CN114972702A - 一种工业图像目标检测图像训练集的采样方法和存储介质 - Google Patents
一种工业图像目标检测图像训练集的采样方法和存储介质 Download PDFInfo
- Publication number
- CN114972702A CN114972702A CN202210582437.5A CN202210582437A CN114972702A CN 114972702 A CN114972702 A CN 114972702A CN 202210582437 A CN202210582437 A CN 202210582437A CN 114972702 A CN114972702 A CN 114972702A
- Authority
- CN
- China
- Prior art keywords
- image
- subgraph
- trained
- coordinates
- intercepted
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种工业图像目标检测图像训练集的采集方法和存储介质,方法包括每张待训练图像的目标采集,对待训练图像并进行标注,将待训练图像进行标注形成n个矩形图像块,形成坐标集Rect;获取截取子图在待训练图像上的坐标;排除坐标集Rect中不在截取子图坐标范围内的矩形图像块的坐标,并修正坐标集Rect中剩余矩形图像块的坐标值,得到新的坐标集Rect’;获取采样图像,以所述截取子图的坐标在所述待训练图像上截取形成采样图像,其中采样图像中的矩形图像块的坐标按坐标集Rect’修正。既能仅对原始图像集做一次标注,又能不断产生分割位置变化,而且能够通过参数自动控制纯背景子图和带目标子图类别比例。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种工业图像目标检测图像训练集的采样方法、装置和存储介质。
背景技术
在工业生产中,计算机采集的工业图像一般尺寸巨大,在使用深度学习目标检测任务模型时,常常需要将采集的工业图像分割成子图像,逐个对子图像进行检测。但是在目标检测任务的深度学习模型训练阶段中,不宜直接使用固定分割的方式制作训练集。工业图像上有效目标,如外观缺陷、产品瑕疵等出现概率低,所占面积较小,在分割过程中,一副完整工业图像的所有子图像里绝大部分都是无目标的纯背景子图区域,包含目标的目标子图占比极小,而这些目标子图却恰是对训练模型信息价值最大的样本。
现有工业图像目标检测图像训练集的采样,通常采用两种方法:第一种,先固定工业图像分割,再标注,人工挑选的方式平衡纯背景子图和目标子图的比例。这种方法,虽然每个目标相当于只标注一次,但是包含目标的目标子图固定不变,样本缺乏位置空间的多样性。第二种,首选采用随机采样分割,再标注。这种方法,虽然包含目标的目标子图的多样性增加,但是对于分割前原始图像上同一个目标,要多次标注,增加人工标注的成本。
发明内容
为克服上述缺点,本发明的目的在于提供一种工业图像目标检测图像训练集的采样方法,既能仅对原始图像集做一次标注,又能不断产生分割位置变化,而且能够通过参数自动控制纯背景子图和带目标子图类别比例。
为了达到以上目的,本发明采用的技术方案是:一种工业图像目标检测图像训练集的采集方法,其特征在于:用于对训练集中的每张待训练图像进行目标采集,每张待训练图像的目标采集包括如下步骤,
S1、对待训练图像并进行标注,将待训练图像进行标注形成n个矩形图像块,记录每个所述矩形图像块的坐标,每个所述矩形图像块的坐标形成坐标集Rect,其中n为大于等于0的整数;
S2、获取截取子图在待训练图像上的坐标,在待训练图像上随机采样形成矩形截取子图,所述截取子图为未含有目标对象的背景子图或含有目标对象的对象子图,所述背景子图和对象子图的截取比例可调节,所述截取子图在待训练图像上的坐标在待训练图像范围内;
S3、排除坐标集Rect中不在截取子图坐标范围内的矩形图像块的坐标,并修正坐标集Rect中剩余矩形图像块的坐标值,得到新的坐标集Rect’;
S4、获取采样图像,以所述截取子图的坐标在所述待训练图像上截取形成采样图像,其中采样图像中的矩形图像块的坐标按坐标集Rect’修正。
进一步来说,所述矩形图像块的坐标为(x1,y1,x2,y2),其中(x1,y1)、(x2,y2)为矩形图像块斜对角的第一顶点和第二顶点的坐标值,所述坐标集Rect={(x1,y1,x2,y2)1,(x1,y1,x2,y2)2,……(x1,y1,x2,y2)n}。
进一步来说,所述S2具体包括,
S21、随机产生截取子图的第一顶点在待训练图像上的坐标(x3,y3);
S22、计算截取子图第二顶点在待训练图像上坐标(x4,y4),其中第一顶点和第二顶点为矩形对角线上的两个顶点,x4=x3+ws,y4=y3+hs,其中ws为欲截取子图的宽度,hs为欲截取子图的高度;
S23、判断截取子图的坐标是否在待训练图像内,若否,执行步骤S24,若是,执行步骤S25;
S24、通过修正算法对S22中的(x3,y3)和(x4,y4)进行修正,保证修整后的截取子图坐标在待训练图像范围内,并将修正后的(x3,y3,x4,y4)作为截取子图在待训练图像上的坐标;
S25、将S22中的(x3,y3,x4,y4)作为截取子图在待训练图像上的坐标。
进一步来说,所述S21具体包括生成在[0,1]上均匀分布的随机数a并与预置的阈值b比较,若随机数a>阈值b,则(x3,y3)的随机范围为x3∈[(x1+x2)i/2-ws,(x1+x2)i/2],y3∈[(y1+y2)i/2-hs,(y1+y2)i/2],其中(x1,y1,x2,y2)i为在坐标集Rect中随机选取一个矩形图像块的坐标;若随机数a≤阈值b,则(x3,y3)的随机范围为x3∈[-ws/2,w-ws/2],y3∈[-hs/2,h-hs/2],其中w为待训练图像的宽度,h为待训练图像的高度。随机数a与阈值b的大小关系决定本轮截取背景子图还是目标子图。
进一步来说,所述阈值b为超参数,表示期望截取子图内包含目标的概率,所述范围b∈[0,1],所述阈值b值越小,所述截取子图内为背景子图的概率越大;所述阈值b值越大,所述截取子图内包含目标的概率越大。
进一步来说,所述S3具体包括
遍历坐标集Rect中的元素,对一个矩形图像块的坐标值(x1,y1,x2,y2)i,若其中(x1)i>x4,或(y1)i>y4,或(x2)i>x3,或(y2)i<y3,则从坐标集Rect中去除此矩形图像块的坐标(x1,y1,x2,y2)i;
否则修正此矩形图像块坐标值,令(x1)’i=max(0,x1-x3),(y1)’i=max(0,y1-y3),(x2)’i=min(w,x2-x3),(y2)’i=min(h,y2-y3),坐标值(x1’,y1’,x2’,y2’)i即为矩形图像块修正后的坐标值,形成坐标集Rect’。
进一步来说,所述S24中的修正算法具体包括
若x3<0,则修正x3=0,x4=ws;若y3<0,则修正y3=0,y4=hs;若x4>w,则修正x3=w-ws,x4=w;若y4<0,则修正y3=h-hs,y4=h。
本发明的有益效果在于:只在待训练图像上做一次标注,无需对分割成的的截取子图做标注,减少手工标注的成本。本发明可以通过设置阈值b,控制背景子图和目标子图采样的比例,避免目标子图采样图少,背景子图图多,比例失衡的不足。同时提高目标子图的多样性,给深度学习的训练提供多样性和平衡性更好的图像训练集。
本发明还提供了一种存储有程序的计算机可读取存储介质,所述计算机的程序在运行时执行如权利要求上述的工业图像目标检测图像训练集的采集方法。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例中步骤S2的流程图;
图3为本发明一实施例中待训练图像标注后的坐标集Rect可视化效果图;
图4为本发明一实施例中截取子图在待训练图像上的位置示意图;
图5为本发明一实施例中截取子图及标注修正后坐标集Rect’可视化效果图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
实施例
参见附图1-2所示,本发明的一种工业图像目标检测图像训练集的采集方法,用于对训练集中的每张待训练图像进行目标采集,每张待训练图像的目标采集包括如下步骤
S1、对待训练图像并进行标注,将待训练图像进行标注形成n个矩形图像块,记录每个所述矩形图像块的坐标,每个所述矩形图像块的坐标形成坐标集Rect,其中n为大于等于0的整数。
所述矩形图像块的坐标为(x1,y1,x2,y2),其中(x1,y1)、(x2,y2)为矩形图像块斜对角的第一顶点和第二顶点的坐标值,所述坐标集Rect={(x1,y1,x2,y2)1,(x1,y1,x2,y2)2,……(x1,y1,x2,y2)n}。第一顶点为矩形图像块的左上角顶点,第二顶点为矩形图像块的右下角顶点。矩形图像块为手动选取,当n=0时,此时坐标集Rect为空集。
S2、获取截取子图在待训练图像上的坐标,在待训练图像上随机采样形成矩形截取子图,所述截取子图为未含有目标对象的背景子图或含有目标对象的对象子图,所述截取子图在待训练图像上的坐标在待训练图像范围内。具体包括:
S21、随机产生截取子图的第一顶点在待训练图像上的坐标(x3,y3),第一顶点为截取子图的左上角顶点。具体包括
S211、生成在[0,1]上均匀分布的随机数a,随机数a与预置的阈值b比较;若随机数a>阈值b,转至S214,进行背景子图的试提取;若随机数a≤阈值b,则转至步骤S212,进行目标子图的试提取。
随机数a与阈值b的大小关系决定本轮截取背景子图还是目标子图。阈值b为超参数,表示期望截取子图内包含目标的概率,其范围b∈[0,1];b值越小,截取子图内为纯背景无目标的概率越大;b值越大,截取子图内包含目标的概率越大。
S212、从坐标集Rect中随机选择一个矩形图像块的坐标(x1,y1,x2,y2)i,得到矩形图像块的坐标左上角坐标(x1,y1)i和右下角的坐标(x2,y2)i。i为小于等于n的正整数。
S213、随机生成截取子图左上角点在待训练图像上坐标(x3,y3),(x3,y3)的随机范围为x3∈[(x1+x2)i/2-ws,(x1+x2)i/2],y3∈[(y1+y2)i/2-hs,(y1+y2)i/2],其中ws为截取子图的宽度,hs为截取子图的高度。跳转至S22。
S214、随机生成截取子图左上角点在待训练图像上坐标(x3,y3),(x3,y3)的随机范围为x3∈[-ws/2,w-ws/2],y3∈[-hs/2,h-hs/2],其中w为待训练图像的宽度,h为待训练图像的高度。
S22、计算截取子图第二顶点在待训练图像上坐标(x4,y4),其中第一顶点和第二顶点为矩形对角线上的两个顶点,x4=x3+ws,y4=y3+hs。截取子图第二顶点为截取子图矩形的右下角顶点。
S23、判断截取子图的坐标是否在待训练图像内,若否,即(x3,y3)或(x4,y4)超出原图宽高w,h的范围,执行步骤S24,新修正(x3,y3)和(x4,y4)到待训练图像范围之内。若是,则直接将S22中的(x3,y3,x4,y4)作为截取子图在待训练图像上的坐标,继续进行步骤S3。
S24、通过修正算法对S22中的(x3,y3)和(x4,y4)进行修正,保证修整后的截取子图坐标在待训练图像范围内,并将修正后的(x3,y3,x4,y4)作为截取子图在待训练图像上的坐标,继续进行步骤S3。
修正算法具体包括
若x3<0,则修正x3=0,x4=ws;
若y3<0,则修正y3=0,y4=hs;
若x4>w,则修正x3=w-ws,x4=w;
若y4<0,则修正y3=h-hs,y4=h。
S3、排除坐标集Rect中不在截取子图坐标范围内的矩形图像块的坐标,并修正坐标集Rect中剩余矩形图像块的坐标值,得到新的坐标集Rect’。具体包括
遍历坐标集Rect中的元素,对一个矩形图像块的坐标值(x1,y1,x2,y2)i,若其中(x1)i>x4,或(y1)i>y4,或(x2)i>x3,或(y2)i<y3,则从坐标集Rect中去除此矩形图像块的坐标(x1,y1,x2,y2)i。
否则修正此矩形图像块坐标值,令(x1)’i=max(0,x1-x3),(y1)’i=max(0,y1-y3),(x2)’i=min(w,x2-x3),(y2)’i=min(h,y2-y3),坐标值(x1’,y1’,x2’,y2’)i即为矩形图像块修正后的坐标值,形成坐标集Rect’。形如max(a,b)表示a,b中的最大值,所述形如min(a,b)表示a,b中的最小值。
S4、获取采样图像,以所述截取子图的坐标在所述待训练图像上截取形成采样图像,其中采样图像中的矩形图像块的坐标按坐标集Rect’修正。返回步骤S1,进行下一张待训练图像的目标采集。
一切计算中得到的小数都四舍五入为整数,所有的坐标值均为整数。
为了详细说明本方法,选取附图3的待训练图像说明。
步骤一,标注待训练图像如图3,待训练图像分辨率为2400×1080,即w=2400,h=1080,选取两个矩形图像块,形成做坐标集Rect={(2267,81,2331,184)1,(2288,229,2337,307)2},欲截取子图的宽度设为ws=256,高度设为hs=256,标注可视化如图3。
步骤二,阈值b设为0.5,随机数a生成值等于0.22。
步骤三,从标注坐标集Rect中随机选择矩形图像块为(2228,229,2337,307)2,得到此矩形图像块左上角坐标(2228,229)和右下角的坐标(2337,307)。
步骤四,(x3,y3)的随机范围为x3∈[(2288+2337)/2-256,(2228+2337)/2],y3∈[(229+307)/2-256,(229+307)/2],即x3∈[2057,2283],y3∈[12,268],此次随机生成截取子图左上角点在原图上坐标为(2100,100)。
步骤五,计算截取子图右下角点在原图上坐标(x4,y4),x4=x3+ws=2100+256=2356,y4=y3+hs=100+256=356,截取子图右下角点在原图上坐标(x4,y4)=(2356,356);满足0<2100,0<100,2356<w=2400,0<356<h=1080,不需要修正。截取子图在待训练图像上的位置如附图4所示。
步骤六,遍历坐标集Rect{(2267,81,2331,184)1,(2288,229,2337,307)2};其中(2267,81,2331,184)1和截取子图区域(2100,100)(2356,356)有共同部分,进行修正(2267,81,2331,184)1=(max(0,2267-2100),max(0,81-100),min(256,2331-2100),min(256,184-100)),即修正为(167,0,231,84)1;其中(2288,229,2337,307)2和截取子图区域(2100,100)(2356,356)有共同部分,修正为(max(0,2288-2100),max(0,229-100),min(256,2337-2100),min(256,307-100)),即(128,129,237,207)2;得到Rect’={(167,0,231,84)1,(188,129,237,207)2};
步骤七,以左上角坐标(x3,y3)=(2100,100),右下角坐标(x4,y4)=(2356,356)在待训练图像截取子图如附图5,输出该截取子图及坐标集Rect’={(167,0,231,84)1,(188,129,237,207)2}。
图4为图5截取子图在待训练图像上的位置示意图,子图截取范围(x3,y3,x4,y4)=(2100,100,2356,356),截取子图的是否要包含目标区域,由随机数a和阈值b的大小关系决定,可以通过调整阈值b的大小,调整截取子图内带目标的概率,而截取子图范围(x3,y3,x4,y4)的值,在既确保包含矩形图像块的同时,又具有随机性,形成错落不一的子图截取范围。
根据申请的另一方面,还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在被计算机或处理器运行时,用于执行本申请实施例的工业图像目标检测图像训练集的采集方法S1-S4中的相关步骤。所述存储介质可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器、USB存储器或者上述存储介质的任意组合。
以上实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人了解本发明的内容并加以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所做的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (8)
1.一种工业图像目标检测图像训练集的采集方法,其特征在于:用于对训练集中的每张待训练图像进行目标采集,每张待训练图像的目标采集包括如下步骤,
S1、对待训练图像并进行标注,将待训练图像进行标注形成n个矩形图像块,记录每个所述矩形图像块的坐标,每个所述矩形图像块的坐标形成坐标集Rect,其中n为大于等于0的整数;
S2、获取截取子图在待训练图像上的坐标,在待训练图像上随机采样形成矩形截取子图,所述截取子图为未含有目标对象的背景子图或含有目标对象的对象子图,所述背景子图和对象子图的截取比例可调节,所述截取子图在待训练图像上的坐标在待训练图像范围内;
S3、排除坐标集Rect中不在截取子图坐标范围内的矩形图像块的坐标,并修正坐标集Rect中剩余矩形图像块的坐标值,得到新的坐标集Rect’;
S4、获取采样图像,以所述截取子图的坐标在所述待训练图像上截取形成采样图像,其中采样图像中的矩形图像块的坐标按坐标集Rect’修正。
2.根据权利要求1所述的工业图像目标检测图像训练集的采集方法,其特征在于:所述矩形图像块的坐标为(x1,y1,x2,y2),其中(x1,y1)、(x2,y2)为矩形图像块斜对角的第一顶点和第二顶点的坐标值,所述坐标集Rect={(x1,y1,x2,y2)1,(x1,y1,x2,y2)2,……(x1,y1,x2,y2)n}。
3.根据权利要求2所述的工业图像目标检测图像训练集的采集方法,其特征在于:所述S2具体包括,
S21、随机产生截取子图的第一顶点在待训练图像上的坐标(x3,y3);
S22、计算截取子图第二顶点在待训练图像上坐标(x4,y4),其中第一顶点和第二顶点为矩形对角线上的两个顶点,x4=x3+ws,y4=y3+hs,其中ws为截取子图的宽度,hs为截取子图的高度;
S23、判断截取子图在待训练图像上的坐标是否在待训练图像内,若否,执行步骤S24,若是,执行步骤S25;
S24、通过修正算法对S22中的(x3,y3)和(x4,y4)进行修正,保证修整后的截取子图坐标在待训练图像范围内,并将修正后的(x3,y3,x4,y4)作为截取子图在待训练图像上的坐标;
S25、将S22中的(x3,y3,x4,y4)作为截取子图在待训练图像上的坐标。
4.根据权利要求3所述的工业图像目标检测图像训练集的采集方法,其特征在于:所述S21具体包括
生成在[0,1]上均匀分布的随机数a并与预置的阈值b比较,若随机数a>阈值b,则(x3,y3)的随机范围为x3∈[(x1+x2)i/2-ws,(x1+x2)i/2],y3∈[(y1+y2)i/2-hs,(y1+y2)i/2],其中(x1,y1,x2,y2)i为在坐标集Rect中随机选取一个矩形图像块的坐标;若随机数a≤阈值b,则(x3,y3)的随机范围为x3∈[-ws/2,w-ws/2],y3∈[-hs/2,h-hs/2],其中w为待训练图像的宽度,h为待训练图像的高度。
5.根据权利要求4所述的工业图像目标检测图像训练集的采集方法,其特征在于:所述阈值b为超参数,表示期望截取子图内包含目标的概率,所述范围b∈[0,1],所述阈值b值越小,所述截取子图内为背景子图的概率越大;所述阈值b值越大,所述截取子图内包含目标的概率越大。
6.根据权利要求3所述的工业图像目标检测图像训练集的采集方法,其特征在于:所述S3具体包括
遍历坐标集Rect中的元素,对一个矩形图像块的坐标值(x1,y1,x2,y2)i,若其中(x1)i>x4,或(y1)i>y4,或(x2)i>x3,或(y2)i<y3,则从坐标集Rect中去除此矩形图像块的坐标(x1,y1,x2,y2)i;
否则修正此矩形图像块坐标值,令(x1)’i=max(0,x1-x3),(y1)’i=max(0,y1-y3),(x2)’i=min(w,x2-x3),(y2)’i=min(h,y2-y3),坐标值(x1’,y1’,x2’,y2’)i即为矩形图像块修正后的坐标值,形成坐标集Rect’。
7.根据权利要求4所述的工业图像目标检测图像训练集的采集方法,其特征在于:所述S24中的修正算法具体包括
若x3<0,则修正x3=0,x4=ws;若y3<0,则修正y3=0,y4=hs;若x4>w,则修正x3=w-ws,x4=w;若y4<0,则修正y3=h-hs,y4=h。
8.一种存储有程序的计算机可读取存储介质,其特征在于:所述计算机的程序在运行时执行如权利要求1-7任一所述的工业图像目标检测图像训练集的采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582437.5A CN114972702A (zh) | 2022-05-26 | 2022-05-26 | 一种工业图像目标检测图像训练集的采样方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582437.5A CN114972702A (zh) | 2022-05-26 | 2022-05-26 | 一种工业图像目标检测图像训练集的采样方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972702A true CN114972702A (zh) | 2022-08-30 |
Family
ID=82956093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582437.5A Pending CN114972702A (zh) | 2022-05-26 | 2022-05-26 | 一种工业图像目标检测图像训练集的采样方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972702A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311296A (zh) * | 2022-10-12 | 2022-11-08 | 湖南视比特机器人有限公司 | 数据生成、图像识别方法及计算机存储介质和终端设备 |
-
2022
- 2022-05-26 CN CN202210582437.5A patent/CN114972702A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311296A (zh) * | 2022-10-12 | 2022-11-08 | 湖南视比特机器人有限公司 | 数据生成、图像识别方法及计算机存储介质和终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
EP3745339A1 (en) | Method for implanting advertisements in video, and computer device | |
CN109544568A (zh) | 目标图像分割方法、装置及设备 | |
JP5451767B2 (ja) | 補間強化シーム操作に基づく画像サイズ変更方法及びシステム | |
JP6435740B2 (ja) | データ処理システム、データ処理方法およびデータ処理プログラム | |
AU2011250829B2 (en) | Image processing apparatus, image processing method, and program | |
AU2011250827B2 (en) | Image processing apparatus, image processing method, and program | |
US8442327B2 (en) | Application of classifiers to sub-sampled integral images for detecting faces in images | |
CN112288665A (zh) | 图像融合的方法、装置、存储介质及电子设备 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
US20200349764A1 (en) | Apparatus, system and method for data generation | |
CN109064525B (zh) | 一种图片格式转换方法、装置、设备和存储介质 | |
US20230237777A1 (en) | Information processing apparatus, learning apparatus, image recognition apparatus, information processing method, learning method, image recognition method, and non-transitory-computer-readable storage medium | |
CN108197596B (zh) | 一种手势识别方法和装置 | |
CN114862725B (zh) | 基于光流法实现运动感知模糊特效的方法及装置 | |
CN114972702A (zh) | 一种工业图像目标检测图像训练集的采样方法和存储介质 | |
CN107832359B (zh) | 一种图片检索方法及系统 | |
CN115082935A (zh) | 用于对文档图像进行矫正的方法、设备及存储介质 | |
CN111177811A (zh) | 一种应用于云平台的消防点位自动布图的方法 | |
CN108961268B (zh) | 一种显著图计算方法及相关装置 | |
JP2012048326A (ja) | 画像処理装置及びプログラム | |
JP2010028429A (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP4530173B2 (ja) | 顔パーツの位置の検出方法及び検出システム | |
CN111508045B (zh) | 一种图片合成的方法及装置 | |
JP2011150626A (ja) | 画像分類方法、装置、及びプログラム |
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 |