量值不变,只对池化向量中间的向量值进行插值,以减小分辨率变化对图像池化结果的影响,从而减小分辨率变化对图像处理结果的影响,提升图像处理效果。
基于同一发明构思,本公开实施例还提供一种图像处理装置。参照图3,该图像处理装置300包括:
获取模块301,用于获取待处理的目标图像;
处理模块302,用于将所述目标图像输入图像处理模型,以得到对应的图像处理结果;其中,所述处理模块302包括:提取子模块3021,用于通过所述图像处理模型提取所述目标图像的图像特征;池化子模块3022,用于根据预训练的池化向量对所述目标图像的图像特征进行池化处理,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的;输出子模块3033,用于根据池化处理后的所述图像特征输出所述图像处理结果。
可选地,所述池化子模块3022用于:
基于所述图像特征对应的特征向量的数值,对所述图像特征进行排序,以得到目标图像特征;
将预训练的池化向量与所述目标图像特征进行点乘,以得到池化处理后的所述图像特征。
可选地,所述池化子模块3022用于:
对预训练的所述池化向量进行插值处理,并对插值处理后的所述池化向量进行归一化处理,以得到目标池化向量;
根据所述目标池化向量对所述目标图像的图像特征进行池化处理。
可选地,所述池化子模块3022用于:
对预训练的所述池化向量进行分段处理;
针对分段处理后不包括所述池化向量中最大向量值和最小向量值的向量分段进行插值处理。
可选地,所述装置300还包括用于训练所述池化向量的如下模块:
第一训练模块,用于确定初始池化向量,并对所述初始池化向量进行归一化处理,以得到归一池化向量;
第二训练模块,用于根据所述归一池化向量对用于训练所述图像处理模型的样本图像所对应的样本图像特征进行池化处理,以得到所述图像处理模型根据池化处理后的所述样本图像特征输出的样本图像处理结果;
第三训练模块,用于根据所述样本图像处理结果和对所述样本图像预先标注的图像处理结果,计算损失函数,并根据所述损失函数的计算结果调整所述初始池化向量。
可选地,所述第一训练模块用于:
针对所述初始池化向量中每一池化向量值,将所述向量值除以所述初始池化向量中各池化向量值之和,以得到所述池化向量值的归一化处理结果。
可选地,所述图像处理模型包括图文匹配模型,所述第三训练模块用于:
调整所述初始池化向量,以使池化处理后的所述样本图像特征与具有关联的样本文本特征之间特征向量的距离最小,且使池化处理后的所述样本图像特征与不具有关联的样本文本特征之间特征向量的距离最大。
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。
基于同一发明构思,本公开实施例还提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现上述任一图像处理方法的步骤。
基于同一发明构思,本公开实施例还提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现上述任一图像处理方法的步骤。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待处理的目标图像;将所述目标图像输入图像处理模型,以得到对应的图像处理结果;其中,所述图像处理模型用于提取所述目标图像的图像特征,根据预训练的池化向量对所述目标图像的图像特征进行池化处理,根据池化处理后的所述图像特征输出所述图像处理结果,其中,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种图像处理方法,所述方法包括:
获取待处理的目标图像;
将所述目标图像输入图像处理模型,以得到对应的图像处理结果;
其中,所述图像处理模型用于提取所述目标图像的图像特征,根据预训练的池化向量对所述目标图像的图像特征进行池化处理,根据池化处理后的所述图像特征输出所述图像处理结果,其中,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述根据预训练的池化向量对所述目标图像的图像特征进行池化处理,包括:
基于所述图像特征对应的特征向量的数值,对所述图像特征进行排序,以得到目标图像特征;
将预训练的池化向量与所述目标图像特征进行点乘,以得到池化处理后的所述图像特征。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述根据预训练的池化向量对所述目标图像的图像特征进行池化处理,包括:
对预训练的所述池化向量进行插值处理,并对插值处理后的所述池化向量进行归一化处理,以得到目标池化向量;
根据所述目标池化向量对所述目标图像的图像特征进行池化处理。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述对预训练的所述池化向量进行插值处理,包括:
对预训练的所述池化向量进行分段处理;
针对分段处理后不包括所述池化向量中最大向量值和最小向量值的向量分段进行插值处理。
根据本公开的一个或多个实施例,示例5提供了示例1-4任一项的方法,所述池化向量的训练步骤包括:
确定初始池化向量,并对所述初始池化向量进行归一化处理,以得到归一池化向量;
根据所述归一池化向量对用于训练所述图像处理模型的样本图像所对应的样本图像特征进行池化处理,以得到所述图像处理模型根据池化处理后的所述样本图像特征输出的样本图像处理结果;
根据所述样本图像处理结果和对所述样本图像预先标注的图像处理结果,计算损失函数,并根据所述损失函数的计算结果调整所述初始池化向量。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述对所述初始池化向量进行归一化处理,包括:
针对所述初始池化向量中每一池化向量值,将所述向量值除以所述初始池化向量中各池化向量值之和,以得到所述池化向量值的归一化处理结果。
根据本公开的一个或多个实施例,示例7提供了示例5的方法,所述图像处理模型包括图文匹配模型,所述根据所述损失函数的计算结果调整所述初始池化向量,包括:
调整所述初始池化向量,以使池化处理后的所述样本图像特征与具有关联的样本文本特征之间特征向量的距离最小,且使池化处理后的所述样本图像特征与不具有关联的样本文本特征之间特征向量的距离最大。
根据本公开的一个或多个实施例,示例8提供了一种图像处理装置,所述装置包括:
获取模块,用于获取待处理的目标图像;
处理模块,用于将所述目标图像输入图像处理模型,以得到对应的图像处理结果;其中,所述处理模块包括:提取子模块,用于通过所述图像处理模型提取所述目标图像的图像特征;池化子模块,用于根据预训练的池化向量对所述目标图像的图像特征进行池化处理,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的;输出子模块,用于根据池化处理后的所述图像特征输出所述图像处理结果。
根据本公开的一个或多个实施例,示例9提供了示例8的装置,所述池化子模块用于:
基于所述图像特征对应的特征向量的数值,对所述图像特征进行排序,以得到目标图像特征;
将预训练的池化向量与所述目标图像特征进行点乘,以得到池化处理后的所述图像特征。
根据本公开的一个或多个实施例,示例10提供了示例8的装置,所述池化子模块用于:
对预训练的所述池化向量进行插值处理,并对插值处理后的所述池化向量进行归一化处理,以得到目标池化向量;
根据所述目标池化向量对所述目标图像的图像特征进行池化处理。
根据本公开的一个或多个实施例,示例11提供了示例10的装置,所述池化子模块用于:
对预训练的所述池化向量进行分段处理;
针对分段处理后不包括所述池化向量中最大向量值和最小向量值的向量分段进行插值处理。
根据本公开的一个或多个实施例,示例12提供了示例8-11的装置,所述装置还包括用于训练所述池化向量的如下模块:
第一训练模块,用于确定初始池化向量,并对所述初始池化向量进行归一化处理,以得到归一池化向量;
第二训练模块,用于根据所述归一池化向量对用于训练所述图像处理模型的样本图像所对应的样本图像特征进行池化处理,以得到所述图像处理模型根据池化处理后的所述样本图像特征输出的样本图像处理结果;
第三训练模块,用于根据所述样本图像处理结果和对所述样本图像预先标注的图像处理结果,计算损失函数,并根据所述损失函数的计算结果调整所述初始池化向量。
根据本公开的一个或多个实施例,示例13提供了示例12的装置,所述第一训练模块用于:
针对所述初始池化向量中每一池化向量值,将所述向量值除以所述初始池化向量中各池化向量值之和,以得到所述池化向量值的归一化处理结果。
根据本公开的一个或多个实施例,示例14提供了示例12的装置,所述图像处理模型包括图文匹配模型,所述第三训练模块用于:
调整所述初始池化向量,以使池化处理后的所述样本图像特征与具有关联的样本文本特征之间特征向量的距离最小,且使池化处理后的所述样本图像特征与不具有关联的样本文本特征之间特征向量的距离最大。
根据本公开的一个或多个实施例,示例15提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例16提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-7中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。
Claims (8)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理的目标图像;
将所述目标图像输入图像处理模型,以得到对应的图像处理结果;
其中,所述图像处理模型用于提取所述目标图像的图像特征,根据预训练的池化向量对所述目标图像的图像特征进行池化处理,根据池化处理后的所述图像特征输出所述图像处理结果,其中,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的;
所述根据预训练的池化向量对所述目标图像的图像特征进行池化处理,包括:对预训练的所述池化向量进行插值处理,并对插值处理后的所述池化向量进行归一化处理,以得到目标池化向量;根据所述目标池化向量对所述目标图像的图像特征进行池化处理;
所述对预训练的所述池化向量进行插值处理,包括:对预训练的所述池化向量进行分段处理;针对分段处理后不包括所述池化向量中最大向量值和最小向量值的向量分段进行插值处理。
2.根据权利要求1所述的方法,其特征在于,所述根据预训练的池化向量对所述目标图像的图像特征进行池化处理,包括:
基于所述图像特征对应的特征向量的数值,对所述图像特征进行排序,以得到目标图像特征;
将预训练的池化向量与所述目标图像特征进行点乘,以得到池化处理后的所述图像特征。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述池化向量的训练步骤包括:
确定初始池化向量,并对所述初始池化向量进行归一化处理,以得到归一池化向量;
根据所述归一池化向量对用于训练所述图像处理模型的样本图像所对应的样本图像特征进行池化处理,以得到所述图像处理模型根据池化处理后的所述样本图像特征输出的样本图像处理结果;
根据所述样本图像处理结果和对所述样本图像预先标注的图像处理结果,计算损失函数,并根据所述损失函数的计算结果调整所述初始池化向量。
4.根据权利要求3所述的方法,其特征在于,所述对所述初始池化向量进行归一化处理,包括:
针对所述初始池化向量中每一池化向量值,将所述向量值除以所述初始池化向量中各池化向量值之和,以得到所述池化向量值的归一化处理结果。
5.根据权利要求4所述的方法,其特征在于,所述图像处理模型包括图文匹配模型,所述根据所述损失函数的计算结果调整所述初始池化向量,包括:
调整所述初始池化向量,以使池化处理后的所述样本图像特征与具有关联的样本文本特征之间特征向量的距离最小,且使池化处理后的所述样本图像特征与不具有关联的样本文本特征之间特征向量的距离最大。
6.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理的目标图像;
处理模块,用于将所述目标图像输入图像处理模型,以得到对应的图像处理结果;其中,所述处理模块包括:提取子模块,用于通过所述图像处理模型提取所述目标图像的图像特征;池化子模块,用于根据预训练的池化向量对所述目标图像的图像特征进行池化处理,所述池化向量是作为所述图像处理模型的参数、通过对所述图像处理模型进行训练而得到的;输出子模块,用于根据池化处理后的所述图像特征输出所述图像处理结果;
所述池化子模块用于:
对预训练的所述池化向量进行插值处理,并对插值处理后的所述池化向量进行归一化处理,以得到目标池化向量;根据所述目标池化向量对所述目标图像的图像特征进行池化处理;
所述池化子模块还用于:对预训练的所述池化向量进行分段处理;针对分段处理后不包括所述池化向量中最大向量值和最小向量值的向量分段进行插值处理。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351397.9A CN113033579B (zh) | 2021-03-31 | 2021-03-31 | 图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351397.9A CN113033579B (zh) | 2021-03-31 | 2021-03-31 | 图像处理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033579A CN113033579A (zh) | 2021-06-25 |
CN113033579B true CN113033579B (zh) | 2023-03-21 |
Family
ID=76453227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110351397.9A Active CN113033579B (zh) | 2021-03-31 | 2021-03-31 | 图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033579B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020155518A1 (zh) * | 2019-02-03 | 2020-08-06 | 平安科技(深圳)有限公司 | 物体检测方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI696958B (zh) * | 2018-11-19 | 2020-06-21 | 國家中山科學研究院 | 影像適應性特徵提取法及其應用 |
CN109902166A (zh) * | 2019-03-12 | 2019-06-18 | 北京百度网讯科技有限公司 | 视觉问答模型、电子设备及存储介质 |
CN110827208A (zh) * | 2019-09-19 | 2020-02-21 | 重庆特斯联智慧科技股份有限公司 | 卷积神经网络的通用池化增强方法、装置、设备及介质 |
CN111222562B (zh) * | 2020-01-02 | 2022-04-08 | 南京邮电大学 | 基于空间自注意力机制的目标检测方法 |
CN112100387B (zh) * | 2020-11-13 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 用于文本分类的神经网络系统的训练方法及装置 |
-
2021
- 2021-03-31 CN CN202110351397.9A patent/CN113033579B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020155518A1 (zh) * | 2019-02-03 | 2020-08-06 | 平安科技(深圳)有限公司 | 物体检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113033579A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
CN110929780A (zh) | 视频分类模型构建、视频分类的方法、装置、设备及介质 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN113033580B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
WO2022171036A1 (zh) | 视频目标追踪方法、视频目标追踪装置、存储介质及电子设备 | |
CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN111797266B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
CN112307243B (zh) | 用于检索图像的方法和装置 | |
WO2023130925A1 (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN115546766B (zh) | 车道线生成方法、装置、电子设备和计算机可读介质 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN113033579B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN114612909A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN114429628A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN114419086A (zh) | 边缘提取方法、装置、电子设备及存储介质 | |
CN113705386A (zh) | 视频分类方法、装置、可读介质和电子设备 | |
CN115700838A (zh) | 用于图像识别模型的训练方法及其装置、图像识别方法 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112990349B (zh) | 书写质量评价方法、装置和电子设备 |
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 |