CN114612744A - 一种检测模型训练方法、车辆损伤检测方法及终端设备 - Google Patents
一种检测模型训练方法、车辆损伤检测方法及终端设备 Download PDFInfo
- Publication number
- CN114612744A CN114612744A CN202210238410.4A CN202210238410A CN114612744A CN 114612744 A CN114612744 A CN 114612744A CN 202210238410 A CN202210238410 A CN 202210238410A CN 114612744 A CN114612744 A CN 114612744A
- Authority
- CN
- China
- Prior art keywords
- sample image
- target
- training
- detection model
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 266
- 238000001514 detection method Methods 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
Abstract
本申请适用于人工智能技术领域,提供了一种检测模型训练方法,所述方法包括:基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;第一训练数据包括第一样本图像集和第一样本图像集对应的第一标签集合;基于初始检测模型对第二训练数据进行处理,得到第二训练数据对应的伪标签集合;第二样本图像集中每张第二样本图像由第一样本图像和未标注的样本图像拼接得到;根据第二标签集合对伪标签集合进行更新,得到目标标签集合;根据目标训练数据对初始检测模型进行迭代训练,得到目标检测模型;目标训练数据包括第二样本图像集和第二样本图像集对应的目标标签集合。本申请提供的方法可以提高检测模型的检测准确率,并扩大其适用范围。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及一种检测模型训练方法、检测模型训练装置、车辆损伤检测方法、终端设备及计算机可读存储介质。
背景技术
随着深度学习技术的发展,人们可以通过使用深度学习的方法,训练得到用于图像检测的神经网络模型,以对图像进行检测。通常地,为使训练得到的神经网络模型在进行检测时获得较高的准确率,需要大量的标注样本数据进行模型训练。
然而,现有技术中的样本数据受到人工成本和时间的影响,通常只能覆盖特定的业务场景,从而导致现有技术中的神经网络模型的检测准确率低下,且适用范围小。
发明内容
本申请实施例提供了一种检测模型训练方法、检测模型训练装置、车辆损伤检测方法、终端设备及计算机可读存储介质,可以解决现有技术存在的神经网络模型的检测准确率低下,且适用范围小的问题。
第一方面,本申请实施例提供了一种检测模型训练方法,包括:
基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;其中,所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合;所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签;所述第一标签用于描述所述第一样本图像中车辆的损伤位置;
基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合;其中,所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合;所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到;所述第二标签集合由所述每张第二样本图像中存在的第一标签构成;所述未标注的样本图像指不存在标签,且与所述第一样本图像集所处场景不同的图像;
根据所述第二标签集合对所述伪标签集合进行更新,得到目标标签集合;
根据目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型;所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。
可选的,所述根据所述目标标签集合对应的目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型,包括:
根据所述初始检测模型的迭代次数确定所述初始检测模型在所述迭代次数时对应的目标训练策略;
根据所述目标训练策略对所述初始检测模型进行训练,直至所述迭代次数等于预设次数阈值,以得到所述目标检测模型。
可选的,所述根据所述初始检测模型的迭代次数,确定所述初始检测模型在所述迭代次数时对应的目标训练策略,包括:
当检测到所述迭代次数小于预设迭代次数时,将所述初始检测模型中的卷积层进行冻结之后再进行训练的策略确定为所述目标训练策略;
当检测到所述迭代次数等于所述预设迭代次数时,将根据经过所述预设迭代次数训练之后的训练检测模型对所述第二训练数据进行处理,得到更新标签集合的策略确定为所述目标训练策略;
当检测到所述迭代次数大于所述预设迭代次数时,将所述训练检测模型中的卷积层取消冻结,并根据包括第二样本图像集和与所述第二样本图像集对应的更新标签集合的训练数据,对所述训练检测模型进行训练的策略确定为所述目标训练策略。
可选的,在基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合之前,还包括:
从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像;
对所述目标第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像;
根据所述目标图像,以及所述目标图像中存在的所述目标第一样本图像对应的第一标签构成所述第二训练数据。
可选的,所述从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像之后,还包括:
根据预设数据增强方式对所述目标第一样本图像和所述预设数目个未标注的样本图像进行处理,得到多张增强图像;
所述对所述第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像,包括:
根据预设顺序对所述多张增强图像进行拼接,得到所述目标图像。
可选的,所述从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像,包括:
根据预设方法从剩余图像集和所述未标注的样本图像集的并集中随机获取所述预设数目个采样图像;所述剩余样本图像集由所述第一样本图像集中除所述目标第一样本图像之外的所有第一样本图像构成。
第二方面,本申请实施例提供了一种车辆损伤检测方法,包括:
获取待检测的车辆图像;
将所述车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;所述损伤信息包括待检测车辆的损伤部位在所述车辆图像中的位置坐标;所述目标检测模型由第一方面任一项所述的检测模型训练方法得到;
根据所述位置坐标对所述车辆图像中的损伤部位所在的区域进行标记。
第三方面,本申请实施例提供了一种检测模型训练装置,包括:
第一训练单元,用于基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;其中,所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合;所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签;所述第一标签用于描述所述第一样本图像中车辆的损伤位置;
第一处理单元,用于基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合;其中,所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合;所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到;所述第二标签集合由所述每张第二样本图像中存在的第一标签构成;所述未标注的样本图像指不存在标签,且与所述第一样本图像集所处场景不同的图像;
更新单元,用于根据所述第二标签集合对所述伪标签集合进行更新,得到目标标签集合;
第二训练单元,用于根据目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型;所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。
第四方面,本申请实施例提供了一种车辆损伤检测装置,包括:
车辆图像获取单元,用于获取待检测的车辆图像;
输入单元,用于将所述车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;所述损伤信息包括待检测车辆的损伤部位在所述车辆图像中的位置坐标;所述目标检测模型由第一方面任一项所述的检测模型训练方法得到;
标记单元,用于根据所述位置坐标对所述车辆图像中的损伤部位所在的区域进行标记。
第五方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的检测模型训练方法的步骤,以及上述第二方面中任一项所述的车辆损伤检测方法的步骤。
第六方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的检测模型训练方法的步骤,以及上述第二方面中任一项所述的车辆损伤检测方法的步骤。
第七方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备可执行上述第一方面中任一项所述的检测模型训练方法,以及上述第二方面中任一项所述的车辆损伤检测方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例提供的一种检测模型训练方法,通过基于包括第一样本图像集和该第一样本图像集对应的第一标签集合的第一训练数据对神经网络模型进行训练,得到初始检测模型;之后根据初始检测模型对包含由第一样本图像和未标注的样本图像拼接得到的合成图像构成的第二样本图像集的第二训练数据进行处理,得到该第二训练数据对应的伪标签集合;由于第二训练数据还包括和第二样本图像集对应的第二标签集合,且该第二标签集合由每张第二样本图像中存在的第一标签构成,因此,可以根据第二标签集合对伪标签集合进行更新,从而得到目标标签集合,从而完成对第二训练数据中未标注的数据的分类,扩大了检测模型的适用范围,最后再根据包括第二样本图像集和与该第二样本图像集对应的目标标签集合的目标训练数据,对初始检测模型进行迭代训练,得到目标检测模型。本申请实施例提供的检测模型训练方法,由于第二样本图像集中每张第二样本图像由已标注的第一样本图像和未标注的样本图像拼接得到,从而可以获取更具多样性的全新训练数据,提高了目标检测模型的精度,进而提高了目标检测模型的检测准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的检测模型训练方法的实现流程图;
图2是本申请另一实施例提供的检测模型训练方法的实现流程图;
图3是本申请载一实施例提供的检测模型训练方法的实现流程图;
图4是本申请一实施例提供的车辆损伤检测方法的实现流程图;
图5是本申请一实施例提供的检测模型训练装置的结构示意图;
图6是本申请一实施例提供的车辆损伤检测装置的结构示意图;
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参阅图1,图1是本申请一实施例提供的检测模型训练方法的实现流程图。本申请一实施例提供的检测模型训练方法的执行主体为终端设备。其中,终端设备可以是智能手机、平板电脑或台式电脑等。
如图1所示,本申请一实施例提供的检测模型训练方法可以包括S101~S104,详述如下:
在S101中,基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;其中,所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合;所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签;所述第一标签用于描述所述第一样本图像中车辆的损伤位置。
在实际应用中,当用户需要对预先构建的检测模型进行训练时,可以向终端设备发送模型训练请求。其中,预先构建的检测模型可以是初始神经网络模型。
本申请实施例中,终端设备检测到用户发送了模型训练请求可以是:检测到用户打开第一预设APP或者检测到用户在第一预设APP内执行第一预设操作。其中,第一预设操作可以根据实际需要确定,此处不作限制。示例性的,第一预设操作可以是点击第一预设控件,即终端设备若检测到用户点击第一预设APP内的第一预设控件,则认为用户执行了第一预设操作,即认为检测到用户发送了模型训练请求。
在本申请实施例的一种实现方式中,终端设备可以预先获取到第一训练数据并进行存储。当终端设备检测到模型训练请求时,可以直接从自身中获取到该第一训练数据。其中,第一训练数据包括第一样本图像集和第一样本图像集对应的第一标签集合。该第一标签集合包括第一样本图像集中每张第一样本图像对应的第一标签。该第一标签用于描述第一样本图像中车辆的损伤位置。
在本申请实施例的另一种实现方式中,终端设备还可以实时从与其无线/有线通信连接的第一服务器中获取第一训练数据。其中,第一服务器可以是计算机、台式电脑等设备。
本申请实施例中,终端设备在获取到第一训练数据后,可以根据该第一训练数据对预先构建的检测模型进行训练,从而得到初始训练模型。
在S102中,基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合;其中,所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合;所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到;所述第二标签集合由所述每张第二样本图像中存在的第一标签构成;所述未标注的样本图像指不存在标签,且与所述第一样本图像集所处场景不同的图像。
本申请实施例中,终端设备在得到初始检测模型后,可以获取第二训练数据,并根据初始检测模型对该第二训练数据进行处理,从而得到第二训练数据对应的伪标签集合。
在本申请的一个实施例中,终端设备具体可以通过如图2所示的S201~S203得到第二训练数据,详述如下:
在S201中,从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像。
本实施例中,未标注的样本图像集包括多张未标注的样本图像,且每张未标注的样本图像均指不存在标签,且与第一样本图像集所处场景不同的图像。
预设数目可以根据实际需要确定,此处不作限制。
在本申请的一个实施例中,第一样本图像集中的每张第一样本图像和未标注的样本图像集中的每张未标注的样本图像都携带有其对应的图像序号,如1、2、3等,因此,终端设备可以根据随机函数生成随机数字,并获取与该随机数字相同的图像序号对应的图像。其中,随机函数可以是rand()函数。
在本申请的另一个实施例中,终端设备还可以根据预设方法从剩余图像集和未标注的样本图像集的并集中随机获取预设数目个采样图像。其中,剩余样本图像集由第一样本图像集中除目标第一样本图像之外的所有第一样本图像构成。
其中,预设方法可以是:根据剩余图像集的第一数量与未标注的样本图像集的第二数量之间的比值,确定从剩余图像集需要获取的第一获取数量以及从未标注的样本图像集需要获取的第二获取数量。需要说明的是,第一获取数量与第二获取数量之和等于预设数目。示例性的,假设第一数量为200,第二数量为500,预设数目为3,则剩余图像集与未标注的样本图像集之间的比值为1:2.5,因此,第一获取数量为1,第二获取数量为2。
在本申请的再一个实施例中,终端设备在得到目标第一样本图像和预设数目个未标注的样本图像后,终端设备可以根据预设数据增强方式对上述图像进行处理,从而得到多张增强图像。其中,预设数据增强方式包括但不限于:几何变换类(如翻转、旋转、裁剪等)和颜色变换类(如随机噪声、模糊、填充等)等。
在S202中,对所述目标第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像。
本实施例中,终端设备在得到目标第一样本图像和预设数目个未标注的样本图像后,可以基于预设顺序对上述图像进行拼接,从而得到目标图像。
示例性的,假设预设数目为3,则终端设备可以按照目标第一样本图像第一顺位、未标注的样本图像1第二顺位、未标注的样本图像2第三顺位及未标注的样本图像3第四顺位的拼接方式,对上述图像进行拼接。
结合S201,在本申请的一个实施例中,当终端设备获取的是预设数目个采样图像时,终端设备可以按照目标第一样本图像第一顺位、采样图像1第二顺位、采样图像2第三顺位及采样图像3第四顺位的拼接方式,对上述图像进行拼接。
结合S201,在本申请的另一个实施例中,当终端设备获取到的是多张增强图像时,终端设备可以按照增强图像1第一顺位、增强图像2第二顺位、增强图像3第三顺位及增强图像4第四顺位的拼接方式,对上述增强图像进行拼接。
在S203中,根据所述目标图像,以及所述目标图像中存在的所述目标第一样本图像对应的第一标签构成所述第二训练数据。
本实施例中,由于目标图像由目标第一样本图像和预设数目个未标注的样本图像拼接得到,且每张第一样本图像都有其对应的第一标签,因此,终端设备可以根据目标图像,以及目标图像中存在的目标第一样本图像对应的第一标签构成第二训练数据。
在S103中,根据所述第二标签集合对所述伪标签集合进行更新,得到目标标签集合。
本申请实施例中,终端设备在得到伪标签集合后,可以将第二训练数据中第二样本图像集初始对应的第二标签集合与该伪标签集合进行对比,并去除交并比(Intersection-over-Union,IoU)大于预设概率的伪标签,从而得到目标标签集合。其中,预设概率可以设置为0.5。
交并比,具体指每张第二样本图像对应的候选框(candidate bound),即伪标签,与原标记框(ground truth bound),即第二标签的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。
在S104中,根据目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型;所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。
本申请实施例中,由于目标标签集合是对伪标签集合进行更新得到,因此,该目标标签集合对应的仍然为第二样本图像集,因此,终端设备在得到目标标签集合后,可以根据包括第二样本图像集和与该第二样本图像集对应的目标标签集合的目标训练数据,对初始检测模型进行训练,从而得到目标检测模型。
在本申请的一个实施例中,终端设备具体可以通过如图3所示的步骤S301~S302得到目标检测模型,详述如下:
在S301中,根据所述初始检测模型的迭代次数确定所述初始检测模型在所述迭代次数时对应的目标训练策略。
本实施例中,不同迭代次数可以对应不同的训练策略。其中,训练策略包括第一训练策略、第二训练策略及第三训练策略。第一训练策略具体指将初始检测模型中的卷积层进行冻结之后再进行训练的策略。第二训练策略具体指根据经过预设迭代次数训练之后的训练检测模型对第二训练数据进行处理,得到更新标签集合的策略。第三训练策略具体指将训练检测模型中的卷积层取消冻结,并根据包括第二样本图像集和与该第二样本图像集对应的更新标签集合的训练数据对训练检测模型进行训练的策略。其中,预设迭代次数可以根据实际需要确定,此处不作限制。
基于此,终端设备在根据目标训练数据对初始检测模型进行迭代训练时,还需要实时检测其迭代训练的迭代次数,并将该迭代次数与预设迭代次数进行对比,进而确定其对应的目标训练策略。
在本申请的一个实施例中,终端设备在检测到迭代次数小于预设迭代次数时,可以将第一训练策略确定为目标训练策略。
在本申请的另一个实施例中,终端设备在检测到迭代次数等于预设迭代次数时,可以将第二训练策略确定为目标训练策略。
在本申请的再一个实施例中,终端设备在检测到迭代次数大于预设迭代次数时,可以将第三训练策略确定为目标训练策略。
在S302中,根据所述目标训练策略对所述初始检测模型进行训练,直至所述迭代次数等于预设次数阈值,以得到所述目标检测模型。
本实施例中,终端设备在得到不同迭代次数对应的目标训练策略之后,可以实时检测对初始检测模型进行迭代训练时的迭代次数,并在不同的迭代次数采取不同的目标训练策略对初始检测模型进行训练,直至迭代次数等于预设次数阈值时,停止训练,并将迭代次数等于预设次数阈值时对应的检测模型确定为目标检测模型。其中,预设次数阈值必须大于预设迭代次数。
具体地,在迭代次数小于预设迭代次数时,终端设备可以执行第一训练策略,即对初始检测模型中的所有卷积层进行冻结,并在冻结之后继续对该初始检测模型进行训练。冻结卷积层的好处是当伪标签集合尚不准确时保持初始检测模型原有的对底层纹理的提取能力,仅让初始检测模型逐渐适应第二训练数据中的第二样本图像集中车辆损伤的高层特征。
在迭代次数等于预设迭代次数时,终端设备可以执行第二训练策略,即根据经过预设迭代次数训练之后的训练检测模型对第二训练数据进行处理,得到该第二训练数据中第二样本图像集对应的更新标签集合,即生成更为准确的伪标签集合。
在迭代次数大于预设迭代次数时,终端设备可以执行第三训练策略,即对训练检测模型中的卷积层取消冻结,并根据包括第二样本图像集和与该第二样本图像集对应的更新标签集合的训练数据对训练检测模型进行训练,直至终端设备检测到迭代次数等于预设次数阈值时,停止对训练检测模型的训练,并得到目标检测模型。
以上可以看出,本申请实施例提供的一种检测模型训练方法,通过基于包括第一样本图像集和该第一样本图像集对应的第一标签集合的第一训练数据对神经网络模型进行训练,得到初始检测模型;之后根据初始检测模型对包含由第一样本图像和未标注的样本图像拼接得到的合成图像构成的第二样本图像集的第二训练数据进行处理,得到该第二训练数据对应的伪标签集合;由于第二训练数据还包括和第二样本图像集对应的第二标签集合,且该第二标签集合由每张第二样本图像中存在的第一标签构成,因此,可以根据第二标签集合对伪标签集合进行更新,从而得到目标标签集合,从而完成对第二训练数据中未标注的数据的分类,扩大了检测模型的适用范围,最后再根据包括第二样本图像集和与该第二样本图像集对应的目标标签集合的目标训练数据,对初始检测模型进行迭代训练,得到目标检测模型。本申请实施例提供的检测模型训练方法,由于第二样本图像集中每张第二样本图像由已标注的第一样本图像和未标注的样本图像拼接得到,从而可以获取更具多样性的全新训练数据,提高了目标检测模型的精度,进而提高了目标检测模型的检测准确率。
请参阅图4,图4是本申请实施例提供的一种车辆损伤检测方法的实现流程图。本申请实施例提供的车辆损伤检测方法的执行主体为终端设备。其中,终端设备可以是智能手机、平板电脑或台式电脑等。如图4所示,车辆损伤检测方法可以包括S401~S403,详述如下:
在S401中,获取待检测的车辆图像。
在S402中,将所述车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;所述损伤信息包括待检测车辆的损伤部位在所述车辆图像中的位置坐标;所述目标检测模型由上述实施例中任一个所述的检测模型训练方法得到。
在S403中,根据所述位置坐标对所述车辆图像中的损伤部位所在的区域进行标记。
在实际应用中,当用户需要对某张车辆图像进行损伤检测时,可以向终端设备发送损伤检测请求。
本申请实施例中,终端设备检测到用户发送了损伤检测请求可以是:检测到用户打开第二预设APP或者检测到用户在第二预设APP内触发第二预设操作。其中,第二预设操作可以根据实际需要确定,此处不作限制。示例性的,第二预设操作可以是点击第二预设控件,即终端设备若检测到用户点击第二预设APP内的第二预设控件,则认为用户执行了第二预设操作,即认为检测到用户发送了损伤检测请求。
在本申请实施例的一种实现方式中,终端设备可以预先获取到待检测的车辆图像并进行存储。当终端设备检测到损伤检测请求时,可以直接从自身中获取到该车辆图像。
在本申请实施例的另一种实现方式中,终端设备还可以实时从与其无线/有线通信连接的第二服务器中获取待检测的车辆图像。
本申请实施例中,终端设备在得到待检测的车辆图像后,还可以调用预先存储在自身数据库的已完成训练的目标检测模型,将该车辆图像输入至该已完成训练的目标检测模型进行处理,从而得到损伤信息。
需要说明的是,已完成训练的目标检测模型可以是由上述任意实施例提供的检测模型训练方法得到的。
本申请实施例中,终端设备在得到损伤信息后,即可确定待检测车辆的损伤部位在待检测的车辆图像中的位置坐标,因此,终端设备可以根据该位置坐标对待检测的车辆图像中的损伤部位进行标记,并输出经过标记后的车辆图像,以提示用户待检测车辆的具体损伤部位。
以上可以看出,本申请实施例提供的一种车辆损伤检测方法,通过将获取到的待检测的车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;该损伤信息包括待检测车辆的损伤部位在车辆图像中的位置坐标,且该目标检测模型是由上述任一实施例所述的检测模型训练方法得到的,最后根据上述位置坐标对车辆图像中的损伤部位所在的区域进行标记,从而可以准确确定待检测车辆的损伤部位。本申请实施例提供的车辆损伤检测方法中使用的目标检测模型是由上述任一实施例所述的检测模型训练方法得到的,因此,该车辆损伤检测方法可以提高对车辆损伤部位的检测准确率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种检测模型训练方法,图5示出了本申请一实施例提供的检测模型训练装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图5,该检测模型训练装置500包括:第一训练单元51、第一处理单元52、更新单元53及第二训练单元54。其中:
第一训练单元51用于基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;其中,所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合;所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签;所述第一标签用于描述所述第一样本图像中车辆的损伤位置。
第一处理单元52用于基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合;其中,所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合;所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到;所述第二标签集合由所述每张第二样本图像中存在的第一标签构成;所述未标注的样本图像指不存在标签,且与所述第一样本图像集所处场景不同的图像。
更新单元53用于根据所述第二标签集合对所述伪标签集合进行更新,得到目标标签集合。
第二训练单元54用于根据目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型;所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。
在本申请的一个实施例中,第二训练单元54具体包括:策略确定单元和第三训练单元。其中:
策略确定单元用于根据所述初始检测模型的迭代次数确定所述初始检测模型在所述迭代次数时对应的目标训练策略。
第三训练单元用于根据所述目标训练策略对所述初始检测模型进行训练,直至所述迭代次数等于预设次数阈值,以得到所述目标检测模型。
在本申请的一个实施例中,策略确定单元具体包括:第一策略确定子单元、第二策略确定子单元及第三策略确定子单元。其中:
第一策略确定子单元用于当检测到所述迭代次数小于预设迭代次数时,将所述初始检测模型中的卷积层进行冻结之后再进行训练的策略确定为所述目标训练策略。
第二策略确定子单元用于当检测到所述迭代次数等于所述预设迭代次数时,将根据经过所述预设迭代次数训练之后的训练检测模型对所述第二训练数据进行处理,得到更新标签集合的策略确定为所述目标训练策略。
第三策略确定子单元用于当检测到所述迭代次数大于所述预设迭代次数时,将所述训练检测模型中的卷积层取消冻结,并根据包括第二样本图像集和与所述第二样本图像集对应的更新标签集合的训练数据,对所述训练检测模型进行训练的策略确定为所述目标训练策略。
在本申请的一个实施例中,检测模型训练装置500还包括:第一获取单元、第一拼接单元及构成单元。其中:
第一获取单元用于从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像。
第一拼接单元用于对所述目标第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像。
构成单元用于根据所述目标图像,以及所述目标图像中存在的所述目标第一样本图像对应的第一标签构成所述第二训练数据。
在本申请的一个实施例中,检测模型训练装置500还包括:第二处理单元。
第二处理单元用于根据预设数据增强方式对所述目标第一样本图像和所述预设数目个未标注的样本图像进行处理,得到多张增强图像。
相应的,第一拼接单元具体包括:第二拼接单元。
第二拼接单元用于根据预设顺序对所述多张增强图像进行拼接,得到所述目标图像。
在本申请的一个实施例中,第一获取单元具体包括:图像确定单元。
图像确定单元用于根据预设方法从剩余图像集和所述未标注的样本图像集的并集中随机获取所述预设数目个采样图像;所述剩余样本图像集由所述第一样本图像集中除所述目标第一样本图像之外的所有第一样本图像构成。
以上可以看出,本申请实施例提供的一种检测模型训练装置,通过基于包括第一样本图像集和该第一样本图像集对应的第一标签集合的第一训练数据对神经网络模型进行训练,得到初始检测模型;之后根据初始检测模型对包含由第一样本图像和未标注的样本图像拼接得到的合成图像构成的第二样本图像集的第二训练数据进行处理,得到该第二训练数据对应的伪标签集合;由于第二训练数据还包括和第二样本图像集对应的第二标签集合,且该第二标签集合由每张第二样本图像中存在的第一标签构成,因此,可以根据第二标签集合对伪标签集合进行更新,从而得到目标标签集合,从而完成对第二训练数据中未标注的数据的分类,扩大了检测模型的适用范围,最后再根据包括第二样本图像集和与该第二样本图像集对应的目标标签集合的目标训练数据,对初始检测模型进行迭代训练,得到目标检测模型。本申请实施例提供的检测模型训练方法,由于第二样本图像集中每张第二样本图像由已标注的第一样本图像和未标注的样本图像拼接得到,从而可以获取更具多样性的全新训练数据,提高了目标检测模型的精度,进而提高了目标检测模型的检测准确率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种车辆损伤检测方法,图6示出了本申请一实施例提供的车辆损伤检测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图6,该车辆损伤检测装置600包括:车辆图像获取单元61、输入单元62及标记单元63。其中:
车辆图像获取单元61用于获取待检测的车辆图像。
输入单元62用于将所述车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;所述损伤信息包括待检测车辆的损伤部位在所述车辆图像中的位置坐标;所述目标检测模型由权利要求1至6任一项所述的检测模型训练方法得到。
标记单元63用于根据所述位置坐标对所述车辆图像中的损伤部位所在的区域进行标记。
以上可以看出,本申请实施例提供的一种车辆损伤检测装置,通过将获取到的待检测的车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;该损伤信息包括待检测车辆的损伤部位在车辆图像中的位置坐标,且该目标检测模型是由上述任一实施例所述的检测模型训练方法得到的,最后根据上述位置坐标对车辆图像中的损伤部位所在的区域进行标记,从而可以准确确定待检测车辆的损伤部位。本申请实施例提供的车辆损伤检测方法中使用的目标检测模型是由上述任一实施例所述的检测模型训练方法得到的,因此,该车辆损伤检测方法可以提高对车辆损伤部位的检测准确率。
图7为本申请一实施例提供的终端设备的结构示意图。如图7所示,该实施例的终端设备7包括:至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72,所述处理器70执行所述计算机程序72时实现上述任意一种检测模型训练方法实施例中的步骤。
本领域技术人员可以理解,图7仅仅是终端设备7的举例,并不构成对终端设备7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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述任意一种检测模型训练方法实施例中的步骤,以及上述任意一种车辆损伤检测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时可实现上述任意一种检测模型训练方法实施例中的步骤,以及上述任意一种车辆损伤检测方法实施例中的步骤。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的车辆损伤检测装置和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种检测模型训练方法,其特征在于,包括:
基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;其中,所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合;所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签;所述第一标签用于描述所述第一样本图像中车辆的损伤位置;
基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合;其中,所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合;所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到;所述第二标签集合由所述每张第二样本图像中存在的第一标签构成;所述未标注的样本图像指不存在标签,且与所述第一样本图像集所处场景不同的图像;
根据所述第二标签集合对所述伪标签集合进行更新,得到目标标签集合;
根据目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型;所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。
2.如权利要求1所述的检测模型训练方法,其特征在于,所述根据所述目标标签集合对应的目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型,包括:
根据所述初始检测模型的迭代次数确定所述初始检测模型在所述迭代次数时对应的目标训练策略;
根据所述目标训练策略对所述初始检测模型进行训练,直至所述迭代次数等于预设次数阈值,以得到所述目标检测模型。
3.如权利要求2所述的检测模型训练方法,其特征在于,所述根据所述初始检测模型的迭代次数,确定所述初始检测模型在所述迭代次数时对应的目标训练策略,包括:
当检测到所述迭代次数小于预设迭代次数时,将所述初始检测模型中的卷积层进行冻结之后再进行训练的策略确定为所述目标训练策略;
当检测到所述迭代次数等于所述预设迭代次数时,将根据经过所述预设迭代次数训练之后的训练检测模型对所述第二训练数据进行处理,得到更新标签集合的策略确定为所述目标训练策略;
当检测到所述迭代次数大于所述预设迭代次数时,将所述训练检测模型中的卷积层取消冻结,并根据包括第二样本图像集和与所述第二样本图像集对应的更新标签集合的训练数据,对所述训练检测模型进行训练的策略确定为所述目标训练策略。
4.如权利要求1所述的检测模型训练方法,其特征在于,在基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合之前,还包括:
从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像;
对所述目标第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像;
根据所述目标图像,以及所述目标图像中存在的所述目标第一样本图像对应的第一标签构成所述第二训练数据。
5.如权利要求4所述的检测模型训练方法,其特征在于,所述从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像之后,还包括:
根据预设数据增强方式对所述目标第一样本图像和所述预设数目个未标注的样本图像进行处理,得到多张增强图像;
所述对所述第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像,包括:
根据预设顺序对所述多张增强图像进行拼接,得到所述目标图像。
6.如权利要求4所述的检测模型训练方法,其特征在于,所述从所述第一样本图像集中随机获取一个目标第一样本图像,并从未标注的样本图像集中随机获取预设数目个未标注的样本图像,包括:
根据预设方法从剩余图像集和所述未标注的样本图像集的并集中随机获取所述预设数目个采样图像;所述剩余样本图像集由所述第一样本图像集中除所述目标第一样本图像之外的所有第一样本图像构成;
相应的,所述对所述目标第一样本图像和所述预设数目个未标注的样本图像进行拼接,得到目标图像,包括:
对所述目标第一样本图像和预设数目个采样图像进行拼接,得到所述目标图像。
7.一种车辆损伤检测方法,其特征在于,包括:
获取待检测的车辆图像;
将所述车辆图像输入已完成训练的目标检测模型进行处理,得到损伤信息;所述损伤信息包括待检测车辆的损伤部位在所述车辆图像中的位置坐标;所述目标检测模型由权利要求1至6任一项所述的检测模型训练方法得到;
根据所述位置坐标对所述车辆图像中的损伤部位所在的区域进行标记。
8.一种检测模型训练装置,其特征在于,包括:
第一训练单元,用于基于第一训练数据对预先构建的检测模型进行训练,得到初始检测模型;其中,所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合;所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签;所述第一标签用于描述所述第一样本图像中车辆的损伤位置;
第一处理单元,用于基于所述初始检测模型对第二训练数据进行处理,得到所述第二训练数据对应的伪标签集合;其中,所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合;所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到;所述第二标签集合由所述每张第二样本图像中存在的第一标签构成;所述未标注的样本图像指不存在标签,且与所述第一样本图像集所处场景不同的图像;
更新单元,用于根据所述第二标签集合对所述伪标签集合进行更新,得到目标标签集合;
第二训练单元,用于根据目标训练数据对所述初始检测模型进行迭代训练,得到目标检测模型;所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的检测模型训练方法的步骤,以及实现如权利要求7所述的车辆损伤检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的检测模型训练方法的步骤,以及实现如权利要求7所述的车辆损伤检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238410.4A CN114612744A (zh) | 2022-03-10 | 2022-03-10 | 一种检测模型训练方法、车辆损伤检测方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238410.4A CN114612744A (zh) | 2022-03-10 | 2022-03-10 | 一种检测模型训练方法、车辆损伤检测方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612744A true CN114612744A (zh) | 2022-06-10 |
Family
ID=81863856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238410.4A Pending CN114612744A (zh) | 2022-03-10 | 2022-03-10 | 一种检测模型训练方法、车辆损伤检测方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612744A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146830A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 用于生成训练数据的方法、装置、系统和存储介质 |
CN110288019A (zh) * | 2019-06-21 | 2019-09-27 | 北京百度网讯科技有限公司 | 图像标注方法、装置和存储介质 |
CN111192158A (zh) * | 2019-12-11 | 2020-05-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 |
CN112669298A (zh) * | 2020-12-31 | 2021-04-16 | 武汉科技大学 | 一种基于模型自训练的地基云图像云检测方法 |
WO2021139357A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置、系统及存储介质 |
CN113378830A (zh) * | 2021-05-06 | 2021-09-10 | 北京工业大学 | 一种基于域适应的可自主学习数据标签生成方法 |
CN113569615A (zh) * | 2021-02-24 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 基于图像处理的目标识别模型的训练方法和装置 |
CN113673338A (zh) * | 2021-07-16 | 2021-11-19 | 华南理工大学 | 自然场景文本图像字符像素弱监督自动标注方法、系统及介质 |
CN113947571A (zh) * | 2021-09-30 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆损伤检测模型的训练方法及车辆损伤识别方法 |
WO2022027913A1 (zh) * | 2020-08-05 | 2022-02-10 | 深圳市优必选科技股份有限公司 | 目标检测模型生成方法、装置、设备及存储介质 |
-
2022
- 2022-03-10 CN CN202210238410.4A patent/CN114612744A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146830A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 用于生成训练数据的方法、装置、系统和存储介质 |
CN110288019A (zh) * | 2019-06-21 | 2019-09-27 | 北京百度网讯科技有限公司 | 图像标注方法、装置和存储介质 |
CN111192158A (zh) * | 2019-12-11 | 2020-05-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 |
WO2021139357A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置、系统及存储介质 |
WO2022027913A1 (zh) * | 2020-08-05 | 2022-02-10 | 深圳市优必选科技股份有限公司 | 目标检测模型生成方法、装置、设备及存储介质 |
CN112669298A (zh) * | 2020-12-31 | 2021-04-16 | 武汉科技大学 | 一种基于模型自训练的地基云图像云检测方法 |
CN113569615A (zh) * | 2021-02-24 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 基于图像处理的目标识别模型的训练方法和装置 |
CN113378830A (zh) * | 2021-05-06 | 2021-09-10 | 北京工业大学 | 一种基于域适应的可自主学习数据标签生成方法 |
CN113673338A (zh) * | 2021-07-16 | 2021-11-19 | 华南理工大学 | 自然场景文本图像字符像素弱监督自动标注方法、系统及介质 |
CN113947571A (zh) * | 2021-09-30 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆损伤检测模型的训练方法及车辆损伤识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9349076B1 (en) | Template-based target object detection in an image | |
CN107239794B (zh) | 点云数据分割方法和终端 | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN107820210B (zh) | 一种签到方法、移动终端及计算机可读存储介质 | |
CN113808253B (zh) | 场景三维重建的动态对象处理方法、系统、设备及介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN107506499B (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
CN108198191A (zh) | 图像处理方法及装置 | |
CN110222641B (zh) | 用于识别图像的方法和装置 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN113361643A (zh) | 基于深度学习的通用标志识别方法、系统、设备及存储介质 | |
CN107798082B (zh) | 一种文件标签的处理方法及装置 | |
CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
CN110297764B (zh) | 漏洞测试模型训练方法和装置 | |
CN110874170A (zh) | 一种图像区域修正方法、图像分割方法及装置 | |
Edwards et al. | Digital twin development through auto-linking to manage legacy assets in nuclear power plants | |
CN111639523A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN114612744A (zh) | 一种检测模型训练方法、车辆损伤检测方法及终端设备 | |
CN116665170A (zh) | 目标检测模型的训练及目标检测方法、装置、设备和介质 | |
CN111161789A (zh) | 一种模型预测的关键区域的分析方法及装置 | |
CN113723515B (zh) | 基于图像识别的摩尔纹识别方法、装置、设备及介质 | |
CN111522570B (zh) | 目标库更新方法、装置、电子设备及机器可读存储介质 | |
CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
CN115147469A (zh) | 配准方法、装置、设备及存储介质 |
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 |