CN113065607A - 图像检测方法、装置、电子设备及介质 - Google Patents
图像检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113065607A CN113065607A CN202110426546.3A CN202110426546A CN113065607A CN 113065607 A CN113065607 A CN 113065607A CN 202110426546 A CN202110426546 A CN 202110426546A CN 113065607 A CN113065607 A CN 113065607A
- Authority
- CN
- China
- Prior art keywords
- sample set
- image
- image sample
- training
- preset
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 249
- 238000012549 training Methods 0.000 claims abstract description 187
- 238000012360 testing method Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 230000015572 biosynthetic process Effects 0.000 claims description 18
- 238000003786 synthesis reaction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 241000282326 Felis catus Species 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 241000282472 Canis lupus familiaris Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策技术，揭露了一种图像检测方法，包括：利用训练图像样本集训练原始对象检测模型训练，利用测试图像样本集对训练原始对象检测模型得到的初级对象检测模型进行测试，得到检测结果，根据检测结果获取误识别样本，根据误识别样本、抠图图像样本集和负图像样本集得到新增训练图像样本集，利用新增训练图像样本集和训练图像样本集对初级对象检测模型再训练，通过再训练得到的标准对象检测模型对待检测图像进行检测，得到对象检测结果。此外，本发明还涉及区块链技术，所述对象检测结果可存储于区块链的节点。本发明还提出一种图像检测装置、电子设备以及计算机可读存储介质。本发明可以解决图像检测时准确率较低的问题。
Description
技术领域
本发明涉及智能决策技术领域，尤其涉及一种图像检测方法、装置、电子设备及介质。
背景技术
随着人工智能的快速发展，神经网络模型的运用也越来越广泛，在利用神经网络模型对物体进行图像检测(如图像检测)时，对于一些特征相似的对象，会出现“误判”的情况，即将“非目标对象”被误判为“目标对象”。现有技术中，通常的解决方式是通过扩充样本集，让神经网络模型提取更加多样化的物体特征，特征值的数据更为全面完整，从而避开特征相似的对象。但是现有技术中常常没有办法获取到大量的训练样本，因此，在样本集无法进一步的优化的情况下，想要提高神经网络精准度会变得较为困难，神经网络精准度不高将导致通过神经网络进行图像检测时准确率降低。
发明内容
本发明提供一种图像检测方法、装置及计算机可读存储介质，其主要目的在于解决图像检测时准确率较低的问题。
为实现上述目的，本发明提供的一种图像检测方法，包括：
获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
可选地，所述根据所述检测结果获取所述测试图像样本集中的误识别样本，包括：
当所述初级图像检测模型的检测结果的置信度阈值为第一置信度时，从检测结果中获取第一误识别样本；
判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同；
当所述第一误识别样本的数量级与所述训练图像样本集的数量级相同时，确定所述第一误识别样本为所述测试图像样本集中的误识别样本。
可选地，所述判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同之后，所述方法还包括：
当所述第一误识别样本的数量级大于所述训练图像样本集的数量级时，将所述初级图像检测模型的检测结果的置信度阈值调整为第二置信度，对所述第一误识别样本进行筛选，直至筛选出的误识别样本的数量级等于所述训练图像样本集的数量级，将筛选出的误识别样本输出为所述测试图像样本集中的误识别样本。
可选地，所述将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集，包括：
将所述汇总样本集中汇总图像作为背景图像，将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成，得到新增训练图像样本集。
可选地，所述将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成之前，所述方法还包括：
提取所述抠图样本集的抠图样本中的对象区域；
判断所述对象区域中的对象与所述预设对象是否一致；
若所述对象区域中的对象与所述预设对象一致，将所述对象区域的像素点的灰度值转化为第一灰度值，将所述对象区域之外的像素点的灰度值转化为第二灰度值；
通过截取所述第一灰度值获取所述预设对象。
可选地，所述利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型，包括：
将所述训练图像样本集输入至所述原始对象检测模型进行特征提取，得到训练结果；
利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值；
当所述损失值大于或等于预设的损失阈值，则调整所述原始对象检测模型的参数，返回至特征提取处理；
当所述损失值小于所述损失阈值，则停止训练，得到初级对象检测模型。
可选地，所述利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值，包括：
利用下述预设的损失函数计算所述训练结果与预设的目标结果之间的损失值：
其中，
为损失值，
为所述训练结果，Y为所述目标结果，α表示误差因子，为预设常数。
为了解决上述问题，本发明还提供一种图像检测装置，所述装置包括：
样本集划分模块，用于获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
模型训练模块，用于利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
误识别样本获取模块，用于利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
图像合成模块，用于获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
再训练模块，用于利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
对象检测模块，用于利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的图像检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的图像检测方法。
本发明通过对正图像样本集按比例进行划分，得到训练图像样本集、测试图像样本集和抠图图像样本集之后，将所述训练图像样本集用于模型训练，将所述测试图像样本集输入至初次模型训练得到的初级对象检测模型，可以对初次模型训练的结果进行模型验证，以防止模型在训练过程中产生过拟合现象。并且，通过对模型测试，得到误识别样本，从而获取到了此时模型仍未能检测准确的样本，将误识别样本与负样本进行汇总，得到汇总样本集，并将汇总样本集与抠图图像样本集进行合成，得到新增训练图像样本集，此时新增样本集中即包含模型未能准确识别的样本又包含大量正负样本合成的样本，因此本发明在正样本数量没有增加的情况下，极大地增加了有意义的训练样本数量，通过新增训练图像样本集进行再训练，进一步提高了模型的精确度，因此，通过再训练得到的标准对象检测模型对待检测图像进行对象检测时，能得到更准确的对象检测结果。因此本发明提出的图像检测方法、装置、电子设备及介质，可以解决图像检测时准确率较低的问题。
附图说明
图1为本发明一实施例提供的图像检测方法的流程示意图；
图2为本发明一实施例提供的图像检测装置的功能模块图；
图3为本发明一实施例提供的实现所述图像检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种图像检测方法。所述图像检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的图像检测方法的流程示意图。
在本实施例中，所述图像检测方法包括：
S1、获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集。
本发明实施例中，所述正图像样本集中包含多张存在预设对象的图像。预设对象可以为人物、动物、建筑物等对象。
例如，正图像样本集中包含多张存在相同或者不同猫的图像。
具体地，按照预设的比例对所述正图像样本集进行拆分，得到训练图像样本集、测试图像样本集和抠图图像样本集。
优选地，所述比例为1：1：1。
详细地，所述训练图像样本集用于模型训练，所述测试图像样本集用于模型验证，以防止模型在训练过程中产生过拟合现象，所述抠图图像样本集用于扩充样本数量。
例如，在本发明实施例中，待检测的预设对象是“猫”，所述正图像样本集中有300张图片，此时这300张图片中的对象包含“猫”和“狗”，300张图片中存在某张图片包含多只“猫”或者“狗”的情况，也存在只包含“猫”的情况。对所述正图像样本集按比例拆分，其中，将100张图片作为训练图像样本集，100张图片为测试图像样本集，100张为抠图图像样本集。
S2、利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型。
本发明实施例中，所述利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型，包括：
将所述训练图像样本集输入至所述原始对象检测模型进行特征提取，得到训练结果；
利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值；
当所述损失值大于或等于预设的损失阈值，则调整所述原始对象检测模型的参数，返回至特征提取处理；
当所述损失值小于所述损失阈值，则停止训练，得到初级对象检测模型。
详细地，所述利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值，包括：
利用下述预设的损失函数计算所述训练结果与预设的目标结果之间的损失值：
其中，
为损失值，
为所述训练结果，Y为所述目标结果，α表示误差因子，为预设常数。
本发明实施例中，训练所述原始对象检测模型来对所述正图像样本集进行图像检测的过程是训练原始对象检测模型识别出所述正图像样本集中包含的对象的类别的过程，训练得到的初级对象检测模型能够对图像中包含的预设对象进行检测识别。
S3、利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本。
本发明实施例中，利用所述测试图像样本集对所述初级对象检测模型进行测试处理，得到检测结果，其中，所述检测结果中包含所述测试图像样本集中图像中的对象所属的类别。
本实施例中，测试图像样本集包含多张测试图像样本，测试图像样本中都包含预设对象，当初级对象检测模型未检测出某测试图像样本中的预设对象时，或者识别错误时，则该测试图像样本为误识别样本。具体地，所述根据所述检测结果获取所述测试图像样本集中的误识别样本，包括：
当所述初级图像检测模型的检测结果的置信度阈值为第一置信度时，从检测结果中获取第一误识别样本；
判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同；
当所述第一误识别样本的数量级与所述训练图像样本集的数量级相同时，确定所述第一误识别样本为所述测试图像样本集中的误识别样本。
详细地，当所述第一误识别样本的数量级和所述训练图像样本集的数量级相同时，说明从宏观的角度来看误识别出来的样本的数量与训练图像样本的数量在一个等级上，此时误识别出来的样本的数量在一个较为合理的范围中，所述训练图像样本的数量即为对应的参考标准。
进一步地，所述从检测结果中获取第一误识别样本，包括：
判断所述检测结果中的识别对象与所述预设对象是否相等；
若所述检测结果中的识别对象与所述预设对象不相等，将所述识别对象对应的测试样本判定为第一误识别样本。具体地，所述判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同之后，所述方法还包括：
当所述第一误识别样本的数量级大于所述训练图像样本集的数量级时，将所述初级图像检测模型的检测结果的置信度阈值调整为第二置信度，对所述第一误识别样本进行筛选，直至筛选出的误识别样本的数量级等于所述训练图像样本集的数量级，将筛选出的误识别样本输出为所述测试图像样本集中的误识别样本。
其中，所述第二置信度大于所述第一置信度。
详细地，所述数量级是指数量的大小级别，标识数量的多少，所述第一误识别样本的数量对应的数量级则是指所述第一误识别样本的数量所处的级别。例如，所述第一误识别样本有90张图，则其对应的数量级属于“百”以内的级别，若所述第一误识别样本有1999张图，则属于“千”级别。若所述第一误识别样本的数量对应的数量级大于所述训练图像样本集的数量对应的数量级，此时按照预设的固定差值上调所述初级图像检测模型的检测结果的置信度阈值，此时对所述第一误识别样本进行筛选，直至筛选出的误识别样本的数量级等于所述训练图像样本集的数量级，此时对应的误识别样本为所述测试图像样本集中的误识别样本。
进一步地，将所述初级图像检测模型的检测结果的置信度阈值调整为第二置信度后，由于所述第二置信度大于所述第一置信度，相当于上调了置信度，此时衡量误识别样本的标准提高了，对所述第一误识别样本进行筛选，将不符合所述置信度标准的样本删除，删选出符合所述第二置信度的样本，并将筛选出的误识别样本输出为所述测试图像样本集中的误识别样本，保证了样本的准确性。
S4、获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集。
本发明实施例中，可以通过网络采集的方式获取不包含所述预设对象的负图像样本集。其中，所述负图像样本集中的样本数量可以是所述误识别样本对应数量级的0.5倍。
其中，将所述负图像样本集与所述误识别样本进行汇总的目的是在于增加负样本的多样性。
具体地，所述将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集，包括：
将所述汇总样本集中汇总图像作为背景图像，将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成，得到新增训练图像样本集。
进一步地，所述将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成之前，所述方法还包括：
提取所述抠图样本集的抠图样本中的对象区域；
判断所述对象区域中的对象与所述预设对象是否一致；
若所述对象区域中的对象与所述预设对象一致，将所述对象区域的像素点的灰度值转化为第一灰度值，将所述对象区域之外的像素点的灰度值转化为第二灰度值；
通过截取所述第一灰度值获取所述预设对象。
较佳地，所述第一灰度值可以为255，所述第二灰度值可以为0。
例如，在本发明实施例中，所述对象区域是含有“猫”的区域，对所述抠图样本进行二值化处理，将所述抠图样本中所述对象区域上的像素点的灰度值转化为255，位于所述对象区域之外的像素点的灰度值转化为0，得到正样本对象。
其中，可以调用拼接工具的接口函数将所述正样本对象植入至所述汇总样本中。
S5、利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型。
本发明实施例中，利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，其中，所述新增训练图像样本集更加精确和贴合实际应用场景，利用所述新训练样本集和所述训练图像样本集进行训练，得到标准对象检测模型。
S6、利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
本发明实施例中，通过所述标准对象检测模型对所述待检测图像进行对象检测，得到对象检测结果，由于标准对象检测模型可以实现准确进行对象检测，因此所得到的对象检测结果更加精确。
本发明通过对正图像样本集按比例进行划分，得到训练图像样本集、测试图像样本集和抠图图像样本集之后，将所述训练图像样本集用于模型训练，将所述测试图像样本集输入至初次模型训练得到的初级对象检测模型，可以对初次模型训练的结果进行模型验证，以防止模型在训练过程中产生过拟合现象。并且，通过对模型测试，得到误识别样本，从而获取到了此时模型仍未能检测准确的样本，将误识别样本与负样本进行汇总，得到汇总样本集，并将汇总样本集与抠图图像样本集进行合成，得到新增训练图像样本集，此时新增样本集中即包含模型未能准确识别的样本又包含大量正负样本合成的样本，因此本发明在正样本数量没有增加的情况下，极大地增加了有意义的训练样本数量，通过新增训练图像样本集进行再训练，进一步提高了模型的精确度，因此，通过再训练得到的标准对象检测模型对待检测图像进行对象检测时，能得到更准确的对象检测结果。因此本发明提出的图像检测方法可以解决图像检测时准确率较低的问题。
