CN115222017A - 对确定图像中的预定点的机器学习方法进行训练的方法和系统 - Google Patents

对确定图像中的预定点的机器学习方法进行训练的方法和系统 Download PDF

Info

Publication number
CN115222017A
CN115222017A CN202210388896.XA CN202210388896A CN115222017A CN 115222017 A CN115222017 A CN 115222017A CN 202210388896 A CN202210388896 A CN 202210388896A CN 115222017 A CN115222017 A CN 115222017A
Authority
CN
China
Prior art keywords
image
computer
machine learning
training
implemented method
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
Application number
CN202210388896.XA
Other languages
English (en)
Inventor
K·勒洛维茨
M·诺瓦克
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.)
Aptiv Technologies Ltd
Original Assignee
Aptiv Technologies Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aptiv Technologies Ltd filed Critical Aptiv Technologies Ltd
Publication of CN115222017A publication Critical patent/CN115222017A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T3/4046—Scaling the whole image or part thereof using neural networks
    • 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
    • G06T3/60—Rotation of a whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本公开涉及对确定图像中的预定点的机器学习方法进行训练的方法和系统，尤其涉及一种对确定图像中的预定点的机器学习方法进行训练的计算机实现方法，该方法包括由计算机硬件组件执行的以下步骤：基于指示图像的单元中是否存在预定点的训练数据来训练第一机器学习方法；基于单元中的预定点的位置并基于第一机器学习方法的训练来训练第二机器学习方法；以及基于图像的修改版本并基于第二机器学习方法的训练来训练第三机器学习方法。

Description

对确定图像中的预定点的机器学习方法进行训练的方法和 系统
技术领域
本公开涉及对确定图像中的预定点的机器学习方法进行训练的方法和系统。
背景技术
数字成像装置(例如数码摄像头)在汽车应用中用于各种任务。然而，可能需要适当地校准数字成像装置。
因此，需要提供用于摄像头校准的有效且可靠的方法。
发明内容
本公开提供了一种计算机实现方法，计算机系统和非暂时性计算机可读介质。
在一个方面，本公开涉及一种训练(第三)机器学习方法的计算机实现方法，该机器学习方法用于确定图像中的预定点，该计算机实现方法包括由计算机硬件组件执行(换言之：实施)的以下步骤：基于指示图像的单元中是否存在预定点的训练数据来训练第一机器学习方法；基于所述单元中的预定点的位置并基于所述第一机器学习方法的训练来训练第二机器学习方法；以及基于所述图像的修改版本并基于所述第二机器学习方法的训练来训练第三机器学习方法。
换言之，机器学习方法的总体训练可以被分成三个阶段，其中，在每个阶段中，基于先前阶段的机器学习方法的训练来训练各个机器学习方法(应理解，在第一阶段中，没有先前阶段可用，并且这样，第一阶段中的训练不涉及任何先前训练的神经网络)。训练的复杂性可能逐阶段地增加。
例如，第一机器学习方法、第二机器学习方法和第三机器学习方法中的一个或更多个可以是如本文所述的机器学习方法。
根据实施方式，所述修改版本包括图像处理后的图像。图像的修改版本也可以被称为类对抗图像(adversarial-like image)。可以创建类对抗图像以有意地混淆该方法，并引起错误的结果。
根据实施方式，所述图像处理包括在另一图像中(例如在随机图像中)的旋转、缩放、翻转和嵌入中的至少一者。
根据实施方式，所述图像包括(或示出)棋盘格。
根据实施方式，所述预定点包括棋盘格的鞍点(saddle point)。
根据实施方式，鞍点是棋盘格的黑白边界的交叉点。
根据实施方式，所述机器学习方法包括人工神经网络。
在另一方面，本公开涉及一种确定图像中的预定点的计算机实现方法，该方法包括由计算机硬件组件执行的以下步骤：将图像提供给一序列处理层；以及基于该一序列处理层的最后处理层的输出来确定图像中的预定点；其中，所述最后处理层包括图像的多个单元中的每一个的相应输出数据集；其中，每个输出数据集包括多个概率和多个位置，各概率表明相应单元中预定点的预定数目的概率，并且各位置表明相应单元中的位置。
换言之，可以提供一种机器学习方法，其输出存在多少预定点的相应概率，以及对预定点的位置的估计。
各个位置可以是潜在预定点的位置。
多个层可以包括或可以是15层(其可以形成人工神经网络或人工神经网络的一部分)。
根据实施方式，所述输出是YOLO型。
YOLO型的输出可以是网格。网格中的每个单元可以包括关于检测的信息。每个单元可以包括一个或更多个检测结果。根据各种实施方式，单个检测可以由三个参数来描述：(1)在特定单元中存在鞍点的概率，(2)x轴上的鞍点位置，以及(3)单元内y轴上的鞍点位置(范围从0到1，其中(0,0)可以表示左上单元角，(1,1)可以表示右下单元角)。
换言之，类YOLO的输出可以包括将图像划分成由输出网格描述的区域。
根据实施方式，最后处理层包括softmax层。
根据实施方式，所述多个概率包括整数个概率，其中，相应单元中的预定点的预定数目包括在0与一个小于所述整数个概率的数之间的整数。
根据实施方式，所述图像包括(或示出)棋盘格。
根据实施方式，所述预定点包括棋盘格的鞍点。
根据实施方式，鞍点是棋盘格的黑白边界的交叉点。
在另一方面，本公开涉及一种计算机系统，该计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行本文所述的计算机实现方法的若干或所有步骤。
计算机系统可以包括多个计算机硬件组件(例如处理器，例如处理单元或处理网络；至少一个存储器，例如存储器单元或存储器网络；以及至少一个非暂时性数据存储装置)。应当理解，可以提供另外的计算机硬件组件并用于在计算机系统中执行计算机实现方法的步骤。非暂时性数据存储装置和/或存储器单元可以包括计算机程序，用于指示计算机例如使用处理单元和至少一个存储器单元来执行本文所述的一个或更多个计算机实现方法的若干或所有步骤或方面。
根据实施方式，所述计算机系统还包括被配置成拍摄图像的摄像头。
在另一方面，本公开涉及一种非暂时性计算机可读介质，其包括用于执行本文所述的一个或更多个计算机实现方法的若干或所有步骤或方面的指令。所述计算机可读介质可以被配置成：光学介质，例如光盘(CD)或数字多功能盘(DVD)；磁介质，例如硬盘驱动器(HDD)；固态驱动器(SSD)；只读存储器(ROM)，例如闪存；等等。此外，计算机可读介质可以被配置成可经由诸如互联网连接的数据连接来访问的数据存储装置。计算机可读介质例如可以是在线数据储存库或云存储。
本公开还涉及一种计算机程序，用于指示计算机执行本文所述的一个或更多个计算机实现方法的若干或所有步骤或方面。
利用本文所述的方法和装置，可以提供使用机器学习来识别摄像头校准图案中的鞍点的技术。
附图说明
本文结合以下示意性示出的附图描述了本公开的示例性实施方式和功能：
图1A是输入数据的示例的图示；
图1B是输入数据的另一示例的图示；
图2是鞍点示例的图示；
图3是根据各种实施方式的输出结构的图示；
图4是类对抗数据示例的图示；
图5是示出根据各种实施方式的对确定图像中的预定点的机器学习方法进行训练的方法的流程图；以及
图6示出了根据各种实施方式的确定图像中的预定点的方法的流程图。
附图标记列表
100 输入数据的示例的图示
150 输入数据的另一示例的图示
200 鞍点示例的图示
300 根据各种实施方式的输出结构的图示
302 单元
304 鞍点
400 类对抗数据示例的图示
500 示出根据各种实施方式的对确定图像中的预定点的机器学习方法进行训练的方法的流程图
502 基于指示在图像的单元中是否存在预定点的训练数据来训练第一机器学习方法的步骤
504 基于单元中的预定点的位置并基于第一机器学习方法的训练来训练第二机器学习方法的步骤
506 基于图像的修改版本并基于第二机器学习方法的训练来训练第三机器学习方法的步骤
600 示出根据各种实施方式的确定图像中的预定点的方法的流程图
