CN114419399A - 机器视觉深度学习样本自动生成方法、计算机及存储介质 - Google Patents
机器视觉深度学习样本自动生成方法、计算机及存储介质 Download PDFInfo
- Publication number
- CN114419399A CN114419399A CN202210279550.6A CN202210279550A CN114419399A CN 114419399 A CN114419399 A CN 114419399A CN 202210279550 A CN202210279550 A CN 202210279550A CN 114419399 A CN114419399 A CN 114419399A
- Authority
- CN
- China
- Prior art keywords
- map
- sample
- deep learning
- machine vision
- original sample
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开机器视觉深度学习样本自动生成方法、计算机及存储介质。包括:步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合;步骤S2,对各所述原始样本图的各所述特征区域进行标注;步骤S3,对各所述原始样本图的各所述特征区域进行标签分类;步骤S4,提取关于各所述特征区域的素材数据并且与所述标签进行配对;步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图。本发明的有益效果在于:利用本方法,能够通过少量的样本图生成满足机器视觉深度学习的模型训练所要求的样本数量,提高模型训练的准确度。
Description
技术领域
本发明涉及机器视觉深度学习,特别地是,机器视觉深度学习样本自动生成方法、计算机及存储介质。
背景技术
深度学习,作为近几年人工智能领域的主要研究方向,其发展迅速,展现出巨大的应用价值,不断受到工业界和学术界的密切关注。特别是在机器视觉检测领域。目前在机器视觉检测领域,使用深度学习的前提是需要大量的样本图来进行模型训练。即为了训练出相对准确的模型,样本图的数量级至少要求在上万,甚至十万、百万。此时,样本图的来源无疑是在应用深度学习时最大的障碍,而在实际项目应用的过程中,往往只有极少量的样本图,需要长时间地不断收集。
发明内容
本发明要解决现有技术中机器视觉深度学习的模型训练所使用的样本图数量不足的问题,提供一种新型的机器视觉深度学习样本自动生成方法、计算机及存储介质。
为了实现这一目的,本发明的技术方案如下:一种机器视觉深度学习样本自动生成方法,包括以下步骤并且依次执行:
步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合,其中,各所述原始样本图均包括1个以上的特征区域;
步骤S2,对各所述原始样本图的各所述特征区域进行标注;
步骤S3,对各所述原始样本图的各所述特征区域进行标签分类;
步骤S4,根据各所述原始样本图的各所述特征区域,提取关于各所述特征区域的素材数据并且与所述标签进行配对,所述素材数据包括但不限于形状参数、纹理参数、颜色参数以及上述三者之间的相关性参数;
步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图:步骤S5包括:子步骤S51,在所述无特征区域的背景图上绘制1个以上的封闭形状;步骤S52,确定各所述封闭形状所使用的所述标签,进而根据所述标签配对的所述素材数据对所述封闭形状进行填充;以及,
步骤S6,根据步骤S5,提供不同的所述无特征区域的背景图、绘制不同的所述封闭形状和/或确定不同的所述标签,以获得更多数量的所述新建样本图。
本发明还提供另一种机器视觉深度学习样本自动生成方法,包括以下步骤并且依次执行:
步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合,其中,各所述原始样本图均包括1个以上的特征区域;
步骤S2,对各所述原始样本图的各所述特征区域进行标注;
步骤S3,对各所述原始样本图的各所述特征区域进行标签分类;
步骤S4,根据各所述原始样本图的各所述特征区域,提取关于各所述特征区域的素材数据并且与所述标签进行配对,所述素材数据包括但不限于形状参数、纹理参数、颜色参数以及上述三者之间的相关性参数;
步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图:步骤S5包括:子步骤S51,在所述无特征区域的背景图上绘制1个以上的封闭范围;子步骤S52,在各所述封闭范围内部绘制1个以上的封闭形状;步骤S53,确定各所述封闭范围所使用的所述标签,进而根据所述标签配对的所述素材数据对所述封闭形状进行填充;以及,
步骤S6,根据步骤S5,提供不同的所述无特征区域的背景图、绘制不同的所述封闭范围、绘制不同的所述封闭形状和/或确定不同的所述标签,以获得更多数量的所述新建样本图。
作为机器视觉深度学习样本自动生成方法的优选方案,步骤S2中,使用标注工具在所述原始样本图片上沿着各所述特征区域的外缘进行描边,以标注出所述原始样本图片的各所述特征区域。
作为机器视觉深度学习样本自动生成方法的优选方案,所述封闭形状的数量、形状、位置和/或大小等都是可被调整的。
作为机器视觉深度学习样本自动生成方法的优选方案,所述封闭范围的数量、形状、位置和/或大小都是可被调整的。
本发明还公开一种计算机,包括处理器和存储器。所述存储器中存储有至少一条指令。所述指令由所述处理器加载并执行以实现所述的机器视觉深度学习样本自动生成方法所执行的操作。
本发明还公开一种存储介质,所述存储介质中存储有至少一条指令。所述指令由处理器加载并执行以实现所述的机器视觉深度学习样本自动生成方法所执行的操作。
与现有技术相比,本发明的有益效果至少在于:利用本方法,能够通过少量的样本图生成满足机器视觉深度学习的模型训练所要求的样本数量,提高模型训练的准确度。
除了上面所描述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的有益效果之外,本发明所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的有益效果,将连接附图作出进一步详细的说明。
附图说明
图1为本发明中原始样本图的特征区域标注参考示意图。
图2为本发明中无特征区域的背景图的封闭区域绘制参考示意图。
图3为本发明中无特征区域的背景图的封闭形状绘制参考示意图。
图4为本发明的原理示意图。
具体实施方式
下面通过具体的实施方式结合附图对本发明作进一步详细说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
一种机器视觉深度学习样本自动生成方法,包括以下步骤并且依次执行:
步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合。其中,各所述原始样本图均包括1个以上的特征区域。所述特征区域是用于表现缺陷特征或是其他需要视觉检测的特征。
步骤S2,对各所述原始样本图的各所述特征区域进行标注。可参见图1。
较佳地,步骤S2中,可使用标注工具在所述原始样本图片上沿着各所述特征区域的外缘进行描边,以标注出所述原始样本图片的各所述特征区域。其中,所述标注工具的标注方式可以是计算机自动标注,也可以是人工手动标注。
步骤S3,对各所述原始样本图的各所述特征区域进行标签分类。
较佳地,步骤S3中,同一标签的样本数量最好不少于5个。
步骤S4,根据各所述原始样本图的各所述特征区域,提取关于各所述特征区域的素材数据并且与所述标签进行配对。所述素材数据包括但不限于形状参数、纹理参数、颜色参数以及上述三者之间的相关性参数。
步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图。可参见图4。其中,所述无特征区域的背景图包括0个特征区域,即所述无特征区域的背景图本身是不具有特征区域的,即所述无特征区域的背景图与所述原始样本图的区别在于是否包括特征区域。
较佳地,步骤S5包括:子步骤S51,在所述无特征区域的背景图上绘制1个以上的封闭形状,可参见图3;步骤S52,确定各所述封闭形状所使用的所述标签,进而根据所述标签配对的所述素材数据对所述封闭形状进行填充,即在所述封闭形状内部填充纹理及颜色等。需要说明的是,不同的两个所述封闭形状可部分重合。
较佳地,子步骤S51中,可使用形状绘图工具自动或手动绘制所述封闭形状,或,调用预先设置的关于所述封闭形状的集合。
较佳地,子步骤S51中,所述封闭形状的数量、形状、位置和/或大小等都是可被调整的。被调整的方式可以是手动调整,也可以是自动调整。若是自动调整,可设定自动参数的参数。
步骤S6,根据步骤S5,提供不同的所述无特征区域的背景图、绘制不同的所述封闭形状和/或确定不同的所述标签,以获得更多数量的所述新建样本图。
不难发现,通过上述方法,能够在所述原始样本图的基础上大量增加所述新建样本图,以满足模型训练的数量要求。
需要说明的是,对于所述新建样本图的使用方式与现有技术相同或基本相同。具体地说,用户选择需要训练的样本集合,所述样本集合包括原始样本图和新建样本图。设置机器视觉深度学习模型训练所需要的参数,此时包含传统样本增强的参数,例如旋转、截取、翻转、颜色饱和度变换等。用户使用训练工具进行训练。训练过程中,展示选loss曲线等训练相关信息。训练结束,展示训练的结果以及相关数据统计。
本实施例的机器视觉深度学习的模型可用于视觉检测包括但不限于偏光膜的表面缺陷检测、太阳能硅片的表面缺陷检测、布料的表面缺陷检测等。
实施例2:
一种机器视觉深度学习样本自动生成方法,包括以下步骤并且依次执行:
步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合。其中,各所述原始样本图均包括1个以上的特征区域。所述特征区域是用于表现缺陷特征或是其他需要视觉检测的特征。
步骤S2,对各所述原始样本图的各所述特征区域进行标注。
较佳地,步骤S2中,可使用标注工具在所述原始样本图片上沿着各所述特征区域的外缘进行描边,以标注出所述原始样本图片的各所述特征区域。其中,所述标注工具的标注方式可以是计算机自动标注,也可以是人工手动标注。
步骤S3,对各所述原始样本图的各所述特征区域进行标签分类。
较佳地,步骤S3中,同一标签的样本数量最好不少于5个。
步骤S4,根据各所述原始样本图的各所述特征区域,提取关于各所述特征区域的素材数据并且与所述标签进行配对。所述素材数据包括但不限于形状参数、纹理参数、颜色参数以及上述三者之间的相关性参数。
步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图。其中,所述无特征区域的背景图包括0个特征区域,即所述无特征区域的背景图本身是不具有特征区域的,即所述无特征区域的背景图与所述原始样本图的区别在于是否包括特征区域。
较佳地,步骤S5包括:子步骤S51,在所述无特征区域的背景图上绘制1个以上的封闭范围,可参见图2;子步骤S52,在各所述封闭范围内部绘制1个以上的封闭形状;步骤S53,确定各所述封闭范围所使用的所述标签,进而根据所述标签配对的所述素材数据对所述封闭形状进行填充,即在所述封闭形状内部填充纹理及颜色等。需要说明的是,同一所述封闭范围的各所述封闭形状均使用同一所述标签。此外,不同的两个所述封闭范围可部分重合,不同的两个所述封闭形状可部分重合。
较佳地,子步骤S51中,可使用范围绘图工具自动或手动绘制所述封闭范围,或,调用预先设置的关于所述封闭范围的集合。
较佳地,子步骤S51中,所述封闭范围的数量、形状、位置和/或大小等都是可被调整的。被调整的方式可以是手动调整,也可以是自动调整。若是自动调整,可设定自动参数的参数。
较佳地,子步骤S52中,可使用形状绘图工具自动或手动绘制所述封闭形状,或,调用预先设置的关于所述封闭形状的集合。
较佳地,子步骤S52中,所述封闭形状的数量、形状、位置和/或大小等都是可被调整的。被调整的方式可以是手动调整,也可以是自动调整。若是自动调整,可设定自动参数的参数。
步骤S6,根据步骤S5,提供不同的所述无特征区域的背景图、绘制不同的所述封闭范围、绘制不同的所述封闭形状和/或确定不同的所述标签,以获得更多数量的所述新建样本图。
不难发现,通过上述方法,能够在所述原始样本图的基础上大量增加所述新建样本图,以满足模型训练的数量要求。
需要说明的是,对于所述新建样本图的使用方式与现有技术相同或基本相同。具体地说,用户选择需要训练的样本集合,所述样本集合包括原始样本图和新建样本图。设置机器视觉深度学习模型训练所需要的参数,此时包含传统样本增强的参数,例如旋转、截取、翻转、颜色饱和度变换等。用户使用训练工具进行训练。训练过程中,展示选loss曲线等训练相关信息。训练结束,展示训练的结果以及相关数据统计。
本实施例的机器视觉深度学习的模型可用于视觉检测包括但不限于偏光膜的表面缺陷检测、太阳能硅片的表面缺陷检测、布料的表面缺陷检测等。
实施例3:
一种计算机,包括处理器和存储器。所述存储器中存储有至少一条指令。所述指令由所述处理器加载并执行以实现实施例1或实施例2的机器视觉深度学习样本自动生成方法所执行的操作。
实施例4:
一种存储介质,所述存储介质中存储有至少一条指令。所述指令由处理器加载并执行以实现实施例1或实施例2的机器视觉深度学习样本自动生成方法所执行的操作。
以上仅表达了本发明的实施方式,其描述较为具体和详细,但且不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的后提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.机器视觉深度学习样本自动生成方法,包括以下步骤并且依次执行:
步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合,其中,各所述原始样本图均包括1个以上的特征区域;
步骤S2,对各所述原始样本图的各所述特征区域进行标注;
步骤S3,对各所述原始样本图的各所述特征区域进行标签分类;
步骤S4,根据各所述原始样本图的各所述特征区域,提取关于各所述特征区域的素材数据并且与所述标签进行配对,所述素材数据包括形状参数、纹理参数、颜色参数以及上述三者之间的相关性参数;
步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图:步骤S5包括:子步骤S51,在所述无特征区域的背景图上绘制1个以上的封闭形状;步骤S52,确定各所述封闭形状所使用的所述标签,进而根据所述标签配对的所述素材数据对所述封闭形状进行填充;以及,
步骤S6,根据步骤S5,提供不同的所述无特征区域的背景图、绘制不同的所述封闭形状和/或确定不同的所述标签,以获得更多数量的所述新建样本图。
2.机器视觉深度学习样本自动生成方法,包括以下步骤并且依次执行:
步骤S1,提供机器视觉深度学习的模型训练所使用的原始样本图的集合,其中,各所述原始样本图均包括1个以上的特征区域;
步骤S2,对各所述原始样本图的各所述特征区域进行标注;
步骤S3,对各所述原始样本图的各所述特征区域进行标签分类;
步骤S4,根据各所述原始样本图的各所述特征区域,提取关于各所述特征区域的素材数据并且与所述标签进行配对,所述素材数据包括形状参数、纹理参数、颜色参数以及上述三者之间的相关性参数;
步骤S5,提供无特征区域的背景图,在所述无特征区域的背景图上新建特征区域,以获得新建样本图:步骤S5包括:子步骤S51,在所述无特征区域的背景图上绘制1个以上的封闭范围;子步骤S52,在各所述封闭范围内部绘制1个以上的封闭形状;步骤S53,确定各所述封闭范围所使用的所述标签,进而根据所述标签配对的所述素材数据对所述封闭形状进行填充;以及,
步骤S6,根据步骤S5,提供不同的所述无特征区域的背景图、绘制不同的所述封闭范围、绘制不同的所述封闭形状和/或确定不同的所述标签,以获得更多数量的所述新建样本图。
3.根据权利要求1或2所述的机器视觉深度学习样本自动生成方法,其特征在于,步骤S2中,使用标注工具在所述原始样本图片上沿着各所述特征区域的外缘进行描边,以标注出所述原始样本图片的各所述特征区域。
4.根据权利要求1或2所述的机器视觉深度学习样本自动生成方法,其特征在于,所述封闭形状的数量、形状、位置和/或大小都是可被调整的。
5.根据权利要求2所述的机器视觉深度学习样本自动生成方法,其特征在于,所述封闭范围的数量、形状、位置和/或大小都是可被调整的。
6.一种计算机,包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现权利要求1或2所述的机器视觉深度学习样本自动生成方法所执行的操作。
7.一种存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现权利要求1或2所述的机器视觉深度学习样本自动生成方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279550.6A CN114419399B (zh) | 2022-03-22 | 2022-03-22 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279550.6A CN114419399B (zh) | 2022-03-22 | 2022-03-22 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419399A true CN114419399A (zh) | 2022-04-29 |
CN114419399B CN114419399B (zh) | 2022-10-21 |
Family
ID=81263250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210279550.6A Active CN114419399B (zh) | 2022-03-22 | 2022-03-22 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419399B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10303978B1 (en) * | 2018-03-26 | 2019-05-28 | Clinc, Inc. | Systems and methods for intelligently curating machine learning training data and improving machine learning model performance |
CN111582313A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 样本数据生成方法、装置及电子设备 |
CN111783525A (zh) * | 2020-05-20 | 2020-10-16 | 中国人民解放军93114部队 | 基于风格迁移的航空摄影图像目标样本生成方法 |
CN112132179A (zh) * | 2020-08-20 | 2020-12-25 | 中国人民解放军战略支援部队信息工程大学 | 基于少量标注样本的增量学习方法及系统 |
CN112204674A (zh) * | 2018-03-07 | 2021-01-08 | 维迪控股私人有限公司 | 通过显微术识别生物材料的方法 |
CN112862826A (zh) * | 2021-04-26 | 2021-05-28 | 聚时科技(江苏)有限公司 | 一种表面缺陷检测任务的正常样本无损生成方法 |
CN113344079A (zh) * | 2021-06-11 | 2021-09-03 | 中科海微(北京)科技有限公司 | 一种图像标签半自动标注方法、系统、终端及介质 |
CN113900989A (zh) * | 2021-11-15 | 2022-01-07 | 奇酷软件(深圳)有限公司 | 目标检测数据集生成方法、装置、设备及存储介质 |
CN113947189A (zh) * | 2021-10-14 | 2022-01-18 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN113962917A (zh) * | 2021-10-25 | 2022-01-21 | 深圳市玻尔智造科技有限公司 | 一种基于掩膜的数据增强方法 |
-
2022
- 2022-03-22 CN CN202210279550.6A patent/CN114419399B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112204674A (zh) * | 2018-03-07 | 2021-01-08 | 维迪控股私人有限公司 | 通过显微术识别生物材料的方法 |
US10303978B1 (en) * | 2018-03-26 | 2019-05-28 | Clinc, Inc. | Systems and methods for intelligently curating machine learning training data and improving machine learning model performance |
CN111582313A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 样本数据生成方法、装置及电子设备 |
CN111783525A (zh) * | 2020-05-20 | 2020-10-16 | 中国人民解放军93114部队 | 基于风格迁移的航空摄影图像目标样本生成方法 |
CN112132179A (zh) * | 2020-08-20 | 2020-12-25 | 中国人民解放军战略支援部队信息工程大学 | 基于少量标注样本的增量学习方法及系统 |
CN112862826A (zh) * | 2021-04-26 | 2021-05-28 | 聚时科技(江苏)有限公司 | 一种表面缺陷检测任务的正常样本无损生成方法 |
CN113344079A (zh) * | 2021-06-11 | 2021-09-03 | 中科海微(北京)科技有限公司 | 一种图像标签半自动标注方法、系统、终端及介质 |
CN113947189A (zh) * | 2021-10-14 | 2022-01-18 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN113962917A (zh) * | 2021-10-25 | 2022-01-21 | 深圳市玻尔智造科技有限公司 | 一种基于掩膜的数据增强方法 |
CN113900989A (zh) * | 2021-11-15 | 2022-01-07 | 奇酷软件(深圳)有限公司 | 目标检测数据集生成方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
ALHUSSEIN F.等: "Adaptive data augmentation for image classification", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
孙东洋: "基于深度学习的海洋牧场水下生物图像分类和目标检测", 《中国优秀硕士学位论文全文数据库》 * |
张曼 等: "基于改进DCGAN算法的遥感数据集增广方法", 《计算机科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114419399B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200374600A1 (en) | Method for Embedding Advertisement in Video and Computer Device | |
CN108492343B (zh) | 一种扩充目标识别的训练数据的图像合成方法 | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN107564004B (zh) | 一种基于计算机辅助跟踪的篡改视频标注方法 | |
CN108986132A (zh) | 一种使用全卷积神经网络生成证件照Trimap图的方法 | |
CN112949408B (zh) | 一种过鱼通道目标鱼类实时识别方法和系统 | |
KR102600475B1 (ko) | 제품 결함 검출 학습을 위한 딥러닝 기반 데이터 증강 방법 | |
CN110689000A (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN111563563B (zh) | 一种手写体识别的联合数据的增强方法 | |
CN112200274B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN109919149A (zh) | 基于物体检测模型的物体标注方法及相关设备 | |
CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
CN115205727A (zh) | 一种基于无监督学习的实验智能评分方法和系统 | |
CN109584206A (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN105931244B (zh) | 一种无监督抠图方法及装置 | |
CN113658129A (zh) | 一种结合视觉显著性和线段强度的阵地提取方法 | |
CN114419399B (zh) | 机器视觉深度学习样本自动生成方法、计算机及存储介质 | |
CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
CN105913434B (zh) | 一种白细胞定位和迭代分割方法 | |
CN117437647A (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN108764248A (zh) | 图像特征点的提取方法和装置 |
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 |