CN114463602B - 一种基于大数据的目标识别的数据处理方法 - Google Patents

一种基于大数据的目标识别的数据处理方法 Download PDF

Info

Publication number
CN114463602B
CN114463602B CN202210376448.8A CN202210376448A CN114463602B CN 114463602 B CN114463602 B CN 114463602B CN 202210376448 A CN202210376448 A CN 202210376448A CN 114463602 B CN114463602 B CN 114463602B
Authority
CN
China
Prior art keywords
node
model
sample
image
label
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
Application number
CN202210376448.8A
Other languages
English (en)
Other versions
CN114463602A (zh
Inventor
韦博
殷帅
王宇
庞诚
韩兆强
刘斌
崔雨波
王理
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.)
Beijing Heng Heng Science And Technology Research Institute Co ltd
Original Assignee
Beijing Heng Heng Science And Technology Research Institute 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 Beijing Heng Heng Science And Technology Research Institute Co ltd filed Critical Beijing Heng Heng Science And Technology Research Institute Co ltd
Priority to CN202210376448.8A priority Critical patent/CN114463602B/zh
Publication of CN114463602A publication Critical patent/CN114463602A/zh
Application granted granted Critical
Publication of CN114463602B publication Critical patent/CN114463602B/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
    • G06F18/21—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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于大数据的目标识别的数据处理方法，该数据处理方法包括：步骤1，获取目标先验知识，并随机组成训练样本和验证样本，其中，目标先验知识中包括样本图像和样本标签；步骤2，提取训练样本中的图像特征，基于图像特征构建超图模型，其中，超图模型中设置有标签传递损失函数；步骤3，利用验证样本对超图模型进行训练，当判定超图模型收敛时，将超图模型记作目标识别模型，目标识别模型用于输出待识别图像的数据标签。通过本申请中的技术方案，有助于简化机器学习模型的结构，并提高模型收敛效率，同时，还有助于提高预测数据标签的准确性。

Description

一种基于大数据的目标识别的数据处理方法
技术领域
本申请涉及数据处理的技术领域，具体而言，涉及一种基于大数据的目标识别的数据处理方法。
背景技术
随着网络的飞速发展以及各种数据信息的爆炸增长，极大程度地推动了人工智能技术的发展，其中，图像目标识别技术是很多应用技术（如汽车自动驾驶、机械臂抓取物体）的基础，因此，对物体图像进行类型识别，是人工智能中的一个必不可少的环节。
而随着机器学习算法的不断发展、优化，利用其对物体进行目标自动识别已经能够保证一定的准确性。但此类机器学习的模型结构通常较为复杂，且有较深的深度，导致模型训练难度较大，且存在模型不能收敛的问题。因此，如何简化模型结构、提高模型收敛速率，是机器学习用于图像目标识别过程中亟待解决的问题。
发明内容
本申请的目的在于：如何简化机器学习模型的结构，并提高模型收敛效率。
本申请的技术方案是：提供了一种基于大数据的目标识别的数据处理方法，该方法包括：步骤1，获取目标先验知识，并随机组成训练样本和验证样本，其中，目标先验知识中包括样本图像和样本标签；步骤2，提取训练样本中的图像特征，基于图像特征构建超图模型，其中，超图模型中设置有标签传递损失函数；步骤3，利用验证样本对超图模型进行训练，当判定超图模型收敛时，将超图模型记作目标识别模型，目标识别模型用于输出待识别图像的数据标签。
上述任一项技术方案中，进一步地，标签传递损失函数由特征相似度、标签敏感度以及经验损失项确定，其中，经验损失项为标签的经验损失项。
上述任一项技术方案中，进一步地，标签传递损失函数的计算公式为：
Figure DEST_PATH_IMAGE001
式中，
Figure 518974DEST_PATH_IMAGE002
为标签的经验损失项，
Figure 161046DEST_PATH_IMAGE003
为第一权重系数，
Figure 887693DEST_PATH_IMAGE004
为第二权重系数，
Figure 724062DEST_PATH_IMAGE005
为特征相似度函数，
Figure 231267DEST_PATH_IMAGE006
为敏感度函数，
Figure 37549DEST_PATH_IMAGE007
为判别函数，
Figure 87545DEST_PATH_IMAGE008
为第i个节点，
Figure 953869DEST_PATH_IMAGE009
为与节点
Figure 590781DEST_PATH_IMAGE008
在同一个超边
Figure 200753DEST_PATH_IMAGE010
中第j个节点，
Figure 105256DEST_PATH_IMAGE011
为预测标签，
Figure 142482DEST_PATH_IMAGE012
为标签向量。
上述任一项技术方案中，进一步地，特征相似度函数
Figure 499645DEST_PATH_IMAGE005
的计算公式为：
Figure 913309DEST_PATH_IMAGE014
Figure 937896DEST_PATH_IMAGE016
式中，
Figure 146024DEST_PATH_IMAGE017
为特征差函数，
Figure 489018DEST_PATH_IMAGE018
为预设阈值。
上述任一项技术方案中，进一步地，步骤2之前，还包括：根据训练样本的数据类型，确定图像特征提取方式。
上述任一项技术方案中，进一步地，步骤2中，构建超图模型过程中超边的构建过程，具体包括：步骤21，以训练样本中每个样本图像的图像特征为节点，计算任两个节点之间的邻近度量值；步骤22，当判定任两个节点之间的邻近度量值小于邻近阈值时，将节点
Figure 440794DEST_PATH_IMAGE019
放入节点
Figure 319888DEST_PATH_IMAGE008
的超边集合。
上述任一项技术方案中，进一步地，邻近度量值的计算公式为：
Figure 698917DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE021
为节点
Figure 827410DEST_PATH_IMAGE008
与节点
Figure 458242DEST_PATH_IMAGE019
之间的邻近度量值，
Figure 224467DEST_PATH_IMAGE023
为欧氏距离函数，
Figure 39976DEST_PATH_IMAGE024
和
Figure 859027DEST_PATH_IMAGE025
分别为节点
Figure 152605DEST_PATH_IMAGE008
与节点
Figure 6292DEST_PATH_IMAGE019
的缩放常数，
Figure 868069DEST_PATH_IMAGE026
和
Figure 564629DEST_PATH_IMAGE027
分别为节点
Figure 35800DEST_PATH_IMAGE008
与节点
Figure 743993DEST_PATH_IMAGE019
的图像特征。
本申请的有益效果是：
本申请中的技术方案，利用缩放后的图像特征，计算相邻两个节点间的邻近度量值，以便加快、优化超图模型中超边的构建过程，并在超图模型中引入由特征相似度、标签敏感度以及经验损失项确定的标签传递损失函数，以加快超图模型的训练和收敛速率，并有助于提高模型输出预测数据标签的准确度，降低模型复杂程度。
在本申请的优选实现方式中，利用特征相似度、标签敏感度以及经验损失项三者共同组成超图模型的损失函数，将图像特征和预测数据标签共同作为损失函数的输入量，有助于提高损失函数的合理性，优化目标识别模型的整体性能。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请的一个实施例的基于大数据的目标识别的数据处理方法的示意流程图；
图2是根据本申请的一个实施例的数据处理过程的示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
如图1和图2所示，本实施例提供了一种基于大数据的目标识别的数据处理方法，该方法包括：
步骤1，获取目标先验知识，并随机组成训练样本和验证样本，其中，目标先验知识中包括样本图像和样本标签；
具体的，由于互联网中的数据信息是一种开放形态的数据，其通常存在标准不统一、归属不明确、标注成本代价高等问题，因此，收集标注丰富且尽可能相关的数据集作为目标先验知识，该目标先验知识中包括样本图像和样本标签。
之后，采用随机抽样的方式，按8：2的比例，将获取到的目标先验知识分为训练样本和验证样本，具体过程不再赘述。
步骤2，提取训练样本中的图像特征，基于图像特征构建超图模型，其中，超图模型中设置有标签传递损失函数；
优选的，一个样本图像对应一个图像特征，其特征提取的方法由样本图像的数据类型和特征决定，因此，在提取训练样本中的图像特征之前，需要根据训练样本的数据类型，确定图像特征提取方式。
具体的，在构建超图模型之前，对训练样本中的样本图像进行特征提取。由于训练样本中的数据类型并不统一，可能是三维图像也可能是二维图像，因此，首先需要判断训练样本的数据类型，然后确定相应的特征提取方法，如训练样本为三维图像数据时，可以通过多视图卷积机器学习提取其图像特征。最后，再利用相应的提取方法，提取到勇敢与构建超图模型的图像特征。
本实施例中，以训练样本中每个样本图像的图像特征作为超图模型的节点，其结构描述为：
Figure 901304DEST_PATH_IMAGE028
式中，节点集合
Figure 960527DEST_PATH_IMAGE029
中的每个节点代表一个样本图像的图像特征，
Figure 595908DEST_PATH_IMAGE030
表示两个节点之间的超边集合，
Figure 158607DEST_PATH_IMAGE031
为超边权重的集合。
本实施例中，可以采用k近邻方法来建立超边，在这个过程之前需要用多层感知机（MLP）来计算每个数据的缩放常数
Figure 140950DEST_PATH_IMAGE032
，具体过程不再赘述。
本实施例中，构建超图模型过程中超边的构建过程，具体包括：
步骤21，以训练样本中每个样本图像的图像特征为节点，计算任两个节点之间的邻近度量值，其中，邻近度量值的计算公式为：
Figure 280944DEST_PATH_IMAGE033
式中，
Figure 1906DEST_PATH_IMAGE021
为节点
Figure 183227DEST_PATH_IMAGE008
与节点
Figure 682341DEST_PATH_IMAGE019
之间的邻近度量值，
Figure 184998DEST_PATH_IMAGE023
为欧氏距离函数，
Figure 427760DEST_PATH_IMAGE024
和
Figure 965052DEST_PATH_IMAGE025
分别为节点
Figure 776013DEST_PATH_IMAGE008
与节点
Figure 890600DEST_PATH_IMAGE019
的缩放常数，
Figure 48305DEST_PATH_IMAGE034
和
Figure 830316DEST_PATH_IMAGE035
分别为节点
Figure 546600DEST_PATH_IMAGE008
与节点
Figure 148482DEST_PATH_IMAGE019
的图像特征。
步骤22，当判定任两个节点之间的邻近度量值小于邻近阈值时，将节点
Figure 608413DEST_PATH_IMAGE019
放入节点
Figure 120297DEST_PATH_IMAGE008
的超边集合。
具体的，采用遍历的方式，以训练样本中任一个样本图像的图像特征
Figure 132116DEST_PATH_IMAGE026
作为节点
Figure 329617DEST_PATH_IMAGE008
，依次计算其余节点与节点
Figure 62080DEST_PATH_IMAGE008
之间的邻近度量值
Figure 959629DEST_PATH_IMAGE021
，当判定节点
Figure 784759DEST_PATH_IMAGE008
与节点
Figure 361234DEST_PATH_IMAGE019
之间的邻近度量值小于邻近阈值时，将节点
Figure 162968DEST_PATH_IMAGE019
放入节点
Figure 242919DEST_PATH_IMAGE008
的超边集合，即节点
Figure 3065DEST_PATH_IMAGE019
就属于节点
Figure 942202DEST_PATH_IMAGE008
所在超边
Figure 406682DEST_PATH_IMAGE010
所包含的节点集合
Figure 980620DEST_PATH_IMAGE036
中。若将超图的连接关系描述为：
Figure 36301DEST_PATH_IMAGE037
则，节点
Figure 197155DEST_PATH_IMAGE019
属于节点
Figure 606271DEST_PATH_IMAGE008
对应的超边
Figure 926393DEST_PATH_IMAGE010
，即
Figure 497183DEST_PATH_IMAGE038
。
本实施例中，利用上述过程构建好超图后，引入损失函数，生成超图模型，以便利用验证样本对超图模型进行优化求解，以得到可用于对待识别图像进行处理的目标识别模型，输出其数据标签。
具体的，以训练样本为例，所有训练样本中的数据包含两类，一类为样本图像，利用其图像特征，可以组成特征向量集合，设定特征向量集合
Figure 269967DEST_PATH_IMAGE039
，其中，
Figure 656343DEST_PATH_IMAGE034
为训练样本中第i个样本图像对应的图像特征，对应于超图中的第i个节点
Figure 706338DEST_PATH_IMAGE008
。另一类为样本标签，对应于标签向量
Figure 244767DEST_PATH_IMAGE012
，其能够组成标签向量集合
Figure 239268DEST_PATH_IMAGE040
。
因此，对于验证样本而言，如果经过超图模型，其第i个样本图像相应的图像特征
Figure 488721DEST_PATH_IMAGE034
与标签向量
Figure 517857DEST_PATH_IMAGE012
属于同一类，则
Figure DEST_PATH_IMAGE041
；否则，设为
Figure 227187DEST_PATH_IMAGE042
。
本实施例中，标签传递损失函数由特征相似度、标签敏感度以及经验损失项确定，标签传递损失函数的计算公式为：
Figure 849929DEST_PATH_IMAGE001
式中，
Figure 404539DEST_PATH_IMAGE002
为标签的经验损失项，
Figure 288181DEST_PATH_IMAGE003
为第一权重系数，如果将第一权重系数
Figure 861421DEST_PATH_IMAGE003
设定为1，则可使得通过目标识别模型预测输出的标签与相应样本标签相差较小，但模型收敛速率偏低。
式中，
Figure 96093DEST_PATH_IMAGE004
为第二权重系数，
Figure 188814DEST_PATH_IMAGE005
为特征相似度函数，用于计算节点
Figure 926963DEST_PATH_IMAGE008
与同一个超边
Figure 446937DEST_PATH_IMAGE010
中节点
Figure 841009DEST_PATH_IMAGE009
之间的特征相似度，特征相似度函数
Figure 970377DEST_PATH_IMAGE005
的计算公式为：
Figure 969557DEST_PATH_IMAGE014
Figure 785066DEST_PATH_IMAGE016
式中，
Figure 197593DEST_PATH_IMAGE017
为特征差函数，以求出图像特征中的差值，
Figure 632117DEST_PATH_IMAGE018
为预设阈值；
式中，
Figure 344858DEST_PATH_IMAGE007
为判别函数，用于判别预测标签
Figure 206634DEST_PATH_IMAGE011
与标签向量
Figure 637616DEST_PATH_IMAGE012
之间差异的大小，其取值范围为[-1，1]，即两者的差异越明显，则判别函数
Figure 111716DEST_PATH_IMAGE044
的取值越大，
Figure 678963DEST_PATH_IMAGE006
为敏感度函数，为一分段函数，其取值可以人为设定。本实施例中，可设定敏感度函数
Figure 711641DEST_PATH_IMAGE006
对应的计算公式为：
Figure 364340DEST_PATH_IMAGE045
本实施例中，待基于训练样本构建好超图模型后，即可利用验证样本对上述超图模型进行验证，具体验证过程不再赘述。
步骤3，利用验证样本对超图模型进行训练，当判定超图模型收敛时，将超图模型记作目标识别模型，目标识别模型用于输出待识别图像的数据标签。
具体的，通过上述目标识别模型，可以对输入的数据进行数据处理，对其数据标签进行预测，实现图像识别的功能，为汽车自动驾驶、机械臂抓取物体等技术提供数据支持。
为了验证本实施例中目标识别模型的准确性和模型的收敛速率，以现有的传统方法进行比较，比较结果如表1所示。
表1
标签误差（%） 收敛速率（ms）
本实施例 0.43 179
SIFT算法 0.79 562
FREAK算法 0.68 374
由上述对比数据可知，本实施例提出的目标识别模型，在图像数据处理方面的性能要优于现有的SIFT算法和FREAK算法，不仅结构简单、收敛速率快，而且在准确性方面也有一定的提升。
以上结合附图详细说明了本申请的技术方案，本申请提出了一种基于大数据的目标识别的数据处理方法，该数据处理方法包括：步骤1，获取目标先验知识，并随机组成训练样本和验证样本，其中，目标先验知识中包括样本图像和样本标签；步骤2，提取训练样本中的图像特征，基于图像特征构建超图模型，其中，超图模型中设置有标签传递损失函数；步骤3，利用验证样本对超图模型进行训练，当判定超图模型收敛时，将超图模型记作目标识别模型，目标识别模型用于输出待识别图像的数据标签。通过本申请中的技术方案，有助于简化机器学习模型的结构，并提高模型收敛效率，同时，还有助于提高预测数据标签的准确性。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。

Claims (3)

1.一种基于大数据的目标识别的数据处理方法，其特征在于，所述方法包括：
步骤1，获取目标先验知识，并随机组成训练样本和验证样本，其中，所述目标先验知识中包括样本图像和样本标签；
步骤2，提取所述训练样本中的图像特征，基于所述图像特征构建超图模型，其中，所述超图模型中设置有标签传递损失函数，所述标签传递损失函数的计算公式为：
Figure FDA0003651980010000011
式中，Remp(Y)为所述标签的经验损失项，λ1为第一权重系数，λ2为第二权重系数，
Figure FDA0003651980010000012
为特征相似度函数，φ为敏感度函数，
Figure FDA0003651980010000013
为判别函数，vi为第i个节点，
Figure FDA0003651980010000014
为与节点vi在同一个超边ei中第j个节点，
Figure FDA0003651980010000015
为预测标签，yi为标签向量，
所述特征相似度函数
Figure FDA0003651980010000016
的计算公式为：
Figure FDA0003651980010000017
Figure FDA0003651980010000018
式中，T为特征差函数，t为预设阈值；
步骤3，利用所述验证样本对所述超图模型进行训练，当判定所述超图模型收敛时，将所述超图模型记作目标识别模型，所述目标识别模型用于输出待识别图像的数据标签。
2.如权利要求1所述的基于大数据的目标识别的数据处理方法，其特征在于，所述步骤2中，构建所述超图模型过程中超边的构建过程，具体包括：
步骤21，以训练样本中每个样本图像的图像特征为节点，计算任两个节点之间的邻近度量值；
步骤22，当判定任两个节点之间的邻近度量值小于邻近阈值时，将节点vj放入节点vi的超边集合。
3.如权利要求2所述的基于大数据的目标识别的数据处理方法，其特征在于，所述邻近度量值的计算公式为：
Figure FDA0003651980010000021
式中，Aij为节点vi与节点vj之间的邻近度量值，d( )为欧氏距离函数，σi和σj分别为节点vi与节点vj的缩放常数，fθ(xi)和fθ(xj)分别为节点vi与节点vj的图像特征。
CN202210376448.8A 2022-04-12 2022-04-12 一种基于大数据的目标识别的数据处理方法 Active CN114463602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210376448.8A CN114463602B (zh) 2022-04-12 2022-04-12 一种基于大数据的目标识别的数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210376448.8A CN114463602B (zh) 2022-04-12 2022-04-12 一种基于大数据的目标识别的数据处理方法

Publications (2)

Publication Number Publication Date
CN114463602A CN114463602A (zh) 2022-05-10
CN114463602B true CN114463602B (zh) 2022-07-08

Family

ID=81417660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210376448.8A Active CN114463602B (zh) 2022-04-12 2022-04-12 一种基于大数据的目标识别的数据处理方法

Country Status (1)

Country Link
CN (1) CN114463602B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605984B (zh) * 2013-11-14 2016-08-24 厦门大学 基于超图学习的室内场景分类方法
CN109492691A (zh) * 2018-11-07 2019-03-19 南京信息工程大学 一种超图卷积网络模型及其半监督分类方法
CN109711366B (zh) * 2018-12-29 2021-04-23 浙江大学 一种基于群组信息损失函数的行人重识别方法
CN111488479B (zh) * 2019-01-25 2023-11-03 北京京东尚科信息技术有限公司 超图构建方法、装置以及计算机系统和介质
CN110766044B (zh) * 2019-09-11 2021-10-26 浙江大学 一种基于高斯过程先验指导的神经网络训练方法
WO2021184576A1 (zh) * 2020-03-17 2021-09-23 平安科技（深圳）有限公司 医学图像的生成方法、装置、电子设备及介质
CN111586051B (zh) * 2020-05-08 2021-06-01 清华大学 一种基于超图结构质量优化的网络异常检测方法
CN113971733A (zh) * 2021-10-29 2022-01-25 京东科技信息技术有限公司 一种基于超图结构的模型训练方法、分类方法及装置

Also Published As

Publication number Publication date
CN114463602A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN111583263B (zh) 一种基于联合动态图卷积的点云分割方法
CN113221905B (zh) 基于均匀聚类的语义分割的无监督域适应方法、装置、系统和存储介质
CN110120064B (zh) 一种基于互强化与多注意机制学习的深度相关目标跟踪算法
CN110781262B (zh) 基于视觉slam的语义地图的构建方法
CN112560656A (zh) 一种联合注意力机制端到端训练的行人多目标跟踪方法
CN111898432B (zh) 一种基于改进YOLOv3算法的行人检测系统及方法
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN113706581B (zh) 基于残差通道注意与多层次分类回归的目标跟踪方法
CN110942091A (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN110728694B (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN113034545A (zh) 一种基于CenterNet多目标跟踪算法的车辆跟踪方法
CN110163060B (zh) 图像中人群密度的确定方法及电子设备
CN113361627A (zh) 一种面向图神经网络的标签感知协同训练方法
CN116091979A (zh) 一种基于特征融合和通道注意力的目标跟踪方法
CN114124734B (zh) 一种基于GCN-Transformer集成模型的网络流量预测方法
CN114492755A (zh) 基于知识蒸馏的目标检测模型压缩方法
CN117131348A (zh) 基于差分卷积特征的数据质量分析方法及系统
CN114463602B (zh) 一种基于大数据的目标识别的数据处理方法
CN116229112A (zh) 一种基于多重注意力的孪生网络目标跟踪方法
CN114463601B (zh) 一种基于大数据的目标识别的数据处理系统
CN116051601A (zh) 一种深度时空关联的视频目标跟踪方法及系统
CN114943741A (zh) 一种动态场景下基于目标检测和几何概率的视觉slam方法
CN115019342A (zh) 一种基于类关系推理的濒危动物目标检测方法
CN112487927B (zh) 一种基于物体关联注意力的室内场景识别实现方法及系统

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220510

Assignee: Zhongguancun Technology Leasing Co.,Ltd.

Assignor: Beijing Heng Heng science and Technology Research Institute Co.,Ltd.

Contract record no.: X2024980001511

Denomination of invention: A Data Processing Method for Target Recognition Based on Big Data

Granted publication date: 20220708

License type: Exclusive License

Record date: 20240125

EE01 Entry into force of recordation of patent licensing contract
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Data Processing Method for Target Recognition Based on Big Data

Granted publication date: 20220708

Pledgee: Zhongguancun Technology Leasing Co.,Ltd.

Pledgor: Beijing Heng Heng science and Technology Research Institute Co.,Ltd.

Registration number: Y2024980003388

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