CN113900989A - 目标检测数据集生成方法、装置、设备及存储介质 - Google Patents
目标检测数据集生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113900989A CN113900989A CN202111351135.9A CN202111351135A CN113900989A CN 113900989 A CN113900989 A CN 113900989A CN 202111351135 A CN202111351135 A CN 202111351135A CN 113900989 A CN113900989 A CN 113900989A
- Authority
- CN
- China
- Prior art keywords
- data set
- target
- image
- target detection
- background
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims description 82
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 210000000746 body region Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
- G06F16/116—Details of conversion of file system types or formats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
- G06F16/148—File search processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
- G06F16/162—Delete operations
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标检测技术领域，公开了一种目标检测数据集生成方法、装置、设备及存储介质。该方法包括：遍历预设背景图文件夹路径，获取遍历到的当前背景图；根据当前背景图对应的文件名生成空白标注文件；将当前背景图以及空白标注文件存储至初始数据集中，得到目标数据集。通过上述方式，根据背景图以及空白标注文件生成数据集，在面对目标检测识别错误的情况时，将识别错误的背景图存储至预设背景图文件夹路径即可通过本发明的数据集生成流程生成目标数据集，避免了人工标注，数据集生成效率高，快速响应模型优化工作。
Description
技术领域
本发明涉及目标检测技术领域，尤其涉及一种目标检测数据集生成方法、装置、设备及存储介质。
背景技术
当前在面对目标检测识别错误的情况时，一般采用人工的方式对图像进行标注，例如，当图像中有正确的目标时，将正确的目标标注出来，加入到数据集中；如果图像中没有正确的目标，图像完全是一张背景图，则人为的在图像上贴上一个目标，再将目标框出来，加入到数据集。但是当有大量的背景图时，人工标注工作量大，数据集生成效率低，模型优化工作耗时长。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种目标检测数据集生成方法、装置、设备及存储介质，旨在解决在面对目标检测识别错误的情况时，人工标注工作量大，数据集生成效率低，模型优化工作耗时长的技术问题。
为实现上述目的，本发明提供了一种目标检测数据集生成方法，所述方法包括以下步骤：
遍历预设背景图文件夹路径，获取遍历到的当前背景图；
根据所述当前背景图对应的文件名生成空白标注文件；
将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
可选地，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集之后，所述方法还包括：
根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
可选地，所述根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型之前，所述方法还包括：
确定训练代码对应的文件读取格式；
根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集；
所述根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型，包括：
根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
可选地，所述根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型，包括：
加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件；
根据所述训练图像生成模型输入特征；
根据所述训练标注文件生成模型预测结果；
根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
可选地，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集之前，所述方法还包括：
获取各类别分别对应的多个正样本图像；
根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。
可选地，所述遍历预设背景图文件夹路径，获取遍历到的当前背景图之前，所述方法还包括：
从预设数据集中搜索包含误识别标签的若干样本图像；
根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息；
根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像；
从预设背景图文件夹路径获取初始背景图；
将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图；
分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
可选地，所述遍历预设背景图文件夹路径，获取遍历到的当前背景图之前，所述方法还包括：
根据训练好的第一目标检测模型对若干待识别的图像进行识别；
在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
可选地，所述根据训练好的第一目标检测模型对若干待识别的图像进行识别之后，所述方法还包括：
在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框；
根据所述人体检测框生成当前标注文件；
根据所述当前图像以及所述当前标注文件生成初始数据集。
可选地，所述在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框之后，所述方法还包括：
根据所述人体检测框从所述当前图像中去除目标人体，得到待处理背景图；
对所述待处理背景图进行背景填充处理，得到目标背景图；
将所述目标背景图存储于预设背景图文件夹路径。
可选地，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集，包括：
将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到待核验数据集；
获取当前误识别标签，并确定所述当前误识别标签对应的误识别图像标识信息；
根据所述误识别图像标识信息从所述待核验数据集查找误识别图像以及误识别标注文件；
从所述待核验数据集对所述误识别图像以及所述误识别标注文件进行删除，得到目标数据集。
此外，为实现上述目的，本发明还提出一种目标检测数据集生成装置，所述目标检测数据集生成装置包括：
获取模块，用于遍历预设背景图文件夹路径，获取遍历到的当前背景图；
标注文件生成模块，用于根据所述当前背景图对应的文件名生成空白标注文件；
数据集生成模块，用于将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
可选地，所述目标检测数据集生成装置还包括训练模块；
所述训练模块，用于根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
可选地，所述目标检测数据集生成装置还包括格式转换模块；
所述转换模块，用于确定训练代码对应的文件读取格式，根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集；
所述训练模块，还用于根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
可选地，所述训练模块，还用于加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件，根据所述训练图像生成模型输入特征，根据所述训练标注文件生成模型预测结果，根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
可选地，所述数据集生成模块，还用于获取各类别分别对应的多个正样本图像，根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。
可选地，所述目标检测数据集生成装置还包括背景图生成模块；
所述背景图生成模块，用于从预设数据集中搜索包含误识别标签的若干样本图像，根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息，根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像，从预设背景图文件夹路径获取初始背景图，将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图，分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
可选地，所述目标检测数据集生成装置还包括背景图存储模块；
所述背景图存储模块，用于根据训练好的第一目标检测模型对若干待识别的图像进行识别，在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
可选地，所述数据集生成模块，还用于在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框，根据所述人体检测框生成当前标注文件，根据所述当前图像以及所述当前标注文件生成初始数据集。
此外，为实现上述目的，本发明还提出一种目标检测数据集生成设备，所述目标检测数据集生成设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的目标检测数据集生成程序，所述目标检测数据集生成程序配置为实现如上文所述的目标检测数据集生成方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有目标检测数据集生成程序，所述目标检测数据集生成程序被处理器执行时实现如上文所述的目标检测数据集生成方法。
本发明通过遍历预设背景图文件夹路径，获取遍历到的当前背景图；根据当前背景图对应的文件名生成空白标注文件；将当前背景图以及空白标注文件存储至初始数据集中，得到目标数据集。通过上述方式，根据背景图以及空白标注文件生成数据集，在面对目标检测识别错误的情况时，将识别错误的背景图存储至预设背景图文件夹路径即可通过本发明方案生成目标数据集，避免了人工标注，数据集生成效率高，能够快速响应模型优化工作。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的目标检测数据集生成设备的结构示意图；
图2为本发明目标检测数据集生成方法第一实施例的流程示意图；
图3为本发明目标检测数据集生成方法第二实施例的流程示意图；
图4为本发明目标检测数据集生成方法第三实施例的流程示意图；
图5为本发明目标检测数据集生成装置第一实施例的结构框图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的目标检测数据集生成设备结构示意图。
如图1所示，该目标检测数据集生成设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元(比如键盘(Keyboard))；可选的，用户接口1003还可以包括标准的有线接口、无线接口。可选的，网络接口1004包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。可选的，存储器1005还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对目标检测数据集生成设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及目标检测数据集生成程序。
在图1所示的目标检测数据集生成设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明目标检测数据集生成设备中的处理器1001、存储器1005可以设置在目标检测数据集生成设备中，所述目标检测数据集生成设备通过处理器1001调用存储器1005中存储的目标检测数据集生成程序，并执行本发明实施例提供的目标检测数据集生成方法。
本发明实施例提供了一种目标检测数据集生成方法，参照图2，图2为本发明目标检测数据集生成方法第一实施例的流程示意图。
本实施例中，所述目标检测数据集生成方法包括以下步骤：
步骤S10：遍历预设背景图文件夹路径，获取遍历到的当前背景图。
可以理解的是，本实施例的执行主体为目标检测数据集生成设备，所述目标检测数据集生成设备可以为计算机、服务器等设备，还可以为其他具备相同或相似功能设备，本实施例对此不加以限制。
需要说明的是，目标检测为一种人工智能领域的应用，使用深度学习对图像进行特征提取，从图像中找出关注的目标。背景图表征图像没有可检测的目标。预设背景图文件夹路径中存储有大量的背景图，可选的，工作人员对目标检测模型的识别结果进行人工判断，如果存在误识别，且图像中没有正确的目标，将图像作为背景图存储于预设背景图文件夹路径，误识别是指目标检测识别结果与实际结果不相符，识别错误。可选的，在各推理场景下，基于预测准确率高的目标检测模型对获取的图片进行目标检测，在未检测到目标时，将获取的图片作为背景图存储于预设背景图文件夹路径。
可选地，为了使得目标检测模型更容易排除误识别对象，所述步骤S10之前，所述方法还包括：从预设数据集中搜索包含误识别标签的若干样本图像；根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息；根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像；从预设背景图文件夹路径获取初始背景图；将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图；分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
可以理解的是，现有技术中在面对错误识别的背景图时，在图像中贴上一个目标，并标上标注框，其实际生成的仍然是包含目标的图像，而使用纯背景训练目标检测模型，使得目标检测模型更容易排除背景中与实际目标混淆的内容。
需要说明的是，在具体实现中，根据现有的目标检测模型对现有数据集进行检测，根据现有数据集中的样本图像、对应的检测结果以及误识别标签生成预设数据集，误识别标签为在人工检查目标检测模型的识别结果时，根据误识别结果提前标记的标签，涉及的误识别场景为：样本图像中没有目标，但是目标检测模型识别出检测框信息，生成标注文件，在人工判断该图像为背景图时，标上误识别标签。本实施例的目标检测数据集生成设备根据误识别标签确定误识别的背景图，根据检测模型生成的标注文件确定误识别目标的检测框信息，截取对应的区域，得到背景中与实际目标容易混淆的初始图像，将初始图像与若干初始背景图进行融合，得到融合背景图，图像融合方式可以为随机生成插入位置信息，基于插入位置信息将初始图像贴于初始背景图上，得到若干融合背景图，在进行数据集生成时，将多张包含容易混淆对象的背景图以及空白标注文件生成数据集中的多个样本，通过该数据集对目标检测模型进行训练，使得目标检测模型对该容易混淆对象进行排除，针对误识别对象，快速迭代，提高模型检测精度。
步骤S20：根据所述当前背景图对应的文件名生成空白标注文件。
需要说明的是，标注文件一般用于保存图像的标注信息，本实施例空白标注文件为空，其中没有标注信息，在训练代码读取数据集时，如果图像没有标注文件，训练代码会报错，而本实施例生成空白标注文件，使得目标检测模型将对应的图像当做背景进行预测训练。
步骤S30：将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
可以理解的是，一张图像和对应的标注文件成为数据集中的一个样本，本实施例将当前背景图以及空白标注文件作为目标数据集中的样本，生成包含背景样本的数据集。初始数据集可以为现有数据集，也可以为空数据集。
进一步地，为了提升目标检测模型的检测精度，所述步骤S30之前，所述方法还包括：获取各类别分别对应的多个正样本图像；根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。本实施例中目标数据集中包括包含目标的正样本以及不包含目标的背景样本，使得数据集中的数据平衡，避免了训练模型时模型过拟合，提升目标检测模型的检测精度。在具体实现中，根据现有的目标检测模型检测到目标的图像以及对应的检测结果生成初始数据集。
进一步地，所述步骤S30之后，所述方法还包括：根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。本实施例中根据背景图生成的数据集对目标检测模型进行训练，使得目标检测模型排除背景图中容易混淆的对象，进一步地，根据正样本图像以及背景图生成的数据集对目标检测模型进行训练，避免了训练模型时模型过拟合，提升目标检测模型的检测精度，提升了目标检测模型的检测精度。
本实施例通过遍历预设背景图文件夹路径，获取遍历到的当前背景图；根据当前背景图对应的文件名生成空白标注文件；将当前背景图以及空白标注文件存储至初始数据集中，得到目标数据集。通过上述方式，根据背景图以及空白标注文件生成数据集，在面对目标检测识别错误的情况时，将识别错误的背景图存储至预设背景图文件夹路径即可通过本实施例方案生成目标数据集，避免了人工标注，数据集生成效率高，能够快速响应模型优化工作。
参考图3，图3为本发明目标检测数据集生成方法第二实施例的流程示意图。
基于上述第一实施例，本实施例目标检测数据集生成方法在所述步骤S30之后，还包括：
步骤S301：确定训练代码对应的文件读取格式。
可以理解的是，不同的目标检测模型对应不同的训练代码，不同的训练代码读取的文件读取格式不同，例如，读取txt格式的标注文件。
步骤S301：根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集。
需要说明的是，在生成空白标注文件时，本实施例生成空白xml文件以及空白txt文件，如果文件读取格式与空白标注文件对应的格式不一致，对空白标注文件进行格式转换。
步骤S301：根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
具体地，所述步骤S301，包括加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件；根据所述训练图像生成模型输入特征；根据所述训练标注文件生成模型预测结果；根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
应当理解的是，现有的训练代码在加载txt文件时，可能会因为txt为空而忽略图片，从而无法对背景样本进行训练学习，甚至有可能导致训练程序崩溃，相比于现有技术，本实施例中调整数据集加载流程，读取空标注文件，将对应的图像作为背景图像进行训练学习，排除背景图中容易混淆的对象。例如，某座石墩的形状与人体相似，被误识别为人体目标，通过本实施例的方式将该图片作为背景图生成数据集，并根据数据集对目标检测模型进行训练，就能避免石墩被目标检测模型识别为人体目标。
需要说明的是，以下结合实例对本实施例方案所能达到的效果进行说明，在面对修改类别、细分类别的场景时，例如，现有的人工标注方式中，为了达到识别“人”的效果，在背景图像中贴入一个人体目标，标注目标框，目标框对应的类别为“人”，当存在新需求：将“人”细分为“男人”和“女人”时，现有的人工标注方式需要重新对标注框进行标注，而本实施例中无需重复处理背景图生成的数据集。在面对新项目数据集生成时，通过本实施例的方式可以快速将新场景的背景图加入数据集，快速响应模型优化工作。
本实施例通过遍历预设背景图文件夹路径，获取遍历到的当前背景图；根据当前背景图对应的文件名生成空白标注文件；将当前背景图以及空白标注文件存储至初始数据集中，得到目标数据集；确定训练代码对应的文件读取格式；根据文件读取格式对目标数据集中的空白标注文件进行格式转换，得到调整后的目标数据集；根据调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。通过上述方式，根据背景图以及空白标注文件生成数据集，在面对目标检测识别错误的情况时，将识别错误的背景图存储至预设背景图文件夹路径即可通过本发明的数据集生成流程生成目标数据集，避免了人工标注，数据集生成效率高，快速响应模型优化工作，通过背景图生成的数据集对目标检测模型进行训练，使得目标检测模型排除背景图中容易混淆的对象，快速排除误识别问题。
参考图4，图4为本发明目标检测数据集生成方法第三实施例的流程示意图。
基于上述第一实施例，本实施例目标检测数据集生成方法在所述步骤S10之前，还包括：
步骤S101：根据训练好的第一目标检测模型对若干待识别的图像进行识别。
可以理解的是，本实施例中训练好的第一目标检测模型可以为现有的具有较高预测能力的目标检测模型，也可以为投入使用的目标检测模型。
步骤S102：在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
需要说明的是，通过本实施例的方式可以快速收集各个使用场景下的目标检测模型识别到的背景图，将背景图加入数据集，快速提升数据量。
进一步地，所述步骤S101之后，所述方法还包括：
步骤S103：在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框。
可以理解的是，第一目标检测模型识别到目标时，生成对应的识别结果，其中包括人体检测框的坐标信息。
进一步地，所述步骤S103之后，所述方法还包括：根据所述人体检测框从所述当前图像中去除目标人体，得到待处理背景图；对所述待处理背景图进行背景填充处理，得到目标背景图；将所述目标背景图存储于预设背景图文件夹路径。
需要说明的是，本实施例提供一种背景图获取方式，从包含目标的图像中取出人体区域，对剩余的背景图像进行背景填充处理，可选的，基于预设的色彩或者预设的背景图对人体区域进行背景填充；可选的，根据当前图像中人体检测框周围的图像对人体检测框内的背景进行预测，实现背景填充处理。根据包含目标的图像生成背景图，快速提升数据集中背景样本的数据量。
步骤S104：根据所述人体检测框生成当前标注文件。
步骤S105：根据所述当前图像以及所述当前标注文件生成初始数据集。
可以理解的是，本实施例中根据训练好的第一目标检测模型检测到目标的图像生成初始数据集，根据训练好的第一目标检测模型未检测到目标的图像生成背景样本，根据背景样本以及初始数据集得到目标数据集，快速收集各个使用场景下的背景图以及包含目标的图像，提升了数据集生成效率。
进一步地，所述步骤S30，包括：将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到待核验数据集；获取当前误识别标签，并确定所述当前误识别标签对应的误识别图像标识信息；根据所述误识别图像标识信息从所述待核验数据集查找误识别图像以及误识别标注文件；从所述待核验数据集对所述误识别图像以及所述误识别标注文件进行删除，得到目标数据集。
需要说明的是，当前误识别标签为在人工检查训练好的第一目标检测模型的识别结果时，根据误识别结果提前标记的标签，涉及的误识别场景为：样本图像中没有目标，但是目标检测模型识别出检测框信息，生成标注文件，在人工判断该图像为背景图时，标上误识别标签；样本图像中有正确的目标，但是识别结果为没有目标，在人工判断该图像为包含目标的图像时，标上误识别标签。具体地，在对图像标记误识别标签时，将图像对应的图像标识信息以及误识别标签存为映射数据，根据当前误识别标签映射得到误识别图像标识信息，确定待核验数据集中是否存在误识别的图像数据，如果存在，则对误识别的图像以及对应的标注文件进行删除，进一步提高数据集的准确度，为模型训练提供数据支持。
本实施例通过根据训练好的第一目标检测模型对若干待识别的图像进行识别；在识别到目标图像为背景图时，将目标图像存储于预设背景图文件夹路径；在识别到当前图像中存在人体时，获取当前图像对应的人体检测框；根据人体检测框生成当前标注文件；根据当前图像以及当前标注文件生成初始数据集；遍历预设背景图文件夹路径，获取遍历到的当前背景图；根据当前背景图对应的文件名生成空白标注文件；将当前背景图以及空白标注文件存储至初始数据集中，得到目标数据集。通过上述方式，根据训练好的第一目标检测模型的预测结果快速生成数据集，在识别为背景图时，存储至预设背景图文件夹路径，在识别到目标时，生成初始数据集，根据背景图以及空白标注文件生成样本，根据该样本以及初始数据集得到目标数据集，避免了人工标注，数据集生成效率高，快速响应模型优化工作。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有目标检测数据集生成程序，所述目标检测数据集生成程序被处理器执行时实现如上文所述的目标检测数据集生成方法。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参照图5，图5为本发明目标检测数据集生成装置第一实施例的结构框图。
如图5所示，本发明实施例提出的目标检测数据集生成装置包括：
获取模块10，用于遍历预设背景图文件夹路径，获取遍历到的当前背景图。
标注文件生成模块20，用于根据所述当前背景图对应的文件名生成空白标注文件。
数据集生成模块30，用于将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过遍历预设背景图文件夹路径，获取遍历到的当前背景图；根据当前背景图对应的文件名生成空白标注文件；将当前背景图以及空白标注文件存储至初始数据集中，得到目标数据集。通过上述方式，根据背景图以及空白标注文件生成数据集，在面对目标检测识别错误的情况时，将识别错误的背景图存储至预设背景图文件夹路径即可通过本实施例方案生成目标数据集，避免了人工标注，数据集生成效率高，能够快速响应模型优化工作。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的目标检测数据集生成方法，此处不再赘述。
在一实施例中，所述目标检测数据集生成装置还包括训练模块；
所述训练模块，用于根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
在一实施例中，所述目标检测数据集生成装置还包括格式转换模块；
所述转换模块，用于确定训练代码对应的文件读取格式，根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集；
所述训练模块，还用于根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
在一实施例中，所述训练模块，还用于加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件，根据所述训练图像生成模型输入特征，根据所述训练标注文件生成模型预测结果，根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
在一实施例中，所述数据集生成模块30，还用于获取各类别分别对应的多个正样本图像，根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。
在一实施例中，所述目标检测数据集生成装置还包括背景图生成模块；
所述背景图生成模块，用于从预设数据集中搜索包含误识别标签的若干样本图像，根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息，根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像，从预设背景图文件夹路径获取初始背景图，将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图，分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
在一实施例中，所述目标检测数据集生成装置还包括背景图存储模块；
所述背景图存储模块，用于根据训练好的第一目标检测模型对若干待识别的图像进行识别，在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
在一实施例中，所述数据集生成模块30，还用于在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框，根据所述人体检测框生成当前标注文件，根据所述当前图像以及所述当前标注文件生成初始数据集。
在一实施例中，所述背景图存储模块，还用于根据所述人体检测框从所述当前图像中去除目标人体，得到待处理背景图，对所述待处理背景图进行背景填充处理，得到目标背景图，将所述目标背景图存储于预设背景图文件夹路径。
在一实施例中，所述数据集生成模块30，还用于将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到待核验数据集，获取当前误识别标签，并确定所述当前误识别标签对应的误识别图像标识信息，根据所述误识别图像标识信息从所述待核验数据集查找误识别图像以及误识别标注文件，从所述待核验数据集对所述误识别图像以及所述误识别标注文件进行删除，得到目标数据集。
此外，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
本发明公开了A1、一种目标检测数据集生成方法，所述目标检测数据集生成方法包括：
遍历预设背景图文件夹路径，获取遍历到的当前背景图；
根据所述当前背景图对应的文件名生成空白标注文件；
将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
A2、如A1所述的目标检测数据集生成方法，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集之后，所述方法还包括：
根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
A3、如A2所述的目标检测数据集生成方法，所述根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型之前，所述方法还包括：
确定训练代码对应的文件读取格式；
根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集；
所述根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型，包括：
根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
A4、如A3所述的目标检测数据集生成方法，所述根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型，包括：
加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件；
根据所述训练图像生成模型输入特征；
根据所述训练标注文件生成模型预测结果；
根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
A5、如A1所述的目标检测数据集生成方法，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集之前，所述方法还包括：
获取各类别分别对应的多个正样本图像；
根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。
A6、如A1所述的目标检测数据集生成方法，所述遍历预设背景图文件夹路径，获取遍历到的当前背景图之前，所述方法还包括：
从预设数据集中搜索包含误识别标签的若干样本图像；
根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息；
根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像；
从预设背景图文件夹路径获取初始背景图；
将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图；
分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
A7、如A1所述的目标检测数据集生成方法，所述遍历预设背景图文件夹路径，获取遍历到的当前背景图之前，所述方法还包括：
根据训练好的第一目标检测模型对若干待识别的图像进行识别；
在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
A8、如A7所述的目标检测数据集生成方法，所述根据训练好的第一目标检测模型对若干待识别的图像进行识别之后，所述方法还包括：
在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框；
根据所述人体检测框生成当前标注文件；
根据所述当前图像以及所述当前标注文件生成初始数据集。
A9、如A8所述的目标检测数据集生成方法，所述在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框之后，所述方法还包括：
根据所述人体检测框从所述当前图像中去除目标人体，得到待处理背景图；
对所述待处理背景图进行背景填充处理，得到目标背景图；
将所述目标背景图存储于预设背景图文件夹路径。
A10、如A9所述的目标检测数据集生成方法，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集，包括：
将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到待核验数据集；
获取当前误识别标签，并确定所述当前误识别标签对应的误识别图像标识信息；
根据所述误识别图像标识信息从所述待核验数据集查找误识别图像以及误识别标注文件；
从所述待核验数据集对所述误识别图像以及所述误识别标注文件进行删除，得到目标数据集。
本发明还公开了B11、一种目标检测数据集生成装置，所述目标检测数据集生成装置包括：
获取模块，用于遍历预设背景图文件夹路径，获取遍历到的当前背景图；
标注文件生成模块，用于根据所述当前背景图对应的文件名生成空白标注文件；
数据集生成模块，用于将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
B12、如B1所述的目标检测数据集生成装置，所述目标检测数据集生成装置还包括训练模块；
所述训练模块，用于根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
B13、如B12所述的目标检测数据集生成装置，所述目标检测数据集生成装置还包括格式转换模块；
所述转换模块，用于确定训练代码对应的文件读取格式，根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集；
所述训练模块，还用于根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
B14、如B13所述的目标检测数据集生成装置，所述训练模块，还用于加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件，根据所述训练图像生成模型输入特征，根据所述训练标注文件生成模型预测结果，根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
B15、如B11所述的目标检测数据集生成装置，所述数据集生成模块，还用于获取各类别分别对应的多个正样本图像，根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。
B16、如B11所述的目标检测数据集生成装置，所述目标检测数据集生成装置还包括背景图生成模块；
所述背景图生成模块，用于从预设数据集中搜索包含误识别标签的若干样本图像，根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息，根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像，从预设背景图文件夹路径获取初始背景图，将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图，分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
B17、如B11所述的目标检测数据集生成装置，所述目标检测数据集生成装置还包括背景图存储模块；
所述背景图存储模块，用于根据训练好的第一目标检测模型对若干待识别的图像进行识别，在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
B18、如B17所述的目标检测数据集生成装置，所述数据集生成模块，还用于在识别到当前图像中存在人体时，获取所述当前图像对应的人体检测框，根据所述人体检测框生成当前标注文件，根据所述当前图像以及所述当前标注文件生成初始数据集。
本发明还公开了C19、一种目标检测数据集生成设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的目标检测数据集生成程序，所述目标检测数据集生成程序配置为实现如A1至A10中任一项所述的目标检测数据集生成方法。
本发明还公开了D20、一种存储介质，所述存储介质上存储有目标检测数据集生成程序，所述目标检测数据集生成程序被处理器执行时实现如A1至A10任一项所述的目标检测数据集生成方法。
Claims (10)
1.一种目标检测数据集生成方法，其特征在于，所述目标检测数据集生成方法包括：
遍历预设背景图文件夹路径，获取遍历到的当前背景图；
根据所述当前背景图对应的文件名生成空白标注文件；
将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
2.如权利要求1所述的目标检测数据集生成方法，其特征在于，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集之后，所述方法还包括：
根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
3.如权利要求2所述的目标检测数据集生成方法，其特征在于，所述根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型之前，所述方法还包括：
确定训练代码对应的文件读取格式；
根据所述文件读取格式对所述目标数据集中的所述空白标注文件进行格式转换，得到调整后的目标数据集；
所述根据所述目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型，包括：
根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型。
4.如权利要求3所述的目标检测数据集生成方法，其特征在于，所述根据所述调整后的目标数据集对预设目标检测模型进行训练，得到训练好的目标检测模型，包括：
加载所述调整后的目标数据集，获取所述调整后的目标数据集中的训练图像以及训练标注文件；
根据所述训练图像生成模型输入特征；
根据所述训练标注文件生成模型预测结果；
根据所述模型输入特征以及所述模型预测结果对预设目标检测模型进行训练，得到训练好的目标检测模型。
5.如权利要求1所述的目标检测数据集生成方法，其特征在于，所述将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集之前，所述方法还包括：
获取各类别分别对应的多个正样本图像；
根据所述正样本图像以及所述正样本图像对应的标注文件生成初始数据集。
6.如权利要求1所述的目标检测数据集生成方法，其特征在于，所述遍历预设背景图文件夹路径，获取遍历到的当前背景图之前，所述方法还包括：
从预设数据集中搜索包含误识别标签的若干样本图像；
根据所述若干样本图像对应的标注文件分别获取各样本图像对应的检测框信息；
根据所述检测框信息从所述若干样本图像中分别截取对应的区域，得到若干初始图像；
从预设背景图文件夹路径获取初始背景图；
将所述若干初始图像分别与所述初始背景图进行融合，得到若干融合背景图；
分别对所述若干融合背景图进行命名，并将所述若干融合背景图存储于所述预设背景图文件夹路径。
7.如权利要求1所述的目标检测数据集生成方法，其特征在于，所述遍历预设背景图文件夹路径，获取遍历到的当前背景图之前，所述方法还包括：
根据训练好的第一目标检测模型对若干待识别的图像进行识别；
在识别到目标图像为背景图时，将所述目标图像存储于预设背景图文件夹路径。
8.一种目标检测数据集生成装置，其特征在于，所述目标检测数据集生成装置包括：
获取模块，用于遍历预设背景图文件夹路径，获取遍历到的当前背景图；
标注文件生成模块，用于根据所述当前背景图对应的文件名生成空白标注文件；
数据集生成模块，用于将所述当前背景图以及所述空白标注文件存储至初始数据集中，得到目标数据集。
9.一种目标检测数据集生成设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的目标检测数据集生成程序，所述目标检测数据集生成程序配置为实现如权利要求1至7中任一项所述的目标检测数据集生成方法。
10.一种存储介质，其特征在于，所述存储介质上存储有目标检测数据集生成程序，所述目标检测数据集生成程序被处理器执行时实现如权利要求1至7任一项所述的目标检测数据集生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351135.9A CN113900989A (zh) | 2021-11-15 | 2021-11-15 | 目标检测数据集生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351135.9A CN113900989A (zh) | 2021-11-15 | 2021-11-15 | 目标检测数据集生成方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113900989A true CN113900989A (zh) | 2022-01-07 |
Family
ID=79194403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111351135.9A Withdrawn CN113900989A (zh) | 2021-11-15 | 2021-11-15 | 目标检测数据集生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113900989A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419399A (zh) * | 2022-03-22 | 2022-04-29 | 杭州利珀科技有限公司 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
| CN116310619A (zh) * | 2022-09-08 | 2023-06-23 | 广州里工实业有限公司 | 一种图像数据集生成方法、系统、电子设备及存储介质 |
-
2021
- 2021-11-15 CN CN202111351135.9A patent/CN113900989A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419399A (zh) * | 2022-03-22 | 2022-04-29 | 杭州利珀科技有限公司 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
| CN114419399B (zh) * | 2022-03-22 | 2022-10-21 | 杭州利珀科技有限公司 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
| CN116310619A (zh) * | 2022-09-08 | 2023-06-23 | 广州里工实业有限公司 | 一种图像数据集生成方法、系统、电子设备及存储介质 |
| CN116310619B (zh) * | 2022-09-08 | 2023-09-12 | 广州里工实业有限公司 | 一种图像数据集生成方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308681B (zh) | 图像处理方法和装置 | |
| CN113900989A (zh) | 目标检测数据集生成方法、装置、设备及存储介质 | |
| US20220222447A1 (en) | Translation method and apparatus, electronic device, and computer-readable storage medium | |
| CN112070076B (zh) | 文本段落结构还原方法、装置、设备及计算机存储介质 | |
| CN113723288B (zh) | 基于多模态混合模型的业务数据处理方法及装置 | |
| CN111443904A (zh) | 一种生成可执行代码的方法及计算机可读存储介质 | |
| CN116245177B (zh) | 地理环境知识图谱自动化构建方法及系统、可读存储介质 | |
| CN111680491B (zh) | 文档信息的抽取方法、装置和电子设备 | |
| CN111831920A (zh) | 用户需求分析方法、装置、计算机设备及存储介质 | |
| CN111124863B (zh) | 智能设备性能测试方法、装置及智能设备 | |
| CN114529933A (zh) | 一种合同数据差异性的比对方法、装置、设备和介质 | |
| CN111881900B (zh) | 语料生成、翻译模型训练、翻译方法、装置、设备及介质 | |
| CN110366025B (zh) | 显示内容的配置方法、智能终端及计算机可读存储介质 | |
| CN112613367A (zh) | 票据信息文本框获取方法、系统、设备及存储介质 | |
| CN111597336A (zh) | 训练文本的处理方法、装置、电子设备及可读存储介质 | |
| CN116610304A (zh) | 页面代码生成方法、装置、设备和存储介质 | |
| CN114816719B (zh) | 多任务模型的训练方法及装置 | |
| CN112800235B (zh) | 一种可视化知识图谱数据建模方法和系统 | |
| CN112182413B (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
| CN114254138A (zh) | 多媒体资源分类方法、装置、电子设备和存储介质 | |
| CN115272649A (zh) | 分子结构图的图像识别、检索、录入方法及系统、介质 | |
| CN111753548A (zh) | 信息获取方法及装置、计算机存储介质、电子设备 | |
| CN112819885A (zh) | 基于深度学习的动物识别方法、装置、设备及存储介质 | |
| CN113050987A (zh) | 一种接口文档的生成方法、装置、存储介质及电子设备 | |
| CN115618350A (zh) | 工控资产漏洞检测方法、设备、存储介质及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220107 |
|
| WW01 | Invention patent application withdrawn after publication |