CN113313129B - 灾损识别模型的训练方法、装置、设备以及存储介质 - Google Patents
灾损识别模型的训练方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113313129B CN113313129B CN202110693920.6A CN202110693920A CN113313129B CN 113313129 B CN113313129 B CN 113313129B CN 202110693920 A CN202110693920 A CN 202110693920A CN 113313129 B CN113313129 B CN 113313129B
- Authority
- CN
- China
- Prior art keywords
- channel
- value
- feature map
- pixel
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 73
- 238000004364 calculation method Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000005284 excitation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种灾损识别模型的训练方法、装置、设备以及存储介质,其中,方法,包括:获取灾损识别模型中各个通道的特征图;获取各所述特征图的像素点,计算每个所述特征图中各像素点的像素平均值,将所述像素平均值作为对应所述特征图的像素平均值;将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;将各所述增益参数进行标准化处理,得到各个通道的目标权重值;将所述目标权重值输入至所述灾损识别模型中对各个所述通道的像素平均值进行校正。本发明的有益效果:实现了对待识别图片中可以实现自行筛选出有效信息的特征,将有效信息强度高的特征能更加有效的筛选,提高了灾损识别模型的精度。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种灾损识别模型的训练方法、装置、设备以及存储介质。
背景技术
传统的灾损识别模型涉及的卷积、池化等运算是针对特征图上的点无差异进行的,这种全局无差异的处理方式无法区分不同特征之间的差异性,传统的灾损识别模型无法自行筛选出有效信息的特征以及提取有效信息强度高的特征。
发明内容
本发明的主要目的为提供一种灾损识别模型的训练方法、装置、设备以及存储介质,旨在解决传统的灾损识别模型无法自行筛选出有效信息的特征的问题。
本发明提供了一种灾损识别模型的训练方法,其特征在于,包括:
获取灾损识别模型中各个通道的特征图;
获取各所述特征图的像素点,计算每个所述特征图中各像素点的像素平均值;
将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;其中,所述归一化处理的函数为sigmiod激活函数;
将各所述增益参数进行标准化处理,得到各个通道的目标权重值;其中,标准化处理后得到的所有所述目标权重值之和为1;
将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正。
进一步地,所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数的步骤,包括:
获取各通道内的卷积层至隐藏层的第一权重向量,以及所述隐藏层至输出层的第二权重向量;
将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中,得到各个通道对应的所述增益参数;其中,所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到,所述增益参数计算公式为 表示第m个通道对应的增益参数,W1表示第一权重向量,W2表示第二权重向量,z表示所述灾损识别模型的权重向量,δ为预设的参数。
进一步地,所述计算每个所述特征图中各像素点的像素平均值的步骤,包括:
将各个所述特征图的像素点依次输入至像素平均值计算公式中,得到各个所述特征图分别对应的像素平均值,将所述像素平均值作为对应所述特征图的像素平均值;其中,所述像素平均值计算公式为其中,zk为第k个所述特征图对应的像素平均值,X表示所述特征图的高度,W表示所述特征图的宽度,uk(i,j)表示第k个特征图在高度为i和宽度为j处的像素点。
进一步地,所述获取各所述特征图的像素点的步骤之前,还包括:
将各个所述特征图输入至RGB颜色模型中,得到各个所述特征图在RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
根据公式:F1=MIN{ROUND[(a1R+a2G+a3B)/L,0],A},获取参考数值F1,其中MIN为最小值函数,ROUND为四舍五入函数,a1、a2、a3均为大于0且小于L的正数,L为大于0的整数,A为预设的取值在范围(0,255)之内第一阈值参数,R、G、B分别为所述特征图中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
判断所述参考数值F1的值是否等于A;
若所述参考数值F1的值不等于A,则根据公式:F2=MAX{ROUND[(a1R+a2G+a3B)/L,0],K},获取参考数值F2,其中MIN为最大值函数,K为预设的取值在范围(0,255)之内第二阈值参数,并且K大于A;
判断所述参考数值F2的值是否等于K;
若所述参考数值F2的值不等于K,则将该像素点的RGB颜色设置为(255,255,255)。
进一步地,所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数的步骤,包括:
将各个所述特征图的各个像素点U=[u1,1,u1,2,…,ui,j,…,uH,W],依次输入公式q=Wsq·U中进行空间激励,得到中间特征图;其中ui,j为所述特征图中坐标为(i,j)的像素点,Wsq为预设的空间向量,q为所述中间特征图;
将所述中间特征图输入特征值计算函数中进行计算,计算后得到所述中间特征图中各个像素点对应的特征值;
将各所述特征值按照预设的权重分配公式进行,得到各个所述中间特征图的各个像素点的权重激励参数;其中,所述权重激励参数为所述增益参数。
进一步地,所述获取灾损识别模型中各个通道的特征图的步骤之前,还包括:
将待识别图片分别输入至所述灾损识别模型的各个通道中,分别得到各个通道的特征图;所述通道由多个神经网络层构成,其中,上一层神经网络层的输出为下一层神经网络层的输入,所述神经网络层由卷积层、BatchNormalization层、ReLU层构成。
本发明还提供了一种灾损识别模型的训练装置,包括:
特征图获取模块,用于获取灾损识别模型中各个通道的特征图;
像素点获取模块,用于获取各所述特征图的像素点,计算每个所述特征图中各像素点的像素平均值;
输入模块,用于将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;其中,所述归一化处理的函数为sigmiod激活函数;
处理模块,用于将各所述增益参数进行标准化处理,得到各个通道的目标权重值;其中,标准化处理后得到的所有所述目标权重值之和为1;
校正模块,用于将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正。
进一步地,所述输入模块,包括:
获取子模块,用于获取各通道内的卷积层至隐藏层的第一权重向量,以及所述隐藏层至输出层的第二权重向量;
输入子模块,用于将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中,得到各个通道对应的所述增益参数;其中,所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到,所述增益参数计算公式为 表示第m个通道对应的增益参数,W1表示第一权重向量,W2表示第二权重向量,z表示所述灾损识别模型的权重向量,δ为预设的参数。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:通过对灾损识别模型中各个通道的特征图的像素点进行获取,从而计算特征图的像素平均值,得到各个通道的增益参数,然后再根据增益参数得到各个通道的目标权重值,将目标权重值输入至灾损识别模型中进行校正,从而实现了对待识别图片中可以实现自行筛选出有效信息的特征,将有效信息强度高的特征能更加有效的筛选,提高了灾损识别模型的精度。
附图说明
图1是本发明一实施例的一种灾损识别模型的训练方法的流程示意图;
图2是本发明一实施例的一种灾损识别模型的训练装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
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
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种灾损识别模型的训练方法,包括:
S1:获取灾损识别模型中各个通道的特征图;
S2:获取各所述特征图的像素点,并计算每个所述特征图中各像素点的像素平均值;
S3:将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;其中,所述归一化处理的函数为sigmiod激活函数;
S4:将各所述增益参数进行标准化处理,得到各个通道的目标权重值;其中,标准化处理后得到的所有所述目标权重值之和为1;
S5:将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正。
如上述步骤S1所述,获取灾损识别模型中各个通道的特征图。其中,灾损识别模型可以是任意的灾损识别模型,例如为遥感影像灾损识别模型,本实施例中,灾损识别模型包括多个通道,每个通道以Resnet网络作为骨干结构,多个通道分别用于提取不同的特征,通道中每一层采用瓶颈网络结构,设定瓶颈网络中每一层的通道数,设定瓶颈网络的输出通道数out_ch,扩张倍数Bottleneck_expansion,则第一层输出结果的通道数为mid_ch=out_ch//_Bottleneck_expansion,且每一层网络为卷积层、BatchNormalization层、ReLU层构成的ConvBnReLU神经网络层。各通道中的每一层网络都可以输出一个特征图,本申请中,可以获取其中任意一个特征图,也可以获取多个特征图,当具有多个特征图时,后续计算的像素平均值可以采用平均值作为通道的特征图的像素平均值。
如上述步骤S2所述,获取各所述特征图的像素点,并计算每个所述特征图中各像素点的像素平均值。其中,获取像素点的方式不做限定,例如可以通过PS(Photoshop)等APP进行获取,然后再根据像素平均值计算公式进行计算,其中像素平均值计算公式为根据各个像素点所计算得到,计算像素平均值的方式不作限定,具体地,计算方式后续有详细说明,此处不再赘述。
如上述步骤S3所述,将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数。其中,sigmoid激活函数具体为zi表示第i个特征图所对应的像素平均值,f(zi)表示第i个特征图所对应通道的增益参数。其中,当zi越大,其对应的增益参数无限趋近于1,当zi越小,其无线趋近于0。由于灾损识别模型中各个通道分别用于提取不同的特征,对于各个特征的提取而言,有的特征提取较好,有的特征提取较差,因此,可以获取到基于特征图所提取到的像素平均值,计算各个通道的增益参数,对于提取特征较好的通道赋予更大的增益参数,其中,计算的方式后续有两种具体地实施例进行说明,此处不再赘述。
如上述步骤S4所述,将各所述增益参数进行标准化处理,得到各个通道的目标权重值。增益参数只是作为通道权重的参数,还需要进一步地计算各个通道权重的目标权重值,其中标注化处理的方式可以是将各个增益参数输入至softnax函数中进行标准化处理,也可以是按照各个增益参数与所有增益参数之和的比值作为目标权重值,从而保证所有的目标权重值的和为1,从而得到各个通道分别对应的目标权重值。
如上述步骤S5所述,将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正。即将得到的目标权重值输入至灾损识别模型中,对各个通道得到的特征图的权重进行校正,从而达到对识别程度高的特征图所在的通道占比较大,对待识别图片中可以实现自行筛选出有效信息的特征,将有效信息强度高的特征能更加有效的筛选,从而提高了灾损识别模型的精度。
在一个实施例中,所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数的步骤S3,包括:
S301:获取各通道内的卷积层至隐藏层的第一权重向量,以及所述隐藏层至输出层的第二权重向量;
S302:将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中,得到各个通道对应的所述增益参数;其中,所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到,所述增益参数计算公式为 表示第m个通道对应的增益参数,W1表示第一权重向量,W2表示第二权重向量,z表示所述灾损识别模型的权重向量,δ为预设的参数。
如上述步骤S301-S302所述,实现了对增益参数的计算。
步骤S301中,获取到各个通道内卷积层至隐藏层的第一权重向量,该灾损识别模型为深度识别模型,为卷积神经网络,其内部具有卷积层、隐藏层和池化层的结构,因此可以从中获取到卷积层至隐藏层的第一权重向量,以及隐藏层至输出层的第二权重向量,其中,第一权重向量为输入至卷积层的待识别图片和输入至隐藏层时的中间图片的乘积,第二权重向量为输入至隐藏层时的中间图片至输入至输出层时的特征图的乘积,池化层位于隐藏层至输出层之间。
步骤S02中,根据增益计算公式计算各个通道的增益参数,由于z为灾损识别模型的权重向量,由各个通道的特征图的像素平均值组成,因此各个通道的增益参数计算参考了其他通道的像素平均值,若当前的第二权重向量和第一权重向量与灾损识别模型的权重向量相似时,即第二权重向量和第一权重向量都具有与整体的权重向量具有更多的相似部分,即该通道具有更加有效的信息,因此该通道对应的增益参数也会越大,即实现了通道参数的自行比较,从而可以实现筛选出有效特征的通道。
在一个实施例中,所述计算每个所述特征图中各像素点的像素平均值的步骤S2,包括:
S201:将各个所述特征图的像素点依次输入至所述像素平均值计算公式中,得到各个所述特征图分别对应的像素平均值,将所述像素平均值作为对应所述特征图的像素平均值;其中,所述像素平均值计算公式为其中,zk为第k个所述特征图对应的像素平均值,X表示所述特征图的高度,W表示所述特征图的宽度,uk(i,j)表示第k个特征图在高度为i和宽度为j处的像素点。
如上述步骤S201所述,实现了对像素平均值的计算,该像素平均值可以计算特征图的像素点,即将其输入至像素平均值计算公式中,其中像素平均值计算公式为该X*W为像素点的个数,/>为所有像素点之和,因此本实施例采用像素点的平均值作为该特征图的权重,可以有效的对各个特征图的像素点进行计算提取,其中需要说明的是,特征图若提取到特征越少,其像素点之和越小,而若提取到特征越多,其像素点之和越大。
在一个实施例中,所述获取各所述特征图的像素点的步骤S2之前,还包括:
S101:将各个所述特征图输入至RGB颜色模型中,得到各个所述特征图在RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
S102:根据公式:F1=MIN{ROUND[(a1R+a2G+a3B)/L,0],A},获取参考数值F1,其中MIN为最小值函数,ROUND为四舍五入函数,a1、a2、a3均为大于0且小于L的正数,L为大于0的整数,A为预设的取值在范围(0,255)之内第一阈值参数,R、G、B分别为所述特征图中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
S103:判断所述参考数值F1的值是否等于A;
S104:若所述参考数值F1的值不等于A,则根据公式:F2=MAX{ROUND[(a1R+a2G+a3B)/L,0],K},获取参考数值F2,其中MIN为最大值函数,K为预设的取值在范围(0,255)之内第二阈值参数,并且K大于A;
S105:判断所述参考数值F2的值是否等于K;
S106:若所述参考数值F2的值不等于K,则将该像素点的RGB颜色设置为(255,255,255)。
如上述步骤S101-S106所述,实现了采集所述特征图中的像素点的采集。
步骤S101中,将特征图输入至RGB颜色模型中,得到R颜色通道的数值、G颜色通道的数值和B颜色通道的数值,并根据预设的三值化法将所述特征图中的像素点的RGB颜色设置为(0,0,0)、(255,255,255)或者(P,P,P)。
步骤S102中,本申请采用公式:F1=MIN{ROUND[(a1R+a2G+a3B)/L,0],A}和公式:F2=MAX{ROUND[(a1R+a2G+a3B)/L,0],K},以确定所述指定像素点的RGB颜色。
步骤S103-S104中,若所述参考数值F1的值不等于A,则将所述指定像素点的RGB颜色设置为(0,0,0),即将该指定像素点设为空白,以简化后续的计算部分,并进一步获取参考数值,以决定是否将该指定像素点设为最大值。
步骤S105-S106中,若所述参考数值F2的值等于K,则将所述指定像素点的RGB颜色设置为(P,P,P)。从而实现了三值化处理,避免因为像素点的值而影响到特征的提取,从而以便于后续的识别处理。其中ROUND函数是四舍五入函数,ROUND(X,a)指对实数X按小数位为a进行四舍五入运算,其中a为大于等于0的整数,例如ROUND(2.4,0)=2。从而得到对应RGB颜色的三色图,以便于后续计算和处理。
在一个实施例中,所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数的步骤S3,包括:
S311:将各个所述特征图的各个像素点U=[u1,1,u1,2,…,ui,j,…,uH,W],依次输入公式q=Wsq·U中进行空间激励,得到中间特征图;其中ui,j为所述特征图中坐标为(i,j)的像素点,Wsq为预设的空间向量,q为所述中间特征图;
S312:将所述中间特征图输入特征值计算函数中进行计算,计算后得到所述中间特征图中各个像素点对应的特征值;
S313:将各所述特征值按照预设的权重分配公式进行,得到各个所述中间特征图的各个像素点的权重激励参数;其中,所述权重激励参数为所述增益参数。
如上述步骤S311-S313所述,实现了对增益参数的计算,本实施例中,侧重于对像素点的增益。
步骤S311中,先将各个像素点输入至公式q=Wsq·U中进行空间激励,得到中间特征图。其中,Wsq为事先得到的灾损图片所对应的空间向量,例如为火灾图片,因此其具有火灾对应的特征,将其输入至公式中,得到的中间特征图,可以初步得到特征图中具有火灾特征的中间特征图。
步骤S312中,然后再将中间特征图输入特征值计算函数中进行计算,计算后得到所述中间特征图中各个像素点对应的特征值,其中,特征值计算函数可以是sigmoid激活函数,即softmax函数,权重分配公式为其中σ(qi,j)表示高度为i,宽度为j处的像素点对应的权重激励参数,ui,j为高度为i,宽度为j处的像素点,H和M分别为中间特征图的高度和宽度,需要说明的是,由于输入的是同一个待识别图片,各个通道的特征图的高度和宽度也是一样的,故而中间特征图的高度和宽度也是一样的。
步骤S313中,将得到的特征值,按照预设的权重分配公式进行,例如,与灾损相关的特征可以赋予更大的权重,也可以是直接根据特征值的大小对各个像素点分配不同权重。
在一个实施例中,所述获取灾损识别模型中各个通道的特征图的步骤S1之前,还包括:
S001:将待识别图片分别输入至所述灾损识别模型的各个通道中,分别得到各个通道的特征图;所述通道由多个神经网络层构成,其中,上一层神经网络层的输出为下一层神经网络层的输入,所述神经网络层由卷积层、BatchNormalization层、ReLU层构成。
如上述步骤S001所述,实现了对特征图的生成,即将待识别图片分别输入至所述灾损识别模型的各个通道中,可以得到各个通道的特征图,通道以Resnet网络作为骨干结构,定义每一层的输入通道数和输出通道数,每个通道中包括多层神经网络层,一层神经网络层由卷积层、BatchNormalization层、ReLU层构成,从而完成对图像的特征的提取,得到对应的特征图。
在一个实施例中,所述将待识别图片分别输入至所述灾损识别模型的各个通道中的步骤S001之前,还包括:
S0001:获取被监测区域处的影像数据;其中,所述影像数据由设置在监测点的图像采集设备实时采集得到;
S0002:对所述影像数据进行分析,由所述影像数据中识别出灾损区域并确定所述灾损区域的地理位置;
S0003:获取所述地理位置处的当前遥感影像,并将所述当前遥感影像记为所述待识别图片。
如上述步骤S0001所述,获取被监测区域处的影像数据。此处,需要指出的是,被监测区域可以是指林区中的某一片区域。该区域的大小由采集影像数据的图像采集设备的拍摄参数所决定。其中,图像采集安装在相应的监测点。
如上述步骤S0002所述,对影像数据进行分析,由影像数据中识别出灾损区域并确定灾损区域的地理位置。然后,再通过步骤S0003,获取地理位置处的当前遥感影像,并记为待识别图片用于识别分析。此处,需要指出的是,当前遥感影像是通过调用遥感卫星,由遥感卫星对地理位置处的区域进行采集得到的。
由此,通过由安装在监测点的图像采集设备进行被监测区域处的影像数据的采集,然后根据所采集到的影像数据进行分析,由影像数据中识别出灾损区域。其中,本领域技术人员可以理解的是,灾损区域指的是影像数据中发生灾损的区域,例如,若灾损为火灾,则可以进行火花识别,由于火花的像素点与其他的像素点不一样,而且还有烟雾,故而可以基于该特征进行识别。因此在由影像数据中识别出灾损区域时,再调用遥感卫星,由遥感卫星获取该灾损区域的地理位置处的当前遥感影像,并根据所获取到的当前遥感影像作为待识别图片进行具体分析。
参照图2,本申请还提供了一种灾损识别模型的训练装置,包括:
特征图获取模块10,用于获取灾损识别模型中各个通道的特征图;
像素点获取模块20,用于获取各所述特征图的像素点,计算每个所述特征图中各像素点的像素平均值;
输入模块30,用于将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;其中,所述归一化处理的函数为sigmiod激活函数;
处理模块40,用于将各所述增益参数进行标准化处理,得到各个通道的目标权重值;其中,标准化处理后得到的所有所述目标权重值之和为1;
校正模块50,用于将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正。
在一个实施例中,所述输入模块30,包括:
获取子模块,用于获取各通道内的卷积层至隐藏层的第一权重向量,以及所述隐藏层至输出层的第二权重向量;
输入子模块,用于将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中,得到各个通道对应的所述增益参数;其中,所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到,所述增益参数计算公式为 表示第m个通道对应的增益参数,W1表示第一权重向量,W2表示第二权重向量,z表示所述灾损识别模型的权重向量,δ为预设的参数。
在一个实施例中,像素点获取模块20,包括:
像素平均值计算子模块,用于将各个所述特征图的像素点依次输入至像素平均值计算公式中,得到各个所述特征图分别对应的像素平均值,将所述像素平均值作为对应所述特征图的像素平均值;其中,所述像素平均值计算公式为其中,zk为第k个所述特征图对应的像素平均值,X表示所述特征图的高度,W表示所述特征图的宽度,uk(i,j)表示第k个特征图在高度为i和宽度为j处的像素点。
在一个实施例中,灾损识别模型的训练装置,还包括:
特征图输入模块,用于将各个所述特征图输入至RGB颜色模型中,得到各个所述特征图在RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
第一参考数值计算模块,用于根据公式:F1=MIN{ROUND[(a1R+a2G+a3B)/L,0],A},获取参考数值F1,其中MIN为最小值函数,ROUND为四舍五入函数,a1、a2、a3均为大于0且小于L的正数,L为大于0的整数,A为预设的取值在范围(0,255)之内第一阈值参数,R、G、B分别为所述特征图中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
第一参考数值判断模块,用于判断所述参考数值F1的值是否等于A;
