CN113378969A - 一种目标检测结果的融合方法、装置、设备及介质 - Google Patents

一种目标检测结果的融合方法、装置、设备及介质 Download PDF

Info

Publication number
CN113378969A
CN113378969A CN202110721509.5A CN202110721509A CN113378969A CN 113378969 A CN113378969 A CN 113378969A CN 202110721509 A CN202110721509 A CN 202110721509A CN 113378969 A CN113378969 A CN 113378969A
Authority
CN
China
Prior art keywords
target
target detection
frame
fusion
model
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.)
Granted
Application number
CN202110721509.5A
Other languages
English (en)
Other versions
CN113378969B (zh
Inventor
吴其蔓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110721509.5A priority Critical patent/CN113378969B/zh
Publication of CN113378969A publication Critical patent/CN113378969A/zh
Application granted granted Critical
Publication of CN113378969B publication Critical patent/CN113378969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种目标检测结果的融合方法、装置、设备、及介质，涉及计算机技术领域，尤其涉及智能交通和深度学习技术领域，所述方法包括：训练得到至少两个目标检测模型；不同目标检测模型的数据关注度不同；根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值；将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果；根据识别权重以及重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。本公开实施例的技术方案可以避免目标对象被漏检，提高目标检测结果的准确性。

Description

一种目标检测结果的融合方法、装置、设备及介质
技术领域
本公开涉及计算机技术领域，尤其涉及智能交通和深度学习技术领域，具体涉及一种目标检测结果的融合方法、装置、设备、及介质。
背景技术
在智慧交通里，目标检测是必不可少的一个环节，检测结果的质量直接影响后续的操作。在目标检测的最后一步，相关技术通常会采用非极大值抑制(Non-maximumsuppression，NMS)算法，从众多的候选框里筛选出尽可能准确的目标框。
其中，NMS算法的具体实现是：首先按照各候选框的得分值对各候选框进行排序，根据排序结果选中得分最高的当前候选框；然后遍历其余的候选框，如果存在某一候选框与当前候选框的重叠面积大于设定的阈值，则删除此候选框；在完成对其余全部候选框的遍历后，重新从当前存在的未处理的候选框中选中得分最高的候选框，并重复上述过程，以得到最终的目标框。
然而，在某些极端场景中，如密集重叠场景或者低可见度场景等，通过NMS算法筛选出来的目标框可能会造成目标对象被漏检。
发明内容
本公开提供了一种目标检测结果的融合方法、装置、设备、及介质。
根据本公开的一方面，提供了一种目标检测结果的融合方法，包括：
训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同；
根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值；
将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果；
根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
根据本公开的另一方面，提供了一种目标检测结果的融合装置，包括：
模型训练模块，用于训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同；
权重获取模块，用于根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值；
检测结果获取模块，用于将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果；
结果融合模块，用于根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一实施例所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开中任一实施例所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一实施例所述的方法。
本公开实施例的技术方案可以避免目标对象被漏检，提高目标检测结果的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1是根据本公开实施例的一种目标检测结果的融合方法的流程示意图；
图2是根据本公开实施例的又一种目标检测结果的融合方法的流程示意图；
图3是根据本公开实施例的又一种目标检测结果的融合方法的流程示意图；
图4是根据本公开实施例的一种目标检测结果的融合装置的结构示意图；
图5是根据本公开实施例的目标检测结果的融合方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的一种目标检测结果的融合方法的流程示意图，本实施例适用于对多个目标检测模型的检测结果进行融合的情形，该方法可以通过目标检测结果的融合装置来执行，该装置可以通过软件和/或硬件的方式实现，并一般可以集成在具有数据处理功能的终端或者服务器中。具体的，参考图1，该方法具体包括如下步骤：
步骤110、训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同。
在本实施例中，可以使用不同数据关注度的训练样本图像集对机器学习模型进行迭代训练，得到不同的目标检测模型，每个训练样本图像集中可以包括多种类型的样本图像。针对一个训练样本图像集而言，如果该训练样本图像集中包括某一类型的样本图像数量较多，则可以说明该训练样本图像集对该类型下的图像关注度较高，如果使用该训练样本图像集对机器学习模型训练后，得到的目标检测模型对该类型下的图像关注度也较高。由于不同的目标检测模型由不同数据关注度的训练样本图像集训练而成，因此，不同的目标检测模型的数据关注度也不同。
在一个具体的实施例中，假设有两个用于对机器学习模型进行训练的训练样本图像集，其中，第一个训练样本图像集中包括100张行人样本图像，20张汽车样本图像，第二个训练样本图像集中包括20张行人样本图像，100张汽车样本图像，如果使用上述两个训练样本图像集分别对机器学习模型进行训练，则可以分别得到两个目标检测模型，其中第一个目标检测模型对行人图像的关注度较高，第二个目标检测模型对汽车图像的关注度较高。
步骤120、根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值。
在本实施例中，可选的，可以根据目标检测模型的数据关注度，或者目标检测模型对应的训练样本图像集，确定目标检测模型针对不同分类类型的识别权重。所述识别权重可以用于表征目标检测模型针对不同类型下的图像的识别性能的优劣势，其中，目标检测模型针对具体类型下的图像的识别权重越高，则可以说明该目标检测模型针对该类型下的图像的识别性能越好。
在一个具体的实施例中，假设某一目标检测模型对行人图像的关注度较高，对汽车图像的关注度较低，则可以将该目标检测模型针对行人图像的识别权重设置为较高的数值，将针对汽车图像的识别权重设置为较低的数值。
在另一个具体的实施例中，还可以根据目标检测模型对应的训练样本图像集中不同类型对应的样本图像数量，确定该目标检测模型针对不同分类类型的识别权重。例如，某目标检测模型对应的训练样本图像集中包括20张行人样本图像，80张汽车样本图像，则可以将该目标检测模型针对行人图像的识别权重设置为0.2，将针对汽车图像的识别权重设置为0.8。
在本实施例中，在使用不同数据关注度的训练样本图像集对机器学习模型进行迭代训练的过程中，可选的，机器学习模型会根据训练样本图像集中各样本图像对应的训练对象的尺寸，学习到用于区分不同目标检测结果的重叠度阈值，所述目标检测结果为目标检测模型针对待识别图像得到的检测结果。其中，如果两个目标检测结果之间的重叠度大于或者等于重叠度阈值，则可以认为这两个目标检测结果对应待识别图像中的同一个目标对象，反之，则认为这两个目标检测结果对应待识别图像中的不同的目标对象。
在一个具体的实施例中，假设有两个用于对机器学习模型进行训练的训练样本图像集，第一个训练样本图像集中包括100张行人样本图像，20张卡车样本图像，第二个训练样本图像集中包括20张行人样本图像，100张卡车样本图像，其中，行人样本图像对应的训练对象为行人，卡车样本图像对应的训练对象为卡车。
在使用第一个训练样本图像集对机器学习模型进行迭代训练的过程中，机器学习模型会学习到用于区分卡车与行人的重叠度阈值，由于行人的尺寸通常小于卡车的尺寸，并且第一个训练样本图像集中行人样本图像的数量大于卡车样本图像的数量，因此，通过第一个训练样本图像集训练得到的目标检测模型对应的重叠度阈值较小；反之，通过第二个训练样本图像集训练得到的目标检测模型对应的重叠度阈值较大。
在本实施例中，训练得到各目标检测模型后，可以根据各目标检测模型的数据关注度，以及对应的重叠度阈值，确定与各分类类型分别对应的重叠度阈值。例如，假设目标检测模型对行人图像的关注度较高，则可以将该目标检测模型对应的重叠度阈值，作为行人图像对应的重叠度阈值。
步骤130、将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果。
在本实施例中，将待识别图像分别输入至各目标检测模型之后，目标检测模型会检测到待识别图像中包括的多个目标对象，得到与各目标对象对应的目标框、目标分类类型以及识别置信度，多个目标对象对应的目标框、目标分类类型以及识别置信度可以作为目标检测模型输出的目标检测结果。所述识别置信度可以为目标检测模型检测到的目标对象属于目标分类类型的可信度。
步骤140、根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
在本实施例中，获取到各目标检测模型输出的目标检测结果后，可以在各目标检测结果中获取目标分类类型相同的多个目标框，然后根据该目标分类类型对应的重叠度阈值，在上述多个目标框中筛选满足融合条件的目标框，并根据各目标检测模型针对目标分类类型的识别权重，以及各目标框对应的识别置信度，对满足融合条件的目标框进行融合处理，得到与待识别图像对应的融合检测结果。
在一个具体的实施例中，假设第一个目标检测模型输出的目标检测结果中包括行人图像对应的目标框A，第二个目标检测模型输出的目标检测结果中包括行人图像对应的目标框B，则可以判断目标框A与目标框B之间的重叠度是否大于或者等于行人图像对应的重叠度阈值，若是，则可以确定目标框A与目标框B满足融合条件，并将目标框A与目标框B进行融合处理，得到融合检测结果。在一个可选的实施方式中，如果第一个目标检测模型对行人图像的识别权重较高，第二个目标检测模型对行人图像的识别权重较低，则可以将目标框A的识别置信度作为融合检测结果的识别置信度。
本实施例中通过将目标检测结果中重叠度较高的目标框进行融合，可以避免目标对象被漏检；其次，通过使用不同数据关注度的训练样本图像集对机器学习模型进行迭代训练，可以得到细粒度的目标检测模型，通过结合各目标检测模型针对不同类型下的图像的识别性能的优劣势，以及与各分类类型分别对应的重叠度阈值，将各目标检测结果进行融合，可以提高融合检测结果的准确性，对于一些极端场景，如密集人群或者低可见度场景等，可以得到质量较高的检测结果，有效支持后续指挥交通的建设。
本公开实施例的技术方案，通过训练得到至少两个目标检测模型，根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值，然后将待识别图像分别输入至各目标检测模型中，并获取各目标检测模型输出的目标检测结果，最后根据识别权重以及重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果的技术手段，可以避免目标对象被漏检，提高目标检测结果的准确性。
图2是根据本公开实施例的又一种目标检测结果的融合方法的流程示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施方式结合。具体的，参考图2，该方法具体包括如下步骤：
步骤210、训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同。
在本实施例的一个实施方式中，训练得到至少两个目标检测模型，包括：使用不同数据关注度的训练样本图像集，训练同一模型结构的机器学习模型，得到各所述目标检测模型；或者使用不同数据关注度的训练样本图像集，分别训练不同模型结构的机器学习模型，得到各所述目标检测模型，其中，数据关注度与设定分类类型关联。
其中，可以使用不同数据关注度的训练样本图像集，对同一模型结构的机器学习模型进行训练，得到不同数据关注度的目标检测模型，这样设置的好处在于，可以减少目标检测模型的训练时间，提高目标检测模型的训练效率；或者，可以使用不同数据关注度的训练样本图像集，分别训练不同模型结构(例如模型框架以及网络结构等)的机器学习模型，得到各目标检测模型，这样设置的好处在于，可以保证各目标检测模型具有较强的差异性，通过使用不同的目标检测模型共同对待识别图像进行检测，可以提高检测结果的准确性。
其中，目标检测模型的数据关注度与设定分类类型关联，例如，目标检测模型对行人图像的关注度较高，则该目标检测模型的数据关注度与行人图像关联。
步骤220、将测试样本图像集输入至各目标检测模型中，获取各所述目标检测模型针对各测试样本图像输出的比对检测结果。
在本实施例中，测试样本图像中包括：至少一个标注框，以及与标注框对应的分类类型。其中，每个标注框对应测试样本图像中的一个目标对象，所述标注框对应的分类类型为，该标注框对应的目标对象的分类类型。
在将测试样本图像集输入至各目标检测模型后，目标检测模型会检测到测试样本图像中包括的多个目标对象，得到与各目标对象对应的目标框以及目标分类类型，多个目标对象对应的目标框以及目标分类类型可以作为目标检测模型输出的比对检测结果。
步骤230、将各所述比对检测结果分别与测试样本图像集进行比对，获取各目标检测模型针对不同分类类型的识别准确度。
在本实施例中，可以将目标检测模型针对各测试样本图像输出的目标框以及目标分类类型，与该测试样本图像中包括的标注框以及分类类型进行比对，根据比对结果确定目标检测模型针对不同分类类型的识别准确度。
在一个具体的实施例中，假设测试样本图像中包括10个行人图像对应的标注框，10个汽车图像对应的标注框，将该测试样本图像输入至目标检测模型后，目标检测模型输出的比对检测结果中包括8个行人图像对应的目标框，2个汽车图像对应的目标框，则可以认为该目标检测模型针对行人图像的识别准确度为80％，针对汽车图像的识别准确度为20％。
步骤240、根据各目标检测模型针对各分类类型的识别准确度，确定各目标检测模型针对不同分类类型的识别权重。
在本实施例中，可以将各目标检测模型针对各分类类型的识别准确度，直接确定为各目标检测模型针对不同分类类型的识别权重；或者还可以将各目标检测模型针对各分类类型的识别准确度，按照预设数据转换方法进行处理(例如归一化处理)，得到各目标检测模型针对不同分类类型的识别权重。
这样设置的好处在于，通过使用测试样本图像集对目标检测模型进行测试，可以保证目标检测模型针对不同分类类型的识别权重结果更加准确，由此可以提高后续目标检测结果的准确性。
步骤250、在训练得到的各目标检测模型使用的模型参数中，筛选得到非极大值抑制NMS算法所使用的模型重叠度阈值。
在本实施例中，在使用不同数据关注度的训练样本图像集对机器学习模型进行迭代训练的过程中，机器学习模型会根据各样本图像对应的训练对象的尺寸以及NMS算法，学习到用于区分不同目标检测结果的重叠度阈值。
在训练得到目标检测模型后，可以在目标检测模型使用的模型参数中，筛选得到目标检测模型学习到的重叠度阈值(也即模型重叠度阈值)。
步骤260、根据各目标检测模型的模型重叠度阈值，以及目标检测模型的数据关注度与分类类型之间的关联关系，确定与各分类类型分别对应的重叠度阈值。
在本实施例的一个实施方式中，获取到各目标检测模型的模型重叠度阈值后，可以根据目标检测模型的数据关注度与分类类型之间的关联关系，直接将模型重叠度阈值作为关联的分类类型对应的重叠度阈值。
例如，目标检测模型对行人图像的关注度较高，则该目标检测模型的数据关注度与行人图像关联，获取到该目标检测模型的模型重叠度阈值后，可以直接将该模型重叠度阈值作为行人图像对应的重叠度阈值。
在本实施例的另一个实施方式中，获取到各目标检测模型的模型重叠度阈值后，可以根据目标检测模型的数据关注度与分类类型之间的关联关系，对模型重叠度阈值按照预设数据转换方法进行处理(例如归一化处理)，得到关联的分类类型对应的重叠度阈值。
这样设置的好处在于，通过在训练得到的各目标检测模型使用的模型参数中，筛选得到NMS算法所使用的模型重叠度阈值，可以保证模型重叠度阈值的训练结果更加准确；其次，根据各目标检测模型的模型重叠度阈值，以及目标检测模型的数据关注度与分类类型之间的关联关系，确定与各分类类型分别对应的重叠度阈值，可以保证不同分类类型对应不同的重叠度阈值，相比相关技术中多种分类类型对应同一个重叠度阈值而言，可以提高融合检测结果的准确性。
步骤270、将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果。
步骤280、根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
本公开实施例的技术方案，通过训练得到至少两个目标检测模型，将测试样本图像集输入至各目标检测模型中，获取各目标检测模型输出的比对检测结果，并将各比对检测结果分别与测试样本图像集进行比对，获取各目标检测模型针对不同分类类型的识别准确度，然后根据各目标检测模型针对各分类类型的识别准确度，确定各目标检测模型针对不同分类类型的识别权重，在训练得到的各目标检测模型使用的模型参数中，筛选得到NMS算法所使用的模型重叠度阈值，并根据各目标检测模型的模型重叠度阈值，确定与各分类类型分别对应的重叠度阈值，最后将待识别图像分别输入至各目标检测模型中，获取目标检测结果，根据识别权重以及重叠度阈值，对各目标检测结果进行融合处理，得到融合检测结果的技术手段，可以提供一种通用的、标准化的检索服务，可以避免目标对象被漏检，提高目标检测结果的准确性。
本公开实施例是对上述实施例的进一步细化，与上述实施例相同或相应的术语解释，本公开实施例不再赘述。图3为本公开实施例提供的一种目标检测结果的融合方法的流程图，本实施例的方法具体包括如下步骤：
步骤310、训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同。
步骤320、根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值。
步骤330、将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果。
在本实施例中，所述目标检测结果包括：至少一个目标框的框描述信息，框描述信息包括：目标框的位置坐标、分类类型以及识别置信度。
步骤340、在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框，并获取当前处理目标框的目标分类类型。
步骤350、获取与目标分类类型对应的目标重叠度阈值以及目标识别权重。
在此步骤中，所述目标识别权重为目标框对应的目标检测模型，对目标分类类型的识别权重。
步骤360、在各目标检测结果中，获取与当前处理目标框的重叠度大于或者等于目标重叠度阈值，且属于目标分类类型的各备选融合目标框。
在本实施例中，获取一个目标框作为当前处理目标框后，可以在各目标检测结果中包括的剩余目标框中，筛选属于目标分类类型的目标框，然后判断当前处理目标框与各筛选得到的目标框之间的重叠度是否大于或者等于目标重叠度阈值，若是，则将筛选得到的目标框作为备选融合目标框。
步骤370、根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度。
在本实施例中，可选的，可以对当前处理目标框与各备选融合目标框的位置坐标取平均值，得到融合框的位置坐标。其中，如果当前处理目标框的目标识别权重大于备选融合目标框的目标识别权重，则可以将当前处理目标框的识别置信度作为融合框的识别置信度。
这样设置的好处在于，通过当前处理目标框与各备选融合目标框的位置坐标，确定融合框的位置坐标，并通过当前处理目标框与各备选融合目标框的识别置信度以及目标识别权重，确定融合框的识别置信度，可以保证融合检测结果的位置和置信度更加准确。
在本实施例的一个实施方式中，根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度，包括：根据当前处理目标框与各备选融合目标框的位置坐标以及识别置信度，计算得到融合框的位置坐标；根据当前处理目标框与各备选融合目标框的目标识别权重以及识别置信度，得到融合框的识别置信度。
其中，假设当前处理目标框左上角的位置坐标为(Ax1，Ay1)，右下角的位置坐标为(Ax2，Ay2)，识别置信度为A，备选融合目标框左上角的位置坐标为(Bx1，By1)，右下角的位置坐标为(Bx2，By2)，识别置信度为B，将当前处理目标框与该备选融合目标框进行融合后，得到融合框左上角的位置坐标为(Cx1，Cy1)，右下角的位置坐标为(Cx2，Cy2)。其中：
Figure BDA0003136997020000141
Figure BDA0003136997020000142
在本实施例中，假设当前处理目标框的目标识别权重为w1，识别置信度为A，备选融合目标框的目标识别权重为w2，识别置信度为B，计算得到的融合框的识别置信度为C，则有：C＝w1×A+w2×B。
这样设置的好处在于，结合当前处理目标框与各备选融合目标框的位置坐标以及识别置信度，计算融合框的位置坐标，可以提高融合框位置计算结果的准确性；其次，根据当前处理目标框与各备选融合目标框的目标识别权重以及识别置信度，得到融合框的识别置信度，可以保证融合框的识别置信度接近于识别权重较高时目标框的识别置信度，进而可以提高融合检测结果的准确性。
步骤380、判断是否完成对全部目标框的处理，若是，则结束所述目标检测结果的融合方法的执行，若否，则返回执行步骤340中在各目标检测结果中，依次获取一个目标框作为当前处理目标框的操作，直至完成对全部目标框的处理。
本公开实施例通过训练得到至少两个目标检测模型，根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值，然后将待识别图像分别输入至各目标检测模型中，获取目标检测结果，并在各目标检测结果中，依次获取目标框作为当前处理目标框，并获取各备选融合目标框，根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度的技术手段，可以避免目标对象被漏检，提高目标检测结果的准确性。
本公开实施例还提供了一种目标检测结果的融合装置，用于执行上述的目标检测结果的融合方法。
图4为本公开实施例提供的一种目标检测结果的融合装置400的结构图，该装置包括：模型训练模块410、权重获取模块420、检测结果获取模块430和结果融合模块440。
其中，模型训练模块410，用于训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同；
权重获取模块420，用于根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值；
检测结果获取模块430，用于将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果；
结果融合模块440，用于根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
本公开实施例的技术方案，通过训练得到至少两个目标检测模型，根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值，然后将待识别图像分别输入至各目标检测模型中，并获取各目标检测模型输出的目标检测结果，最后根据识别权重以及重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果的技术手段，可以避免目标对象被漏检，提高目标检测结果的准确性。
在上述各实施例的基础上，模型训练模块410，包括：
同一模型训练单元，用于使用不同数据关注度的训练样本图像集，训练同一模型结构的机器学习模型，得到各所述目标检测模型；
不同模型训练单元，用于使用不同数据关注度的训练样本图像集，分别训练不同模型结构的机器学习模型，得到各所述目标检测模型，其中，数据关注度与设定分类类型关联。
权重获取模块420，包括：
测试样本输入单元，用于将测试样本图像集输入至各目标检测模型中，获取各所述目标检测模型针对各测试样本图像输出的比对检测结果；
其中，测试样本图像中包括：至少一个标注框，以及与标注框对应的分类类型；
结果比对单元，用于将各所述比对检测结果分别与测试样本图像集进行比对，获取各目标检测模型针对不同分类类型的识别准确度；
权重确定单元，用于根据各目标检测模型针对各分类类型的识别准确度，确定各目标检测模型针对不同分类类型的识别权重；
模型重叠度阈值筛选单元，用于在训练得到的各目标检测模型使用的模型参数中，筛选得到非极大值抑制NMS算法所使用的模型重叠度阈值；
重叠度阈值确定单元，用于根据各目标检测模型的模型重叠度阈值，以及目标检测模型的数据关注度与分类类型之间的关联关系，确定与各分类类型分别对应的重叠度阈值。
其中，所述目标检测结果包括：至少一个目标框的框描述信息，框描述信息包括：目标框的位置坐标、分类类型以及识别置信度。
结果融合模块440，包括：
类型获取单元，用于在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框，并获取当前处理目标框的目标分类类型；
目标权重获取单元，用于获取与目标分类类型对应的目标重叠度阈值以及目标识别权重；
备选融合目标框获取单元，用于在各目标检测结果中，获取与当前处理目标框的重叠度大于或者等于目标重叠度阈值，且属于目标分类类型的各备选融合目标框；
目标框融合单元，用于根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度；
全部目标框处理单元，用于返回执行在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框的操作，直至完成对全部目标框的处理；
目标框融合单元，包括：
位置坐标计算子单元，用于根据当前处理目标框与各备选融合目标框的位置坐标以及识别置信度，计算得到融合框的位置坐标；
置信度计算子单元，用于根据当前处理目标框与各备选融合目标框的目标识别权重以及识别置信度，得到融合框的识别置信度。
本公开实施例所提供的目标检测结果的融合装置可执行本公开任意实施例所提供的目标检测结果的融合方法，具备执行方法相应的功能模块和有益效果。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如目标检测结果的融合方法。例如，在一些实施例中，目标检测结果的融合方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的目标检测结果的融合方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测结果的融合方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种目标检测结果的融合方法，包括：
训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同；
根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值；
将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果；
根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
2.根据权利要求1所述的方法，其中，训练得到至少两个目标检测模型，包括：
使用不同数据关注度的训练样本图像集，训练同一模型结构的机器学习模型，得到各所述目标检测模型；或者
使用不同数据关注度的训练样本图像集，分别训练不同模型结构的机器学习模型，得到各所述目标检测模型，其中，数据关注度与设定分类类型关联。
3.根据权利要求1所述的方法，其中，根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，包括：
将测试样本图像集输入至各目标检测模型中，获取各所述目标检测模型针对各测试样本图像输出的比对检测结果；
其中，测试样本图像中包括：至少一个标注框，以及与标注框对应的分类类型；
将各所述比对检测结果分别与测试样本图像集进行比对，获取各目标检测模型针对不同分类类型的识别准确度；
根据各目标检测模型针对各分类类型的识别准确度，确定各目标检测模型针对不同分类类型的识别权重。
4.根据权利要求1所述的方法，其中，根据训练得到的各目标检测模型，获取与各分类类型分别对应的重叠度阈值，包括：
在训练得到的各目标检测模型使用的模型参数中，筛选得到非极大值抑制NMS算法所使用的模型重叠度阈值；
根据各目标检测模型的模型重叠度阈值，以及目标检测模型的数据关注度与分类类型之间的关联关系，确定与各分类类型分别对应的重叠度阈值。
5.根据权利要求1所述的方法，其中，所述目标检测结果包括：至少一个目标框的框描述信息，框描述信息包括：目标框的位置坐标、分类类型以及识别置信度；
所述根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果，包括：
在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框，并获取当前处理目标框的目标分类类型；
获取与目标分类类型对应的目标重叠度阈值以及目标识别权重；
在各目标检测结果中，获取与当前处理目标框的重叠度大于或者等于目标重叠度阈值，且属于目标分类类型的各备选融合目标框；
根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度；
返回执行在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框的操作，直至完成对全部目标框的处理。
6.根据权利要求5所述的方法，其中，根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度，包括：
根据当前处理目标框与各备选融合目标框的位置坐标以及识别置信度，计算得到融合框的位置坐标；
根据当前处理目标框与各备选融合目标框的目标识别权重以及识别置信度，得到融合框的识别置信度。
7.一种目标检测结果的融合装置，包括：
模型训练模块，用于训练得到至少两个目标检测模型；其中，不同目标检测模型的数据关注度不同；
权重获取模块，用于根据训练得到的各目标检测模型，获取各目标检测模型针对不同分类类型的识别权重，以及与各分类类型分别对应的重叠度阈值；
检测结果获取模块，用于将待识别图像分别输入至各目标检测模型中，获取各目标检测模型输出的目标检测结果；
结果融合模块，用于根据所述识别权重以及所述重叠度阈值，对各目标检测结果进行融合处理，得到与待识别图像对应的融合检测结果。
8.根据权利要求7所述的装置，其中，模型训练模块，包括：
同一模型训练单元，用于使用不同数据关注度的训练样本图像集，训练同一模型结构的机器学习模型，得到各所述目标检测模型；
不同模型训练单元，用于使用不同数据关注度的训练样本图像集，分别训练不同模型结构的机器学习模型，得到各所述目标检测模型，其中，数据关注度与设定分类类型关联。
9.根据权利要求7所述的装置，其中，权重获取模块，包括：
测试样本输入单元，用于将测试样本图像集输入至各目标检测模型中，获取各所述目标检测模型针对各测试样本图像输出的比对检测结果；
其中，测试样本图像中包括：至少一个标注框，以及与标注框对应的分类类型；
结果比对单元，用于将各所述比对检测结果分别与测试样本图像集进行比对，获取各目标检测模型针对不同分类类型的识别准确度；
