CN115147700A - 一种图像识别系统目标识别率参数校准方法及装置 - Google Patents

一种图像识别系统目标识别率参数校准方法及装置 Download PDF

Info

Publication number
CN115147700A
CN115147700A CN202210724441.0A CN202210724441A CN115147700A CN 115147700 A CN115147700 A CN 115147700A CN 202210724441 A CN202210724441 A CN 202210724441A CN 115147700 A CN115147700 A CN 115147700A
Authority
CN
China
Prior art keywords
test
image
recognition
target
images
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
Application number
CN202210724441.0A
Other languages
English (en)
Other versions
CN115147700B (zh
Inventor
徐沛
沙长涛
高猛
王文娟
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.)
China Electronics Standardization Institute
Original Assignee
China Electronics Standardization Institute
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 China Electronics Standardization Institute filed Critical China Electronics Standardization Institute
Priority to CN202210724441.0A priority Critical patent/CN115147700B/zh
Publication of CN115147700A publication Critical patent/CN115147700A/zh
Application granted granted Critical
Publication of CN115147700B publication Critical patent/CN115147700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例公开了一种图像识别系统目标识别率参数校准方法、装置、电子设备及存储介质，涉及图像识别技术领域，能够对图像识别系统的性能进行统一科学的评价。所述图像识别系统目标识别率参数校准方法包括：从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。

Description

一种图像识别系统目标识别率参数校准方法及装置
技术领域
本发明涉及图像识别技术领域，尤其涉及一种图像识别系统目标识别率参数校准方法、装置、电子设备及存储介质。
背景技术
图像识别系统通过多种传感器采集场景与目标信息，运用不同类型的识别技术实现对目标的分类识别，目标识别率是图像识别系统的一个重要性能指标，目标识别率测试是评估图像识别系统性能的关键环节，测试时使用质量较高的图像集进行测试得到的识别率要高于图像质量低时的测试结果，比如，测试对象为手写数字识别系统，测试图像集中的图像数量为30000张，其中噪声方差为0.01、0.05、0.1的测试图像各10000张，每次测试从测试图像集中随机抽取2000张图像进行，共进行十次测试，测试结果如图1所示。可以看出，测试得到的识别率最高为72.12％，最低为67.57％，测试数据的极差达到了4.55％。
因此，识别率测试在图像质量不均衡的图像集上进行，每次测试结果均不一致，出现了测试结果分散的现象，导致无法对图像识别系统的性能进行统一科学的评价，对图像识别系统的验收和使用产生了影响。
发明内容
有鉴于此，本发明实施例提供一种能够对图像识别系统的性能进行统一科学评价的图像识别系统目标识别率参数校准方法、装置、电子设备及存储介质。
第一方面，本发明实施例提供一种图像识别系统目标识别率参数校准方法，包括：
从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；
对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；
对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。
结合第一方面，在第一方面的一种实施方式中，所述从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集，包括：
将目标图像自0°起顺时针旋转，每旋转15°形成一幅图像，共形成24幅旋转目标图像；
将图片显示区域按照水平方向平均分为三个部分，再按照垂直方向平均分为三个部分，形成9个区域，将每张旋转目标图像置于1个区域内，形成一张图片，共生成24×9＝216张图像；
模糊处理，使用方差从0.001到0.5，步长为0.001的二维循环对称高斯滤波器，对图像进行R、G、B通道滤波处理，模拟实际场景中由于雨、雪、雾、灰尘、距离原因造成的图像模糊，共生成216×500×3＝324000张图像；
蒙尘处理，采用蒙尘、划痕2种特效滤镜处理，模拟背景变换且光照、对比度变化原因造成的图像退化，共生成324000×2＝648000张图像；
加噪处理，对图像添加高斯、脉冲、瑞利、伽马、指数、均匀6种类型的噪声，模拟图像生成与传播过程中遇到的干扰，传感器在低照明度或者高温的条件下拍摄设备产生的噪声，电路中产生的噪声，以及图像存储传输过程中受到突如其来的强烈干扰而产生的数位转换器或位元传输错误现象，共生成324000×6＝1944000张图像；
得到测试图像集，共有324000+648000+1944000＝2916000张图像。
结合第一方面，在第一方面的另一种实施方式中，所述对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行，包括：
对生成的每张测试图像计算目标背景对比度TBC，按照目标背景对比度TBC>0.1、0.1>TBC>0.06、TBC<0.06将测试图像分为三个测试图像子集；
使用被测图像识别系统自带的训练工具，对每个测试图像子集，分别从中随机抽取80％的图像对被测图像识别系统进行训练，使用剩余20％的图像对训练完成后的被测图像识别系统进行识别测试，识别结果用0或1表示，正确识别为1，错误识别为0，记录得到在该TBC指标下的识别率测试结果；
对每个测试图像子集进行测试，分别得到在TBC>0.1、0.1>TBC>0.06、TBC<0.06指标下的3组识别率测试结果。
结合第一方面，在第一方面的再一种实施方式中，所述对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准，包括：
对每个TBC指标下的识别率测试结果计算识别率p，测试中正确识别的次数X服从二项分布X～b(n,p)，生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布，其中n为测试总次数；
随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，利用zi计算得到10000个识别率值pi(i＝1，2，3...10000)，再计算pi的平均值
Figure BDA0003710648550000031
作为识别率测试的标准值pstd，然后计算pi的标准偏差σstd，作为测量结果的标准不确定度；
根据最大后验概率密度准则计算包含区间，取包含概率95％，得到识别率p在包含概率95％下的包含区间；
按照上述步骤分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
第二方面，本发明实施例提供一种图像识别系统目标识别率参数校准装置，包括：
生成模块，用于从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；
测试模块，用于对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；
校准模块，用于对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。
结合第二方面，在第二方面的一种实施方式中，所述生成模块包括：
旋转单元，用于将目标图像自0°起顺时针旋转，每旋转15°形成一幅图像，共形成24幅旋转目标图像；
分割单元，用于将图片显示区域按照水平方向平均分为三个部分，再按照垂直方向平均分为三个部分，形成9个区域，将每张旋转目标图像置于1个区域内，形成一张图片，共生成24×9＝216张图像；
模糊处理单元，用于模糊处理，使用方差从0.001到0.5，步长为0.001的二维循环对称高斯滤波器，对图像进行R、G、B通道滤波处理，模拟实际场景中由于雨、雪、雾、灰尘、距离原因造成的图像模糊，共生成216×500×3＝324000张图像；
蒙尘处理单元，用于蒙尘处理，采用蒙尘、划痕2种特效滤镜处理，模拟背景变换且光照、对比度变化原因造成的图像退化，共生成324000×2＝648000张图像；
加噪处理单元，用于加噪处理，对图像添加高斯、脉冲、瑞利、伽马、指数、均匀6种类型的噪声，模拟图像生成与传播过程中遇到的干扰，传感器在低照明度或者高温的条件下拍摄设备产生的噪声，电路中产生的噪声，以及图像存储传输过程中受到突如其来的强烈干扰而产生的数位转换器或位元传输错误现象，共生成324000×6＝1944000张图像；
第一获取单元，用于得到测试图像集，共有324000+648000+1944000＝2916000张图像。
结合第二方面，在第二方面的另一种实施方式中，所述测试模块包括：
划分单元，用于对生成的每张测试图像计算目标背景对比度TBC，按照目标背景对比度TBC>0.1、0.1>TBC>0.06、TBC<0.06将测试图像分为三个测试图像子集；
测试单元，用于使用被测图像识别系统自带的训练工具，对每个测试图像子集，分别从中随机抽取80％的图像对被测图像识别系统进行训练，使用剩余20％的图像对训练完成后的被测图像识别系统进行识别测试，识别结果用0或1表示，正确识别为1，错误识别为0，记录得到在该TBC指标下的识别率测试结果；
第二获取单元，用于对每个测试图像子集进行测试，分别得到在TBC>0.1、0.1>TBC>0.06、TBC<0.06指标下的3组识别率测试结果。
结合第二方面，在第二方面的再一种实施方式中，所述校准模块包括：
第一计算单元，用于对每个TBC指标下的识别率测试结果计算识别率p，测试中正确识别的次数X服从二项分布X～b(n,p)，生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布，其中n为测试总次数；
第二计算单元，用于随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，利用zi计算得到10000个识别率值pi(i＝1，2，3...10000)，再计算pi的平均值
Figure BDA0003710648550000051
作为识别率测试的标准值pstd，然后计算pi的标准偏差σstd，作为测量结果的标准不确定度；
第三获取单元，用于根据最大后验概率密度准则计算包含区间，取包含概率95％，得到识别率p在包含概率95％下的包含区间；
第三计算单元，用于按照上述第一计算单元、第二计算单元和第三获取单元分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一所述的方法。
第四方面，本发明实施例还提供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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述任一所述的方法。
本发明实施例提供的图像识别系统目标识别率参数校准方法、装置、电子设备及存储介质，可以生成图像质量均衡、贴近实际的测试图像集，有效减小识别率测试结果的分散，保证测试结果的量值准确可靠；进而通过比较标准值与测量值、计算标准不确定度和测试结果的包含区间的方式实现对目标识别率参数的校准。本发明实施例可以保证测量结果的参数统一与量值准确可靠，是提高测试结果的可信度的重要方法，是对识别率参数测试结果的计量确认与评价，能够对图像识别系统的性能进行统一科学的评价。
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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为现有技术中从测试图像集中随机抽取2000张图像对手写数字识别系统进行目标识别率测试10次得到的测试数据图；
图2为本发明的图像识别系统目标识别率参数校准方法的流程示意图；
图3为本发明的图像识别系统目标识别率参数校准方法的原理示意图；
图4为本发明的方法实例一中对目标图像进行旋转处理的效果图；
图5为本发明的方法实例一中对目标图像加背景后移位处理的效果图；
图6为本发明的方法实例一中对目标图像模糊处理的效果图；
图7为本发明的方法实例一中对目标图像蒙尘处理的效果图；
图8为本发明的方法实例一中对目标图像加噪处理的效果图；
图9为本发明的方法实例一中选取的TBC>0.1的图像子集的效果图；
图10为本发明的方法实例一中测试结果的界面图；
图11为本发明的方法实例二中对目标图像进行旋转处理的效果图；
图12为本发明的方法实例二中对目标图像模糊处理的效果图；
图13为本发明的方法实例二中对目标图像蒙尘处理的效果图；
图14为本发明的方法实例二中对目标图像加噪处理的效果图；
图15为本发明的方法实例二中选取的TBC>0.1的图像子集的效果图；
图16为本发明的方法实例二中测试结果的界面图；
图17为本发明的图像识别系统目标识别率参数校准装置的结构示意图；
图18为本发明的电子设备一个实施例的结构示意图；
图19为图18所示电子设备的架构原理示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一方面，本发明实施例提供一种图像识别系统目标识别率参数校准方法，如图2所示，包括：
步骤101：从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；
本步骤中，目标图像库为预先设置，例如可以包括人体、物体、动物、文字等目标的清晰图像，格式为PNG、BMP、JPG等格式，分辨率不低于500×375。
本步骤的目的是：根据被识别目标的特点，制作尽可能贴近应用场景的测试图像集。在图3中，本发明实施例的校准过程整体由测试图像集生成、识别率测试、识别率校准三个步骤组成，其中测试图像集生成用于制作符合要求的测试图像集；识别率测试用于使用测试图像集对被测图像识别系统进行识别测试；识别率校准用于对测试数据进行处理，通过比对标准值和测试值的方式进行校准。本步骤即对应图3中的测试图像集生成。
作为一种可选的实施例，所述从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集(步骤101)，可以包括：
步骤1011：将目标图像自0°起顺时针旋转，每旋转15°形成一幅图像，共形成24幅旋转目标图像；
步骤1012：将图片显示区域按照水平方向平均分为三个部分，再按照垂直方向平均分为三个部分，形成9个区域，将每张旋转目标图像置于1个区域内，形成一张图片，共生成24×9＝216张图像；
步骤1013：模糊处理，使用方差从0.001到0.5，步长为0.001的二维循环对称高斯滤波器，对图像进行R、G、B通道滤波处理，模拟实际场景中由于雨、雪、雾、灰尘、距离等原因造成的图像模糊，共生成216×500×3＝324000张图像；
步骤1014：蒙尘处理，采用蒙尘、划痕2种特效滤镜处理，模拟背景变换且光照、对比度变化等原因造成的图像退化，共生成324000×2＝648000张图像；
步骤1015：加噪处理，对图像添加高斯、脉冲、瑞利、伽马、指数、均匀6种类型的噪声，模拟图像生成与传播过程中遇到的干扰，传感器在低照明度或者高温的条件下拍摄设备产生的噪声，电路中产生的噪声，以及图像存储传输过程中受到突如其来的强烈干扰而产生的数位转换器或位元传输错误现象，共生成324000×6＝1944000张图像；
步骤1016：得到测试图像集，共有324000+648000+1944000＝2916000张图像。
这样，经过上述步骤1011-1016，即可生成用于识别率测试的测试图像集。
步骤102：对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；
本步骤对应图3中的识别率测试。
作为一种可选的实施例，所述对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行(步骤102)，可以包括：
步骤1021：对生成的每张测试图像计算目标背景对比度TBC，按照目标背景对比度TBC>0.1、0.1>TBC>0.06、TBC<0.06将测试图像分为三个测试图像子集；
本步骤中，目标背景对比度TBC计算公式可以如下：
Figure BDA0003710648550000091
其中：μT为目标区域T的灰度均值；
μB为背景区域B的灰度均值；
σB为背景区域B中像素灰度标准偏差。
步骤1022：使用被测图像识别系统自带的训练工具，对每个测试图像子集，分别从中随机抽取80％的图像对被测图像识别系统进行训练，使用剩余20％的图像对训练完成后的被测图像识别系统进行识别测试，识别结果用0或1表示，正确识别为1，错误识别为0，记录得到在该TBC指标下的识别率测试结果；
本步骤中，被测/被校准图像识别系统可以是人体、物品、动物、文字等多种类型的图像识别系统或多种图像识别系统的组合。训练方法可以采用本领域的各种常规方法，此处不再赘述。
步骤1023：对每个测试图像子集进行测试，分别得到在TBC>0.1、0.1>TBC>0.06、TBC<0.06指标下的3组识别率测试结果。
步骤103：对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。
本步骤对应图3中的识别率校准。
作为一种可选的实施例，所述对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准(步骤103)，可以包括：
步骤1031：对每个TBC指标下的识别率测试结果计算识别率p，测试中正确识别的次数X服从二项分布X～b(n,p)，生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布，其中n为测试总次数；
具体的，对每个TBC指标下的识别率测试结果可以按照式2计算识别率p。
Figure BDA0003710648550000092
式中：xi—测试中的识别结果(0或1)；
X—测试中正确识别的次数；
n—测试总次数。
测试中正确识别的次数X服从二项分布X～b(n,p)，即：
Figure BDA0003710648550000101
根据式3，图像识别测试中正确识别次数X的均值E(X)＝np，方差D(X)＝n(1-p)p，二项分布的偏度为
Figure BDA0003710648550000102
生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布。
步骤1032：随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，利用zi计算得到10000个识别率值pi(i＝1，2，3...10000)，再计算pi的平均值
Figure BDA0003710648550000103
作为识别率测试的标准值pstd，然后计算pi的标准偏差σstd，作为测量结果的标准不确定度；
具体的，随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，将zi分别代入如式2所示的测量数学模型，得到10000个识别率值pi(i＝1，2，3...10000)，按照式4计算pi的平均值
Figure BDA0003710648550000104
作为识别率测试的标准值pstd，按照式5计算pi的标准偏差σstd，作为测量结果的标准不确定度。
Figure BDA0003710648550000105
Figure BDA0003710648550000106
步骤1033：根据最大后验概率密度准则计算包含区间，取包含概率95％，得到识别率p在包含概率95％下的包含区间；
具体的，根据最大后验概率密度准则计算包含区间，取包含概率95％，设r(0<r<0.05)，按照式6计算在r的取值范围内，p取最大值时的r′。
Figure BDA0003710648550000107
式中：P(p)—N(np,np(1-p))
得到识别率p在包含概率95％下的包含区间为：
Figure BDA0003710648550000111
步骤1034：按照上述步骤分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
具体的，按照上述步骤1031～1033分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
本发明实施例的图像识别系统目标识别率参数校准方法的主要作用是：1、生成符合测试要求，且贴近真实场景的测试图像集；2、将测试图像集按照图像质量指标划分为子集，子集中的图像质量较为均衡，图像识别系统的识别率测试在图像子集上进行，以减小测量结果的分散性；3、对测试数据进行统计分析，得到测量结果的标准值、标准不确定度和包含概率为95％时包含区间，完成识别率的校准。
本发明实施例的图像识别系统目标识别率参数校准方法，可以生成图像质量均衡、贴近实际的测试图像集，有效减小识别率测试结果的分散，保证测试结果的量值准确可靠；进而通过比较标准值与测量值、计算标准不确定度和测试结果的包含区间的方式实现对目标识别率参数的校准。本发明实施例可以保证测量结果的参数统一与量值准确可靠，是提高测试结果的可信度的重要方法，是对识别率参数测试结果的计量确认与评价，能够对图像识别系统的性能进行统一科学的评价。
应用实例1：用于飞机识别的图像识别系统识别率参数校准
一、测量对象
用于飞机识别的图像识别系统。
二、测量过程
1、测试图像集生成
(1)对目标图像进行旋转处理，处理效果如图4所示；
(2)加背景后移位处理，处理效果如图5所示；
(3)模糊处理，处理效果如图6所示；
(4)蒙尘处理，处理效果如图7所示；
(5)加噪处理，处理效果如图8所示；
2、识别率测试
选取TBC>0.1的图像子集共有图像856800张，如图9所示。
使用被测识别系统自带的训练工具，随机抽取685440张进行训练，剩余171360张进行识别测试。测试过程中，如果在图像中识别出飞机，则可以用红色方框在图像中标出飞机的位置，测试结果的界面如图10所示。
最终得到的测试结果：正确识别的次数为154224，错误识别次数为17136。
3、识别率校准
识别率的测试值为：
Figure BDA0003710648550000121
随机生成10000个参数为N(154224,15422)的正态分布随机数，按式4计算得到识别率标准值pstd＝90.43％。
按式5计算得到标准不确定度u(p)＝σstd＝0.773％。
按式6计算得到包含概率95％下的包含区间为(88.976％,92.073％)。
TBC>0.1测试条件下识别率的校准结果如表1所示。
表1 TBC>0.1测试条件下校准结果
测试条件 测试值 标准值 标准不确定度u 包含概率95％下包含区间
TBC>0.1 90％ 90.43％ 0.773％ (88.976％,92.073％)
应用实例2：用于数字识别的图像识别系统识别率参数校准
一、测量对象
用于数字识别的图像识别系统。
二、测量过程
1、测试图像集生成
(1)对目标图像进行旋转处理，处理效果如图11所示；
(2)模糊处理，处理效果如图12所示；
(3)蒙尘处理，处理效果如图13所示；
(4)加噪处理，处理效果如图14所示；
2、识别率测试
TBC>0.1的图像子集共有图像963247张，如图15所示。
使用被测识别系统自带的训练工具，随机抽取770598张进行训练，剩余192649张进行识别测试。数字识别系统识别率测试结果的界面如图16所示。
最终得到的测试结果：正确识别的次数为155795，错误识别次数为36854。
3、识别率校准
识别率的测试值为：
Figure BDA0003710648550000131
随机生成10000个参数为N(155795.25，29803.63)的正态分布随机数，按式4计算得到识别率标准值pstd＝80.94％。
按式5计算得到标准不确定度u(p)＝σstd＝0.826％。
按式6计算得到包含概率95％下的包含区间为(79.346％,82.658％)。
TBC>0.1测试条件下识别率的校准结果如表2所示。
表2 TBC>0.1测试条件下校准结果
测试条件 测试值 标准值 标准不确定度u 包含概率95％下包含区间
TBC>0.1 80.87％ 80.94％ 0.826％ (79.346％，82.658％)
综上，本发明的有益效果是：设计了用于图像识别系统目标识别率参数校准方法，解决了识别率测试结果分散性大的问题。主要有以下创新点：
1、提出了测试图像集的制作方法。通过对目标图像进行旋转、移位、模糊、蒙尘、加噪等处理，生成既符合测试要求，又贴近实际场景的测试图像集，图像集共有2916000张图像；
2、提出了按照图像质量指标对测试图像集进行划分的方法。按目标背景对比度指标将测试图像集划分为图像子集，使图像子集中的图像质量一致，有效减小了由于图像质量差异过大导致的识别率测试结果分散的现象；
3、提出了识别率校准方法。推导出了识别率的概率分布，通过对测量结果进行不确定度评定，比对标准值和测试值的方式完成识别率的校准。
另一方面，本发明实施例提供一种图像识别系统目标识别率参数校准装置，如图17所示，包括：
生成模块11，用于从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；
测试模块12，用于对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；
校准模块13，用于对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。
本实施例的装置，可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
优选的，所述生成模块11包括：
旋转单元，用于将目标图像自0°起顺时针旋转，每旋转15°形成一幅图像，共形成24幅旋转目标图像；
分割单元，用于将图片显示区域按照水平方向平均分为三个部分，再按照垂直方向平均分为三个部分，形成9个区域，将每张旋转目标图像置于1个区域内，形成一张图片，共生成24×9＝216张图像；
模糊处理单元，用于模糊处理，使用方差从0.001到0.5，步长为0.001的二维循环对称高斯滤波器，对图像进行R、G、B通道滤波处理，模拟实际场景中由于雨、雪、雾、灰尘、距离原因造成的图像模糊，共生成216×500×3＝324000张图像；
蒙尘处理单元，用于蒙尘处理，采用蒙尘、划痕2种特效滤镜处理，模拟背景变换且光照、对比度变化原因造成的图像退化，共生成324000×2＝648000张图像；
加噪处理单元，用于加噪处理，对图像添加高斯、脉冲、瑞利、伽马、指数、均匀6种类型的噪声，模拟图像生成与传播过程中遇到的干扰，传感器在低照明度或者高温的条件下拍摄设备产生的噪声，电路中产生的噪声，以及图像存储传输过程中受到突如其来的强烈干扰而产生的数位转换器或位元传输错误现象，共生成324000×6＝1944000张图像；
第一获取单元，用于得到测试图像集，共有324000+648000+1944000＝2916000张图像。
优选的，所述测试模块12包括：
划分单元，用于对生成的每张测试图像计算目标背景对比度TBC，按照目标背景对比度TBC>0.1、0.1>TBC>0.06、TBC<0.06将测试图像分为三个测试图像子集；
测试单元，用于使用被测图像识别系统自带的训练工具，对每个测试图像子集，分别从中随机抽取80％的图像对被测图像识别系统进行训练，使用剩余20％的图像对训练完成后的被测图像识别系统进行识别测试，识别结果用0或1表示，正确识别为1，错误识别为0，记录得到在该TBC指标下的识别率测试结果；
第二获取单元，用于对每个测试图像子集进行测试，分别得到在TBC>0.1、0.1>TBC>0.06、TBC<0.06指标下的3组识别率测试结果。
优选的，所述校准模块13包括：
第一计算单元，用于对每个TBC指标下的识别率测试结果计算识别率p，测试中正确识别的次数X服从二项分布X～b(n,p)，生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布，其中n为测试总次数；
第二计算单元，用于随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，利用zi计算得到10000个识别率值pi(i＝1，2，3...10000)，再计算pi的平均值
Figure BDA0003710648550000151
作为识别率测试的标准值pstd，然后计算pi的标准偏差σstd，作为测量结果的标准不确定度；
第三获取单元，用于根据最大后验概率密度准则计算包含区间，取包含概率95％，得到识别率p在包含概率95％下的包含区间；
第三计算单元，用于按照上述第一计算单元、第二计算单元和第三获取单元分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
本发明实施例还提供一种电子设备，图18为本发明电子设备一个实施例的结构示意图，可以实现本发明图2所示实施例的流程，如图18所示，上述电子设备可以包括：壳体41、处理器42、存储器43、电路板44和电源电路45，其中，电路板44安置在壳体41围成的空间内部，处理器42和存储器43设置在电路板44上；电源电路45，用于为上述电子设备的各个电路或器件供电；存储器43用于存储可执行程序代码；处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一方法实施例所述的方法。
处理器42对上述步骤的具体执行过程以及处理器42通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图2所示实施例的描述，在此不再赘述。
如图19所示，该电子设备中，存储器可以分为辅助存储器和主存储器，辅助存储器用于存储处理过程中的图像，主存储器用于存储处理完成后的图像。数据处理器的运算模式可以为CPU+GPU的异构架构，并行部分在GPU上运行，串行部分在CPU运行，数据传输带宽320Gbps。测试软件的主要功能是生成测试图像、对被测识别系统进行识别测试和数据处理。
这样，该电子设备集成了图像集生成、测试、校准等功能，为识别率测试校准提供了稳定的运行平台。该电子设备将CPU+GPU的异构架构应用于数据处理，极大提高了运行效率。
该电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例所述的方法步骤。
本发明的实施例还提供一种应用程序，所述应用程序被执行以实现本发明任一方法实施例提供的方法。
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，对于装置实施例而言，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。为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种图像识别系统目标识别率参数校准方法，其特征在于，包括：
从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；
对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；
对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。
2.根据权利要求1所述的方法，其特征在于，所述从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集，包括：
将目标图像自0°起顺时针旋转，每旋转15°形成一幅图像，共形成24幅旋转目标图像；
将图片显示区域按照水平方向平均分为三个部分，再按照垂直方向平均分为三个部分，形成9个区域，将每张旋转目标图像置于1个区域内，形成一张图片，共生成24×9＝216张图像；
模糊处理，使用方差从0.001到0.5，步长为0.001的二维循环对称高斯滤波器，对图像进行R、G、B通道滤波处理，模拟实际场景中由于雨、雪、雾、灰尘、距离原因造成的图像模糊，共生成216×500×3＝324000张图像；
蒙尘处理，采用蒙尘、划痕2种特效滤镜处理，模拟背景变换且光照、对比度变化原因造成的图像退化，共生成324000×2＝648000张图像；
加噪处理，对图像添加高斯、脉冲、瑞利、伽马、指数、均匀6种类型的噪声，模拟图像生成与传播过程中遇到的干扰，传感器在低照明度或者高温的条件下拍摄设备产生的噪声，电路中产生的噪声，以及图像存储传输过程中受到突如其来的强烈干扰而产生的数位转换器或位元传输错误现象，共生成324000×6＝1944000张图像；
得到测试图像集，共有324000+648000+1944000＝2916000张图像。
3.根据权利要求1所述的方法，其特征在于，所述对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行，包括：
对生成的每张测试图像计算目标背景对比度TBC，按照目标背景对比度TBC>0.1、0.1>TBC>0.06、TBC<0.06将测试图像分为三个测试图像子集；
使用被测图像识别系统自带的训练工具，对每个测试图像子集，分别从中随机抽取80％的图像对被测图像识别系统进行训练，使用剩余20％的图像对训练完成后的被测图像识别系统进行识别测试，识别结果用0或1表示，正确识别为1，错误识别为0，记录得到在该TBC指标下的识别率测试结果；
对每个测试图像子集进行测试，分别得到在TBC>0.1、0.1>TBC>0.06、TBC<0.06指标下的3组识别率测试结果。
4.根据权利要求1所述的方法，其特征在于，所述对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准，包括：
对每个TBC指标下的识别率测试结果计算识别率p，测试中正确识别的次数X服从二项分布X～b(n,p)，生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布，其中n为测试总次数；
随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，利用zi计算得到10000个识别率值pi(i＝1，2，3...10000)，再计算pi的平均值
Figure FDA0003710648540000021
作为识别率测试的标准值pstd，然后计算pi的标准偏差σstd，作为测量结果的标准不确定度；
根据最大后验概率密度准则计算包含区间，取包含概率95％，得到识别率p在包含概率95％下的包含区间；
按照上述步骤分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
5.一种图像识别系统目标识别率参数校准装置，其特征在于，包括：
生成模块，用于从目标图像库中选择符合识别类型的目标图像，对目标图像进行处理，生成用于识别率测试的测试图像集；
测试模块，用于对生成的测试图像集，按照目标背景对比度指标进行划分，使每个测试图像集中的图像目标背景对比度指标处于一定范围内，形成测试图像子集，使识别测试在图像质量均匀的测试图像子集上进行；
校准模块，用于对识别测试的结果进行统计分析，得到测试的标准值和不确定度，通过比较测试值和标准值完成对测试结果的校准。
6.根据权利要求5所述的装置，其特征在于，所述生成模块包括：
旋转单元，用于将目标图像自0°起顺时针旋转，每旋转15°形成一幅图像，共形成24幅旋转目标图像；
分割单元，用于将图片显示区域按照水平方向平均分为三个部分，再按照垂直方向平均分为三个部分，形成9个区域，将每张旋转目标图像置于1个区域内，形成一张图片，共生成24×9＝216张图像；
模糊处理单元，用于模糊处理，使用方差从0.001到0.5，步长为0.001的二维循环对称高斯滤波器，对图像进行R、G、B通道滤波处理，模拟实际场景中由于雨、雪、雾、灰尘、距离原因造成的图像模糊，共生成216×500×3＝324000张图像；
蒙尘处理单元，用于蒙尘处理，采用蒙尘、划痕2种特效滤镜处理，模拟背景变换且光照、对比度变化原因造成的图像退化，共生成324000×2＝648000张图像；
加噪处理单元，用于加噪处理，对图像添加高斯、脉冲、瑞利、伽马、指数、均匀6种类型的噪声，模拟图像生成与传播过程中遇到的干扰，传感器在低照明度或者高温的条件下拍摄设备产生的噪声，电路中产生的噪声，以及图像存储传输过程中受到突如其来的强烈干扰而产生的数位转换器或位元传输错误现象，共生成324000×6＝1944000张图像；
第一获取单元，用于得到测试图像集，共有324000+648000+1944000＝2916000张图像。
7.根据权利要求5所述的装置，其特征在于，所述测试模块包括：
划分单元，用于对生成的每张测试图像计算目标背景对比度TBC，按照目标背景对比度TBC>0.1、0.1>TBC>0.06、TBC<0.06将测试图像分为三个测试图像子集；
测试单元，用于使用被测图像识别系统自带的训练工具，对每个测试图像子集，分别从中随机抽取80％的图像对被测图像识别系统进行训练，使用剩余20％的图像对训练完成后的被测图像识别系统进行识别测试，识别结果用0或1表示，正确识别为1，错误识别为0，记录得到在该TBC指标下的识别率测试结果；
第二获取单元，用于对每个测试图像子集进行测试，分别得到在TBC>0.1、0.1>TBC>0.06、TBC<0.06指标下的3组识别率测试结果。
8.根据权利要求5所述的装置，其特征在于，所述校准模块包括：
第一计算单元，用于对每个TBC指标下的识别率测试结果计算识别率p，测试中正确识别的次数X服从二项分布X～b(n,p)，生成的测试图像集有2916000张图像，20％的图像用于测试，识别测试的次数n＝2916000×20％＝583200，二项分布的偏度近似于0，识别测试中正确识别次数X的概率分布服从参数为(np,np(1-p))的正态分布，其中n为测试总次数；
第二计算单元，用于随机生成10000个参数为(np,np(1-p))的正态分布随机数zi(i＝1，2...10000)，利用zi计算得到10000个识别率值pi(i＝1，2，3...10000)，再计算pi的平均值
Figure FDA0003710648540000041
作为识别率测试的标准值pstd，然后计算pi的标准偏差σstd，作为测量结果的标准不确定度；
第三获取单元，用于根据最大后验概率密度准则计算包含区间，取包含概率95％，得到识别率p在包含概率95％下的包含区间；
第三计算单元，用于按照上述第一计算单元、第二计算单元和第三获取单元分别对TBC>0.1、0.1>TBC>0.06、TBC<0.06下的识别率测试结果进行计算，通过比对标准值和测试值的方式实现识别率的校准。
9.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行上述权利要求1-4任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述权利要求1-4任一所述的方法。
CN202210724441.0A 2022-06-23 2022-06-23 一种图像识别系统目标识别率参数校准方法及装置 Active CN115147700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210724441.0A CN115147700B (zh) 2022-06-23 2022-06-23 一种图像识别系统目标识别率参数校准方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210724441.0A CN115147700B (zh) 2022-06-23 2022-06-23 一种图像识别系统目标识别率参数校准方法及装置

Publications (2)

Publication Number Publication Date
CN115147700A true CN115147700A (zh) 2022-10-04
CN115147700B CN115147700B (zh) 2023-05-09

Family

ID=83408259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210724441.0A Active CN115147700B (zh) 2022-06-23 2022-06-23 一种图像识别系统目标识别率参数校准方法及装置

Country Status (1)

Country Link
CN (1) CN115147700B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100098308A1 (en) * 2008-10-16 2010-04-22 Siemens Corporation Pulmonary Emboli Detection with Dynamic Configuration Based on Blood Contrast Level
CN109766915A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
CN110427962A (zh) * 2019-06-20 2019-11-08 厦门网宿有限公司 一种测试方法、电子设备及计算机可读存储介质
CN112631896A (zh) * 2020-12-02 2021-04-09 武汉旷视金智科技有限公司 设备性能测试方法、装置、存储介质及电子设备
CN113534033A (zh) * 2020-04-21 2021-10-22 圣邦微电子（北京）股份有限公司 测试机台的校准方法及校准系统
CN114090453A (zh) * 2021-11-26 2022-02-25 上汽通用汽车有限公司 一种机器视觉系统测试方法、系统及存储介质
CN114550277A (zh) * 2022-04-25 2022-05-27 中科南京智能技术研究院 一种轻量级人脸识别方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100098308A1 (en) * 2008-10-16 2010-04-22 Siemens Corporation Pulmonary Emboli Detection with Dynamic Configuration Based on Blood Contrast Level
CN109766915A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
CN110427962A (zh) * 2019-06-20 2019-11-08 厦门网宿有限公司 一种测试方法、电子设备及计算机可读存储介质
CN113534033A (zh) * 2020-04-21 2021-10-22 圣邦微电子（北京）股份有限公司 测试机台的校准方法及校准系统
CN112631896A (zh) * 2020-12-02 2021-04-09 武汉旷视金智科技有限公司 设备性能测试方法、装置、存储介质及电子设备
CN114090453A (zh) * 2021-11-26 2022-02-25 上汽通用汽车有限公司 一种机器视觉系统测试方法、系统及存储介质
CN114550277A (zh) * 2022-04-25 2022-05-27 中科南京智能技术研究院 一种轻量级人脸识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
钟波等；: "声级计频率计权特性自动检定系统研究与实现", 电声技术 *
黄英等；: "基于Markov随机场的三维物体识别算法", 清华大学学报(自然科学版) *

Also Published As

Publication number Publication date
CN115147700B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN112494952B (zh) 目标游戏用户的检测方法、装置及设备
CN108229679A (zh) 卷积神经网络去冗余方法及装置、电子设备和存储介质
CN106709318B (zh) 一种用户设备唯一性的识别方法、装置和计算设备
CN107335220B (zh) 一种消极用户的识别方法、装置及服务器
CN107341548A (zh) 一种数据处理方法、装置及电子设备
CN114662645A (zh) 促进持续学习的方法和装置
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN111507919A (zh) 一种三维点云数据的去噪处理方法
CN112150464B (zh) 一种图像检测方法、装置、电子设备及存储介质
CN115147700B (zh) 一种图像识别系统目标识别率参数校准方法及装置
CN111784660A (zh) 一种用于人脸图像的正脸程度的分析方法和系统
CN109191140B (zh) 一种评分卡模型整合方法及装置
CN111476291A (zh) 数据处理方法，装置及存储介质
CN110717787A (zh) 一种用户的分类方法及装置
CN110245302B (zh) 用于识别欺诈案件的策略生成方法及装置和电子设备
CN116258052A (zh) 一种路损预测方法、装置及电子设备
CN116109759A (zh) 激光相机与球幕相机的火灾现场三维重建方法及装置
CN109362027B (zh) 定位方法、装置、设备及存储介质
CN113793295A (zh) 一种数据处理方法、装置、设备及可读存储介质
CN110647805A (zh) 一种网纹图像识别方法、装置及终端设备
CN111160185B (zh) 多尺度时间序列遥感影像趋势和断点检测方法
CN115065705B (zh) 健身效果监测方法、装置、电子设备、存储介质及系统
CN117056239B (zh) 测试功能使用特征的确定方法、装置、设备及存储介质
CN113360356B (zh) 阅读作弊行为的识别方法、计算设备及计算机存储介质
CN114384483B (zh) 一种基于深度学习的雷达传感器模型保真度的评估方法

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