CN113361568A - 目标识别方法、装置和电子系统 - Google Patents
目标识别方法、装置和电子系统 Download PDFInfo
- Publication number
- CN113361568A CN113361568A CN202110543979.7A CN202110543979A CN113361568A CN 113361568 A CN113361568 A CN 113361568A CN 202110543979 A CN202110543979 A CN 202110543979A CN 113361568 A CN113361568 A CN 113361568A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- determining
- pairs
- pair
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 129
- 238000012545 processing Methods 0.000 claims description 26
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 30
- 238000012827 research and development Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000014509 gene expression Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002087 whitening effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标识别方法、装置和电子系统,获取包含有待识别目标的待处理图像;将该待处理图像输入至训练好的目标识别模型,得到待处理图像的识别结果;目标识别模型的训练方式为:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和损失函数,确定样本图像的损失值,根据该损失值训练初始模型,得到目标识别模型。该方式中,不同的样本图像对应有不同的样本权重,在目标识别模型训练过程中针对每个样本图像对应的样本权重和损失函数,确定该样本图像对应的损失值,进而基于损失值调整模型参数,该训练方式有利于提高目标识别模型的整体性能,从而提高模型的目标识别精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种目标识别方法、装置和电子系统。
背景技术
目标识别是基于目标的特征信息进行身份识别的方式。利用深度学习技术,目标识别取得了一定的成就,能在安防、通行等场景中广泛运用。相关技术中,通常通过训练好的深度学习模型识别目标,该深度学习模型直接在数据集上训练得到,但是由于数据集中存在对模型学习具有不同难易程度的样本,限制了模型的训练,从而导致模型目标识别的精确度较差。
发明内容
本发明的目的在于提供一种目标识别方法、装置和电子系统,以提高模型目标识别的精确度。
第一方面,本发明提供了一种目标识别方法,该方法包括:获取包含有待识别目标的待处理图像;将该待处理图像输入至预先训练完成的目标识别模型中,得到待处理图像的识别结果;该目标识别模型通过下述方式训练得到:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。
在可选的实施方式中,上述样本图像集中包含有多个样本对;其中,每个样本对包含有两张样本图像;上述确定样本图像集中每张样本图像对应的样本权重的步骤,包括:确定多个样本对中每个样本对的相似度;针对多个样本对中的每个样本对,基于样本对的相似度,确定样本对的样本权重;将样本对的样本权重确定为样本对所包含的两张样本图像中每张样本图像对应的样本权重。
在可选的实施方式中,上述针对多个样本对中的每个样本对,基于样本对的相似度,确定样本对的样本权重的步骤,包括:根据每个样本对的相似度的大小,对多个样本对进行排序,得到排序结果;针对每个样本对,根据样本对在排序结果中的位置,确定样本对的样本权重。
在可选的实施方式中,上述多个样本对中包含同类样本对和异类样本对;其中,同类样本对中的两张样本图像包含相同的目标,异类样本对中的两张样本图像包含不同的目标;上述根据每个样本对的相似度的大小,对多个样本对进行排序,得到排序结果的步骤,包括:对多个样本对中的同类样本对的相似度,按照相似度从小到大的顺序进行排序,得到第一排序结果;对多个样本对中的异类样本对的相似度,按照相似度从大到小的顺序进行排序,得到第二排序结果。
在可选的实施方式中,上述针对每个样本对,根据样本对在排序结果中的位置,确定样本对的样本权重的步骤,包括:针对第一排序结果和第二排序结果分别执行下述操作:将排序在第一预设范围内的样本对的样本权重确定为第一数值;将排序在第二预设范围内的样本对的样本权重确定为第二数值;将排序在第三预设范围内的样本对的样本权重确定为第三数值;该第三数值大于所述第一数值和第二数值;针对排序在除第一预设范围、第二预设范围和第三预设范围之外的样本对,按照排序顺序将样本对的样本权重确定为依次递减的预设值;其中,预设值的最小值大于第一数值和第二数值,该预设值的最大值小于第三数值。
在可选的实施方式中,上述多个样本对包括:最难样本、次难样本、一般样本和简单样本;上述方法还包括:将排序在第一预设范围内的样本对,确定为最难样本;将排序在第二预设范围内的样本对,确定为简单样本;将排序在第三预设范围内的样本对,确定为次难样本;将排序在除第一预设范围、第二预设范围和第三预设范围之外的样本对,确定为一般样本。
在可选的实施方式中,上述样本图像集中包含有多个样本对,每个样本对包含有两张样本图像,两张样本图像对应的样本权重相同;上述基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型的步骤,包括:从样本图像集中确定训练样本对;将训练样本对输入至初始模型中,得到训练样本对的输出结果;根据预设损失函数、训练样本对的样本权重和输出结果,确定训练样本对的损失值;基于训练样本对的损失值调整初始模型的网络参数,继续执行从样本图像集中确定训练样本对的步骤,直到初始模型收敛或者达到预设的训练次数,得到目标识别模型。
在可选的实施方式中,上述根据预设损失函数、训练样本对的样本权重和输出结果,确定训练样本对的损失值的步骤,包括:将输出结果带入预设损失函数中,得到损失量;将损失量与训练样本对的样本权重的乘积,确定为训练样本对的损失值。
第二方面,本发明提供了一种目标识别装置,该装置包括:图像获取模块,用于获取包含有待识别目标的待处理图像;识别模块,用于将待处理图像输入至预先训练完成的目标识别模型中,得到待处理图像的识别结果;模型训练模块,用于:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。
第三方面,本发明提供了一种电子系统,该电子系统包括:图像采集设备、处理设备和存储装置;图像采集设备,用于获取预览视频帧或图像数据;存储装置上存储有计算机程序,该计算机程序在被处理设备运行时执行上述目标识别方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理设备运行时执行上述目标识别方法。
本发明实施例带来了以下有益效果:
本发明提供的一种目标识别方法、装置和电子系统,首先获取包含有待识别目标的待处理图像;进而将该待处理图像输入至预先训练完成的目标识别模型中,得到待处理图像的识别结果;该目标识别模型通过下述方式训练得到:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。该方式中,不同的样本图像对应有不同的样本权重,在目标识别模型训练过程中针对每个样本图像对应的样本权重和损失函数,确定该样本图像对应的损失值,进而基于损失值调整模型参数,该训练方式有利于提高目标识别模型的整体性能,从而提高模型的目标识别精度。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电子系统的结构示意图;
图2为本发明实施例提供的一种目标识别方法的流程图;
图3为本发明实施例提供的一种目标识别模型的训练方法的流程图;
图4为本发明实施例提供的另一种目标识别模型的训练方法的流程图;
图5为本发明实施例提供的一种目标识别装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
相关技术中,通常通过训练好的深度学习模型识别目标,该深度学习模型直接在数据集上训练得到,但是由于数据集中存在对模型学习具有不同难易程度的样本,限制了模型的训练,从而导致模型目标识别的精确度较差,难以提升模型在目标图像存在跨年龄、大角度、模糊、复杂光照、大幅度遮挡等问题时的目标识别效果。
基于此,本发明实施例提供了一种目标识别方法、装置和电子系统,该技术可以应用于图像处理场景中,尤其是目标识别、目标相似度计算和图像筛选等场景中,同时该技术可采用相应的软件和硬件实现,以下对本发明实施例进行详细介绍。
实施例一:
首先,参照图1来描述用于实现本发明实施例的目标识别方法、装置和电子系统的示例电子系统100。
如图1所示的一种电子系统的结构示意图,电子系统100包括一个或多个处理设备102、一个或多个存储装置104、输入装置106、输出装置108以及一个或多个图像采集设备110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子系统100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子系统也可以具有其他组件和结构。
所述处理设备102可以是网关,也可以为智能终端,或者是包含中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备,可以对所述电子系统100中的其它组件的数据进行处理,还可以控制所述电子系统100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理设备102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理设备实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集设备110可以采集预览视频帧或图像数据,并且将采集到的预览视频帧或图像数据存储在所述存储装置104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的目标识别方法、装置和电子系统的示例电子系统中的各器件可以集成设置,也可以分散设置,诸如将处理设备102、存储装置104、输入装置106和输出装置108集成设置于一体,而将图像采集设备110设置于可以采集到目标图像的指定位置。当上述电子系统中的各器件集成设置时,该电子系统可以被实现为诸如相机、智能手机、平板电脑、计算机、车载终端等智能终端。
实施例二:
本实施例提供了一种目标识别方法,该方法由上述电子系统中的处理设备执行;该处理设备可以是具有数据处理能力的任何设备或芯片。该处理设备可以独立对接收到的信息进行处理,也可以与服务器相连,共同对信息进行分析处理。如图2所示,该目标识别方法包括如下具体步骤:
步骤S202,获取包含有待识别目标的待处理图像。
上述待处理图像可以是通过摄像机或者照相机拍摄的图片或者照片,也可以是指定的视频文件中的某一视频帧;该待处理图像中包含有待识别目标,该待识别目标可以人体、人脸,也可以为动物或者其他景物对象等。如果该待识别目标为人脸,该人脸可以是正脸,可以是侧脸,也可以是各种表情的人脸。在具体实现时,获取图像的方式可以为:通过通信连接的照相机、摄像头等设备拍摄后传入,或从存储有已经拍摄完成的待处理的图像的存储设备中获取。
步骤S204,将上述待处理图像输入至预先训练完成的目标识别模型中,得到该待处理图像的识别结果。
上述目标识别模型可以通过下述方式训练得到:首先确定样本图像集中每张样本图像对应的样本权重;然后基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据该损失值训练初始模型,得到目标识别模型。
上述样本图像集中包含有大量的样本图像,每张样本图像中均包含有目标,并携带目标标识,该目标标识用于指示样本图像所包含的目标;具体地,如果两张样本图像对应的目标标识相同,说明这两张样本图像所包含的目标相同。
在具体实现时,每张样本图像对模型的训练价值不同,本发明将训练价值高的样本图像的样本权重设置为较大值,以提高该样本图像对模型训练的影响;将训练价值低的样本图像的样本权重设置为较小值,以降低该样本图像对模型训练的影响。然后,根据样本图像集中的样本图像,以及样本图像对应的样本权重和损失函数,指导训练初始模型,得到预先训练完成的目标识别模型,该方式可以更好的训练模型,并提高模型的识别精度。
本发明提供的一种目标识别方法,首先获取包含有待识别目标的待处理图像;进而将该待处理图像输入至预先训练完成的目标识别模型中,得到待处理图像的识别结果;该目标识别模型通过下述方式训练得到:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。该方式中,不同的样本图像对应有不同的样本权重,在目标识别模型训练过程中针对每个样本图像对应的样本权重和损失函数,确定该样本图像对应的损失值,进而基于损失值调整模型参数,该训练方式有利于提高目标识别模型的整体性能,从而提高模型的目标识别精度。
实施例三:
本发明实施例还提供了一种目标识别模型的训练方法,该方法训练得到的目标识别模型用于处理上述待处理图像;如图3所示,该方法包括如下具体步骤:
步骤S302,获取样本图像集;该样本图像集中包含有多个样本对,每个样本对包含有两张样本图像。
上述样本图像集可以包括预设的训练数据集中的一部分样本图像,也可以包括全部的样本图像。该训练数据集中包含有大量的样本图像,每张样本图像中均包含有目标,且每张样本图像均携带有目标标识。在实际应用中,需要将样本图像集中的样本图像进行组合,得到多个样本对,其中,每个样本对均包含有两张样本图像,这两张样本图像所包含的目标可以相同也可以不同。
在具体实现时,在获取到样本图像集后,可以对样本图像集中的样本图像进行预处理,以便得到更利于模型训练的样本图像。具体地,可以对样本图像集中的样本图像进行场景增强处理(相当于上述预处理),得到增强后的样本图像;然后将增强后的样本图像组合成新的样本图像集,将新的样本图像集作为确定样本对的相似度的样本图像集。上述图像增强处理可以包括但不限于伸缩、翻转、模糊、白化等处理。
步骤S304,确定样本图像集中每个样本对的相似度。
相似度通常是指两个图像的图像特征之间的相似度,计算相似度的方式可以有多种,可以采用现有技术中提供的计算相似度的方式,也可以采用下述步骤10-11计算相似度:
步骤10,将样本图像集输入至预设的神经网络模型,得到样本图像集中每张样本图像的特征向量。也可以理解为,预设的神经网络模型用于对样本图像进行特征提取,输出样本图像的特征向量。
步骤11,针对样本图像集中每个样本对,计算该样本对中的两张样本图像的特征向量之间的欧式距离,得到该样本对的相似度。
在具体实现时,样本对中的两张样本图像的特征向量之间的欧式距离即为这两张样本图像的相似度,通常欧式距离越大,相似度越小;欧式距离越小,相似度越大。
步骤S306,针对样本图像集中的每个样本对,基于样本对的相似度,确定样本对的样本权重;将样本对的样本权重确定为样本对所包含的两张样本图像中每张样本图像对应的样本权重。
在具体实现时,可以通过下述步骤20-21确定样本图像集中的每个样本对的样本权重:
步骤20,根据每个样本对的相似度的大小,对样本图像集中的样本对进行排序,得到排序结果。
在具体实现时,可以按照相似度从大到小的顺序对样本图像集中的样本对进行排序,也可以按照相似度从小到大的顺序对样本图像集中的样本对进行排序。
在具体实现时,通过样本对中两张样本图像携带的目标标识,可以确定样本对中的两张样本图像是否包含有相同的目标,如果是,确定该样本对中的两张图像为同类图像,否则为不同类图像;其中,图类图像对应的样本对可以称为同类样本对,不同类图像对应的样本对可以称为异类样本对。在判定样本对中的两张样本图像是否为同类图像的基础上,再结合样本对的相似度,可确定出样本对的学习难度,进而得到样本对的样本权重,该样本权重也表征了该样本对对于模型训练的价值。通常,过难的样本对模型可能一直学不会,且过于简单的样本对容易出现模型过拟合,也不必学习,所以这两种样本对对模型训练的价值较低,因而,需要确定学习难度适宜的样本对(也可以理解为对模型训练最有利的样本对)来训练样本。
在实际应用中,通常同类图像之间的相似度都比较大,但某些特殊场景下,也会出现同类图像的相似度很小的情况,这种同类图像在模型训练时很难学习,因而确定该种同类图像的训练价值很低,进而会调整该种同类图像对应样本对的样本权重,以降低该种同类图像对模型训练的影响。类似地,通常不同类图像之间的相似度都比较小,但某些特殊场景下,也会出现不同类图像的相似度很大的情况,也即是出现不同类图像中目标很像的情况,这种不同类图像在模型训练时也是很难学习的,因而确定该种不同类图像的训练价值很低,进而会调整该种不同类图像对应的样本对的样本权重,以降低该种不同类图像对模型训练的影响。
同时,针对相似度非常大(例如大于预设阈值)的同类图像,或者相似度非常小的不同类图像,在模型训练时是非常容易学习的,容易出现模型过拟合,因而,该种图像对模型训练的价值也不大,需要调整该种图像对应的样本对的样本权重,以降低该种图像对模型训练的影响。
除上述情况之外的样本图像可以认为是对模型训练的价值相对较大的样本,可以将该类样本图像对应的样本对的样本权重进行调整,以提高该类样本对对模型训练的影响。
由于样本对属于同类样本对和属于异类样本对时,确定样本对的学习难度的规则不同,所以还需要对属于同类样本对和异类样本对分别进行排序,得到两个排序结果,也即是上述步骤20可以通过下述步骤30-31实现:
步骤30,对多个样本对中的同类样本对的相似度,按照相似度从小到大的顺序进行排序,得到第一排序结果。
步骤31,对多个样本对中的异类样本对的相似度,按照相似度从大到小的顺序进行排序,得到第二排序结果。
在一些实施例中,也可以按照相似度从大到小的顺序,对多个样本对中的同类样本对进行排序;按照相似度从小到大的顺序,对多个样本对中的异类样本对进行排序。当然,也可以按照相同的规则对多个样本对中的异类样本对和多个样本对中的异类样本对进行排序,但是,该种排序方式,在针对多个样本对中的异同类样本对对应的排序结果和多个样本对中的异类样本对对应的排序结果,确定样本对的学习难度和样本权重时的确定规则会有所差异。
步骤21,针对每个样本对,根据样本对在排序结果中的位置,确定样本对的样本权重。
在具体实现时,预先设置有每个排序位置对应的样本对的学习难度,每种学习难度也设置有对应的学习样本权重。因而,可根据样本对在排序结果中的位置,确定样本对的学习难度和样本权重。具体地,上述预先设置的每个排序位置对应的样本对的学习难度可以根据研发需求设定,也可以根据实验探究来确定;每种学习难度对应的样本权重的具体数值可以根据研发需求设定。
在具体实现时,根据上述步骤30-31得到第一排序结果和第二排序结果后,为了确定样本对的样本权重,可以针对第一排序结果和第二排序结果分别执行下述步骤40-43:
步骤40,将排序在第一预设范围内的样本对的样本权重确定为第一数值。上述第一预设范围可以根据研发需求设定,也可以根据实验探究来确定,例如,第一预设范围可以是排序靠前的前1/20的样本对,或者排序靠前的前1/30的样本对等。第一数值也可以根据研发需求设置。
在具体实现时,根据样本对的学习难度,可将样本对分为最难样本、次难样本、一般样本和简单样本。其中,最难样本通常是模型最难拟合的样本,在同类样本对中,可以指相似度最大的部分;在异类样本对中,指相似度最小的部分,因而可将在第一排序结果和第二排序结果中排序靠前的第一预设范围内的样本对,确定为最难样本。例如,如果第一预设范围为前1/20,那么最难样本可以是在第一排序结果中排序靠前的前1/20的样本对,即同类样本对中相似度最小的1/20的样本对;或者,在第二排序结果中排序靠前的前1/20的样本对,即异类样本对中相似度最大的1/20的样本对。
由于模型很难拟合最难样本,也即是最难样本对模型训练的价值不高,因而,可将最难样本对应的样本权重确定为较小数值,例如,可以将第一数值设置为0.01或者0.02等。
步骤41,将排序在第二预设范围内的样本对的样本权重确定为第二数值。上述第二预设范围可以根据研发需求设定,也可以根据实验探究来确定,例如,第二预设范围可以是排序靠后的后1/20的样本对,或者后1/30的样本对等。第二数值可以根据研发需求设置,第二数值可以与第一数值相同或者不同。
在具体实现时,简单样本通常是模型最易拟合的样本,也即是在同类样本对中相似度最小的部分,异类样本对中相似度最大的部分。因而可将在第一排序结果和第二排序结果中排序靠后的第二预设范围内的样本对,确定为简单样本。例如,如果第二预设范围为后1/20,那么简单样本可以是在第一排序结果中排序靠后的后1/20的样本对,即同类样本对中相似度最大的1/20的样本对;或者,在第二排序结果中排序靠后的后1/20的样本对,即异类样本对中相似度最小的1/20的样本对。
由于模型很容易拟合简单样本,也即是简单样本对模型训练的价值不高,因而,可将简单样本对应的样本权重确定为较小数值,例如,可以将第二数值设置为0.01或者0.02等。
步骤42,将排序在第三预设范围内的样本对的样本权重确定为第三数值;第三数值大于第一数值和第二数值。上述第三预设范围可以根据研发需求设定,也可以根据实验探究来确定,例如,第三预设范围可以是排序靠前的1/20~1/4等。第三数值可以根据研发需求设置。
在具体实现时,次难样本属于难样本范畴,但不是最难的样本,也即同类样板对中,相似度次小的部分;异类样本对中相似度次大的部分。因而可将在第一排序结果和第二排序结果中排序在第三预设范围内的样本对,确定为次难样本。例如,如果第三预设范围是排序靠前的1/20~1/4,那么次难样本可以是在第一排序结果中排序靠前的1/20~1/4的样本对,即同类样本对中相似度最小的1/20~1/4的样本对;或者,在第二排序结果中排序靠前的1/20~1/4的样本对,即异类样本对中相似度最大的1/20~1/4的样本对。
由于次难样本对模型的拟合难度适中,也即是次难样本对模型训练的价值最高,因而,可将次难样本对应的样本权重确定为较大值,例如,可以将第三数值设置为1或者2等。
步骤43,针对排序在除第一预设范围、第二预设范围和第三预设范围之外的样本对,按照排序顺序将样本对的样本权重确定为依次递减的预设值;其中,预设值的最小值大于第一数值和第二数值,预设值的最大值小于第三数值。
在多个样本对中,除最难样本、次难样本和简单样本之外的样本对为一般样本,也即是将排序在除第一预设范围、第二预设范围和第三预设范围之外的样本对,确定为一般样本。上述预设值可以是从预设范围内选取的数值,该预设范围可以根据研发需求设定,其中预设范围的最小值小于第二数值,最大值大于第一数值和第二数值。在具体实现时,一般样本可以按照排序顺序,从预设范围内选取依次递减的预设值作为样本权重。例如,如果预设范围为(0.01,1),那么第一排序结果中的一般样本将按照相似度从小到大的顺序,依次从0.01~1中选取依次递减的数值作为样本权重;第二排序结果中的一般样本将按照相似度从大到小的顺序,依次从0.01~1中选取依次递减的数值作为样本权重。
步骤S308,基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。
上述预设损失函数为模型训练时,预先设置的损失函数,该预设损失函数可以采用交叉熵损失函数、平方误差损失函数等。
上述目标识别模型的训练方法,在目标识别模型在训练时,可根据样本对的相似度,确定样本对的样本权重,以及样本对中样本图像的样本权重;然后基于该样本权重调整样本图像对的损失值,以便针对不同的样图像得到不同的损失值对模型进行训练,从而提高模型目标识别的精度;同时,该方式还能更好地提升模型在复杂光照、大角度、模糊、大幅度遮挡场景下的识别效果。
实施例四:
本发明实施例还提供了另一种目标识别模型的训练方法,该方法在上述训练方法的基础上实现,该方法重点描述基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型的具体过程(具体通过下述步骤S404-S414实现);如图4所示,该方法包括如下具体步骤:
步骤S402,获取样本图像集,并确定样本图像集中每个样本对的样本权重;其中,样本图像集中包含有多个样本对,每个样本对包含有两张样本图像,这两张样本图像对应的样本权重相同。
步骤S404,从上述样本图像集中确定训练样本对。
在第一次从样本图像集中确定训练样本对时,从样本图像集中随机选取一个样本对作为训练样本对;之后确定训练样本对时,可以从样本图像集中没有确定为训练样本对的样本对中,随机选取一个样本对作为新的训练样本对。
步骤S406,将上述训练样本对输入至初始模型中,得到训练样本对的输出结果。
上述初始模型可以是神经网络或者深度学习模型等,该初始模型可以输出训练样本对的预测识别结果(相当于上述输出结果),该预测识别结果可能不准确,需要对初始模型进行后续训练,以得到可准确预测的模型。
步骤S408,根据预设损失函数、训练样本对的样本权重和输出结果,确定训练样本对的损失值。
上述预设损失函数用于计算输出结果和标准结果之间的差异,该差异将指导模型的优化方向。在具体实现时,由于训练样本对中的两张样本图像均携带有目标标识,根据两张样本图像的目标标识是否一致,可以确定这两张样本图像的标准结果,例如,如果两张样本图像的目标标识一致,可以将这两张样本图像的标准结果设置为1,也可以理解为这两张样本图像对应的训练样本对的相似度为1;如果两张样本图像的目标标识不一致,可以将这两张样本图像的标准结果设置为0,也可以理解为这两张样本图像对应的训练样本对的相似度为0。
在具体实现时,将训练样本对的输出结果和标准结果输入至其对的预设损失函数中,得到损失量,然后将该损失量与训练样本对的样本权重的乘积,确定为训练样本对的损失值。
步骤S410,基于训练样本对的损失值调整初始模型的网络参数。
在具体实现时,通过损失值指导训练初始模型的网络参数,也即是损失值最终反映在模型的梯度上,梯度反向回传,指导模型的训练。
步骤S412,判断调整后的初始模型的网络参数是否收敛;如果是,执行步骤S414;否则,执行步骤S404。
在一些实施例中,还可以在达到预设的训练次数时,停止训练,将停止训练时得到的调整后的初始模型确定为目标识别模型。
步骤S414,将调整后的初始模型确定为目标识别模型。
上述目标识别模型的训练方法,通过样本图像集中每个样本对的样本权重,表征该样本对的学习难度和学习价值,进而在模型训练的过程中根据每个样本对的样本权重和预设损失函数确定损失值,以根据使不同学习价值的样本对产生不同的损失值,从而可以提高模型的识别精度。
实施例五:
对应于上述目标识别方法实施例,本发明实施例提供了一种目标识别装置,如图5所示,该装置包括:
图像获取模块50,用于获取包含有待识别目标的待处理图像。
识别模块51,用于将待处理图像输入至预先训练完成的目标识别模型中,得到待处理图像的识别结果。
模型训练模块52,用于:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。
具体地,上述样本图像集中包含有多个样本对;其中,每个样本对包含有两张样本图像;上述模型训练模块52,包括:相似度确定模型,用于确定多个样本对中每个样本对的相似度;权重确定模型,用于针对多个样本对中的每个样本对,基于样本对的相似度,确定样本对的样本权重;将样本对的样本权重确定为样本对所包含的两张样本图像中每张样本图像对应的样本权重。
进一步地,上述权重确定模型,还用于:根据每个样本对的相似度的大小,对多个样本对进行排序,得到排序结果;针对每个样本对,根据样本对在排序结果中的位置,确定样本对的样本权重。
具体地,上述多个样本对中包含同类样本对和异类样本对;其中,同类样本对中的两张样本图像包含相同的目标,异类样本对中的两张样本图像包含不同的目标;上述权重确定模型,还用于:对多个样本对中的同类样本对的相似度,按照相似度从小到大的顺序进行排序,得到第一排序结果;对多个样本对中的异类样本对的相似度,按照相似度从大到小的顺序进行排序,得到第二排序结果。
在具体实现时,上述权重确定模型,还用于:针对第一排序结果和第二排序结果分别执行下述操作:将排序在第一预设范围内的样本对的样本权重确定为第一数值;将排序在第二预设范围内的样本对的样本权重确定为第二数值;将排序在第三预设范围内的样本对的样本权重确定为第三数值;所述第三数值大于第一数值和第二数值;针对排序在除第一预设范围、第二预设范围和第三预设范围之外的样本对,按照排序顺序将样本对的样本权重确定为依次递减的预设值;其中,预设值的最小值大于第一数值和第二数值,预设值的最大值小于第三数值。
在实际应用中,上述多个样本对包括:最难样本、次难样本、一般样本和简单样本;上述装置还包括样本划分模块,用于:将排序在第一预设范围内的样本对,确定为最难样本;将排序在第二预设范围内的样本对,确定为简单样本;将排序在第三预设范围内的样本对,确定为次难样本;将排序在除第一预设范围、第二预设范围和第三预设范围之外的样本对,确定为一般样本。
进一步地,上述样本图像集中包含有多个样本对,每个样本对包含有两张样本图像,这两张样本图像对应的样本权重相同;上述模型训练模块52,还用于:从样本图像集中确定训练样本对;将训练样本对输入至初始模型中,得到所训练样本对的输出结果;根据预设损失函数、训练样本对的样本权重和输出结果,确定训练样本对的损失值;基于训练样本对的损失值调整初始模型的网络参数,继续执行从样本图像集中确定训练样本对的步骤,直到初始模型收敛或者达到预设的训练次数,得到目标识别模型。
进一步地,上述模型训练模块52,还用于:将输出结果带入预设损失函数中,得到损失量;将损失量与训练样本对的样本权重的乘积,确定为训练样本对的损失值。
上述目标识别装置,首先获取包含有待识别目标的待处理图像;进而将该待处理图像输入至预先训练完成的目标识别模型中,得到待处理图像的识别结果;该目标识别模型通过下述方式训练得到:确定样本图像集中每张样本图像对应的样本权重;基于样本图像对应的样本权重和预设损失函数,确定样本图像对应的损失值;根据损失值训练初始模型,得到目标识别模型。该方式中,不同的样本图像对应有不同的样本权重,在目标识别模型训练过程中针对每个样本图像对应的样本权重和损失函数,确定该样本图像对应的损失值,进而基于损失值调整模型参数,该训练方式有利于提高目标识别模型的整体性能,从而提高模型的目标识别精度。
实施例六:
本发明实施例提供了一种电子系统,该电子系统包括:图像采集设备、处理设备和存储装置;图像采集设备,用于获取预览视频帧或图像数据;存储装置上存储有计算机程序,计算机程序在被处理设备运行时执行如上述目标识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理设备运行时执行如上述目标识别方法。
本发明实施例所提供的目标识别方法、装置和电子系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和/或装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种目标识别方法,其特征在于,所述方法包括:
获取包含有待识别目标的待处理图像;
将所述待处理图像输入至预先训练完成的目标识别模型中,得到所述待处理图像的识别结果;
所述目标识别模型通过下述方式训练得到:
确定样本图像集中每张样本图像对应的样本权重;
基于所述样本图像对应的样本权重和预设损失函数,确定所述样本图像对应的损失值;根据所述损失值训练初始模型,得到所述目标识别模型。
2.根据权利要求1所述的方法,其特征在于,所述样本图像集中包含有多个样本对;其中,每个所述样本对包含有两张样本图像;
所述确定样本图像集中每张样本图像对应的样本权重的步骤,包括:
确定所述多个样本对中每个所述样本对的相似度;
针对所述多个样本对中的每个样本对,基于所述样本对的相似度,确定所述样本对的样本权重;将所述样本对的样本权重确定为所述样本对所包含的两张样本图像中每张样本图像对应的样本权重。
3.根据权利要求2所述的方法,其特征在于,所述针对所述多个样本对中的每个样本对,基于所述样本对的相似度,确定所述样本对的样本权重的步骤,包括:
根据每个所述样本对的相似度的大小,对所述多个样本对进行排序,得到排序结果;
针对每个所述样本对,根据所述样本对在所述排序结果中的位置,确定所述样本对的样本权重。
4.根据权利要求3所述的方法,其特征在于,所述多个样本对中包含同类样本对和异类样本对;其中,所述同类样本对中的两张样本图像包含相同的目标,异类样本对中的两张样本图像包含不同的目标;
所述根据每个所述样本对的相似度的大小,对所述多个样本对进行排序,得到排序结果的步骤,包括:
对所述多个样本对中的同类样本对的相似度,按照所述相似度从小到大的顺序进行排序,得到第一排序结果;
对所述多个样本对中的异类样本对的相似度,按照所述相似度从大到小的顺序进行排序,得到第二排序结果。
5.根据权利要求4所述的方法,其特征在于,所述针对每个所述样本对,根据所述样本对在所述排序结果中的位置,确定所述样本对的样本权重的步骤,包括:
针对所述第一排序结果和所述第二排序结果分别执行下述操作:
将排序在第一预设范围内的样本对的样本权重确定为第一数值;
将排序在第二预设范围内的样本对的样本权重确定为第二数值;
将排序在第三预设范围内的样本对的样本权重确定为第三数值;所述第三数值大于所述第一数值和所述第二数值;
针对排序在除所述第一预设范围、所述第二预设范围和所述第三预设范围之外的样本对,按照排序顺序将所述样本对的样本权重确定为依次递减的预设值;其中,所述预设值的最小值大于所述第一数值和所述第二数值,所述预设值的最大值小于所述第三数值。
6.根据权利要求5所述的方法,其特征在于,所述多个样本对包括:最难样本、次难样本、一般样本和简单样本;所述方法还包括:
将排序在所述第一预设范围内的样本对,确定为所述最难样本;
将排序在所述第二预设范围内的样本对,确定为所述简单样本;
将排序在所述第三预设范围内的样本对,确定为所述次难样本;
将排序在除所述第一预设范围、所述第二预设范围和所述第三预设范围之外的样本对,确定为所述一般样本。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述样本图像集中包含有多个样本对,每个所述样本对包含有两张样本图像,所述两张样本图像对应的样本权重相同;
所述基于所述样本图像对应的样本权重和预设损失函数,确定所述样本图像对应的损失值;根据所述损失值训练初始模型,得到所述目标识别模型的步骤,包括:
从所述样本图像集中确定训练样本对;
将所述训练样本对输入至所述初始模型中,得到所述训练样本对的输出结果;
根据所述预设损失函数、所述训练样本对的样本权重和所述输出结果,确定所述训练样本对的损失值;
基于所述训练样本对的损失值调整所述初始模型的网络参数,继续执行从所述样本图像集中确定训练样本对的步骤,直到所述初始模型收敛或者达到预设的训练次数,得到所述目标识别模型。
8.根据权利要求7所述的方法,其特征在于,所述根据所述预设损失函数、所述训练样本对的样本权重和所述输出结果,确定所述训练样本对的损失值的步骤,包括:
将所述输出结果带入所述预设损失函数中,得到损失量;
将所述损失量与所述训练样本对的样本权重的乘积,确定为所述训练样本对的损失值。
9.一种目标识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取包含有待识别目标的待处理图像;
识别模块,用于将所述待处理图像输入至预先训练完成的目标识别模型中,得到所述待处理图像的识别结果;
模型训练模块,用于:确定样本图像集中每张样本图像对应的样本权重;基于所述样本图像对应的样本权重和预设损失函数,确定所述样本图像对应的损失值;根据所述损失值训练初始模型,得到所述目标识别模型。
10.一种电子系统,其特征在于,所述电子系统包括:图像采集设备、处理设备和存储装置;
所述图像采集设备,用于获取预览视频帧或图像数据;
所述存储装置上存储有计算机程序,所述计算机程序在被所述处理设备运行时执行权利要求1至8任一项所述的目标识别方法。
11.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理设备运行时执行权利要求1至8任一项所述的目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543979.7A CN113361568A (zh) | 2021-05-18 | 2021-05-18 | 目标识别方法、装置和电子系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543979.7A CN113361568A (zh) | 2021-05-18 | 2021-05-18 | 目标识别方法、装置和电子系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361568A true CN113361568A (zh) | 2021-09-07 |
Family
ID=77526958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110543979.7A Pending CN113361568A (zh) | 2021-05-18 | 2021-05-18 | 目标识别方法、装置和电子系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361568A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145827A (zh) * | 2017-04-01 | 2017-09-08 | 浙江大学 | 基于自适应距离度量学习的跨摄像机行人再识别方法 |
CN108108754A (zh) * | 2017-12-15 | 2018-06-01 | 北京迈格威科技有限公司 | 重识别网络的训练、重识别方法、装置和系统 |
CN108229555A (zh) * | 2017-12-29 | 2018-06-29 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
CN109299664A (zh) * | 2018-08-27 | 2019-02-01 | 华中科技大学 | 一种行人重识别的重排序方法 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN112329619A (zh) * | 2020-11-04 | 2021-02-05 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
CN112734031A (zh) * | 2020-12-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 神经网络模型训练方法、识别方法、存储介质以及设备 |
-
2021
- 2021-05-18 CN CN202110543979.7A patent/CN113361568A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145827A (zh) * | 2017-04-01 | 2017-09-08 | 浙江大学 | 基于自适应距离度量学习的跨摄像机行人再识别方法 |
CN108108754A (zh) * | 2017-12-15 | 2018-06-01 | 北京迈格威科技有限公司 | 重识别网络的训练、重识别方法、装置和系统 |
CN108229555A (zh) * | 2017-12-29 | 2018-06-29 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
WO2019127924A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN109299664A (zh) * | 2018-08-27 | 2019-02-01 | 华中科技大学 | 一种行人重识别的重排序方法 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
CN112329619A (zh) * | 2020-11-04 | 2021-02-05 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
CN112734031A (zh) * | 2020-12-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 神经网络模型训练方法、识别方法、存储介质以及设备 |
Non-Patent Citations (2)
Title |
---|
ZHONG X等: "Deep multi-label hashing for image retrieval", 2019 IEEE 31ST INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE (ICTAI2019), 30 November 2019 (2019-11-30), pages 1245 - 1251, XP033713834, DOI: 10.1109/ICTAI.2019.00-94 * |
王博威;潘宗序;胡玉新;马闻;: "少量样本下基于孪生CNN的SAR目标识别", 雷达科学与技术, no. 06, 31 December 2019 (2019-12-31), pages 603 - 615 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10832069B2 (en) | Living body detection method, electronic device and computer readable medium | |
CN110189378B (zh) | 一种视频处理方法、装置及电子设备 | |
CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CN105518712B (zh) | 基于字符识别的关键词通知方法及设备 | |
KR102385463B1 (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
CN111626371B (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
CN110633745A (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
JP6112801B2 (ja) | 画像認識装置及び画像認識方法 | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
CN101339609A (zh) | 图像处理装置和图像处理方法 | |
CN110741377A (zh) | 人脸图像处理方法、装置、存储介质及电子设备 | |
CN111881849A (zh) | 图像场景检测方法、装置、电子设备及存储介质 | |
JP2010262601A (ja) | パターン認識システム及びパターン認識方法 | |
JP2022540101A (ja) | ポジショニング方法及び装置、電子機器、コンピュータ読み取り可能な記憶媒体 | |
CN112200057A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN113850238B (zh) | 文档检测方法、装置、电子设备及存储介质 | |
CN112069887A (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN112417970A (zh) | 目标对象识别方法、装置和电子系统 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN108765532A (zh) | 儿童绘本模型建立方法、阅读机器人及存储设备 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN109961103B (zh) | 特征提取模型的训练方法、图像特征的提取方法及装置 | |
CN114375466A (zh) | 视频评分方法、装置、存储介质及电子设备 |
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 |