权重确定单元，用于根据各目标检测模型针对各分类类型的识别准确度，确定各目标检测模型针对不同分类类型的识别权重。
10.根据权利要求7所述的装置，其中，权重获取模块，还包括：
模型重叠度阈值筛选单元，用于在训练得到的各目标检测模型使用的模型参数中，筛选得到非极大值抑制NMS算法所使用的模型重叠度阈值；
重叠度阈值确定单元，用于根据各目标检测模型的模型重叠度阈值，以及目标检测模型的数据关注度与分类类型之间的关联关系，确定与各分类类型分别对应的重叠度阈值。
11.根据权利要求7所述的装置，其中，所述目标检测结果包括：至少一个目标框的框描述信息，框描述信息包括：目标框的位置坐标、分类类型以及识别置信度；
结果融合模块，包括：
类型获取单元，用于在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框，并获取当前处理目标框的目标分类类型；
目标权重获取单元，用于获取与目标分类类型对应的目标重叠度阈值以及目标识别权重；
备选融合目标框获取单元，用于在各目标检测结果中，获取与当前处理目标框的重叠度大于或者等于目标重叠度阈值，且属于目标分类类型的各备选融合目标框；
目标框融合单元，用于根据当前处理目标框与各备选融合目标框的位置坐标、识别置信度以及目标识别权重，将当前处理目标框与各备选融合目标框进行融合，得到融合框的位置坐标以及识别置信度；
全部目标框处理单元，用于返回执行在各所述目标检测结果中，依次获取一个目标框作为当前处理目标框的操作，直至完成对全部目标框的处理。
12.根据权利要求11所述的装置，其中，目标框融合单元，包括：
位置坐标计算子单元，用于根据当前处理目标框与各备选融合目标框的位置坐标以及识别置信度，计算得到融合框的位置坐标；
置信度计算子单元，用于根据当前处理目标框与各备选融合目标框的目标识别权重以及识别置信度，得到融合框的识别置信度。
13.一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202110721509.5A 2021-06-28 2021-06-28 一种目标检测结果的融合方法、装置、设备及介质 Active CN113378969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110721509.5A CN113378969B (zh) 2021-06-28 2021-06-28 一种目标检测结果的融合方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110721509.5A CN113378969B (zh) 2021-06-28 2021-06-28 一种目标检测结果的融合方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113378969A true CN113378969A (zh) 2021-09-10
CN113378969B CN113378969B (zh) 2023-08-08

Family

ID=77579493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110721509.5A Active CN113378969B (zh) 2021-06-28 2021-06-28 一种目标检测结果的融合方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113378969B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120127A (zh) * 2021-11-30 2022-03-01 济南博观智能科技有限公司 一种目标检测方法、装置及相关设备
CN116152251A (zh) * 2023-04-20 2023-05-23 成都数之联科技股份有限公司 电视机背板检测方法、模型训练方法、装置、设备和介质
WO2023155387A1 (zh) * 2022-02-15 2023-08-24 上海芯物科技有限公司 多传感器目标检测方法、装置、电子设备以及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097392A (zh) * 2019-03-20 2019-08-06 合肥名德光电科技股份有限公司 一种基于云服务器的客流量引导方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
WO2020151166A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机装置及可读存储介质
CN111476275A (zh) * 2020-03-17 2020-07-31 深圳壹账通智能科技有限公司 基于图片识别的目标检测方法、服务器及存储介质
WO2021008500A1 (zh) * 2019-07-12 2021-01-21 华为技术有限公司 图像处理方法和装置
CN112528850A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 人体识别方法、装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
WO2020151166A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机装置及可读存储介质
CN110097392A (zh) * 2019-03-20 2019-08-06 合肥名德光电科技股份有限公司 一种基于云服务器的客流量引导方法
WO2021008500A1 (zh) * 2019-07-12 2021-01-21 华为技术有限公司 图像处理方法和装置
CN111476275A (zh) * 2020-03-17 2020-07-31 深圳壹账通智能科技有限公司 基于图片识别的目标检测方法、服务器及存储介质
CN112528850A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 人体识别方法、装置、设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
L.C. CARLSON; M.S. TILLACK; J. STROMSOE; N.B. ALEXANDER; G.W. FLINT; D.T. GOODIN; R.W. PETZOLDT: "Completing the viability demonstration of direct-drive inertial fusion energy target engagement", IEEE *
凌晨;张鑫彤;马雷;: "基于Mask R-CNN算法的遥感图像处理技术及其应用", 计算机科学, no. 10 *
张博;刘学军;李斌;: "基于重叠度和双重属性的协同过滤推荐算法", 计算机科学, no. 04 *
李元祥;许鹏;敬忠良;魏宪;: "空间目标序列图像识别技术", 哈尔滨工业大学学报, no. 11 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120127A (zh) * 2021-11-30 2022-03-01 济南博观智能科技有限公司 一种目标检测方法、装置及相关设备
WO2023155387A1 (zh) * 2022-02-15 2023-08-24 上海芯物科技有限公司 多传感器目标检测方法、装置、电子设备以及存储介质
CN116152251A (zh) * 2023-04-20 2023-05-23 成都数之联科技股份有限公司 电视机背板检测方法、模型训练方法、装置、设备和介质
CN116152251B (zh) * 2023-04-20 2023-07-14 成都数之联科技股份有限公司 电视机背板检测方法、模型训练方法、装置、设备和介质

Also Published As

Publication number Publication date
CN113378969B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN113378969B (zh) 一种目标检测结果的融合方法、装置、设备及介质
US11810319B2 (en) Image detection method, device, storage medium and computer program product
CN112560862B (zh) 文本识别方法、装置及电子设备
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
CN112949767B (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN113780098B (zh) 文字识别方法、装置、电子设备以及存储介质
CN113205041B (zh) 结构化信息提取方法、装置、设备和存储介质
CN113903036B (zh) 一种文本识别方法、装置、电子设备、介质及产品
CN115359308B (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN114581732A (zh) 一种图像处理及模型训练方法、装置、设备和存储介质
CN113378857A (zh) 目标检测方法、装置、电子设备及存储介质
CN113627298A (zh) 目标检测模型的训练方法及检测目标对象的方法、装置
CN114187488B (zh) 图像处理方法、装置、设备、介质
CN113362227B (zh) 图像处理方法、装置、电子设备及存储介质
CN116363444A (zh) 模糊分类模型训练方法、识别模糊图像的方法及装置
CN113591709B (zh) 动作识别方法、装置、设备、介质和产品
CN114119990B (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN113554062B (zh) 多分类模型的训练方法、设备和存储介质
CN113887394A (zh) 一种图像处理方法、装置、设备及存储介质
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN113887414A (zh) 目标检测方法、装置、电子设备和存储介质
CN113313125A (zh) 图像处理方法和装置、电子设备、计算机可读介质
CN112597837B (zh) 图像检测方法、装置、设备、存储介质和计算机程序产品
CN114998906B (zh) 文本检测方法、模型的训练方法、装置、电子设备及介质
CN114565889B (zh) 车辆压线状态的确定方法、装置、电子设备和介质

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