602 将图像提供给一序列处理层的步骤
604 基于该一序列处理层的最后处理层的输出来确定图像中的预定点
具体实施方式
根据各种实施方式，可以提供基于机器学习的鞍点检测器。
图像(或图片)上的鞍点可以是从图像中提取的最具特征的特征之一。鞍点可以广泛用于摄像头的内在校准、摄像头的外在校准和/或匹配特征点。
寻找鞍点的准确性可能对摄像机校准的质量有重要影响。此外，安装在汽车中的各摄像机可能需要被校准。所述方法的主要目标可以是在所有光照条件下以子像素精度找到图像中的所有鞍点。
根据各种实施方式，输入可以是具有一个灰度通道的图像。最大分辨率可以小于或等于1920×1080；否则，输入图像可能被分成更小的部分。各像素可被编码为float32。
图1A示出了输入数据(即输入图像)的示例的图示100。可以看到图像中出现了多大的失真。图像示出了棋盘格。
图1B示出了输入数据的另一示例的图示150。可以看出，棋盘格可以设置在多于一个的平面中。
图2示出了鞍点示例的图示200。在图2的顶部，在像素坐标上方示出了像素值。在底部示出了图像，鞍点位于暗区与亮区之间的边界之间的交叉点处。
根据各种实施方式，可以提供基于机器学习的鞍点检测器，并且可以提高算法在所有光照条件下的鲁棒性，并且可以减少执行时间。
根据各种实施方式，可以提供(人工)神经网络。
根据各种实施方式，可以提供(人工)神经网络的训练方法，并且训练阶段可以利用类对抗样本，如下面将更详细地描述的。
根据各种实施方式，神经网络的核心可基于残差神经网络(ResNet)。例如，网络可以包括15层(或者可以由15层构成)，并且可以包含大约一百万个参数。神经网络的输入可以是具有形状(或维度)的灰度图像(1080,1920)；换言之，输入图像可以是1920像素宽和1080像素高的灰度图像。来自神经网络的输出可以是YOLO类的(YOU LOOK ONLY ONCE)。网格可以具有135×240的尺寸(比输入小64倍)。各单元可以由7个数字组成，其描述原始图像上的相应的8px×8px。前三个数字可以描述单元中没有鞍点、单元中有一个鞍点或单元中有两个鞍点的概率。使用softmax层来计算这些值。接下来的4个数字可以描述针对第一和第二检测的鞍点的位置(x,y)。可以从单元的左上角测量该位置。x和y可以在0到1的范围内，它们使用硬sigmoid函数输出。
图3示出了根据各种实施方式的输出结构的图示300。输入图像可以被分成多个单元，其中一个单元示例性地由附图标记302表示。各单元可以是8像素宽和8像素高。示出了鞍点304的示例。
根据各种实施方式，所述神经网络的训练可以包括三个阶段：
1.在第一阶段，只考虑鞍点是否存在于单元中的置信度。
2.在第二阶段，在训练期间可以包括鞍点位置。
3.在第三方面(换言之：最后)阶段，为了最小化假阳性情况的数量，可以使用类对抗训练。棋盘格的随机部分可以旋转、缩放、翻转，然后嵌入随机图片中。
所有三个阶段都可以在同一神经网络上执行(即，每个阶段可以修改从前一阶段获得的初步权重)。
在第一阶段，可以训练神经网络的核心以仅正确地预测单元中鞍点的存在。当网络在预测鞍点的存在方面表现良好时，所得权重可用作第二阶段的起始点。
在第二阶段，也可以训练NN来预测每个检测到的鞍点的位置。
第三阶段可以是对抗训练阶段，其中可以向网络馈送由拼接在一起的棋盘格和现实生活图像的部分组成的输入。
图4示出了类对抗数据示例的图示400。
在良好的光照条件下并且当棋盘格被放置在图像的中心(并且因此失真小)并且垂直于摄像头时，根据各种实施方式的方法可以找到所有或几乎所有的鞍点。即使例如地板，尤其是具有地毯的地板可能有噪声，也不会观察到假阳性检测。因此，在有利的条件下，根据各种实施方式的方法工作得非常好。
即使棋盘格不再垂直于摄像头的情况也不会影响根据各种实施方式的方法的性能。
即使当棋盘格偏离中心(相对于摄像头中心轴)时，由于存在扭曲的角，根据各种实施方式的方法仍然可以执行得非常好，并且可以检测所有或几乎所有的点。
即使当照明条件较强，并且非常亮的背景(例如在窗户后面)和暗的内部导致棋盘格上较小的对比度，使得棋盘格照明不均匀时，根据各种实施方式的方法仍可以很好地执行。
根据各种实施方式的方法可以是快速的并且可以给出良好的数值结果。
根据各种实施方式的方法在失真非常高且对比度非常低的角落中可以非常精确。
根据各种实施方式的方法可以是非常鲁棒的。
图5示出了例示根据各种实施方式的对确定图像中的预定点的机器学习方法进行训练的方法的流程图500。在502，可以基于指示在图像的单元中是否存在预定点的训练数据来训练第一机器学习方法。在504，可以基于单元中预定点的位置并基于第一机器学习方法的训练来训练第二机器学习方法。在506，可以基于图像的修改版本并基于第二机器学习方法的训练来训练第三机器学习方法。
根据各种实施方式，所述修改版本可以包括或可以是图像处理后的输入图像。
根据各种实施方式，所述图像处理可以包括或可以是另一图像中的旋转、缩放、翻转和嵌入中的至少一者。
根据各种实施方式，所述图像可以包括或可以示出棋盘格。
根据各种实施方式，所述预定点可以包括或可以是棋盘格的鞍点。
根据各种实施方式，鞍点可以是棋盘格的黑白边界的交叉点。
根据各种实施方式，机器学习方法可以包括或可以是人工神经网络。
图6示出了根据各种实施方式的确定图像中的预定点的方法的流程图600。在602，可以将图像提供给一序列处理层。在604处，可基于该一序列处理层的最后处理层的输出来确定图像中的预定点。所述最后处理层可以包括或可以是图像的多个单元中的每一个的相应输出数据集。各输出数据集可以包括或可以是多个概率和多个位置，各概率表明相应单元中预定点的预定数目的概率，并且各位置表明相应单元中的位置。
根据各种实施方式，所述输出可以是YOLO型。
根据各种实施方式，所述最后处理层可以包括或可以是softmax层。
根据各种实施方式，所述多个概率可以包括或可以是整数个概率，其中，相应单元中的预定点的预定数目包括在0与一个小于所述整数个概率的数之间的整数。
根据各种实施方式，所述图像可以包括或可以示出棋盘格。
步骤502、504、506、602、604中的每一个以及上述另外的步骤可以由计算机硬件组件来执行。

Claims (12)

1.一种训练机器学习方法的计算机实现方法，所述机器学习方法用于确定图像中的预定点，其中，所述图像被分成多个单元，其中，所述图像包括棋盘格，并且其中，所述预定点包括所述棋盘格的鞍点，
所述计算机实现方法包括由计算机硬件组件执行的以下步骤：
-在第一阶段中基于表明所述图像的单元中是否存在预定点的训练数据来训练(502)所述机器学习方法；
-在第二阶段中基于所述单元中的预定点的位置并基于在所述第一阶段中对所述机器学习方法的训练来训练(504)所述机器学习方法；以及
-在第三阶段中基于所述图像的修改版本并基于在所述第二阶段中对所述机器学习方法的训练来训练(506)所述机器学习方法，其中，所述修改版本包括图像处理后的所述图像。
2.根据权利要求1所述的计算机实现方法，
其中，所述图像处理包括在另一图像中的旋转、缩放、翻转和嵌入中的至少一者。
3.根据权利要求1或2所述的计算机实现方法，
其中，所述鞍点是所述棋盘格的黑白边界的交叉点。
4.根据权利要求1至3中任一项所述的计算机实现方法，
其中，所述机器学习方法包括人工神经网络。
5.一种使用根据权利要求1至4中任一项所述的方法训练的机器学习方法来确定图像中的预定点的计算机实现方法。
6.根据权利要求5所述的计算机实现方法，
所述计算机实现方法包括由计算机硬件组件执行的以下步骤：
-将所述图像提供(602)给一序列处理层；以及
-基于所述一序列处理层中的最后处理层的输出来确定(604)所述图像中的所述预定点；
其中，所述最后处理层包括所述图像的多个单元中的每一个单元的相应输出数据集；
其中，每个输出数据集包括存在多少个预定点的多个概率以及对所述预定点的位置的多个估计，各概率表明相应单元中预定点的预定数目的概率，并且各位置表示在相应单元中的位置。
7.根据权利要求6所述的计算机实现方法，
其中，所述输出是YOLO型。
8.根据权利要求6或7所述的计算机实现方法，
其中，所述最后处理层包括softmax层。
9.根据权利要求6至8中任一项所述的计算机实现方法，
其中，所述多个概率包括整数个概率，其中，相应单元中的预定点的预定数目包括在0与一个小于所述整数个概率的数之间的整数。
10.一种计算机系统，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行根据权利要求1至4中任一项所述的计算机实现方法的步骤。
11.根据权利要求10所述的计算机系统，所述计算机系统还包括：
被配置成拍摄图像的摄像头。
12.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括用于执行根据权利要求1至4中任一项所述的计算机实现方法的指令。
CN202210388896.XA 2021-04-15 2022-04-14 对确定图像中的预定点的机器学习方法进行训练的方法和系统 Pending CN115222017A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP21168669.6A EP4075327A1 (en) 2021-04-15 2021-04-15 Methods and systems for training a machine learning method for determining pre-determined points in an image
EP21168669.6 2021-04-15

Publications (1)

Publication Number Publication Date
CN115222017A true CN115222017A (zh) 2022-10-21

Family

ID=75539229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210388896.XA Pending CN115222017A (zh) 2021-04-15 2022-04-14 对确定图像中的预定点的机器学习方法进行训练的方法和系统

Country Status (3)

Country Link
US (1) US20220335650A1 (zh)
EP (1) EP4075327A1 (zh)
CN (1) CN115222017A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220382293A1 (en) * 2021-05-31 2022-12-01 Ubtech North America Research And Development Center Corp Carpet detection method, movement control method, and mobile machine using the same

Also Published As

Publication number Publication date
US20220335650A1 (en) 2022-10-20
EP4075327A1 (en) 2022-10-19

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN111507958B (zh) 目标检测方法、检测模型的训练方法及电子设备
WO2019117065A1 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
CN109343920B (zh) 一种图像处理方法及其装置、设备和存储介质
US9846929B2 (en) Fast density estimation method for defect inspection application
JP2008217347A (ja) ナンバープレート認識装置、その制御方法、コンピュータプログラム
Mukherjee et al. Enhancement of image resolution by binarization
CN111325717B (zh) 手机缺陷位置识别方法及设备
CN111626295B (zh) 车牌检测模型的训练方法和装置
CN115222017A (zh) 对确定图像中的预定点的机器学习方法进行训练的方法和系统
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN115345895B (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN111784667A (zh) 一种裂纹识别方法及装置
KR102026280B1 (ko) 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템
CN116091784A (zh) 一种目标跟踪方法、设备及存储介质
CN111598943B (zh) 基于书本辅助阅读设备的书本就位检测方法、装置及设备
CN113392455A (zh) 基于深度学习的户型图比例尺检测方法、装置及电子设备
CN113706636A (zh) 一种用于篡改图像识别的方法与装置
US20220253996A1 (en) Method, apparatus, and device for labeling images
CN116188973B (zh) 认知生成机制裂缝检测方法
EP4075384A1 (en) Methods and systems for determining pre-determined points in an input image
CN116824183B (zh) 基于多重特征描述符的图像特征匹配方法和装置
CN116958954B (zh) 基于关键点与旁路矫正的车牌识别方法、装置及存储介质
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium

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
CB02 Change of applicant information

Country or region after: Luxembourg

Address after: Luxembourg

Applicant after: Aptiv Technology (2) Co.

Address before: Babado J San Michael

Applicant before: Aptiv Technologies Ltd.

Country or region before: Barbados

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20240304

Address after: Luxembourg

Applicant after: Aptiv Manufacturing Management Services Co.

Country or region after: Luxembourg

Address before: Luxembourg

Applicant before: Aptiv Technology (2) Co.

Country or region before: Luxembourg

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240320

Address after: Schaffhausen

Applicant after: APTIV Technology Co.,Ltd.

Country or region after: Switzerland

Address before: Luxembourg

Applicant before: Aptiv Manufacturing Management Services Co.

Country or region before: Luxembourg

TA01 Transfer of patent application right