第二参考数值计算模块,用于若所述参考数值F1的值不等于A,则根据公式:F2=MAX{ROUND[(a1R+a2G+a3B)/L,0],K},获取参考数值F2,其中MIN为最大值函数,K为预设的取值在范围(0,255)之内第二阈值参数,并且K大于A;
第二参考数值判断模块,用于判断所述参考数值F2的值是否等于K;
像素点设置模块,用于若所述参考数值F2的值不等于K,则将该像素点的RGB颜色设置为(255,255,255)。
在一个实施例中,输入模块30,包括:
空间激励模块,用于将各个所述特征图的各个像素点U=[u1,1,u1,2,…,ui,j,…,uH,W],依次输入公式q=Wsq·U中进行空间激励,得到中间特征图;其中ui,j为所述特征图中坐标为(i,j)的像素点,Wsq为预设的空间向量,q为所述中间特征图;
特征值计算模块,用于将所述中间特征图输入特征值计算函数中进行计算,计算后得到所述中间特征图中各个像素点对应的特征值;
权重激励参数计算模块,用于将各所述特征值按照预设的权重分配公式进行,得到各个所述中间特征图的各个像素点的权重激励参数;其中,所述权重激励参数为所述增益参数。
在一个实施例中,灾损识别模型的训练装置,还包括:
待识别图片输入模块,用于将待识别图片分别输入至所述灾损识别模型的各个通道中,分别得到各个通道的特征图;所述通道由多个神经网络层构成,其中,上一层神经网络层的输出为下一层神经网络层的输入,所述神经网络层由卷积层、BatchNormalization层、ReLU层构成。
本发明的有益效果:通过对灾损识别模型中各个通道的特征图的像素点进行获取,从而计算特征图的像素平均值,得到各个通道的增益参数,然后再根据增益参数得到各个通道的目标权重值,将目标权重值输入至灾损识别模型中进行校正,从而实现了对待识别图片中可以实现自行筛选出有效信息的特征,将有效信息强度高的特征能更加有效的筛选,提高了灾损识别模型的精度。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种特征图等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的灾损识别模型的训练方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的灾损识别模型的训练方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种灾损识别模型的训练方法,其特征在于,包括:
获取灾损识别模型中各个通道的特征图;
获取各所述特征图的像素点,计算每个所述特征图中各像素点的像素平均值;
将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;其中,所述归一化处理的函数为sigmiod激活函数;
将各所述增益参数进行标准化处理,得到各个通道的目标权重值;其中,标准化处理后得到的所有所述目标权重值之和为1;
将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正;
所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数的步骤,包括:
获取各通道内的卷积层至隐藏层的第一权重向量,以及所述隐藏层至输出层的第二权重向量;
将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中,得到各个通道对应的所述增益参数;其中,所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到,所述增益参数计算公式为 表示第m个通道对应的增益参数,W1表示第一权重向量,W2表示第二权重向量,z表示所述灾损识别模型的权重向量,δ为预设的参数。
2.如权利要求1所述的灾损识别模型的训练方法,其特征在于,所述计算每个所述特征图中各像素点的像素平均值的步骤,包括:
将各个所述特征图的像素点依次输入至像素平均值计算公式中,得到各个所述特征图分别对应的像素平均值,将所述像素平均值作为对应所述特征图的像素平均值;其中,所述像素平均值计算公式为其中,zk为第k个所述特征图对应的像素平均值,X*W表示像素点的个数,H表示所述特征图的高度,W表示所述特征图的宽度,uk(i,j)表示第k个特征图在高度为i和宽度为j处的像素点。
3.如权利要求1所述的灾损识别模型的训练方法,其特征在于,所述获取各所述特征图的像素点的步骤之前,还包括:
将各个所述特征图输入至RGB颜色模型中,得到各个所述特征图在RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
根据公式:F1=MIN{ROUND[(a1R+a2G+a3B)/L,0],A},获取参考数值F1,其中MIN为最小值函数,ROUND为四舍五入函数,a1、a2、a3均为大于0且小于L的正数,L为大于0的整数,A为预设的取值在范围(0,255)之内第一阈值参数,R、G、B分别为所述特征图中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值;
判断所述参考数值F1的值是否等于A;
若所述参考数值F1的值不等于A,则根据公式:F2=MAX{ROUND[(a1R+a2G+a3B)/L,0],K},获取参考数值F2,其中MAX为最大值函数,K为预设的取值在范围(0,255)之内第二阈值参数,并且K大于A;
判断所述参考数值F2的值是否等于K;
若所述参考数值F2的值不等于K,则将该像素点的RGB颜色设置为(255,255,255)。
4.如权利要求1所述的灾损识别模型的训练方法,其特征在于,所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数的步骤,包括:
将各个所述特征图的各个像素点U=[u1,1,u1,2,…,ui,j,…,uH,W],依次输入公式q=Wsq·U中进行空间激励,得到中间特征图;其中ui,j为所述特征图中坐标为(i,j)的像素点,Wsq为预设的空间向量,q为所述中间特征图;
将所述中间特征图输入特征值计算函数中进行计算,计算后得到所述中间特征图中各个像素点对应的特征值;
将各所述特征值按照预设的权重分配公式进行,得到各个所述中间特征图的各个像素点的权重激励参数;其中,所述权重激励参数为所述增益参数。
5.如权利要求1所述的灾损识别模型的训练方法,其特征在于,所述获取灾损识别模型中各个通道的特征图的步骤之前,还包括:
将待识别图片分别输入至所述灾损识别模型的各个通道中,分别得到各个通道的特征图;所述通道由多个神经网络层构成,其中,上一层神经网络层的输出为下一层神经网络层的输入,所述神经网络层由卷积层、BatchNormalization层、ReLU层构成。
6.一种灾损识别模型的训练装置,其特征在于,包括:
特征图获取模块,用于获取灾损识别模型中各个通道的特征图;
像素点获取模块,用于获取各所述特征图的像素点,计算每个所述特征图中各像素点的像素平均值;
输入模块,用于将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理,得到各个通道的增益参数;其中,所述归一化处理的函数为sigmiod激活函数;
处理模块,用于将各所述增益参数进行标准化处理,得到各个通道的目标权重值;其中,标准化处理后得到的所有所述目标权重值之和为1;
校正模块,用于将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正;
所述输入模块,包括:
获取子模块,用于获取各通道内的卷积层至隐藏层的第一权重向量,以及所述隐藏层至输出层的第二权重向量;
输入子模块,用于将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中,得到各个通道对应的所述增益参数;其中,所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到,所述增益参数计算公式为 表示第m个通道对应的增益参数,W1表示第一权重向量,W2表示第二权重向量,z表示所述灾损识别模型的权重向量,δ为预设的参数。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693920.6A CN113313129B (zh) | 2021-06-22 | 2021-06-22 | 灾损识别模型的训练方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693920.6A CN113313129B (zh) | 2021-06-22 | 2021-06-22 | 灾损识别模型的训练方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313129A CN113313129A (zh) | 2021-08-27 |
CN113313129B true CN113313129B (zh) | 2024-04-05 |
Family
ID=77379901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693920.6A Active CN113313129B (zh) | 2021-06-22 | 2021-06-22 | 灾损识别模型的训练方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313129B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287961A (zh) * | 2019-05-06 | 2019-09-27 | 平安科技(深圳)有限公司 | 中文分词方法、电子装置及可读存储介质 |
CN110796161A (zh) * | 2019-09-18 | 2020-02-14 | 平安科技(深圳)有限公司 | 识别模型训练、眼底特征的识别方法、装置、设备及介质 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