如图2所示，是本发明一实施例提供的图像检测装置的功能模块图。
本发明所述图像检测装置100可以安装于电子设备中。根据实现的功能，所述图像检测装置100可以包括样本集划分模块101、模型训练模块102、误识别样本获取模块103、图像合成模块104、再训练模块105及对象检测模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述样本集划分模块101，用于获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
所述模型训练模块102，用于利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
所述误识别样本获取模块103，用于利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
所述图像合成模块104，用于获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
所述再训练模块105，用于利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
所述对象检测模块106，用于利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
详细地，所述图像检测装置100各模块的具体实施方式如下：
步骤一、获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集。
本发明实施例中，所述正图像样本集中包含多张存在预设对象的图像。预设对象可以为人物、动物、建筑物等对象。
例如，正图像样本集中包含多张存在相同或者不同猫的图像。
具体地，按照预设的比例对所述正图像样本集进行拆分，得到训练图像样本集、测试图像样本集和抠图图像样本集。
优选地，所述比例为1：1：1。
详细地，所述训练图像样本集用于模型训练，所述测试图像样本集用于模型验证，以防止模型在训练过程中产生过拟合现象，所述抠图图像样本集用于扩充样本数量。
例如，在本发明实施例中，待检测的预设对象是“猫”，所述正图像样本集中有300张图片，此时这300张图片中的对象包含“猫”和“狗”，300张图片中存在某张图片包含多只“猫”或者“狗”的情况，也存在只包含“猫”的情况。对所述正图像样本集按比例拆分，其中，将100张图片作为训练图像样本集，100张图片为测试图像样本集，100张为抠图图像样本集。
步骤二、利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型。
本发明实施例中，所述利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型，包括：
将所述训练图像样本集输入至所述原始对象检测模型进行特征提取，得到训练结果；
利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值；
当所述损失值大于或等于预设的损失阈值，则调整所述原始对象检测模型的参数，返回至特征提取处理；
当所述损失值小于所述损失阈值，则停止训练，得到初级对象检测模型。
详细地，所述利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值，包括：
利用下述预设的损失函数计算所述训练结果与预设的目标结果之间的损失值：
其中，
为损失值，
为所述训练结果，Y为所述目标结果，α表示误差因子，为预设常数。
本发明实施例中，训练所述原始对象检测模型来对所述正图像样本集进行图像检测的过程是训练原始对象检测模型识别出所述正图像样本集中包含的对象的类别的过程，训练得到的初级对象检测模型能够对图像中包含的预设对象进行检测识别。
步骤三、利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本。
本发明实施例中，利用所述测试图像样本集对所述初级对象检测模型进行测试处理，得到检测结果，其中，所述检测结果中包含所述测试图像样本集中图像中的对象所属的类别。
本实施例中，测试图像样本集包含多张测试图像样本，测试图像样本中都包含预设对象，当初级对象检测模型未检测出某测试图像样本中的预设对象时，或者识别错误时，则该测试图像样本为误识别样本。
具体地，所述根据所述检测结果获取所述测试图像样本集中的误识别样本，包括：
当所述初级图像检测模型的检测结果的置信度阈值为第一置信度时，从检测结果中获取第一误识别样本；
判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同；
当所述第一误识别样本的数量级与所述训练图像样本集的数量级相同时，确定所述第一误识别样本为所述测试图像样本集中的误识别样本。
详细地，当所述第一误识别样本的数量级和所述训练图像样本集的数量级相同时，说明从宏观的角度来看误识别出来的样本的数量与训练图像样本的数量在一个等级上，此时误识别出来的样本的数量在一个较为合理的范围中，所述训练图像样本的数量即为对应的参考标准。
进一步地，所述从检测结果中获取第一误识别样本，包括：
判断所述检测结果中的识别对象与所述预设对象是否相等；
若所述检测结果中的识别对象与所述预设对象不相等，将所述识别对象对应的测试样本判定为第一误识别样本。
具体地，所述判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同之后，所述方法还包括：
当所述第一误识别样本的数量级大于所述训练图像样本集的数量级时，将所述初级图像检测模型的检测结果的置信度阈值调整为第二置信度，对所述第一误识别样本进行筛选，直至筛选出的误识别样本的数量级等于所述训练图像样本集的数量级，将筛选出的误识别样本输出为所述测试图像样本集中的误识别样本。
其中，所述第二置信度大于所述第一置信度。
详细地，所述数量级是指数量的大小级别，标识数量的多少，所述第一误识别样本的数量对应的数量级则是指所述第一误识别样本的数量所处的级别。例如，所述第一误识别样本有90张图，则其对应的数量级属于“百”以内的级别，若所述第一误识别样本有1999张图，则属于“千”级别。若所述第一误识别样本的数量对应的数量级大于所述训练图像样本集的数量对应的数量级，此时按照预设的固定差值上调所述初级图像检测模型的检测结果的置信度阈值，此时对所述第一误识别样本进行筛选，直至筛选出的误识别样本的数量级等于所述训练图像样本集的数量级，此时对应的误识别样本为所述测试图像样本集中的误识别样本。
进一步地，将所述初级图像检测模型的检测结果的置信度阈值调整为第二置信度后，由于所述第二置信度大于所述第一置信度，相当于上调了置信度，此时衡量误识别样本的标准提高了，对所述第一误识别样本进行筛选，将不符合所述置信度标准的样本删除，删选出符合所述第二置信度的样本，并将筛选出的误识别样本输出为所述测试图像样本集中的误识别样本，保证了样本的准确性。
步骤四、获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集。
本发明实施例中，可以通过网络采集的方式获取不包含所述预设对象的负图像样本集。其中，所述负图像样本集中的样本数量可以是所述误识别样本对应数量级的0.5倍。
其中，将所述负图像样本集与所述误识别样本进行汇总的目的是在于增加负样本的多样性。
具体地，所述将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集，包括：
将所述汇总样本集中汇总图像作为背景图像，将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成，得到新增训练图像样本集。
进一步地，所述将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成之前，所述方法还包括：
提取所述抠图样本集的抠图样本中的对象区域；
判断所述对象区域中的对象与所述预设对象是否一致；
若所述对象区域中的对象与所述预设对象一致，将所述对象区域的像素点的灰度值转化为第一灰度值，将所述对象区域之外的像素点的灰度值转化为第二灰度值；
通过截取所述第一灰度值获取所述预设对象。
较佳地，所述第一灰度值可以为255，所述第二灰度值可以为0。
例如，在本发明实施例中，所述对象区域是含有“猫”的区域，对所述抠图样本进行二值化处理，将所述抠图样本中所述对象区域上的像素点的灰度值转化为255，位于所述对象区域之外的像素点的灰度值转化为0，得到正样本对象。
其中，可以调用拼接工具的接口函数将所述正样本对象植入至所述汇总样本中。
步骤五、利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型。
本发明实施例中，利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，其中，所述新增训练图像样本集更加精确和贴合实际应用场景，利用所述新训练样本集和所述训练图像样本集进行训练，得到标准对象检测模型。
步骤六、利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
本发明实施例中，通过所述标准对象检测模型对所述待检测图像进行对象检测，得到对象检测结果，由于标准对象检测模型可以实现准确进行对象检测，因此所得到的对象检测结果更加精确。
本发明通过对正图像样本集按比例进行划分，得到训练图像样本集、测试图像样本集和抠图图像样本集之后，将所述训练图像样本集用于模型训练，将所述测试图像样本集输入至初次模型训练得到的初级对象检测模型，可以对初次模型训练的结果进行模型验证，以防止模型在训练过程中产生过拟合现象。并且，通过对模型测试，得到误识别样本，从而获取到了此时模型仍未能检测准确的样本，将误识别样本与负样本进行汇总，得到汇总样本集，并将汇总样本集与抠图图像样本集进行合成，得到新增训练图像样本集，此时新增样本集中即包含模型未能准确识别的样本又包含大量正负样本合成的样本，因此本发明在正样本数量没有增加的情况下，极大地增加了有意义的训练样本数量，通过新增训练图像样本集进行再训练，进一步提高了模型的精确度，因此，通过再训练得到的标准对象检测模型对待检测图像进行对象检测时，能得到更准确的对象检测结果。因此本发明提出的图像检测装置可以解决图像检测时准确率较低的问题。
如图3所示，是本发明一实施例提供的实现图像检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如图像检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图像检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种图像检测方法，其特征在于，所述方法包括：
获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
2.如权利要求1所述的图像检测方法，其特征在于，所述根据所述检测结果获取所述测试图像样本集中的误识别样本，包括：
当所述初级图像检测模型的检测结果的置信度阈值为第一置信度时，从检测结果中获取第一误识别样本；
判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同；
当所述第一误识别样本的数量级与所述训练图像样本集的数量级相同时，确定所述第一误识别样本为所述测试图像样本集中的误识别样本。
3.如权利要求2所述的图像检测方法，其特征在于，所述判断所述第一误识别样本的数量级是否与所述训练图像样本集的数量级相同之后，所述方法还包括：
当所述第一误识别样本的数量级大于所述训练图像样本集的数量级时，将所述初级图像检测模型的检测结果的置信度阈值调整为第二置信度，对所述第一误识别样本进行筛选，直至筛选出的误识别样本的数量级等于所述训练图像样本集的数量级，将筛选出的误识别样本输出为所述测试图像样本集中的误识别样本。
4.如权利要求1所述的图像检测方法，其特征在于，所述将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集，包括：
将所述汇总样本集中汇总图像作为背景图像，将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成，得到新增训练图像样本集。
5.如权利要求4所述的图像检测方法，其特征在于，所述将所述抠图图像样本集中所述预设对象作为所述背景图像的前景图像进行合成之前，所述方法还包括：
提取所述抠图样本集的抠图样本中的对象区域；
判断所述对象区域中的对象与所述预设对象是否一致；
若所述对象区域中的对象与所述预设对象一致，将所述对象区域的像素点的灰度值转化为第一灰度值，将所述对象区域之外的像素点的灰度值转化为第二灰度值；
通过截取所述第一灰度值获取所述预设对象。
6.如权利要求1至5中任一项所述的图像检测方法，其特征在于，所述利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型，包括：
将所述训练图像样本集输入至所述原始对象检测模型进行特征提取，得到训练结果；
利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值；
当所述损失值大于或等于预设的损失阈值，则调整所述原始对象检测模型的参数，返回至特征提取处理；
当所述损失值小于所述损失阈值，则停止训练，得到初级对象检测模型。
7.如权利要求6所述的图像检测方法，其特征在于，所述利用预设的损失函数计算所述训练结果与预设的目标结果之间的损失值，包括：
利用下述预设的损失函数计算所述训练结果与预设的目标结果之间的损失值：
其中，
为损失值，
为所述训练结果，Y为所述目标结果，α表示误差因子，为预设常数。
8.一种图像检测装置，其特征在于，所述装置包括：
样本集划分模块，用于获取包含预设对象的正图像样本集，将所述正图像样本集按比例划分为训练图像样本集、测试图像样本集和抠图图像样本集；
模型训练模块，用于利用所述训练图像样本集对预设的原始对象检测模型进行训练，得到初级对象检测模型；
误识别样本获取模块，用于利用所述初级对象检测模型对所述测试图像样本集进行检测，得到检测结果，根据所述检测结果获取所述测试图像样本集中的误识别样本；
图像合成模块，用于获取不包含所述预设对象的负图像样本集，将所述负图像样本集与所述误识别样本进行汇总，得到汇总样本集，将所述汇总样本集与所述抠图图像样本集进行图像合成，得到新增训练图像样本集；
再训练模块，用于利用所述新增训练图像样本集和所述训练图像样本集对所述初级对象检测模型进行再训练，得到标准对象检测模型；
对象检测模块，用于利用所述标准对象检测模型对获取得到的待检测图像进行对象检测，得到对象检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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如权利要求1至7中任意一项所述的图像检测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的图像检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110426546.3A CN113065607A (zh) | 2021-04-20 | 2021-04-20 | 图像检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110426546.3A CN113065607A (zh) | 2021-04-20 | 2021-04-20 | 图像检测方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113065607A true CN113065607A (zh) | 2021-07-02 |
Family
ID=76567117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110426546.3A Pending CN113065607A (zh) | 2021-04-20 | 2021-04-20 | 图像检测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065607A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023236044A1 (zh) * | 2022-06-07 | 2023-12-14 | 西门子股份公司 | 对象检测模型训练方法、装置、计算机设备和存储介质 |
| CN116051926B (zh) * | 2023-01-12 | 2024-04-16 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、图像识别方法和装置 |
| TWI839813B (zh) * | 2022-08-17 | 2024-04-21 | 國立中央大學 | 驗證使用者身份之電子計算裝置、其判別模型之更新方法及電腦程式產品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544496A (zh) * | 2018-11-19 | 2019-03-29 | 南京旷云科技有限公司 | 训练数据的生成方法、对象检测模型的训练方法和装置 |
| US20190332896A1 (en) * | 2018-04-27 | 2019-10-31 | Jianming Liang | Methods, systems, and media for selecting candidates for annotation for use in training classifiers |
| CN112233125A (zh) * | 2020-10-15 | 2021-01-15 | 平安科技（深圳）有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
| CN112348765A (zh) * | 2020-10-23 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 数据增强方法、装置、计算机可读存储介质及终端设备 |
| CN112580734A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
-
2021
- 2021-04-20 CN CN202110426546.3A patent/CN113065607A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190332896A1 (en) * | 2018-04-27 | 2019-10-31 | Jianming Liang | Methods, systems, and media for selecting candidates for annotation for use in training classifiers |
| CN109544496A (zh) * | 2018-11-19 | 2019-03-29 | 南京旷云科技有限公司 | 训练数据的生成方法、对象检测模型的训练方法和装置 |
| CN112233125A (zh) * | 2020-10-15 | 2021-01-15 | 平安科技（深圳）有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
| CN112348765A (zh) * | 2020-10-23 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 数据增强方法、装置、计算机可读存储介质及终端设备 |
| CN112580734A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023236044A1 (zh) * | 2022-06-07 | 2023-12-14 | 西门子股份公司 | 对象检测模型训练方法、装置、计算机设备和存储介质 |
| TWI839813B (zh) * | 2022-08-17 | 2024-04-21 | 國立中央大學 | 驗證使用者身份之電子計算裝置、其判別模型之更新方法及電腦程式產品 |
| CN116051926B (zh) * | 2023-01-12 | 2024-04-16 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、图像识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065607A (zh) | 图像检测方法、装置、电子设备及介质 | |
| CN112395978A (zh) | 行为检测方法、装置及计算机可读存储介质 | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
| CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN113961473A (zh) | 数据测试方法、装置、电子设备及计算机可读存储介质 | |
| CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
| CN112528908A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN113887438A (zh) | 人脸图像的水印检测方法、装置、设备及介质 | |
| CN112668575A (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
| CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| CN112132016A (zh) | 票据信息提取方法、装置及电子设备 | |
| CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
| CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN113011164A (zh) | 数据质量检测方法、装置、电子设备及介质 | |
| CN112560855A (zh) | 图像信息提取方法、装置、电子设备及存储介质 | |
| CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
| CN115098644A (zh) | 图像与文本匹配方法、装置、电子设备及存储介质 |
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 |