CN113947771B - 图像识别方法、装置、设备、存储介质以及程序产品 - Google Patents
图像识别方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN113947771B CN113947771B CN202111201988.4A CN202111201988A CN113947771B CN 113947771 B CN113947771 B CN 113947771B CN 202111201988 A CN202111201988 A CN 202111201988A CN 113947771 B CN113947771 B CN 113947771B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- training
- sample
- instance segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000011218 segmentation Effects 0.000 claims abstract description 174
- 238000012549 training Methods 0.000 claims abstract description 128
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像识别方法、装置、设备、存储介质以及程序产品,涉及人工智能领域,具体涉及计算机视觉和深度学习技术。实例分割模型训练方法的一具体实施方式包括:获取第一训练样本,其中,第一训练样本是对第一目标和第二目标进行标注的第一样本图像,在第一样本图像中;从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。该实施方式训练出第一实例分割模型和第二实例分割模型进行实例分割,提高了对小目标的实例分割的精准度。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术。
背景技术
信息化时代,人类每时每刻都在通过各种手段和途径获得海量的图像。许多计算机视觉任务都需要对图像进行智能分割,以充分理解图像中的内容,使各个图像部分之间的分析更加容易,这使得基于真实场景的实例分割在现实生活中有很大的应用价值。目标检测和实例分割是两个不同的计算机视觉任务,目标检测需要将目标从图像中识别出来并进行定位,而实例分割需要在此基础上把目标所在的像素标注出来。
目前,常用的图像识别方法是Mask R-CNN(Region-based Convolutional NeuralNetwork,区域卷积神经网络)。Mask R-CNN在Faster R-CNN的基础上增加了一个预测Mask(掩膜)的分支。利用卷积与反卷积构建端到端的网络进行语义分割,并且将ROI-Pooling(Region Of Interest Pooling,感兴趣区域池化)层替换成了ROI-Align(Region OfInterest Align,感兴趣区域对齐)。然而,Mask R-CNN针对小目标很难做到精准的实例分割。
发明内容
本公开实施例提出了一种图像识别方法、装置、设备、存储介质以及程序产品。
第一方面,本公开实施例提出了一种实例分割模型训练方法,包括:获取第一训练样本,其中,第一训练样本是对第一目标和第二目标进行标注的第一样本图像,在第一样本图像中,第一目标的数量和尺寸小于第二目标;从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
第二方面,本公开实施例提出了一种图像识别方法,包括:将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框;基于第二目标的边界框从待分割图像中分割出第二目标的图像;将第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框,其中,第一实例分割模型和第二实例分割模型是如第一方面描述的方法训练得到的;基于单独的第一目标的边界框、关联第二目标的第一目标的边界框和第二目标的边界框对待分割图像进行实例分割,得到实例分割结果。
第三方面,本公开实施例提出了一种实例分割模型训练装置,包括:获取模块,被配置成获取第一训练样本,其中,第一训练样本是对第一目标和第二目标进行标注的第一样本图像,在第一样本图像中,第一目标的数量和尺寸小于第二目标;生成模块,被配置成从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;第一训练模块,被配置成利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
第四方面,本公开实施例提出了一种图像识别装置,包括:第一检测模块,被配置成将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框;第一分割模块,被配置成基于第二目标的边界框从待分割图像中分割出第二目标的图像;第二检测模块,被配置成将第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框,其中,第一实例分割模型和第二实例分割模型是采用如第三方面描述的装置训练得到的;第二分割模块,被配置成基于单独的第一目标的边界框、关联第二目标的第一目标的边界框和第二目标的边界框对待分割图像进行实例分割,得到实例分割结果。
第五方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面和第二方面中任一实现方式描述的方法。
第六方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面和第二方面中任一实现方式描述的方法。
第七方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面和第二方面中任一实现方式描述的方法。
本公开实施例提供的实例分割模型训练方法,首先获取第一训练样本;然后从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;最后利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。训练出第二实例分割模型进行实例分割,提高了对小目标的实例分割的精准度。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的实例分割模型训练方法的一个实施例的流程图;
图2是根据本公开的实例分割模型训练方法的又一个实施例的流程图;
图3是根据本公开的实例分割模型训练方法的另一个实施例的流程图;
图4是根据本公开的图像识别方法的一个实施例的流程图;
图5是根据本公开的图像识别方法的又一个实施例的流程图;
图6是本公开实施例的整体系统流程图;
图7是根据本公开的实例分割模型训练装置的一个实施例的结构示意图;
图8是根据本公开的图像识别装置的一个实施例的结构示意图;
图9是用来实现本公开实施例的实例分割模型训练方法或图像超分辨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。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的实例分割模型训练方法的一个实施例的流程100。该实例分割模型训练方法包括以下步骤:
步骤101,获取第一训练样本。
在本实施例中,实例分割模型训练方法的执行主体可以获取大量第一训练样本。
其中,第一训练样本可以是对第一目标和第二目标进行标注的第一样本图像。也就是说,第一样本图像中存在第一目标和第二目标,将第一目标和第二目标所在的像素标注出来,即可得到第一训练样本。第一目标和第二目标是不同的目标。并且,在第一样本图像中,第一目标的数量和尺寸小于第二目标。因此,第一目标可以被称为小目标,第二目标可以被称为大目标。例如,对于球类赛事图像(如篮球赛事图像、排球赛事图像、足球赛事图像等),球的数量远远小于运动员的数量,并且球的尺寸远远小于运动员的尺寸,因此,球是小目标,运动员是大目标。
步骤102,从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本。
在本实施例中,根据第一样本图像的标注信息,上述执行主体可以从第一样本图像中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本。
其中,若第一目标与第二目标之间存在交集,说明第一目标与第二目标关联。由于第二目标的尺寸远远大于第一目标的尺寸,因此根据第二目标的标注信息分割出的关联第一目标的第二目标(如携带球的运动员)的图像中既存在第一目标又存在第二目标。此外,根据第一目标的标注信息还可以分割出单独的第一目标(如单独的球)的图像。单独的第一目标与第二目标之间不存在交集。单独的第一目标的图像中仅存在第一目标。这样,就可以将第一样本图像中的全部的第一目标的图像分割出来。并且,对分割出来的图像中的第一目标所在的像素标注出来,即可得到第二训练样本。
步骤103,利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
在本实施例中,上述执行主体可以利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。其中,第二实例分割模型可以用于对第一目标进行检测。由于分割出全部的第一目标的图像进行训练,因此第二实例分割模型能够精准地检测出数量少且尺寸小的第一目标。
通常,第二实例分割模型可以是利用机器学习方法和第二训练样本对深度学习模型进行有监督训练而得到的。实践中,可以将深度学习模型的各个参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。深度学习模型的参数在训练过程中可以被不断地调整,直至训练出对小目标检测的准确度足够高的第二实例分割模型。例如,可以采用BP(Back Propagation,反向传播)算法或者SGD(StochasticGradient Descent,随机梯度下降)算法来调整深度学习模型的参数。
在一些实施例中,第一实例分割模型可以以Swin Transformer为骨干网络,采用Mask R-CNN算法对图像中的目标进行实例分割。
本公开实施例提供的实例分割模型训练方法,首先获取第一训练样本;然后从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;最后利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。训练出第二实例分割模型进行实例分割,提高了对小目标的实例分割的精准度。
继续参考图2,其示出了根据本公开的实例分割模型训练方法的又一个实施例的流程200。该实例分割模型训练方法包括以下步骤:
步骤201,获取第一训练样本。
在本实施例中,步骤201的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍,在此不再赘述。
步骤202,利用第一训练样本对深度学习模型进行训练,得到第一实例分割模型。
在本实施例中,实例分割模型训练方法的执行主体可以利用第一训练样本对深度学习模型进行训练,得到第一实例分割模型。具体地,将第一样本图像作为输入,将第一样本图像的标注信息作为输出,对深度学习模型进行训练,得到第一实例分割模型。其中,第一实例分割模型可以用于对第一目标和第二目标进行检测。由于第一样本图像中的第一目标的数量和尺寸小于第二目标,第一实例分割模型对第一目标的检测准确度低于对第二目标的检测准确度。
通常,第一实例分割模型可以是利用机器学习方法和第一训练样本对深度学习模型进行有监督训练而得到的。实践中,可以将深度学习模型的各个参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。深度学习模型的参数在训练过程中可以被不断地调整,直至训练出对目标检测的准确度足够高的第一实例分割模型。例如,可以采用BP算法或者SGD算法来调整深度学习模型的参数。
在一些实施例中,第一实例分割模型可以以Swin Transformer为骨干网络,采用Mask R-CNN算法对图像中的目标进行实例分割。
步骤203,从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本。
步骤204,利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
在本实施例中,步骤203-204的具体操作已在图1所示的实施例中步骤102-103中进行了详细的介绍,在此不再赘述。
从图2中可以看出,与图1对应的实施例相比,本实施例中的实例分割模型训练方法的流程200增加了训练第一实例分割模型的步骤。由此,本实施例描述的方案同时训练出第一实例分割模型和第二实例分割模型进行实例分割,提高了实例分割的精准度。
进一步参考图3,其示出了根据本公开的实例分割模型训练方法的另一个实施例的流程300。该实例分割模型训练方法包括以下步骤:
步骤301,在第一样本图像中增加第一目标。
在本实施例中,实例分割模型可以在第一样本图像中增加第一目标。
通常,在第一样本图像中,第一目标的数量远远小于第二目标,造成极大的数据不均衡。因此,在第一样本图像中增加第一目标可以均衡第一目标与第二目标的数量。并且,增加的第一目标不覆盖第一样本图像中原有的第一目标或第二目标,以避免对目标检测造成影响。
在一些实施例中,上述执行主体可以将第二样本图像中的第一目标的像素点复制到第一样本图像上,使得增加的第一目标更加真实、自然。其中,第二样本图像中存在第一目标,且第一目标所在的像素被标注出来。根据第二样本图像的标注信息,可以获取第一目标的Mask信息、边界框信息和类别信息,将类别为第一目标的像素点复制到第一样本图像上。此外,在复制之前,需要先判断复制的第一目标在第一样本图像的相同位置上是否存在第一目标或第二目标。若存在,则不进行粘贴;若不存在,则可以进行粘贴。
步骤302,在第一样本图像中增加关联第一目标的第二目标。
在本实施例中,实例分割模型可以在第一样本图像中增加关联第一目标的第二目标。
通常,在第一样本图像中,第一目标的数量远远小于第二目标,造成极大的数据不均衡。因此,在第一样本图像中增加关联第一目标的第二目标可以均衡第一目标与第二目标的数量。并且,增加的第二目标不覆盖第一样本图像中原有的第一目标或第二目标,以避免对目标检测造成影响。
在一些实施例中,第二样本图像中存在第一目标和第二目标,且第一目标和第二目标所在的像素被标注出来。若第二样本图像中的第一目标与第二目标存在交集,上述执行主体可以将存在交集的第一目标与第二目标同时复制到第一样本图像上,使得增加的第一目标和第二目标更加真实、自然。根据第二样本图像的标注信息,可以获取存在交集的第一目标和第二目标的Mask信息、边界框信息和类别信息,将存在交集的第一目标和第二目标的像素点同时复制到第一样本图像上。此外,在复制之前,需要先判断存在交集的第一目标和第二目标在第一样本图像的相同位置上是否存在第一目标或第二目标。若存在,则不进行粘贴;若不存在,则可以进行粘贴。
通常,通过增加第一目标和关联第一目标的第二目标,将第一样本图像中的第一目标与第二目标的比例调整到接近1:1,可以从根本上解决类别不均衡的现象。例如,第一样本图像和第二样本图像可以是球类赛事视频中的不同视频帧,在复制之前,球和运动员的比例是1:5,在复制之后,球和运动员的比例是6:7。通过复制球和携带球的运动员,使得球和运动员的比例调整的接近1:1。
步骤303,获取第一训练样本。
步骤304,利用第一训练样本对深度学习模型进行训练,得到第一实例分割模型。
步骤305,从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本。
步骤306,利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
在本实施例中,步骤303-306的具体操作已在图2所示的实施例中步骤201-204中进行了详细的介绍,在此不再赘述。
从图3中可以看出,与图2对应的实施例相比,本实施例中的实例分割模型训练方法的流程300突出了增加小目标的步骤。由此,本实施例描述的方案通过两种方式增加小目标,解决了小目标少的问题,均衡了小目标和大目标的数量。
进一步参考图4,其示出了根据本公开的图像识别方法的一个实施例的流程400。该图像识别方法包括以下步骤:
步骤401,将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框。
在本实施例中,图像识别方法的执行主体可以获取待分割图像,将待分割图像输入至第一实例分割模型,得到单独的第一目标(如单独的球)的边界框和第二目标(如运动员)的边界框。
其中,待分割图像中存在第一目标和第二目标。第一实例分割模型可以是利用图2或图3所示的方法的实施例训练得到的。第一实例分割模型可以用于对第一目标和第二目标进行检测。因此,利用第一实例分割模型对待分割图像进行目标检测,能够得到单独的第一目标的边界框和第二目标的边界框。这里,第一实例分割模型检测出的第二目标既包括单独的第二目标(如单独的运动员)又包括关联第一目标的第二目标(如携带球的运动员)。
需要说明的是,由于待分割图像中的第一目标的数量和尺寸小于第二目标,第一实例分割模型对第一目标的检测准确度低于对第二目标的检测准确度。
步骤402,基于第二目标的边界框从待分割图像中分割出第二目标的图像。
在本实施例中,上述执行主体可以基于第二目标的边界框从待分割图像中分割出第二目标的图像。由于第一实例分割模型检测出的第二目标既包括单独的第二目标又包括关联第一目标的第二目标,因此分割出的第二目标的图像既包括单独的第二目标的图像又包括关联第一目标的第二目标的图像。
需要说明的是,由于第一实例分割模型对第二目标的检测准确度较高,因此步骤402几乎能够准确地分割出所有第二目标的图像,漏检和误检的概率较低。
步骤403,将第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框。
在本实施例中,上述执行主体可以将第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标(如运动员携带的球)的边界框。
其中,第二实例分割模型可以是利用图1或图2所示的方法的实施例训练得到的。第二实例分割模型可以用于对第一目标进行检测。因此,利用第二实例分割模型对第二目标的图像进行目标检测,能够得到关联第二目标的第一目标的边界框。
需要说明的是,由于第二实例分割模型能够精准地检测出数量少且尺寸小的第一目标,因此步骤403几乎能够准确地在关联第一目标的第二目标图像中检测出第一目标,漏检和误检的概率较低。
步骤404,基于单独的第一目标的边界框、关联第二目标的第一目标的边界框和第二目标的边界框对待分割图像进行实例分割,得到实例分割结果。
在本实施例中,上述执行主体可以基于单独的第一目标的边界框、关联第二目标的第一目标的边界框和第二目标的边界框对待分割图像进行实例分割,得到实例分割结果。
其中,单独的第一目标的边界框和第二目标的边界框是利用第一实例分割模型检测得到的。关联第二目标的第一目标的边界框是利用第二实例分割模型检测得到的。结合第一实例分割模型和第二实例分割模型,几乎能够准确地检测出待分割图像中的所有第一目标和所有第二目标。实例分割结果可以是标注出待分割图像中的所有第一目标和第二目标所在的像素的图像。
本公开实施例提供的图像识别方法,结合第一实例分割模型和第二实例分割模型进行实例分割,提高了实例分割的精准度。
进一步参考图5,其示出了根据本公开的图像识别方法的又一个实施例的流程500。该图像识别方法包括以下步骤:
步骤501,将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框。
步骤502,基于第二目标的边界框从待分割图像中分割出第二目标的图像。
步骤503,将第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框。
在本实施例中,步骤501-503的具体操作已在图4所示的实施例中步骤401-403中进行了详细的介绍,在此不再赘述。
步骤504,根据第二目标的边界框的坐标,将关联第二目标的第一目标的边界框的坐标回归到待分割图像中。
在本实施例中,由于第二目标的图像是从待分割图像中分割出来的,因此图像识别方法的执行主体可以根据第二目标的边界框的坐标,将关联第二目标的第一目标的边界框的坐标回归到待分割图像中,转化得到关联第二目标的第一目标的边界框在待分割图像中的坐标。至此,单独的第一目标的边界框的坐标、关联第二目标的第一目标的边界框的坐标和第二目标的边界框的坐标均是在待分割图像中的坐标。
步骤505,基于单独的第一目标的边界框的坐标、关联第二目标的第一目标的边界框的坐标和第二目标的边界框的坐标对待分割图像进行实例分割,得到实例分割结果。
在本实施例中,上述执行主体可以基于单独的第一目标的边界框的坐标、关联第二目标的第一目标的边界框的坐标和第二目标的边界框的坐标对待分割图像进行实例分割,得到实例分割结果。
由于单独的第一目标的边界框的坐标、关联第二目标的第一目标的边界框的坐标和第二目标的边界框的坐标均是在待分割图像中的坐标,因此根据坐标可以找到单独的第一目标的边界框、关联第二目标的第一目标的边界框和第二目标的边界框在待分割图像中的位置。对找到的边界框所在的像素进行标注,即可得到标注出待分割图像中的所有第一目标和第二目标所在的像素的图像,完成了对第一目标和第二目标的实例分割。
从图5中可以看出,与图4对应的实施例相比,本实施例中的图像识别方法的流程500突出了实例分割步骤。由此,本实施例描述的方案将关联第二目标的第一目标的边界框的坐标回归到待分割图像中,转化得到关联第二目标的第一目标的边界框在待分割图像中的坐标,从而能够快速地完成对待分割图像中的第一目标和第二目标的实例分割。
进一步参考图6,其示出了本公开实施例的整体系统流程图。如图6所示,以篮球赛事为例,在训练阶段进行数据采集和模型训练,得到模型A和模型B。其中,模型A用于对篮球和运动员进行检测,模型B用于对篮球进行检测。在测试阶段,图像预处理后输入至模型A,输出运动员Mask,并裁剪得到运动员图像。裁剪得到的运动员图像输入至模型B,输出篮球Mask。篮球Mask回归原图,即可得到篮球和运动员的Mask。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种实例分割模型训练装置的第一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的实例分割模型训练装置700可以包括:获取模块701、生成模块702和第一训练模块703。其中,获取模块701,被配置成获取第一训练样本,其中,第一训练样本是对第一目标和第二目标进行标注的第一样本图像,在第一样本图像中,第一目标的数量和尺寸小于第二目标;生成模块702,被配置成从第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;第一训练模块703,被配置成利用第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
在本实施例中,实例分割模型训练装置700中:获取模块701、生成模块702和第一训练模块703的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,实例分割模型训练装置700还包括:第二训练模块,被配置成利用第一训练样本对深度学习模型进行训练,得到第一实例分割模型。
在本实施例的一些可选的实现方式中,第一实例分割模型和第二实例分割模型以Swin Transformer为骨干网络,采用Mask R-CNN算法对图像中的目标进行实例分割。
在本实施例的一些可选的实现方式中,实例分割模型训练装置700还包括:第一增加模块,被配置成在第一样本图像中增加第一目标;和/或第二增加模块,被配置成在第一样本图像中增加关联第一目标的第二目标。
在本实施例的一些可选的实现方式中,增加的第一目标和/或第二目标不覆盖第一样本图像中的第一目标或第二目标。
在本实施例的一些可选的实现方式中,第一增加模块进一步被配置成:将第二样本图像中的第一目标的像素点复制到第一样本图像上。
在本实施例的一些可选的实现方式中,第二增加模块进一步被配置成:若第二样本图像中的第一目标与第二目标存在交集,将存在交集的第一目标与第二目标同时复制到第一样本图像上。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种图像识别装置的第一个实施例,该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的图像识别装置800可以包括:第一检测模块801、第一分割模块802、第二检测模块803和第二分割模块804。其中,第一检测模块801,被配置成将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框;第一分割模块802,被配置成基于第二目标的边界框从待分割图像中分割出第二目标的图像;第二检测模块803,被配置成将第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框,其中,第一实例分割模型和第二实例分割模型是采用图7所示的装置训练得到的;第二分割模块804,被配置成基于单独的第一目标的边界框、关联第二目标的第一目标的边界框和第二目标的边界框对待分割图像进行实例分割,得到实例分割结果。
在本实施例中,图像识别装置800中:第一检测模块801、第一分割模块802、第二检测模块803和第二分割模块804的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-404的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,第二分割模块804进一步被配置成:根据第二目标的边界框的坐标,将关联第二目标的第一目标的边界框的坐标回归到待分割图像中;基于单独的第一目标的边界框的坐标、关联第二目标的第一目标的边界框的坐标和第二目标的边界框的坐标对待分割图像进行实例分割,得到实例分割结果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如实例分割模型训练方法或图像识别方法。例如,在一些实施例中,实例分割模型训练方法或图像识别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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的实例分割模型训练方法或图像识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行实例分割模型训练方法或图像识别方法。
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)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,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
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 (18)
1.一种图像识别方法,包括:
将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框;
基于所述第二目标的边界框从所述待分割图像中分割出第二目标的图像;
将所述第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框;
基于所述单独的第一目标的边界框、所述关联第二目标的第一目标的边界框和所述第二目标的边界框对所述待分割图像进行实例分割,得到实例分割结果;
其中,所述基于所述单独的第一目标的边界框、所述关联第二目标的第一目标的边界框和所述第二目标的边界框对所述待分割图像进行实例分割,得到实例分割结果,包括:
根据所述第二目标的边界框的坐标,将所述关联第二目标的第一目标的边界框的坐标回归到所述待分割图像中;
基于所述单独的第一目标的边界框的坐标、所述关联第二目标的第一目标的边界框的坐标和所述第二目标的边界框的坐标对所述待分割图像进行实例分割,得到所述实例分割结果。
2.根据权利要求1所述的方法,其中,所述第二实例分割模型的训练步骤包括:
获取第一训练样本,其中,所述第一训练样本是对第一目标和第二目标进行标注的第一样本图像,在所述第一样本图像中,第一目标的数量和尺寸小于第二目标;
从所述第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;
利用所述第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
3.根据权利要求2所述的方法,其中,所述第一实例分割模型的训练步骤包括:
利用所述第一训练样本对深度学习模型进行训练,得到第一实例分割模型。
4.根据权利要求3所述的方法,其中,所述第一实例分割模型和所述第二实例分割模型以Swin Transformer为骨干网络,采用掩膜区域卷积神经网络Mask R-CNN算法对图像中的目标进行实例分割。
5.根据权利要求2所述的方法,其中,在所述获取第一训练样本之前,还包括:
在所述第一样本图像中增加第一目标;和/或
在所述第一样本图像中增加关联第一目标的第二目标。
6.根据权利要求5所述的方法,其中,增加的第一目标和/或第二目标不覆盖所述第一样本图像中的第一目标或第二目标。
7.根据权利要求5或6所述的方法,其中,所述在所述第一样本图像中增加第一目标,包括:
将第二样本图像中的第一目标的像素点复制到所述第一样本图像上。
8.根据权利要求5或6所述的方法,其中,所述在所述第一样本图像中增加关联第一目标的第二目标,包括:
若第二样本图像中的第一目标与第二目标存在交集,将存在交集的第一目标与第二目标同时复制到所述第一样本图像上。
9.一种图像识别装置,包括:
第一检测模块,被配置成将待分割图像输入至第一实例分割模型,得到单独的第一目标的边界框和第二目标的边界框;
第一分割模块,被配置成基于所述第二目标的边界框从所述待分割图像中分割出第二目标的图像;
第二检测模块,被配置成将所述第二目标的图像输入至第二实例分割模型,得到关联第二目标的第一目标的边界框;
第二分割模块,被配置成基于所述单独的第一目标的边界框、所述关联第二目标的第一目标的边界框和所述第二目标的边界框对所述待分割图像进行实例分割,得到实例分割结果;
其中,所述第二分割模块进一步被配置成:
根据所述第二目标的边界框的坐标,将所述关联第二目标的第一目标的边界框的坐标回归到所述待分割图像中;
基于所述单独的第一目标的边界框的坐标、所述关联第二目标的第一目标的边界框的坐标和所述第二目标的边界框的坐标对所述待分割图像进行实例分割,得到所述实例分割结果。
10.根据权利要求9所述的装置,其中,所述图像识别装置还包括训练模块,所述训练模块包括:
获取子模块,被配置成获取第一训练样本,其中,所述第一训练样本是对第一目标和第二目标进行标注的第一样本图像,在所述第一样本图像中,第一目标的数量和尺寸小于第二目标;
生成子模块,被配置成从所述第一训练样本中分割出关联第一目标的第二目标的图像和单独的第一目标的图像,并对第一目标进行标注生成第二训练样本;
第一训练子模块,被配置成利用所述第二训练样本对深度学习模型进行训练,得到第二实例分割模型。
11.根据权利要求10所述的装置,其中,所述训练模块还包括:
第二训练子模块,被配置成利用所述第一训练样本对深度学习模型进行训练,得到第一实例分割模型。
12.根据权利要求11所述的装置,其中,所述第一实例分割模型和所述第二实例分割模型以Swin Transformer为骨干网络,采用掩膜区域卷积神经网络Mask R-CNN算法对图像中的目标进行实例分割。
13. 根据权利要求10所述的装置,其中,所述训练模块还包括:
第一增加子模块,被配置成在所述第一样本图像中增加第一目标;和/或
第二增加子模块,被配置成在所述第一样本图像中增加关联第一目标的第二目标。
14.根据权利要求13所述的装置,其中,增加的第一目标和/或第二目标不覆盖所述第一样本图像中的第一目标或第二目标。
15.根据权利要求13或14所述的装置,其中,所述第一增加子模块进一步被配置成:
将第二样本图像中的第一目标的像素点复制到所述第一样本图像上。
16.根据权利要求13或14所述的装置,其中,所述第二增加子模块进一步被配置成:
若第二样本图像中的第一目标与第二目标存在交集,将存在交集的第一目标与第二目标同时复制到所述第一样本图像上。
17. 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权利要求1-8中任一项所述的方法。
18.一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权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201988.4A CN113947771B (zh) | 2021-10-15 | 2021-10-15 | 图像识别方法、装置、设备、存储介质以及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201988.4A CN113947771B (zh) | 2021-10-15 | 2021-10-15 | 图像识别方法、装置、设备、存储介质以及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947771A CN113947771A (zh) | 2022-01-18 |
CN113947771B true CN113947771B (zh) | 2023-06-27 |
Family
ID=79330564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111201988.4A Active CN113947771B (zh) | 2021-10-15 | 2021-10-15 | 图像识别方法、装置、设备、存储介质以及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947771B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494817A (zh) * | 2022-01-26 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、相关装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740668A (zh) * | 2018-12-29 | 2019-05-10 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN112966587A (zh) * | 2021-03-02 | 2021-06-15 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、目标检测方法及相关设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10424064B2 (en) * | 2016-10-18 | 2019-09-24 | Adobe Inc. | Instance-level semantic segmentation system |
CN108830277B (zh) * | 2018-04-20 | 2020-04-21 | 平安科技(深圳)有限公司 | 语义分割模型的训练方法、装置、计算机设备和存储介质 |
CN109740752B (zh) * | 2018-12-29 | 2022-01-04 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
US11544928B2 (en) * | 2019-06-17 | 2023-01-03 | The Regents Of The University Of California | Athlete style recognition system and method |
CN110675407B (zh) * | 2019-09-17 | 2022-08-05 | 北京达佳互联信息技术有限公司 | 一种图像实例分割方法、装置、电子设备及存储介质 |
CN111078908B (zh) * | 2019-11-28 | 2023-06-09 | 北京云聚智慧科技有限公司 | 一种数据标注的检测方法和装置 |
CN111461203A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 跨模态处理方法、装置、电子设备和计算机存储介质 |
CN111862097A (zh) * | 2020-09-24 | 2020-10-30 | 常州微亿智造科技有限公司 | 微小缺陷检出率的数据增强方法和装置 |
CN112508128B (zh) * | 2020-12-22 | 2023-07-25 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN113128588B (zh) * | 2021-04-16 | 2024-03-26 | 深圳市腾讯网域计算机网络有限公司 | 模型训练方法、装置、计算机设备及计算机存储介质 |
-
2021
- 2021-10-15 CN CN202111201988.4A patent/CN113947771B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740668A (zh) * | 2018-12-29 | 2019-05-10 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN112966587A (zh) * | 2021-03-02 | 2021-06-15 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、目标检测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113947771A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230359B (zh) | 目标检测方法和装置、训练方法、电子设备、程序和介质 | |
Zhao et al. | A surface defect detection method based on positive samples | |
TWI773189B (zh) | 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN113033537B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
US20200356818A1 (en) | Logo detection | |
CN111986178A (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN112633276B (zh) | 训练方法、识别方法、装置、设备、介质 | |
WO2022227770A1 (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
CN113239807B (zh) | 训练票据识别模型和票据识别的方法和装置 | |
CN114882315B (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
CN115908988A (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
CN113947771B (zh) | 图像识别方法、装置、设备、存储介质以及程序产品 | |
CN116758280A (zh) | 目标检测方法、装置、设备以及存储介质 | |
US20230139994A1 (en) | Method for recognizing dynamic gesture, device, and storage medium | |
CN114972910B (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
CN113379592B (zh) | 图片中敏感区域的处理方法、装置和电子设备 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113139463B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 |
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 |