CN113627416A - 图片分类和对象检测的同步处理方法、系统、存储介质及终端 - Google Patents

图片分类和对象检测的同步处理方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN113627416A
CN113627416A CN202111185199.6A CN202111185199A CN113627416A CN 113627416 A CN113627416 A CN 113627416A CN 202111185199 A CN202111185199 A CN 202111185199A CN 113627416 A CN113627416 A CN 113627416A
Authority
CN
China
Prior art keywords
module
object detection
picture
feature map
convolution
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
CN202111185199.6A
Other languages
English (en)
Other versions
CN113627416B (zh
Inventor
孔欧
刘益东
王君
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.)
Shanghai Mido Technology Co ltd
Original Assignee
Shanghai Mdata Information 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 Shanghai Mdata Information Technology Co ltd filed Critical Shanghai Mdata Information Technology Co ltd
Priority to CN202111185199.6A priority Critical patent/CN113627416B/zh
Publication of CN113627416A publication Critical patent/CN113627416A/zh
Application granted granted Critical
Publication of CN113627416B publication Critical patent/CN113627416B/zh
Priority to PCT/CN2022/089446 priority patent/WO2023060874A1/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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图片分类和对象检测的同步处理方法、系统、存储介质及终端，包括以下步骤：将图片输入神经网络进行卷积操作，获取第一特征图；对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果；对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。本发明的图片分类和对象检测的同步处理方法、系统、存储介质及终端通过同一神经网络同时进行图片分类和对象检测，有效降低了系统负荷。

Description

图片分类和对象检测的同步处理方法、系统、存储介质及终端
技术领域
本发明涉及图像处理的技术领域，特别是涉及一种图片分类和对象检测的同步处理方法、系统、存储介质及终端。
背景技术
随着互联网技术的飞速发展，信息量不断增加，呈现几何级别的增长。信息量增长的速度远比人类理解的速度要快，并以海浪式四面八方涌入人类的生活。特别地，为了为用户提供更多感兴趣的信息，通常通过图片的方式进行信息分发。因此，需要对图片进行分类和对象检测，以便于分发至感兴趣的用户。
现有技术中，对于图片的分类和对象检测，通常采用两个不同的模型进行实现。因此，对于同样的图片，需要分两次输入至两个不同的模型，从而分别得到图片的分类结果和对象检测的结果。故上述方式较为繁琐，增加了系统负荷。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种图片分类和对象检测的同步处理方法、系统、存储介质及终端，通过同一神经网络同时进行图片分类和对象检测，有效降低了系统负荷。
为实现上述目的及其他相关目的，本发明提供一种图片分类和对象检测的同步处理方法，包括以下步骤：将图片输入神经网络进行卷积操作，获取第一特征图；对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果；对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。
于本发明一实施例中，所述神经网络采用Mobilenet神经网络。
于本发明一实施例中，所述神经网络包括第一卷积模块、第二卷积模块、池化模块、非线性函数激活模块、全局平均池化模块和全连接模块；所述第一卷积模块与所述第二卷积模块和所述全局平均池化模块均相连，所述第二卷积模块、池化模块和非线性函数激活模块依次相连，所述全局平均池化模块与所述全连接模块相连；所述第一卷积模块用于对所述图片进行卷积操作，所述第二卷积模块用于对所述第一特征图进行卷积操作，所述池化模块用于进行池化操作，所述非线性函数激活模块用于进行非线性函数激活操作，所述全局平均池化模块用于进行全局平均池化插座，所述全连接模块用于进行全连接操作。
于本发明一实施例中，所述第一特征图的像素为26*26*512。
于本发明一实施例中，采用75*3*3 的卷积核对所述第一特征图进行卷积操作，所述第二特征图的像素为26*26*75。
于本发明一实施例中，对所述第一特征图进行全局平均池化操作后获取512个值，对所述512个值进行全连接操作后，获取的1000个值作为所述分类结果。
于本发明一实施例中，所述神经网络采用Tensorflow深度学习框架。
本发明提供一种图片分类和对象检测的同步处理系统，包括卷积模块、对象检测模块和分类模块；
所述卷积模块用于将图片输入神经网络进行卷积操作，获取第一特征图；
所述对象检测模块用于对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果；
所述分类模块用于对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的图片分类和对象检测的同步处理方法。
本发明提供一种图片分类和对象检测的同步处理终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述图片分类和对象检测的同步处理终端执行上述的图片分类和对象检测的同步处理方法。
如上所述，本发明的图片分类和对象检测的同步处理方法、系统、存储介质及终端，具有以下有益效果：
（1）通过同一神经网络同时进行图片分类和对象检测，快速高效。
（2）计算复杂度低，有效降低了系统负荷。
（3）在实际应用场景中可行有效，实用性强。
附图说明
图1显示为本发明的图片分类和对象检测的同步处理方法于一实施例中的流程图。
图2显示为本发明的图片分类和对象检测的同步处理系统于一实施例中的结构示意图。
图3显示为本发明的图片分类和对象检测的同步处理终端于一实施例中的结构示意图。
元件标号说明
21 卷积模块
22 对象检测模块
23 分类模块
31 处理器
32 存储器。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的图片分类和对象检测的同步处理方法、系统、存储介质及终端只需一个神经网络即可同时进行图片分类和对象检测，简化了系统架构，有效降低了系统负荷，从而极具实用性。优选地，所述神经网络采用Mobilenet神经网络，采用Tensorflow深度学习框架。
具体地，所述神经网络包括第一卷积模块、第二卷积模块、池化模块、非线性函数激活模块、全局平均池化模块和全连接模块；所述第一卷积模块与所述第二卷积模块和所述全局平均池化模块均相连，所述第二卷积模块、池化模块和非线性函数激活模块依次相连，所述全局平均池化模块与所述全连接模块相连；所述第一卷积模块用于对所述图片进行卷积操作，所述第二卷积模块用于对所述第一特征图进行卷积操作，所述池化模块用于进行池化操作，所述非线性函数激活模块用于进行非线性函数激活操作，所述全局平均池化模块用于进行全局平均池化插座，所述全连接模块用于进行全连接操作
如图1所示，于一实施例中，本发明的图片分类和对象检测的同步处理方法包括以下步骤。
步骤S1、将图片输入神经网络进行卷积操作，获取第一特征图。
具体地，将所述图片输入所述第一卷积模块后，经过卷积操作可以得到所述图片的第一特征图。于本发明一实施例中，所述第一特征图的像素为26*26*512。
步骤S2、对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果。
具体地，采用75*3*3的卷积核，对所述第一特征图依次进行卷积操作、池化操作以及非线性函数激活操作，获取到26*26*75像素的第二特征图。
步骤S3、对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。
具体地，对所述第一特征图进行全局平均池化操作后获取512个值，对所述512个值进行全连接操作后，获取的1000个值作为所述分类结果。
如图2所示，于一实施例中，本发明的图片分类和对象检测的同步处理系统包括卷积模块21、对象检测模块22和分类模块23。
所述卷积模块21用于将图片输入神经网络进行卷积操作，获取第一特征图。
具体地，将所述图片输入所述第一卷积模块后，经过卷积操作可以得到所述图片的第一特征图。于本发明一实施例中，所述第一特征图的像素为26*26*512。
所述对象检测模块22与所述卷积模块21相连，用于对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果。
具体地，采用75*3*3的卷积核，对所述第一特征图依次进行卷积操作、池化操作以及非线性函数激活操作，获取到26*26*75像素的第二特征图。
所述分类模块23与所述卷积模块21相连，用于对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。
具体地，对所述第一特征图进行全局平均池化操作后获取512个值，对所述512个值进行全连接操作后，获取的1000个值作为所述分类结果。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的图片分类和对象检测的同步处理方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图3所示，于一实施例中，本发明的图片分类和对象检测的同步处理终端包括：处理器31及存储器32。
所述存储器32用于存储计算机程序。
所述存储器32包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述图片分类和对象检测的同步处理终端执行上述的图片分类和对象检测的同步处理方法。
优选地，所述处理器31可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的图片分类和对象检测的同步处理方法、系统、存储介质及终端通过同一神经网络同时进行图片分类和对象检测，快速高效；计算复杂度低，有效降低了系统负荷；在实际应用场景中可行有效，实用性强。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种图片分类和对象检测的同步处理方法，其特征在于：包括以下步骤：
将图片输入神经网络进行卷积操作，获取第一特征图；
对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果；
对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。
2.根据权利要求1所述的图片分类和对象检测的同步处理方法，其特征在于：所述神经网络采用Mobilenet神经网络。
3.根据权利要求1所述的图片分类和对象检测的同步处理方法，其特征在于：所述神经网络包括第一卷积模块、第二卷积模块、池化模块、非线性函数激活模块、全局平均池化模块和全连接模块；所述第一卷积模块与所述第二卷积模块和所述全局平均池化模块均相连，所述第二卷积模块、池化模块和非线性函数激活模块依次相连，所述全局平均池化模块与所述全连接模块相连；所述第一卷积模块用于对所述图片进行卷积操作，所述第二卷积模块用于对所述第一特征图进行卷积操作，所述池化模块用于进行池化操作，所述非线性函数激活模块用于进行非线性函数激活操作，所述全局平均池化模块用于进行全局平均池化插座，所述全连接模块用于进行全连接操作。
4.根据权利要求1所述的图片分类和对象检测的同步处理方法，其特征在于：所述第一特征图的像素为26*26*512。
5.根据权利要求4所述的图片分类和对象检测的同步处理方法，其特征在于：采用75*3*3 的卷积核对所述第一特征图进行卷积操作，所述第二特征图的像素为26*26*75。
6.根据权利要求4所述的图片分类和对象检测的同步处理方法，其特征在于：对所述第一特征图进行全局平均池化操作后获取512个值，对所述512个值进行全连接操作后，获取的1000个值作为所述分类结果。
7.根据权利要求1所述的图片分类和对象检测的同步处理方法，其特征在于：所述神经网络采用Tensorflow深度学习框架。
8.一种图片分类和对象检测的同步处理系统，其特征在于：包括卷积模块、对象检测模块和分类模块；
所述卷积模块用于将图片输入神经网络进行卷积操作，获取第一特征图；
所述对象检测模块用于对所述第一特征图依次进行卷积操作、池化操作和非线性函数激活操作，获取第二特征图，以基于所述第二特征图获取所述图片的对象检测结果；
所述分类模块用于对所述第一特征图依次进行全局平均池化操作和全连接操作，获取所述图片的分类结果。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述的图片分类和对象检测的同步处理方法。
10.一种图片分类和对象检测的同步处理终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述图片分类和对象检测的同步处理终端执行权利要求1至7中任一项所述的图片分类和对象检测的同步处理方法。
CN202111185199.6A 2021-10-12 2021-10-12 图片分类和对象检测的同步处理方法、系统、存储介质及终端 Active CN113627416B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111185199.6A CN113627416B (zh) 2021-10-12 2021-10-12 图片分类和对象检测的同步处理方法、系统、存储介质及终端
PCT/CN2022/089446 WO2023060874A1 (zh) 2021-10-12 2022-04-27 图片分类和对象检测的同步处理方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185199.6A CN113627416B (zh) 2021-10-12 2021-10-12 图片分类和对象检测的同步处理方法、系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN113627416A true CN113627416A (zh) 2021-11-09
CN113627416B CN113627416B (zh) 2022-01-25

Family

ID=78391019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185199.6A Active CN113627416B (zh) 2021-10-12 2021-10-12 图片分类和对象检测的同步处理方法、系统、存储介质及终端

Country Status (2)

Country Link
CN (1) CN113627416B (zh)
WO (1) WO2023060874A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023060874A1 (zh) * 2021-10-12 2023-04-20 上海蜜度信息技术有限公司 图片分类和对象检测的同步处理方法、系统、存储介质及终端

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169315A1 (en) * 2015-12-15 2017-06-15 Sighthound, Inc. Deeply learned convolutional neural networks (cnns) for object localization and classification
US20170206431A1 (en) * 2016-01-20 2017-07-20 Microsoft Technology Licensing, Llc Object detection and classification in images
CN108846440A (zh) * 2018-06-20 2018-11-20 腾讯科技（深圳）有限公司 图像处理方法及装置、计算机可读介质和电子设备
CN109800770A (zh) * 2018-12-28 2019-05-24 广州海昇计算机科技有限公司 一种实时目标检测的方法、系统及装置
CN106683091B (zh) * 2017-01-06 2019-09-24 北京理工大学 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质
CN111291767A (zh) * 2020-02-12 2020-06-16 中山大学 一种细粒度识别方法、终端设备及计算机可读存储介质
CN111368937A (zh) * 2020-03-19 2020-07-03 京东方科技集团股份有限公司 图像分类方法、装置、及其训练方法、装置、设备、介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5982026B2 (ja) * 2014-03-07 2016-08-31 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 多範囲オブジェクト検出装置および方法
CN109191424B (zh) * 2018-07-23 2022-04-22 哈尔滨工业大学（深圳） 一种乳腺肿块检测与分类系统、计算机可读存储介质
CN109118485A (zh) * 2018-08-13 2019-01-01 复旦大学 基于多任务神经网络的消化道内镜图像分类及早癌检测系统
CN110807426B (zh) * 2019-11-05 2023-11-21 苏州华文海智能科技有限公司 一种基于深度学习的寄生虫检测系统及方法
CN112926570B (zh) * 2021-03-26 2023-01-17 上海交通大学 一种自适应比特网络量化方法、系统及图像处理方法
CN113627416B (zh) * 2021-10-12 2022-01-25 上海蜜度信息技术有限公司 图片分类和对象检测的同步处理方法、系统、存储介质及终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169315A1 (en) * 2015-12-15 2017-06-15 Sighthound, Inc. Deeply learned convolutional neural networks (cnns) for object localization and classification
US20170206431A1 (en) * 2016-01-20 2017-07-20 Microsoft Technology Licensing, Llc Object detection and classification in images
CN106683091B (zh) * 2017-01-06 2019-09-24 北京理工大学 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN108846440A (zh) * 2018-06-20 2018-11-20 腾讯科技（深圳）有限公司 图像处理方法及装置、计算机可读介质和电子设备
CN109800770A (zh) * 2018-12-28 2019-05-24 广州海昇计算机科技有限公司 一种实时目标检测的方法、系统及装置
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质
CN111291767A (zh) * 2020-02-12 2020-06-16 中山大学 一种细粒度识别方法、终端设备及计算机可读存储介质
CN111368937A (zh) * 2020-03-19 2020-07-03 京东方科技集团股份有限公司 图像分类方法、装置、及其训练方法、装置、设备、介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ILHAN H O等: ""A fully automated hybrid human sperm detection and classification system based on mobile-net and the performance comparison with conventional methods"", 《MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING》 *
鞠云霞等: ""基于TensorFlow平台的卷积神经网络对OMR识别问题研究"", 《无线互联科技》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023060874A1 (zh) * 2021-10-12 2023-04-20 上海蜜度信息技术有限公司 图片分类和对象检测的同步处理方法、系统、存储介质及终端

Also Published As

Publication number Publication date
CN113627416B (zh) 2022-01-25
WO2023060874A1 (zh) 2023-04-20

Similar Documents

Publication Publication Date Title
CN110050267B (zh) 用于数据管理的系统和方法
Chang et al. An efficient implementation of 2D convolution in CNN
US20230252605A1 (en) Method and system for a high-frequency attention network for efficient single image super-resolution
CN113627416B (zh) 图片分类和对象检测的同步处理方法、系统、存储介质及终端
CN110348453B (zh) 一种基于级联的物体检测方法及系统、存储介质及终端
CN110009625B (zh) 基于深度学习的图像处理系统、方法、终端、及介质
CN110163095B (zh) 回环检测方法、回环检测装置及终端设备
CN113051778B (zh) 服装设计方法、装置、电子设备及存储介质
CN111967478B (zh) 一种基于权重翻转的特征图重构方法、系统、存储介质及终端
CN114758145A (zh) 一种图像脱敏方法、装置、电子设备及存储介质
CN117953581A (zh) 动作识别的方法、装置、电子设备及可读存储介质
CN116976432A (zh) 一种支持任务并行处理的芯片模拟方法、装置和芯片模拟器
CN116682076A (zh) 面向船舶安全监管的多尺度目标检测方法、系统及设备
CN116051532A (zh) 基于深度学习的工业零件缺陷检测方法、系统及电子设备
Huang et al. Linedl: Processing images line-by-line with deep learning
CN111831207B (zh) 一种数据处理方法、装置及其设备
CN114692838A (zh) 数据处理装置、数据处理方法及相关产品
CN113191401A (zh) 基于视觉显著性共享的用于三维模型识别的方法及装置
CN114692844A (zh) 数据处理装置、数据处理方法及相关产品
CN112183291B (zh) 一种图像中极小物体检测方法及系统、存储介质及终端
CN112967200B (zh) 图像处理方法、装置、电子设备、介质和计算机程序产品
CN116402090B (zh) 神经网络计算图的处理方法、装置和设备
Wang et al. BTAN: Lightweight Super-Resolution Network with Target Transform and Attention
CN117440104B (zh) 一种基于目标显著性特征的数据压缩重建方法
CN112184729B (zh) 局部图像的表征获取方法、系统、介质及装置

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Synchronous processing method, system, storage medium and terminal for image classification and object detection

Effective date of registration: 20220824

Granted publication date: 20220125

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2022310000198

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230901

Granted publication date: 20220125

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2022310000198

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 301ab, No.10, Lane 198, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai 201204

Patentee after: Shanghai Mido Technology Co.,Ltd.

Address before: Room 301ab, No.10, Lane 198, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai 201204

Patentee before: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.