CN111310800A (zh) * | 2020-01-20 | 2020-06-19 | 世纪龙信息网络有限责任公司 | 图像分类模型生成方法、装置、计算机设备和存储介质 |
CN112132156A (zh) * | 2020-08-18 | 2020-12-25 | 山东大学 | 多深度特征融合的图像显著性目标检测方法及系统 |
WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN112906485A (zh) * | 2021-01-25 | 2021-06-04 | 杭州易享优智能科技有限公司 | 基于改进的yolo模型的视障人士辅助障碍物感知方法 |
-
2021
- 2021-06-22 CN CN202110693920.6A patent/CN113313129B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287961A (zh) * | 2019-05-06 | 2019-09-27 | 平安科技(深圳)有限公司 | 中文分词方法、电子装置及可读存储介质 |
CN110796161A (zh) * | 2019-09-18 | 2020-02-14 | 平安科技(深圳)有限公司 | 识别模型训练、眼底特征的识别方法、装置、设备及介质 |
WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
CN111310800A (zh) * | 2020-01-20 | 2020-06-19 | 世纪龙信息网络有限责任公司 | 图像分类模型生成方法、装置、计算机设备和存储介质 |
CN112132156A (zh) * | 2020-08-18 | 2020-12-25 | 山东大学 | 多深度特征融合的图像显著性目标检测方法及系统 |
CN112906485A (zh) * | 2021-01-25 | 2021-06-04 | 杭州易享优智能科技有限公司 | 基于改进的yolo模型的视障人士辅助障碍物感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113313129A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN109325429A (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN112418009A (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN112950569B (zh) | 黑色素瘤图像识别方法、装置、计算机设备及存储介质 | |
CN110798709B (zh) | 视频处理方法和装置、存储介质及电子装置 | |
CN107092821A (zh) | 一种分布式人脸认证信息生成方法、认证方法和装置 | |
CN112949468A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN109949207B (zh) | 虚拟对象合成方法、装置、计算机设备和存储介质 | |
CN111506710B (zh) | 基于谣言预测模型的信息发送方法、装置和计算机设备 | |
CN110784493A (zh) | 一种基于NB-IoT通信的综合气象数据采集系统 | |
CN111414858A (zh) | 人脸识别方法、目标图像的确定方法、装置和电子系统 | |
CN111259813A (zh) | 人脸检测跟踪方法、装置、计算机设备和存储介质 | |
CN111275901B (zh) | 快递柜的控制方法、装置、存储介质和计算机设备 | |
CN113516046A (zh) | 区域内生物多样性的监测方法、装置、设备以及存储介质 | |
CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN114565955A (zh) | 人脸属性识别模型训练、社区人员监控方法、装置、设备 | |
CN112733652B (zh) | 图像目标识别方法、装置、计算机设备及可读存储介质 | |
CN112926616B (zh) | 图像匹配方法和装置、电子设备、计算机可读存储介质 | |
CN113313129B (zh) | 灾损识别模型的训练方法、装置、设备以及存储介质 | |
CN111695544B (zh) | 基于人群检测模型的信息发送方法、装置和计算机设备 | |
CN107633458A (zh) | 一种契约调查的处理方法、存储介质和服务器 | |
CN111932755A (zh) | 人员通行验证方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |