CN114049396A - 训练图像的标注及目标跟踪方法、装置、电子设备和介质 - Google Patents
训练图像的标注及目标跟踪方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114049396A CN114049396A CN202111307856.XA CN202111307856A CN114049396A CN 114049396 A CN114049396 A CN 114049396A CN 202111307856 A CN202111307856 A CN 202111307856A CN 114049396 A CN114049396 A CN 114049396A
- Authority
- CN
- China
- Prior art keywords
- entity
- training image
- current frame
- adjacent frame
- tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 258
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000002372 labelling Methods 0.000 claims abstract description 93
- 230000003287 optical effect Effects 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001465754 Metazoa Species 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种训练图像的标注及目标跟踪方法、装置、电子设备和介质,涉及人工智能领域,尤其涉及计算机视觉和深度学习技术领域。具体实现方案为:确定至少两帧训练图像的光流矢量信息以及实体分割结果;根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。本公开实现了对训练图像进行自监督的实体跟踪标注,节省了人工成本且提高了标注的效率。
Description
技术领域
本公开涉及人工智能领域,尤其涉及计算机视觉和深度学习技术领域,特别涉及一种训练图像的标注及目标跟踪方法、装置、电子设备和介质。
背景技术
目标跟踪是计算机视觉领域的一个重要问题,目前广泛应用在体育赛事转播、安防监控、无人机、无人车和机器人等领域。随着目标跟踪需求的日益增加,越来越多的目标跟踪模型应运而生。
目前大多采用人工标注的训练图像对目标跟踪模型进行训练。
发明内容
本公开提供了一种用于自监督对训练图像进行实体跟踪标注的方法、装置、电子设备和介质。
根据本公开的一方面,提供了一种训练图像的标注方法,包括:
确定至少两帧训练图像的光流矢量信息以及实体分割结果;
根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。
根据本公开的另一方面,提供了一种目标跟踪方法,包括:
获取至少两帧待预测图像;
基于目标跟踪模型,对所述待预测图像进行处理得到所述待预测图像中的实体跟踪结果;
所述目标跟踪模型采用本公开中任一项所述的训练图像的标注方法得到的训练图像训练得到。
根据本公开的另一方面,提供了一种训练图像的标注装置,包括:
信息确定模块,用于确定至少两帧训练图像的光流矢量信息以及实体分割结果;
标注模块,用于根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。
根据本公开的另一方面,提供了一种目标跟踪装置,包括:
图像获取模块,用于获取至少两帧待预测图像;
实体跟踪模块,用于基于目标跟踪模型,对所述待预测图像进行处理得到所述待预测图像中的实体跟踪结果;
所述目标跟踪模型采用本公开中任一项所述的训练图像的标注方法得到的训练图像训练得到。
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项所述的方法。
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,其中,所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
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项所述的方法。
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
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是根据本公开实施例公开的一种训练图像的标注方法的流程图;
图2A是根据本公开实施例公开的一种训练图像的标注方法的流程图;
图2B是根据本公开实施例公开的一种交并比信息的示意图;
图3是根据本公开实施例公开的一种目标跟踪方法的流程图;
图4是根据本公开实施例公开的一种训练图像的标注装置的结构示意图;
图5是根据本公开实施例公开的一种目标跟踪装置的结构示意图;
图6是用来实现本公开实施例公开的训练图像的标注方法和/或目标跟踪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。
申请人在研发过程中发现,目前在对目标跟踪模型进行训练之前,大多通过人工的方式对训练图像进行实体跟踪标注,即将连续帧序列中相同实体赋予同一个ID以实现实体跟踪标注,但是这种人工标注的方法无疑会增加人工的成本,且标注的效率也较低。
图1是根据本公开实施例公开的一种训练图像的标注方法的流程图,本实施例可以适用于自监督的对训练图像进行实体跟踪标注的情况。本实施例方法可以由本公开实施例公开的训练图像的标注装置来执行,可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图1所示,本实施例公开的训练图像的标注方法可以包括:
S101、确定至少两帧训练图像的光流矢量信息以及实体分割结果。
其中,在本实施例中训练图像表示用于对待训练目标跟踪模型进行训练的样本图像。训练图像中包含有至少一个实体,以基于连续帧训练图像中实体之间的跟踪关系,对待训练目标跟踪模型进行训练。光流矢量信息是指的训练图像中各像素点的光流矢量信息,其体现了像素点的瞬时速度以及对应的速度方向,通常情况下可以将光流矢量信息分为X方向和Y方向来进行表示。实体分割结果指的是对训练图像进行实体识别后得到的分割结果,实体分割结果包括但不限于行人、车辆、建筑和动物等等。
对于光流矢量信息的确定,在一种实施方式中,确定各帧训练图像中像素点的灰度信息,并采用光流约束方程根据各像素点的灰度信息,确定各帧训练图像中各像素点的光流矢量信息。在另一种实施方式中,将各帧训练图像输入到预先建立的RAFT光流预测网络,根据输出结果确定各帧训练图像中各像素点的光流矢量信息。
对于实体分割结果的确定,在一种实施方式中,将各帧训练图像输入到预先建立的实体分割模型中,根据输出结果确定各帧训练图像的实体分割结果,其中,实体分割模型包括但不限于Fast RCNN模型、MultiPath Network模型、Faster RCNN模型或Mask R-CNN模型等等。
通过确定至少两帧训练图像的光流矢量信息以及实体分割结果,实现了基础数据的准备工作,为后续根据光流矢量信息以及实体分割结果,确定实体跟踪标注结果奠定了数据基础。
S102、根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。
在一种实施方式中,从训练图像中选取任意连续两帧作为当前帧训练图像和相邻帧训练图像,并将当前帧训练图像中的实体分割结果作为当前帧实体,将相邻帧训练图像中的实体分割结果作为相邻帧实体。
根据各当前帧实体的像素点的光流矢量信息以及实际位置区域,预测各当前帧实体在相邻帧训练图像中的预测位置区域。根据各相邻帧实体的实际位置区域,以及各当前帧实体在相邻帧训练图像中的预测位置区域,确定各位置区域之间的IOU(Intersection-over-Union,交并比)信息,进而根据IOU信息以及预设的最大匹配算法,确定各当前帧实体与各相邻帧实体之间的匹配关系,进而基于得到的匹配关系对各当前帧实体与各相邻帧实体进行实体跟踪标注,最终得到当前帧训练图像和相邻帧训练图像的实体跟踪标注结果。
基于上述实施方式,遍历所有的连续训练图像直至确定所有连续训练图像之间的实体跟踪标注结果为止,进而根据训练图像的实体跟踪标注结果对待训练目标跟踪模型进行训练。其中,待训练目标跟踪模型包括但不限于PointTrack模型和TrackRcnn模型等等。
本公开通过确定至少两帧训练图像的光流矢量信息以及实体分割结果,并根据光流矢量信息以及实体分割结果,确定至少两帧训练图像的实体跟踪标注结果;其中,实体跟踪标注结果用于对待训练目标跟踪模型进行训练,实现了对训练图像进行自监督的实体跟踪标注,节省了人工成本且提高了标注的效率。
图2A是根据本公开实施例公开的一种训练图像的标注方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图2A所示,本实施例公开的训练图像的标注方法可以包括:
S201、确定至少两帧训练图像的光流矢量信息以及实体分割结果。
S202、根据当前帧训练图像中各当前帧实体的实际位置区域,以及各所述实际位置区域像素点的光流矢量信息,确定各所述当前帧实体在相邻帧训练图像中的预测位置区域。
其中,当前帧训练图像表示连续两帧训练图像中的第一张训练图像,相应的,相邻帧训练图像表示连续两帧训练图像中的第二张训练图像。例如,第20帧和第21帧训练图像中,将第20帧作为当前帧训练图像,而将第21帧作为相邻帧训练图像。当前帧实体表示当前帧训练图像中的实体分割结果,当前帧实体的数量可能是一个也可能是多个。当前帧实体的实际位置区域表示当前帧实体在当前帧训练图像中所占的像素区域。当前帧实体的预测位置区域表示,基于光流矢量信息预测当前帧实体在相邻帧训练图像中所占的像素区域。
在一种实施方式中,根据任一当前帧实体的实际位置区域中各像素点的实际像素点位置,以及各像素点的光流矢量信息,采用预先建立的卷积神经网路,预测各像素点在相邻帧训练图像中的预测像素点位置,并根据各像素点的预测像素点位置所围成的区域,确定该当前帧实体在相邻帧训练图像中的预测位置区域。
S203、根据所述相邻帧训练图像中各相邻帧实体的实际位置区域,以及各所述当前帧实体的所述预测位置区域,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
其中,相邻帧实体表示相邻帧训练图像中的实体分割结果,相邻帧实体的数量可能是一个也可能是多个。相邻帧实体的实际位置区域表示相邻帧实体在相邻帧训练图像中所占的像素区域。
在一种实施方式中,根据各相邻帧实体的实际位置区域,以及各当前帧实体的所述预测位置区域,确定各实际位置区域与各预测位置区域之间的交并比信息,进而基于该交并比信息确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果。
可选的,S203包括以下A、B和C三个步骤:
A、确定各所述当前帧实体的所述预测位置区域,分别与各所述相邻帧实体的所述实际位置区域的交并比信息。
其中,交并比信息指的是两个图像之间的交集区域与并集区域的面积比值,在本实施中,交并比信息即预测位置区域与实际位置区域之间的交集区域与并集区域的面积比值。
在一种实施方式中,确定任一当前帧实体的预测位置区域,分别与各相邻帧实体的实际位置区域的交集区域,且确定该当前帧实体的预测位置区域,与各相邻帧实体的实际位置区域的并集区域,进而根据交集区域和并集区域的面积,确定该当前帧实体的预测位置区域,分别与各相邻帧实体的实际位置区域的交并比信息。
采用上述实施方式对所有当前帧实体进行遍历,直至确认所有当前帧实体的预测位置区域,分别与各相邻帧实体的所述实际位置区域的交并比信息。例如假设当前帧实体的数量为M,相邻帧实体的数量为N,则最终得到的交并比信息的数量为M*N。
图2B是根据本公开实施例公开的一种交并比信息的示意图,如图2B所示,20表示某一当前帧实体在当前帧训练图像21中的实际位置区域,22表示该当前帧实体在相邻帧训练图像23中的预测位置区域,24表示某一相邻帧实体在相邻帧训练图像23中的实际位置区域,虚线构成的区域25表示预测位置区域22和实际位置区域24之间的交集区域,而包括交集区域25的实线构成的区域26表示预测位置区域22和实际位置区域24之间的并集区域,进而将交集区域25与并集区域26之间的面积比值,作为预测位置区域22和实际位置区域24的交并比信息。
B、根据所述交并比信息对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验。
其中,有效性代表了训练图像的质量,以及是否能用于目标跟踪模型的训练,即当任一训练图像为有效的情况下,则表示该训练图像质量较高,可以用于目标跟踪模型的训练,相应的,当任一训练图像为无效的情况下,则表示该训练图像的质量较低,不可以用于目标跟踪模型的训练。
在一种实施方式中,确定当前帧训练图像和相邻帧训练图像之间的各交并比信息的数值,是否满足预设的交并比阈值,若满足则确定当前帧训练图像和相邻帧训练图像的校验结果为有效。
可选的,步骤B包括:
根据各所述当前帧实体和各所述相邻帧实体的分类置信度,以及所述交并比信息,对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验。
其中,分类置信度表示在实体分割时得到的各实体所属类别的可信程度。
在一种实施方式中,将各当前帧实体和各相邻帧实体的分类置信度,分别与置信度阈值进行数值比较,且将得到的各交并比信息分别与交并比阈值进行数值比较,最终根据两个维度的比较结果对当前帧训练图像和相邻帧训练图像的有效性进行校验。
通过根据各当前帧实体和各相邻帧实体的分类置信度,以及交并比信息,对当前帧训练图像和相邻帧训练图像的有效性进行校验,实现了基于交并比信息和分类置信两个维度进行有效性校验,提高了有效性校验的准确度。
可选的,“根据各所述当前帧实体和各所述相邻帧实体的分类置信度,以及所述交并比信息,对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验”,包括:
在各所述当前帧实体和各所述相邻帧实体的分类置信度大于置信度阈值,且各所述交并比信息大于交并比阈值的情况下,确定所述当前帧训练图像和所述相邻帧训练图像的校验结果为有效。
示例性的,假设当前帧实体A、当前帧实体B、相邻帧实体C和相邻帧实体D的分类置信度分别为0.7、0.8、0.9和0.8,交并比信息分别为0.6、0.5、0.4和0.3,假设置信度阈值为0.6,交并比阈值为0.2,由于0.7、0.8、0.9和0.8均大于0.6,且0.6、0.5、0.4和0.3均大于0.2,则确定当前帧训练图像和相邻帧训练图像的校验结果为有效。
通过在各当前帧实体和各相邻帧实体的分类置信度大于置信度阈值,且各交并比信息大于交并比阈值的情况下,确定当前帧训练图像和相邻帧训练图像的校验结果为有效,实现了在进行实体跟踪标注前对训练图像进行有效性校验的效果,避免对无效训练图像进行无意义的标注的问题,提高了标注效率且保证了训练图像的质量。
C、在校验结果为有效的情况下,根据所述交并比信息确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
在一种实施方式中,将各交并比信息输入到最大匹配算法中,基于最大匹配算法来寻优确定各当前帧实体与各相邻帧实体之间的匹配关系,并基于该匹配关系确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果。
通过确定各当前帧实体的预测位置区域,分别与各相邻帧实体的实际位置区域的交并比信息,并根据交并比信息对当前帧训练图像和相邻帧训练图像的有效性进行校验,在校验结果为有效的情况下,根据交并比信息确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果,实现了基于交并比信息对训练图像进行自监督的实体跟踪标注,节省了人工成本且提高了标注的效率。
可选的,步骤C包括以下C1和C2两个步骤:
C1、根据所述交并比信息确定相关系数矩阵,并将所述相关系数矩阵作为最大匹配算法的输入,确定各所述当前帧实体与各所述相邻帧实体之间的匹配关系。
其中,最大匹配算法是一种求解任务分配问题的组合优化算法,可用于解决多目标跟踪中的数据关联问题的算法。在本实施例中最大匹配算法可选的包括匈牙利算法或贪心算法等。
在一种实施方式中,将各交并比信息进行组合构成相关系数矩阵,例如,假设当前帧实体的数量为M,相邻帧实体的数量为N,则将得到的M*N个交并比信息构成相关系数矩阵。将相关系数矩阵输入到最大匹配算法中,基于最大匹配算法进行关系匹配,确定各当前帧实体与各相邻帧实体之间的匹配关系。
C2、根据所述匹配关系对各所述当前帧实体与各所述相邻帧实体进行实体跟踪标注,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
在一种实施方式中,根据得到的匹配关系为各当前帧实体与各相邻帧实体进行实体跟踪标注,进而确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果。
示例性的,假设根据匹配关系确定当前帧实体A与相邻帧实体A1具有匹配关系,且当前帧实体B与相邻帧实体B1具有匹配关系,则为当前帧实体A和相邻帧实体A1赋予相同的ID信息,且为当前帧实体B与相邻帧实体B1赋予相同的ID信息,从而确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果。
通过根据交并比信息确定相关系数矩阵,并将相关系数矩阵作为最大匹配算法的输入,确定各当前帧实体与各相邻帧实体之间的匹配关系,并根据匹配关系对各当前帧实体与各相邻帧实体进行实体跟踪标注,确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果,实现了基于交并比信息确定当前帧实体与相邻帧实体匹配关系,且基于匹配关系对训练图像进行自监督的实体跟踪标注的效果,节省了人工成本且提高了标注的效率。
本公开通过根据当前帧训练图像中各当前帧实体的实际位置区域,以及各实际位置区域像素点的光流矢量信息,确定各当前帧实体在相邻帧训练图像中的预测位置区域,并根据相邻帧训练图像中各相邻帧实体的实际位置区域,以及各当前帧实体的预测位置区域,确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果,实现了通过各当前帧实体的预测位置区域以及各相邻帧实体的实际位置区域,对训练图像进行自监督的实体跟踪标注,无需人工干预,节省了人工成本且提高了标注的效率。
图3是根据本公开实施例公开的一种目标跟踪方法的流程图,本实施例可以适用于确定至少两帧待预测图像的实体跟踪结果的情况。本实施例方法可以由本公开实施例公开的目标跟踪装置来执行,可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图3所示,本实施例公开的目标跟踪方法可以包括:
S301、获取至少两帧待预测图像。
其中,待预测图像的数量可以为两帧,也可以为多帧即图像序列。待预测图像的场景来源包括但不限于监控场景、道路交通场景或者人脸识别场景等等,本实施并不对待预测图像的场景来源进行限定,凡是涉及目标跟踪需求的场景图像均在本实施例的保护范围中。
在一种实施方式中,获取至少两帧的连续图像序列作为待预测图像。
S302、基于目标跟踪模型,对所述待预测图像进行处理得到所述待预测图像中的实体跟踪结果;所述目标跟踪模型采用本公开实施例中任一项所述的训练图像的标注方法得到的训练图像训练得到。
在一种实施方式中,将至少两帧待预测图像输入至训练完成的目标跟踪模型中,基于目标跟踪模型对相邻两帧待预测图像进行实体跟踪以及ID标注,进而根据目标跟踪模型的输出结果确定待预测图像中相邻各帧图像之间的实体跟踪结果。例如待预测图像1与待预测图像2为相邻帧,待预测图像1中的实体A被标注ID1,待预测图像2中的实体B同样被标注ID1,则确定实体A与实体B为同一实体,即完成待预测图像1与待预测图像2之间的实体跟踪结果。
其中,目标跟踪模型可通过如下方式训练得到:
获取至少两帧训练图像,并确定至少两帧训练图像的光流矢量信息以及实体分割结果;根据当前帧训练图像中各当前帧实体的实际位置区域,以及各实际位置区域像素点的光流矢量信息,确定各当前帧实体在相邻帧训练图像中的预测位置区域;根据相邻帧训练图像中各相邻帧实体的实际位置区域,以及各当前帧实体的预测位置区域,确定当前帧训练图像和相邻帧训练图像的实体跟踪标注结果;基于当前帧训练图像、相邻帧训练图像以及两者的实体跟踪标注结果,对待训练的目标跟踪模型进行模型训练。其中,本实施例中未详尽描述的训练图像的标注过程,可以参考本公开训练图像的标注方法实施例中的描述,在本处不再赘述。
本公开通过获取至少两帧待预测图像,基于目标跟踪模型,对待预测图像进行处理得到待预测图像中的实体跟踪结果;目标跟踪模型采用本公开实施例中任一项的训练图像的标注方法得到的训练图像训练得到,实现了确定待预测图像之间实体跟踪结果的效果,并且由于采用的目标跟踪模型在训练过程中无需人工对训练图像进行实体跟踪标注,因此改善了模型训练的效果,相应的也提高了确定待预测图像的实体跟踪结果的精准度。
图4是根据本公开实施例公开的一种训练图像的标注装置的结构示意图,可以适用于自监督的对训练图像进行实体跟踪标注的情况。本实施例装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图4所示,本实施例公开的训练图像的标注装置40可以包括信息确定模块41和标注模块42,其中:
信息确定模块41,用于确定至少两帧训练图像的光流矢量信息以及实体分割结果;
标注模块42,用于根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。
可选的,所述标注模块42,具体用于:
根据当前帧训练图像中各当前帧实体的实际位置区域,以及各所述实际位置区域像素点的光流矢量信息,确定各所述当前帧实体在相邻帧训练图像中的预测位置区域;
根据所述相邻帧训练图像中各相邻帧实体的实际位置区域,以及各所述当前帧实体的所述预测位置区域,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
可选的,所述标注模块42,具体还用于:
确定各所述当前帧实体的所述预测位置区域,分别与各所述相邻帧实体的所述实际位置区域的交并比信息;
根据所述交并比信息对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验;
在校验结果为有效的情况下,根据所述交并比信息确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
可选的,所述标注模块42,具体还用于:
根据所述交并比信息确定相关系数矩阵,并将所述相关系数矩阵作为最大匹配算法的输入,确定各所述当前帧实体与各所述相邻帧实体之间的匹配关系;
根据所述匹配关系对各所述当前帧实体与各所述相邻帧实体进行实体跟踪标注,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
可选的,所述标注模块42,具体还用于:
根据各所述当前帧实体和各所述相邻帧实体的分类置信度,以及所述交并比信息,对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验。
可选的,所述标注模块42,具体还用于:
在各所述当前帧实体和各所述相邻帧实体的分类置信度大于置信度阈值,且各所述交并比信息大于交并比阈值的情况下,确定所述当前帧训练图像和所述相邻帧训练图像的校验结果为有效。
本公开实施例所公开的训练图像的标注装置40可执行本公开实施例所公开的训练图像的标注方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意实施例中的描述。
图5是根据本公开实施例公开的一种目标跟踪装置的结构示意图,可以适用于确定至少两帧待预测图像的实体跟踪结果的情况。本实施例装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图5所示,本实施例公开的目标跟踪装置50可以包括图像获取模块51和实体跟踪模块52,其中:
图像获取模块51,用于获取至少两帧待预测图像;
实体跟踪模块52,用于基于目标跟踪模型,对所述待预测图像进行处理得到所述待预测图像中的实体跟踪结果;
所述目标跟踪模型采用本公开实施例中任一项所述的训练图像的标注方法得到的训练图像训练得到。本公开实施例所公开的目标跟踪装置50可执行本公开实施例所公开的目标跟踪方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意实施例中的描述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如训练图像的标注方法和/或目标跟踪方法。例如,在一些实施例中,训练图像的标注方法和/或目标跟踪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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的训练图像的标注方法和/或目标跟踪方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行训练图像的标注方法和/或目标跟踪方法。
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)、复杂可编程逻辑设备(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,也可以为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,本发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公开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 (17)
1.一种训练图像的标注方法,包括:
确定至少两帧训练图像的光流矢量信息以及实体分割结果;
根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。
2.根据权利要求1所述的方法,其中,所述根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果,包括:
根据当前帧训练图像中各当前帧实体的实际位置区域,以及各所述实际位置区域像素点的光流矢量信息,确定各所述当前帧实体在相邻帧训练图像中的预测位置区域;
根据所述相邻帧训练图像中各相邻帧实体的实际位置区域,以及各所述当前帧实体的所述预测位置区域,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
3.根据权利要求2所述的方法,其中,所述根据所述相邻帧训练图像中各相邻帧实体的实际位置区域,以及各所述当前帧实体的所述预测位置区域,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果,包括:
确定各所述当前帧实体的所述预测位置区域,分别与各所述相邻帧实体的所述实际位置区域的交并比信息;
根据所述交并比信息对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验;
在校验结果为有效的情况下,根据所述交并比信息确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
4.根据权利要求3所述的方法,其中,所述根据所述交并比信息确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果,包括:
根据所述交并比信息确定相关系数矩阵,并将所述相关系数矩阵作为最大匹配算法的输入,确定各所述当前帧实体与各所述相邻帧实体之间的匹配关系;
根据所述匹配关系对各所述当前帧实体与各所述相邻帧实体进行实体跟踪标注,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
5.根据权利要求3所述的方法,其中,所述根据所述交并比信息对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验,包括:
根据各所述当前帧实体和各所述相邻帧实体的分类置信度,以及所述交并比信息,对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验。
6.根据权利要求5所述的方法,其中,所述根据各所述当前帧实体和各所述相邻帧实体的分类置信度,以及所述交并比信息,对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验,包括:
在各所述当前帧实体和各所述相邻帧实体的分类置信度大于置信度阈值,且各所述交并比信息大于交并比阈值的情况下,确定所述当前帧训练图像和所述相邻帧训练图像的校验结果为有效。
7.一种目标跟踪方法,包括:
获取至少两帧待预测图像;
基于目标跟踪模型,对所述待预测图像进行处理得到所述待预测图像中的实体跟踪结果;
所述目标跟踪模型采用权利要求1-6中任一项所述的训练图像的标注方法得到的训练图像训练得到。
8.一种训练图像的标注装置,包括:
信息确定模块,用于确定至少两帧训练图像的光流矢量信息以及实体分割结果;
标注模块,用于根据所述光流矢量信息以及所述实体分割结果,确定所述至少两帧训练图像的实体跟踪标注结果;其中,所述实体跟踪标注结果用于对待训练目标跟踪模型进行训练。
9.根据权利要求8所述的装置,其中,所述标注模块,具体用于:
根据当前帧训练图像中各当前帧实体的实际位置区域,以及各所述实际位置区域像素点的光流矢量信息,确定各所述当前帧实体在相邻帧训练图像中的预测位置区域;
根据所述相邻帧训练图像中各相邻帧实体的实际位置区域,以及各所述当前帧实体的所述预测位置区域,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
10.根据权利要求9所述的装置,其中,所述标注模块,具体还用于:
确定各所述当前帧实体的所述预测位置区域,分别与各所述相邻帧实体的所述实际位置区域的交并比信息;
根据所述交并比信息对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验;
在校验结果为有效的情况下,根据所述交并比信息确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
11.根据权利要求10所述的装置,其中,所述标注模块,具体还用于:
根据所述交并比信息确定相关系数矩阵,并将所述相关系数矩阵作为最大匹配算法的输入,确定各所述当前帧实体与各所述相邻帧实体之间的匹配关系;
根据所述匹配关系对各所述当前帧实体与各所述相邻帧实体进行实体跟踪标注,确定所述当前帧训练图像和所述相邻帧训练图像的实体跟踪标注结果。
12.根据权利要求10所述的装置,其中,所述标注模块,具体还用于:
根据各所述当前帧实体和各所述相邻帧实体的分类置信度,以及所述交并比信息,对所述当前帧训练图像和所述相邻帧训练图像的有效性进行校验。
13.根据权利要求12所述的装置,其中,所述标注模块,具体还用于:
在各所述当前帧实体和各所述相邻帧实体的分类置信度大于置信度阈值,且各所述交并比信息大于交并比阈值的情况下,确定所述当前帧训练图像和所述相邻帧训练图像的校验结果为有效。
14.一种目标跟踪装置,包括:
图像获取模块,用于获取至少两帧待预测图像;
实体跟踪模块,用于基于目标跟踪模型,对所述待预测图像进行处理得到所述待预测图像中的实体跟踪结果;
所述目标跟踪模型采用权利要求1-6中任一项所述的训练图像的标注方法得到的训练图像训练得到。
15.一种电子设备,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1-6和/或权利要求7中任一项所述的方法。
16.一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根据权利要求1-6和/或权利要求7中任一项所述的方法。
17.一种计算机程序产品,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和/或权利要求7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307856.XA CN114049396A (zh) | 2021-11-05 | 2021-11-05 | 训练图像的标注及目标跟踪方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307856.XA CN114049396A (zh) | 2021-11-05 | 2021-11-05 | 训练图像的标注及目标跟踪方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049396A true CN114049396A (zh) | 2022-02-15 |
Family
ID=80207707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111307856.XA Pending CN114049396A (zh) | 2021-11-05 | 2021-11-05 | 训练图像的标注及目标跟踪方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049396A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764148A (zh) * | 2018-05-30 | 2018-11-06 | 东北大学 | 基于监控视频的多区域实时动作检测方法 |
CN109544598A (zh) * | 2018-11-21 | 2019-03-29 | 电子科技大学 | 目标跟踪方法、装置及可读存储介质 |
CN110399808A (zh) * | 2019-07-05 | 2019-11-01 | 桂林安维科技有限公司 | 一种基于多目标跟踪的人体行为识别方法及系统 |
CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
CN111784735A (zh) * | 2020-04-15 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 目标跟踪方法、装置和计算机可读存储介质 |
CN112184767A (zh) * | 2020-09-22 | 2021-01-05 | 深研人工智能技术(深圳)有限公司 | 对运动物体进行轨迹跟踪的方法、装置、设备及存储介质 |
CN112184757A (zh) * | 2020-09-28 | 2021-01-05 | 浙江大华技术股份有限公司 | 运动轨迹的确定方法及装置、存储介质、电子装置 |
-
2021
- 2021-11-05 CN CN202111307856.XA patent/CN114049396A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764148A (zh) * | 2018-05-30 | 2018-11-06 | 东北大学 | 基于监控视频的多区域实时动作检测方法 |
CN109544598A (zh) * | 2018-11-21 | 2019-03-29 | 电子科技大学 | 目标跟踪方法、装置及可读存储介质 |
CN110399808A (zh) * | 2019-07-05 | 2019-11-01 | 桂林安维科技有限公司 | 一种基于多目标跟踪的人体行为识别方法及系统 |
CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
CN111784735A (zh) * | 2020-04-15 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 目标跟踪方法、装置和计算机可读存储介质 |
CN112184767A (zh) * | 2020-09-22 | 2021-01-05 | 深研人工智能技术(深圳)有限公司 | 对运动物体进行轨迹跟踪的方法、装置、设备及存储介质 |
CN112184757A (zh) * | 2020-09-28 | 2021-01-05 | 浙江大华技术股份有限公司 | 运动轨迹的确定方法及装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
EP3937077B1 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113420682A (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
CN112966599A (zh) | 关键点识别模型的训练方法、关键点识别方法及装置 | |
CN113688935A (zh) | 高精地图的检测方法、装置、设备以及存储介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN113469025A (zh) | 应用于车路协同的目标检测方法、装置、路侧设备和车辆 | |
US20230072632A1 (en) | Obstacle detection method, electronic device and storage medium | |
CN113392794A (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN113538963A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN114445825A (zh) | 文字检测方法、装置、电子设备和存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN115861809A (zh) | 杆状物检测及其模型的训练方法、装置、电子设备、介质 | |
CN114049396A (zh) | 训练图像的标注及目标跟踪方法、装置、电子设备和介质 | |
CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
CN115578431A (zh) | 图像深度处理方法、装置、电子设备及介质 | |
CN113762027B (zh) | 一种异常行为的识别方法、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 | |
CN114882283A (zh) | 样本图像生成方法、深度学习模型的训练方法和装置 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN113670295A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN113688920A (zh) | 模型训练及目标检测方法、装置、电子设备以及路侧设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |