CN114972750B - 目标覆盖率的获取方法、分类模型的训练方法及装置 - Google Patents
目标覆盖率的获取方法、分类模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114972750B CN114972750B CN202210473555.2A CN202210473555A CN114972750B CN 114972750 B CN114972750 B CN 114972750B CN 202210473555 A CN202210473555 A CN 202210473555A CN 114972750 B CN114972750 B CN 114972750B
- Authority
- CN
- China
- Prior art keywords
- detection
- determining
- area
- detection area
- target
- 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
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title abstract description 83
- 238000001514 detection method Methods 0.000 claims abstract description 390
- 238000005070 sampling Methods 0.000 claims abstract description 172
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标覆盖率的获取方法、分类模型的训练方法及装置,该目标覆盖率的获取方法包括:获取待检测图像中第一检测区域的区域信息;根据区域信息,确定第一检测区域中第一采样点分布信息;根据第一采样点分布信息,在第一检测区域中截取M个检测图片;利用目标分类模型对M个检测图片进行目标处理,得到第一检测区域对应的目标覆盖率。上述过程中,利用分类模型确定每个检测图片对应的种类,而不需要人工的对每个检测图片的种类进行标注,这降低了对检测图片进行数据标注的工作量,以此提高了效率。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及一种目标覆盖率的获取方法、分类模型的训练方法及装置。
背景技术
目前,在对基于数据种类对相关数据进行目标覆盖率统计的应用场景中,例如对商店的商品铺货率进行统计,以及对停车场的停车率进行统计。以对商店的商品铺货率进行统计为例,需要人工统计商店中所有商品的数量和商品的种类,再基于商品数量和商品种类,统计出每个商品种类对应的铺货率。
也就是说,在现有的目标覆盖率统计的应用场景中,存在大量的数据标注的工作,这降低了目标覆盖率统计的效率。
发明内容
本发明实施例的目的在于提供一种目标覆盖率的获取方法、分类模型的训练方法及装置,解决目标覆盖率统计效率较低的技术问题。
为了解决上述技术问题,第一方面,本发明实施例提供了一种目标覆盖率的获取方法,所述方法包括:
获取待检测图像中第一检测区域的区域信息;
根据所述区域信息,确定所述第一检测区域中第一采样点分布信息;
根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片;M为大于1的正整数;
利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率。
可选地,所述根据所述区域信息,确定所述第一检测区域中第一采样点分布信息包括:
确定在所述第一检测区域截取的检测图片的图片规格;
根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的场景信息,所述确定在所述第一检测区域截取的检测图片的图片规格包括:
根据所述场景信息确定所述检测图片的图片规格。
可选地,所述区域信息包括:第一检测区域的位置信息,所述根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述图片规格,确定第一采样点之间的第一间距值;
根据所述第一间距值以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的位置信息以及所述第一检测区域的第一面积,所述根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述图片规格确定所述第一检测区域截取的检测图片对应的第二面积;
基于所述第一面积和所述第二面积,确定所述第一检测区域中第一采样点的采样点数量;
基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述第一面积和所述采样点数量,确定第一采样点之间的间距值;
根据所述第一检测区域的坐标信息和所述间距值,确定所述第一检测区域中第一采样点分布信息。
可选地,所述根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片包括:
以每个第一采样点为采样中心,按照预设的第一采样尺寸,对所述每个第一检测区域的图像进行截取,得到所述M个检测图片。
可选地,所述利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率包括:
将所述M个检测图片输入至目标分类模型中进行分类,得到分类结果;所述分类结果用于表征每个检测图片对应的种类;
将所述M个检测图片中种类为预设种类的检测图片确定为目标检测图片;
基于目标检测图片的数量,得到所述第一检测区域对应的目标覆盖率。
可选地,所述待检测图像包括L个第一检测区域,L为小于或等于M且大于1的正整数,所述方法包括:
获取每个第一检测区域中检测图片的数量和目标检测图片的数量;
将所述每个第一检测区域中所述目标检测图片的数量与所述检测图片的数量之间的比值,确定为所述第一检测区域对应的目标覆盖率;
基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率。
可选地,所述基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率包括:
将所述L个第一检测区域对应的目标覆盖率的平均值,确定为所述待检测图像对应的目标覆盖率;或者,
对所述L个第一检测区域对应的目标覆盖率进行加权平均处理,得到所述待检测图像对应的目标覆盖率。
第二方面,本发明实施例还提供了一种分类模型的训练方法,所述方法包括:
获取训练数据集;所述训练数据集包括训练图片,所述训练图片为对预设的待训练图像中第二检测区域进行截取得到的图片;
将所述训练数据集输入至待训练的分类模型,对所述待训练的分类模型进行迭代训练,得到目标分类模型。
可选地,待训练图像包括至少一个第二检测区域,所述获取训练数据集之前,所述方法包括:
对于所述待训练图像中的每个第二检测区域,在所述第二检测区域随机生成I个第二采样点,I为大于1的正整数;
以每个所述第二采样点为采样中心,按照预设的第二采样尺寸,对所述第二检测区域的图像进行截取,得到I个训练图片;
对所述待训练图像对应的训练图片进行组合,得到所述训练数据集。
第三方面,本发明实施例还提供了一种目标覆盖率的获取装置,包括:
第一获取模块,用于获取待检测图像中第一检测区域的区域信息;
第一确定模块,用于根据所述区域信息,确定所述第一检测区域中第一采样点分布信息;
截取模块,用于根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片;M为大于1的正整数;
处理模块,用于利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率。
可选地,所述第一确定模块,具体用于:
确定在所述第一检测区域截取的检测图片的图片规格;
根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的场景信息,所述第一确定模块,还具体用于:
根据所述场景信息确定所述检测图片的图片规格。
可选地,所述区域信息包括:第一检测区域的位置信息,所述第一确定模块,还具体用于:
根据所述图片规格,确定第一采样点之间的第一间距值;
根据所述第一间距值以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的位置信息以及所述第一检测区域的第一面积,所述第一确定模块,还具体用于:
根据所述图片规格确定所述第一检测区域截取的检测图片对应的第二面积;
基于所述第一面积和所述第二面积,确定所述第一检测区域中第一采样点的采样点数量;
基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述第一确定模块,还具体用于:
根据所述第一面积和所述采样点数量,确定第一采样点之间的间距值;
根据所述第一检测区域的坐标信息和所述间距值,确定所述第一检测区域中第一采样点分布信息。
可选地,所述截取模块,具体用于:
以每个第一采样点为采样中心,按照预设的第一采样尺寸,对所述每个第一检测区域的图像进行截取,得到所述M个检测图片。
可选地,所述处理模块,具体用于:
将所述M个检测图片输入至目标分类模型中进行分类,得到分类结果;所述分类结果用于表征每个检测图片对应的种类;
将所述M个检测图片中种类为预设种类的检测图片确定为目标检测图片;
基于目标检测图片的数量,得到所述第一检测区域对应的目标覆盖率。
可选地,所述待检测图像包括L个第一检测区域,L为小于或等于M且大于1的正整数,所述装置包括:
第二获取模块,用于获取每个第一检测区域中检测图片的数量和目标检测图片的数量;
第二确定模块,用于将所述每个第一检测区域中所述目标检测图片的数量与所述检测图片的数量之间的比值,确定为所述第一检测区域对应的目标覆盖率;
第三确定模块,用于基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率。
可选地,所述第三确定模块,还具体用于:
将所述L个第一检测区域对应的目标覆盖率的平均值,确定为所述待检测图像对应的目标覆盖率;或者,
对所述L个第一检测区域对应的目标覆盖率进行加权平均处理,得到所述待检测图像对应的目标覆盖率。
第四方面,本发明实施例还提供了一种分类模型的训练装置,包括:
获取模块,用于获取训练数据集;所述训练数据集包括训练图片,所述训练图片为对预设的待训练图像中第二检测区域进行截取得到的图片;
训练模块,用于将所述训练数据集输入至待训练的分类模型,对所述待训练的分类模型进行迭代训练,得到目标分类模型。
可选地,待训练图像包括至少一个第二检测区域,所述装置还包括:
生成模块,用于对于所述待训练图像中的每个第二检测区域,在所述第二检测区域随机生成I个第二采样点,I为大于1的正整数;
截取模块,用于以每个所述第二采样点为采样中心,按照预设的第二采样尺寸,对所述第二检测区域的图像进行截取,得到I个训练图片;
组合模块,用于对所述待训练图像对应的训练图片进行组合,得到所述训练数据集。
第五方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如上所述的目标覆盖率的获取方法,或者实现如上所述的分类模型的训练方法。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如上所述的目标覆盖率的获取方法,或者实现如上所述的分类模型的训练方法。
本发明实施例中,获取待检测图像中每个第一检测区域的区域信息;根据区域信息,确定第一检测区域中第一采样点分布信息;根据第一采样点分布信息,在第一检测区域中截取M个检测图片;通过上述方式对待检测图像中第一检测区域的部分图像进行截取,得到检测图片,这降低了数据准备的工作量。进一步的,利用目标分类模型对M个检测图片进行目标处理,得到第一检测区域对应的目标覆盖率。上述过程中,利用分类模型确定每个检测图片对应的种类,而不需要人工的对每个检测图片的种类进行标注,这降低了对检测图片进行数据标注的工作量,以此提高了效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。
图1为本发明实施例中目标覆盖率的获取方法的流程示意图;
图2为本发明实施例中目标覆盖率的获取方法的应用场景示意图之一;
图3为本发明实施例中目标覆盖率的获取方法的应用场景示意图之二;
图4为本发明实施例中分类模型的训练方法的流程示意图;
图5为本发明实施例中目标覆盖率的获取方法的应用场景示意图之三;
图6为本发明实施例中目标覆盖率的获取装置的结构示意图;
图7为本发明实施例中分类模型的训练装置的结构示意图;
图8为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
请参阅图1,图1为本发明实施例中目标覆盖率的获取方法的流程示意图。本发明实施例提供的目标覆盖率的获取方法包括:
S101,获取待检测图像中第一检测区域的区域信息。
上述待检测图像可以是测试视频中的一帧图像,上述第一检测区域可以是待检测图像中标注的感兴趣(Region Of Interest,ROI)区域,应理解,在对商品铺货率进行统计的应用场景中,上述ROI区域为商品摆放区。上述待检测图像包括至少一个ROI区域,关于区域信息的具体定义请参阅后续实施例。
S102,根据所述区域信息,确定所述第一检测区域中第一采样点分布信息。
上述第一采样点分布信息包括但不限于采样点数量和采样点分布方式,具体的如何根据区域信息,确定每个第一检测区域中第一采样点分布信息的技术方案,请参阅后续实施例。
应理解,上述第一采样点可以随机分布于第一检测区域,也可以均匀分布于第一检测区域。为保证步骤S103中在第一检测区域中截取M个检测图片能够覆盖到所有的检测区域,在进行目标覆盖率的检测时,本发明优先的是采用均布分布方式。
S103,根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片。
本步骤中,对每个第一检测区域进行截取,得到M个检测图片,其中,M为大于1的正整数。具体的如何对检测图片的第一检测区域进行截取处理的技术方案,请参阅后续实施例。
S104,利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率。
本步骤中,在得到M个检测图片后,将该M个检测图片输入至训练完成的分类模型中,以对该M个检测图片进行目标处理,得到第一检测区域对应的目标覆盖率。
可选地,上述目标分类模型可以是深度学习分类网络模型,该目标分类模型包括但不限于mobileNet模型和resNet模型。可选地,上述目标分类模型为二分类模型。
本发明实施例中,获取待检测图像中第一检测区域的区域信息;根据区域信息,确定第一检测区域中第一采样点分布信息;根据第一采样点分布信息,在第一检测区域中截取M个检测图片;通过上述方式对待检测图像中第一检测区域的部分图像进行截取,得到检测图片,这降低了数据准备的工作量,同时只需对待检测图像进行标注,可以有效降低数据标注的工作量。进一步的,利用目标分类模型对M个检测图片进行目标处理,得到第一检测区域对应的目标覆盖率。
可选地,所述根据所述区域信息,确定所述第一检测区域中第一采样点分布信息包括:
确定在所述第一检测区域截取的检测图片的图片规格;
根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息。
上述检测图片的图片规格包括但不限于检测图片的长度和宽度,上述图片规格可以是用户设定的,可以是根据目标分类模型的训练图片规格确定,还可以是根据检测图片对应的检测场景中目标检测物的规格确定的。
可选地,所述区域信息包括第一检测区域的场景信息,所述确定在所述第一检测区域截取的检测图片的图片规格包括:
根据所述场景信息确定所述检测图片的图片规格。
应理解,在第一检测区域的场景信息不同的情况下,检测图片的图片规格不同。具体可以理解为,不同的检测场景中包含的目标检测物类型不同,不同目标检测物的规格不同,其对应的检测图片的图片规格也不同。例如,若第一检测区域的场景信息中的检测目标为人员,则确定该检测图片的图片大小为人员的等比例缩放图;又例如,在图片规格包括图片的面积的情况下,若第一检测区域的场景信息为商品,确定检测图片的图片面积为第一面积;若第一检测区域的场景信息为车辆,确定检测图片的图片面积为第二面积;那么,第二面积大于第一面积。即不同的场景信息,对应的检测图片的图片规格不同。
可选地,所述区域信息包括:第一检测区域的位置信息,所述根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述图片规格,确定第一采样点之间的第一间距值;
根据所述第一间距值以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
本实施例中,第一采样点之间的间距值可以基于图片规格确定,如上所述,图片规格包括图片的长度和宽度。第一采样点分布的间隔可以基于检测图片的长度和宽度确定。一种可选地实施方式为第一采样点之间的第一间距值为检测图片的长度;另一种可选地实施方式为第一采样点之间的第一间距值为检测图片的宽度。例如,相邻的第一采样点的横坐标之间的距离为检测图片的长度,相邻的第一采样点的纵坐标之间的距离为检测图片的宽度。
本实施例中,在得到第一间距值之后,由于第一采样点是均匀分布于第一检测区域,因此可以基于第一检测区域的位置信息,将第一采样点均匀分布于第一检测区域,且设置第一采样点之间的距离为第一间距值,以此得到第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的位置信息以及所述第一检测区域的第一面积,所述根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述图片规格确定所述第一检测区域截取的检测图片对应的第二面积;
基于所述第一面积和所述第二面积,确定所述第一检测区域中第一采样点的采样点数量;
基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
如上所述,图片规格包括但不限于检测图片的长度和宽度,本实施例中,可以将检测图片的长度和宽度作乘法运算,得到检测图片对应的面积,将上述面积称为第二面积。
上述第一面积用于表征第一检测区域的面积,在得到第二面积后,一种可选地实施方式为,将第一面积与第二面积做除法运算,得到除法结果,并对该除法结果向下取整,得到第一采样点的采样点数量。
以下,具体阐述如何基于采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
本实施例中,可以基于第一检测区域的位置信息,获取第一检测区域对应的最小外界矩阵,为便于理解,请参阅图2,示出了一个第一检测区域对应的最小外界矩阵,在图2示出的应用场景中设置有一个二维直角坐标系,该坐标系的X坐标轴的朝向向右,该坐标系的Y坐标轴的朝向向下。
将该最小外界矩阵的左上角的端点确定为第一端点,将位于最小外界矩阵的右下角的端点确定为第二端点。将第一端点的横坐标值确定为第一坐标值,该第一坐标值又称为最小横坐标值;将第一端点的纵坐标值确定为第二坐标值,该第二坐标值又称为最小纵坐标值;将第二端点的横坐标值确定为第三坐标值,该第三坐标值又称为最大横坐标值;将第二端点的纵坐标值确定为第四坐标值,该第四坐标值又称为最大纵坐标值。
本实施例中,可以通过以下公式计算得到第一采样点之间的间距值:
d=sqrt(S/K)
其中,d为间距值;S为第一检测区域的面积,即第一面积;K为第一采样点的采样点数量。
进一步的,基于上述最小外界矩阵和间距值,确定第一数列和第二数列,应理解,第一采样点的行坐标位于第一数列,且列坐标位于第二数列,以此确定第一采样点的采样点分布信息。
上述第一数列可以理解为第一采样点的行坐标的取值范围,上述第二数列可以理解为第一采样点的纵坐标的取值范围。具体而言,可以通过以下伪代码计算第一数列:
[range(start=Xmin+random(0,d),end=Xmax,step=d)]
其中,符号[]表示取整操作,range()表示生成以start为起始值、end为结束值、步长step的数列,random()表示在0到d之间的随机数,Xmin为第一坐标值,Xmax为第三坐标值,d为间距值。
具体而言,可以通过以下伪代码计算第二数列:
[range(start=Ymin+random(0,d),end=Ymax,step=d)]
其中,符号[]表示取整操作,range()表示生成以start为起始值、end为结束值、步长step的数列,random()表示在0到d之间的随机数,Ymin为第二坐标值,Ymax为第四坐标值,d为间距值。
在确定第一数列和第二数列后,将行坐标位于第一数列,纵坐标位于第二数列且位于第一检测区域内的采样点,确定为第一采样点。
这里需要说明的是,需要说明的是,若通过该上述伪代码的计算方法生成的有效采样点数K’≠K,以实际有效采样点数K’为准。
可选地,所述根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片包括:
以每个第一采样点为采样中心,按照预设的第一采样尺寸,对所述每个第一检测区域的图像进行截取,得到所述M个检测图片。
如上所述,第一检测区域可以是待测试图像中被人工标注的ROI区域,上述待测试图像包括至少一个第一检测区域。
本实施例中,对于待测试图像中的任一第一检测区域,在第一检测区域生成均匀分布的M个第一采样点,相邻的第一采样点之间的距离为上述间距值。为便于理解,请参阅图3,在图3示出的应用场景中,第一采样点均匀分布于ROI区域。
具体的截取处理过程为:
对于一个第一采样点,以该第一采样点为采样中心,按照预设的第一采样尺寸,对第一检测区域的图像进行截取,得到一个图片,将该图片确定为检测图片。其中,上述检测图片的中心点为第一采样点,上述第一采样尺寸具体的尺寸大小可以根据检测场景中的目标检测物的规格确定,例如检测场景中的检测物为汽车,该第一采样尺寸可以为第一尺寸;例如,检测场景中的检测物为面包,该第一采样尺寸可以为第二尺寸,其中第一尺寸大于第二尺寸。或者,上述第一采样尺寸具体的尺寸大小还可以根据目标分类模型的训练样本图片规格确定。
本实施例中,通过对对待测试图像的第一检测区域进行截取处理,从而得到检测图片,不需要人工对待测试图像进行标注生成检测图片,以此降低了工作量,提高了目标覆盖率统计的效率。
可选地,所述利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率包括:
将所述M个检测图片输入至目标分类模型中进行分类,得到分类结果;
将所述M个检测图片中种类为预设种类的检测图片确定为目标检测图片;
基于目标检测图片的数量,得到所述第一检测区域对应的目标覆盖率。
本实施例中,在得到M个检测图片之后,将这M个检测图片输入至目标分类模型中进行分类,得到分类结果,其中,分类结果用于表征每个检测图片对应的种类。
将种类为预设种类的检测图片确定为目标检测图片,并获取目标检测图片的数量。进一步的,基于目标检测图片的数量和检测图片的数量,得到第一检测区域对应的目标覆盖率。
本实施例中,可以通过以下伪代码计算一个第一检测区域对应的目标覆盖率:
[M1/M2*100]%
其中,符号[]表示取整操作,M1表示该第一检测区域中的目标检测图片的数量,M2表示该第一检测区域中的检测图片的数量。
可选地,所述待检测图像包括L个第一检测区域,L为小于或等于M且大于1的正整数,所述方法包括:
获取每个第一检测区域中检测图片的数量和目标检测图片的数量;
将所述每个第一检测区域中所述目标检测图片的数量与所述检测图片的数量之间的比值,确定为所述第一检测区域对应的目标覆盖率;
基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率。
进一步的,本发明实施例可选的是,将属于同一个第一检测区域的检测图片作为一个batch(批次)输入至目标分类模型进行分类,即将同一个第一检测区域的M个检测图片一同输入到目标分类模型进行分类。进而提高使用分类模型对检测图片进行分类的效率。
上述待检测图像包括L个第一采样区域,L为小于M且大于1的正整数。
在得到L个第一检测区域对应的统计值之后,可以基于这L个统计值,得到待检测图像对应的目标覆盖率。
可选地,所述基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率包括:
将所述L个第一检测区域对应的目标覆盖率的平均值,确定为所述待检测图像对应的目标覆盖率;或者,
对所述L个第一检测区域对应的目标覆盖率进行加权平均处理,得到所述待检测图像对应的目标覆盖率。
应理解,在对商品铺货率进行计算的场景中,上述待检测图像对应的目标覆盖率用于表征商品铺货率。
请参阅图4,图4为本发明实施例中分类模型的训练方法的流程示意图。本发明实施例提供的分类模型的训练方法包括:
S201,获取训练数据集。
本实施例提供的分类模型的训练方法应用于分类模型的训练装置,上述装置可以接收用户输入的训练数据集,或者通过互联网下载训练数据集,在此并不限制获取训练数据集的具体方式。
本步骤中,上述训练数据集包括训练图片,训练图片为对预设的待训练图像中第二检测区域进行截取得到的图片。其中,第二检测区域为自定义设置的ROI区域。
S202,将所述训练数据集输入至待训练的分类模型,对所述待训练的分类模型进行迭代训练,得到目标分类模型。
本步骤中的待训练的分类模型可以是深度学习分类模型,包括但不限于mobileNet模型和resNet模型,可选地,上述待训练的分类模型为二分类模型。
可选地,在对商品铺货率进行计算的应用场景中,设置上述训练数据集包括商品数据集和背景数据集,该商品数据集中的训练图片基于对预设的包括商品的训练图像中的第二检测区域进行截取得到,该背景数据集中的训练图片基于对预设的不包括商品的训练图像中的第二检测区域进行截取得到。
本发明可选的是,步骤S202包括:在第N次迭代训练后的分类模型对应的损失函数在预设迭代次数内相同的情况下,将所述第N次迭代训练后的分类模型确定为目标分类模型。本步骤中,N为大于1的正整数。
本发明可选的是,步骤S202包括:在完成一个迭代训练后,对迭代训练得到的分类模型进行评估,若评估该分类模型满足输出条件,得到该目标分类模型;若评估该分类模型未满足输出条件,则继续进行迭代训练。其中该输出条件可以包括但不限于:模型精准率度、模型准确率、召回率、F1函数。
本实施例中,通过对预设的待训练图像中的第二检测区域进行截取处理,得到训练图片,进而将训练图片作为训练分类模型的训练数据集。在上述过程中,不需要人工对训练图片进行标注,以此减少了数据标注的工作量,提高了分类模型在训练过程中的效率。
可选地,所述待训练图像包括至少一个第二检测区域,所述获取训练数据集之前,所述方法包括:
对于所述待训练图像中的每个第二检测区域,在所述第二检测区域生成I个第二采样点;
以每个所述第二采样点为采样中心,按照预设的第二采样尺寸,对所述第二采样区域的图像进行截取,得到I个测试样本;
对所述待训练图像对应的训练图片进行组合处理,得到所述训练数据集。
如上所述,第二检测区域可以是待训练图像中被人工标注的ROI区域,上述训练图片包括至少一个第二检测区域。
本实施例中,对于训练图片中的任一第二检测区域,在第二检测区域随机生成I个第二采样点,I为大于1的正整数。为便于理解,请参阅图5,在图5示出的应用场景中,第二采样点随机分布于ROI区域。
具体的采样过程为:
对于一个第二采样点,以该第二采样点为采样中心,按照预设的第二采样尺寸,对第二检测区域的图像进行采样,得到一个图像,将该图像确定为训练图片。其中,上述训练图片的中心点为第二采样点,上述第二采样尺寸具体的尺寸大小可以根据统计场景的不同进行自定义设置,可选地,第二采样尺寸与上述第一采样尺寸相同。
本发明实施例还提供了一种目标覆盖率的获取装置,如图6所示,目标覆盖率的获取装置300包括:
第一获取模块301,用于获取待检测图像中第一检测区域的区域信息;
第一确定模块302,用于根据所述区域信息,确定所述第一检测区域中第一采样点分布信息;
截取模块303,用于根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片;M为大于1的正整数;
处理模块304,用于利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率。
可选地,所述第一确定模块302,具体用于:
确定在所述第一检测区域截取的检测图片的图片规格;
根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的场景信息,所述第一确定模块302,还具体用于:
根据所述场景信息确定所述检测图片的图片规格。
可选地,所述区域信息包括:第一检测区域的位置信息,所述第一确定模块302,还具体用于:
根据所述图片规格,确定第一采样点之间的第一间距值;
根据所述第一间距值以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述区域信息包括第一检测区域的位置信息以及所述第一检测区域的第一面积,所述第一确定模块302,还具体用于:
根据所述图片规格确定所述第一检测区域截取的检测图片对应的第二面积;
基于所述第一面积和所述第二面积,确定所述第一检测区域中第一采样点的采样点数量;
基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息。
可选地,所述第一确定模块302,还具体用于:
根据所述第一面积和所述采样点数量,确定第一采样点之间的间距值;
根据所述第一检测区域的坐标信息和所述间距值,确定所述第一检测区域中第一采样点分布信息。
可选地,所述截取模块303,具体用于:
以每个第一采样点为采样中心,按照预设的第一采样尺寸,对所述每个第一检测区域的图像进行截取,得到所述M个检测图片。
可选地,所述处理模块304,具体用于:
将所述M个检测图片输入至目标分类模型中进行分类,得到分类结果;所述分类结果用于表征每个检测图片对应的种类;
将所述M个检测图片中种类为预设种类的检测图片确定为目标检测图片;
基于目标检测图片的数量,得到所述第一检测区域对应的目标覆盖率。
可选地,所述待检测图像包括L个第一检测区域,L为小于或等于M且大于1的正整数,所述装置包括:
获取模块,用于获取每个第一检测区域中检测图片的数量和目标检测图片的数量;
第二确定模块,用于将所述每个第一检测区域中所述目标检测图片的数量与所述检测图片的数量之间的比值,确定为所述第一检测区域对应的目标覆盖率;
第三确定模块,用于基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率。
可选地,所述第三确定模块,还具体用于:
将所述L个第一检测区域对应的目标覆盖率的平均值,确定为所述待检测图像对应的目标覆盖率;或者,
对所述L个第一检测区域对应的目标覆盖率进行加权平均处理,得到所述待检测图像对应的目标覆盖率。
本发明实施例还提供了一种分类模型的训练装置,如图7所示,分类模型的训练装置400包括:
获取模块401,用于获取训练数据集;
训练模块402,用于将所述训练数据集输入至待训练的分类模型,对所述待训练的分类模型进行迭代训练,得到目标分类模型。
可选地,所述分类模型的训练装置400还包括:
生成模块,用于对于所述待训练图像中的每个第二检测区域,在所述第二检测区域随机生成I个第二采样点,I为大于1的正整数;
截取模块,用于以每个所述第二采样点为采样中心,按照预设的第二采样尺寸,对所述第二检测区域的图像进行截取,得到I个训练图片;
组合模块,用于对所述待训练图像对应的训练图片进行组合,得到所述训练数据集。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,所述计算机程序被所述处理器501执行时,用于执行上述实施例中任一实施例所述的目标覆盖率的获取方法,或者执行上述实施例中任一实施例所述的分类模型的训练方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一实施例所述的目标覆盖率的获取方法,或者执行上述实施例中任一实施例所述的分类模型的训练方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一实施例所述的目标覆盖率的获取方法,或者执行上述实施例中任一实施例所述的分类模型的训练方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种目标覆盖率的获取方法,其特征在于,所述方法包括:
获取待检测图像中第一检测区域的区域信息,其中,所述第一检测区域为所述待检测图像中标注的感兴趣区域;
根据所述区域信息,确定所述第一检测区域中第一采样点分布信息;
根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片;M为大于1的正整数;
利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率;
所述根据所述区域信息,确定所述第一检测区域中第一采样点分布信息包括:
确定在所述第一检测区域截取的检测图片的图片规格;
根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息;
所述区域信息包括第一检测区域的位置信息以及所述第一检测区域的第一面积;
所述根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述图片规格确定所述第一检测区域截取的检测图片对应的第二面积;
基于所述第一面积和所述第二面积,确定所述第一检测区域中第一采样点的采样点数量;
基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息;
所述基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息包括:
根据所述第一面积和所述采样点数量,确定第一采样点之间的间距值;
根据所述第一检测区域的坐标信息和所述间距值,确定所述第一检测区域中第一采样点分布信息;
其中,基于所述第一检测区域的位置信息,获取第一检测区域对应的最小外界矩阵,基于所述最小外界矩阵和间距值,确定第一数列和第二数列,所述第一数列为采样点的行坐标取值范围,所述第二数列为采样点的纵坐标取值范围;将行坐标位于第一数列,纵坐标位于第二数列且位于第一检测区域内的采样点,确定为所述第一采样点;
其中,所述区域信息包括第一检测区域的场景信息,所述确定在所述第一检测区域截取的检测图片的图片规格包括:
根据所述场景信息确定所述检测图片的图片规格。
2.根据权利要求1中任一项所述的方法,其特征在于,所述根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片包括:
以每个第一采样点为采样中心,按照预设的第一采样尺寸,对所述每个第一检测区域的图像进行截取,得到所述M个检测图片。
3.根据权利要求1-2中任一项所述的方法,其特征在于,所述利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率包括:
将所述M个检测图片输入至目标分类模型中进行分类,得到分类结果;所述分类结果用于表征每个检测图片对应的种类;
将所述M个检测图片中种类为预设种类的检测图片确定为目标检测图片;
基于目标检测图片的数量,得到所述第一检测区域对应的目标覆盖率。
4.根据权利要求3所述的方法,其特征在于,所述待检测图像包括L个第一检测区域,L为小于或等于M且大于1的正整数,所述方法包括:
获取每个第一检测区域中检测图片的数量和目标检测图片的数量;
将所述每个第一检测区域中所述目标检测图片的数量与所述检测图片的数量之间的比值,确定为所述第一检测区域对应的目标覆盖率;
基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率。
5.根据权利要求4所述的方法,其特征在于,所述基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率包括:
将所述L个第一检测区域对应的目标覆盖率的平均值,确定为所述待检测图像对应的目标覆盖率;或者,
对所述L个第一检测区域对应的目标覆盖率进行加权平均处理,得到所述待检测图像对应的目标覆盖率。
6.一种目标覆盖率的获取装置,其特征在于,包括:
第一获取模块,用于获取待检测图像中第一检测区域的区域信息,其中,所述第一检测区域为所述待检测图像中标注的感兴趣区域;
第一确定模块,用于根据所述区域信息,确定所述第一检测区域中第一采样点分布信息;
截取模块,用于根据所述第一采样点分布信息,在所述第一检测区域中截取M个检测图片;M为大于1的正整数;
处理模块,用于利用目标分类模型对所述M个检测图片进行目标处理,得到所述第一检测区域对应的目标覆盖率;
所述第一确定模块,具体用于:
确定在所述第一检测区域截取的检测图片的图片规格;
根据所述图片规格以及所述第一检测区域的区域信息,确定所述第一检测区域中第一采样点分布信息;
所述区域信息包括第一检测区域的位置信息以及所述第一检测区域的第一面积,所述第一确定模块,还具体用于:
根据所述图片规格确定所述第一检测区域截取的检测图片对应的第二面积;
基于所述第一面积和所述第二面积,确定所述第一检测区域中第一采样点的采样点数量;
基于所述采样点数量以及所述第一检测区域的位置信息,确定所述第一检测区域中第一采样点分布信息;
所述第一确定模块,还具体用于:
根据所述第一面积和所述采样点数量,确定第一采样点之间的间距值;
根据所述第一检测区域的坐标信息和所述间距值,确定所述第一检测区域中第一采样点分布信息;
其中,基于所述第一检测区域的位置信息,获取第一检测区域对应的最小外界矩阵,基于所述最小外界矩阵和间距值,确定第一数列和第二数列,所述第一数列为采样点的行坐标取值范围,所述第二数列为采样点的纵坐标取值范围;将行坐标位于第一数列,纵坐标位于第二数列且位于第一检测区域内的采样点,确定为所述第一采样点;
其中,所述区域信息包括第一检测区域的场景信息,所述第一确定模块,还具体用于:
根据所述场景信息确定所述检测图片的图片规格。
7.根据权利要求6中任一项所述的装置,其特征在于,所述截取模块,具体用于:
以每个第一采样点为采样中心,按照预设的第一采样尺寸,对所述每个第一检测区域的图像进行截取,得到所述M个检测图片。
8.根据权利要求6-7中任一项所述的装置,其特征在于,所述处理模块,具体用于:
将所述M个检测图片输入至目标分类模型中进行分类,得到分类结果;所述分类结果用于表征每个检测图片对应的种类;
将所述M个检测图片中种类为预设种类的检测图片确定为目标检测图片;
基于目标检测图片的数量,得到所述第一检测区域对应的目标覆盖率。
9.根据权利要求8所述的装置,其特征在于,所述待检测图像包括L个第一检测区域,L为小于或等于M且大于1的正整数,所述装置包括:
第二获取模块,用于获取每个第一检测区域中检测图片的数量和目标检测图片的数量;
第二确定模块,用于将所述每个第一检测区域中所述目标检测图片的数量与所述检测图片的数量之间的比值,确定为所述第一检测区域对应的目标覆盖率;
第三确定模块,用于基于所述L个第一检测区域对应的目标覆盖率,确定所述待检测图像对应的目标覆盖率。
10.根据权利要求9所述的装置,其特征在于,所述第三确定模块,还具体用于:
将所述L个第一检测区域对应的目标覆盖率的平均值,确定为所述待检测图像对应的目标覆盖率;或者,
对所述L个第一检测区域对应的目标覆盖率进行加权平均处理,得到所述待检测图像对应的目标覆盖率。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如权利要求1-5中任一项所述的目标覆盖率的获取方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现如权利要求1-5中任一项所述的目标覆盖率的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473555.2A CN114972750B (zh) | 2022-04-29 | 2022-04-29 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473555.2A CN114972750B (zh) | 2022-04-29 | 2022-04-29 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972750A CN114972750A (zh) | 2022-08-30 |
CN114972750B true CN114972750B (zh) | 2023-10-27 |
Family
ID=82978721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210473555.2A Active CN114972750B (zh) | 2022-04-29 | 2022-04-29 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972750B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868761A (zh) * | 2016-06-06 | 2016-08-17 | 黑龙江科技大学 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
WO2019014810A1 (zh) * | 2017-07-17 | 2019-01-24 | 深圳市大疆创新科技有限公司 | 一种对图像的处理方法及装置、智能终端 |
CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
CN110836632A (zh) * | 2019-12-09 | 2020-02-25 | 邢台学院 | 一种山区土地面积测量方法及系统 |
CN111104976A (zh) * | 2019-12-12 | 2020-05-05 | 南京大学 | 一种基于时间序列图像的蓝藻覆盖率计算方法 |
CN111261016A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 道路地图的构建方法、装置和电子设备 |
CN112203293A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 小区过覆盖识别方法、装置、设备及计算机存储介质 |
CN112798325A (zh) * | 2020-12-31 | 2021-05-14 | 重庆壤科农业数据服务有限公司 | 无人机土壤定点自动采样联动控制方法及系统 |
CN113624716A (zh) * | 2021-09-13 | 2021-11-09 | 杭州领见数字农业科技有限公司 | 一种基于植被覆盖度的土壤氮素估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967454B (zh) * | 2020-10-23 | 2021-01-08 | 自然资源部第二海洋研究所 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
-
2022
- 2022-04-29 CN CN202210473555.2A patent/CN114972750B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868761A (zh) * | 2016-06-06 | 2016-08-17 | 黑龙江科技大学 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
WO2019014810A1 (zh) * | 2017-07-17 | 2019-01-24 | 深圳市大疆创新科技有限公司 | 一种对图像的处理方法及装置、智能终端 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN111261016A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 道路地图的构建方法、装置和电子设备 |
CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
CN112203293A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 小区过覆盖识别方法、装置、设备及计算机存储介质 |
CN110836632A (zh) * | 2019-12-09 | 2020-02-25 | 邢台学院 | 一种山区土地面积测量方法及系统 |
CN111104976A (zh) * | 2019-12-12 | 2020-05-05 | 南京大学 | 一种基于时间序列图像的蓝藻覆盖率计算方法 |
CN112798325A (zh) * | 2020-12-31 | 2021-05-14 | 重庆壤科农业数据服务有限公司 | 无人机土壤定点自动采样联动控制方法及系统 |
CN113624716A (zh) * | 2021-09-13 | 2021-11-09 | 杭州领见数字农业科技有限公司 | 一种基于植被覆盖度的土壤氮素估计方法 |
Non-Patent Citations (3)
Title |
---|
基于K-means聚类和分区寻优的秸秆覆盖率计算方法;安晓飞等;《农业机械学报》;第52卷(第10期);全文 * |
基于LSMM和改进的FCM提取城市植被覆盖度――以北京市海淀区为例;胡姝婧等;《生态学报》;20100223(第04期);全文 * |
基于资源三号卫星遥感影像的城市绿地提取;许康;卢刚;郭雪瑶;徐佳;;《测绘与空间地理信息》(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114972750A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222791B (zh) | 样本标注信息的审核方法及装置 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和系统 | |
CN111932451B (zh) | 重定位效果的评价方法、装置、电子设备和存储介质 | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN117147561B (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN110335219B (zh) | 一种像素畸变的校正方法、校正装置及终端 | |
CN111369152A (zh) | 农业土地价值评估优化方法、装置、设备及可读存储介质 | |
CN114972750B (zh) | 目标覆盖率的获取方法、分类模型的训练方法及装置 | |
CN109840212A (zh) | 应用程序的功能测试方法、装置、设备及可读存储介质 | |
CN111709951A (zh) | 目标检测网络训练方法及系统及网络及装置及介质 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN114896134B (zh) | 面向目标检测模型的蜕变测试方法、装置及设备 | |
US11941844B2 (en) | Object detection model generation method and electronic device and computer readable storage medium using the same | |
CN115641306A (zh) | 产品缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112149546B (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
CN113935974A (zh) | 线宽参数测量方法、装置及图像处理设备 | |
CN109146840B (zh) | 基于高斯概率统计的数据几何定位精度评估方法及装置 | |
CN111028287B (zh) | 确定雷达坐标和摄像机坐标的转换矩阵的方法和装置 | |
CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN112954310A (zh) | 图像质量检测方法、装置、计算机设备以及可读存储介质 | |
TWI807854B (zh) | 瑕疵偵測方法、電腦設備及儲存介質 | |
CN110930344A (zh) | 一种目标的质量确定方法、装置、系统及电子设备 | |
CN111126107A (zh) | 一种信息确定方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |