CN115345931A - 物体姿态关键点信息生成方法、装置、电子设备和介质 - Google Patents
物体姿态关键点信息生成方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115345931A CN115345931A CN202111536624.1A CN202111536624A CN115345931A CN 115345931 A CN115345931 A CN 115345931A CN 202111536624 A CN202111536624 A CN 202111536624A CN 115345931 A CN115345931 A CN 115345931A
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- feature map
- image
- inputting
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了物体姿态关键点信息生成方法、装置、电子设备和介质。该方法的一具体实施方式包括:获取待检测图像和标本图像;将待检测图像和标本图像输入至图像编码网络,以生成待检测图像的第一编码信息和标本图像的第二编码信息;将第一编码信息和第二编码信息输入至第一解码网络,得到待检测图像的第一特征点信息集和标本图像的第二特征点信息集;将第一编码信息和第二编码信息分别输入至第二解码网络,得到第一特征点描述子信息集和第二特征点描述子信息集;生成目标物体信息对应目标物体的物体姿态关键点信息。该实施方式可以精准、高效的生成待检测图像中目标物体信息对应的各个关键点信息。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及物体姿态关键点信息生成方法、装置、电子设备和介质。
背景技术
目前,确定物体姿态关键点信息的技术常常应用于各个行业领域。例如,在物品运输行业,各种智能化机器常常利用物体的姿态信息来实现物体的智能化搬运。对于物体的关键点信息的生成,通常采用的方式为:将带有物体信息的图像输入至多层卷积神经网络中,得到物体信息的各个关键点信息。
然而,当采用上述方式来生成各个关键点信息,经常会存在如下技术问题:
第一,卷积神经网络虽然能提取图像的特征信息,但是存在重要特征信息提取不足的问题,导致后续生成的各个关键点信息不够精准,存在偏差。
第二,生成的各个关键点信息可能存在偏差,不能有效地保障生成的各个关键点信息都可以用于后续物体姿态的确定。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了物体姿态关键点信息生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种物体姿态关键点信息生成方法,包括:获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像;将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息;将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集;将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集根据上述第一特征点信息集、上述第二特征点信息集、上述第一特征点描述子信息集和上述第二特征点描述子信息集,生成上述目标物体信息对应目标物体的物体姿态关键点信息。
第二方面,本公开的一些实施例提供了一种物体姿态信息生成装置,包括:获取单元,被配置成获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像;第一输入单元,被配置成将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息;第二输入单元,被配置成将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集;第三输入单元,被配置成将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集;生成单元,被配置成根据上述第一特征点信息集、上述第二特征点信息集、上述第一特征点描述子信息集和上述第二特征点描述子信息集,生成上述目标物体信息对应目标物体的物体姿态关键点信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的物体姿态关键点信息生成方法可以精准、高效的生成待检测图像中目标物体信息对应的各个关键点信息。具体来说,造成生成不能精准地生成各个关键点信息的原因在于:存在不能有效的提取图像中与物体姿态关键点信息相关联的重要特征信息,导致后续生成的各个关键点信息存在偏差。基于此,本公开的一些实施例的物体姿态关键点信息生成方法可以首先获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像。然后,将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息。在这里,将待检测图像和标本图像分别输入至带有注意力机制的图像编码网络,使得可以提取更多与关键点信息相关的重要特征信息,使得后续生成的物体姿态关键点信息更为精准。接着,将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,可以高效地得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集。进而,将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集。在这里,通过生成第一特征点描述子信息集和第二特征点描述子信息集可以用于后续第一特征点信息集的筛选,以去除第一特征点信息集中偏差较大的第一特征点信息。最后,通过第一特征点信息集、第二特征点信息集、第一特征点描述子信息集和第二特征点描述子信息集之间对比和筛选,可以确定出第一特征点信息集中为关键点信息的第一特征点信息,以得到至少一个第一特征点信息,作为物体姿态关键点信息。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的物体姿态关键点信息生成方法的一个应用场景的示意图;
图2是根据本公开的物体姿态关键点信息生成方法的一些实施例的流程图;
图3是根据本公开的物体姿态关键点信息生成方法的另一些实施例的流程图;
图4是根据本公开的物体姿态信息生成装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的物体姿态关键点信息生成方法的一个应用场景的示意图。
在图1的应用场景中,电子设备101可以首先获取带有目标物体信息的待检测图像102和带有上述目标物体信息的标本图像103。然后,电子设备101可以将上述待检测图像102和上述标本图像103输入至预先训练的、带有注意力机制的图像编码网络104,以生成上述待检测图像102的第一编码信息105和上述标本图像103的第二编码信息106。接着,电子设备101可以将上述第一编码信息105和上述第二编码信息106输入至预先训练的第一解码网络107,得到上述待检测图像102的第一特征点信息集109和上述标本图像103的第二特征点信息集110。进而,将上述第一编码信息105和上述第二编码信息106分别输入至预先训练的第二解码网络108,得到上述第一特征点信息集109对应的第一特征点描述子信息集111和上述第二特征点信息集110对应的第二特征点描述子信息集112。最后,根据上述第一特征点信息集109、上述第二特征点信息集110、上述第一特征点描述子信息集111和上述第二特征点描述子信息集112,生成上述目标物体信息对应目标物体的物体姿态关键点信息113。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的物体姿态关键点信息生成方法的一些实施例的流程200。该物体姿态关键点信息生成方法,包括以下步骤:
步骤201,获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像。
在一些实施例中,上述物体姿态关键点信息生成方法的执行主体(例如图1所示的电子设备)可以通过有线连接方式或者无线连接方式来获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像。其中,上述目标物体信息可以是在上述待检测图像中的、目标物体的子图像。上述标本图像可以是带有目标物体正视图的参考图像。
步骤202,将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息。
在一些实施例中,上述执行主体可以将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息。其中,上述图像编码网络可以是对图像进行编码的网络。上述图像编码网络可以是加入Attention机制的多层卷积神经网络(Convolutional NeuralNetworks,CNN)。上述第一编码信息和上述第二编码信息可以是特征图形式的信息。
在一些实施例的一些可选的实现方式中,上述图像编码网络包括:线性嵌入层(Linear Embedding),多个特征转换网络,多个图像融合层和多个线性层,上述多个特征转换网络中特征转换网络包括多个特征转换子网络;以及上述将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息,可以包括以下步骤:
第一步,对上述待检测图像进行图像分块,得到各个子图像。
作为示例,上述执行主体可以依据预先设置的分辨率大小,对上述待检测图像进行图像分块,得到各个子图像。
例如,待检测图像为分辨率大小为800*800的RGB图像。则待检测图像的特征维度为:800*800*3。各个子图像中每个子图像的分辨率为10*10。则,各个子图像对应的特征维度为:80*80*300。其中,80*80为各个子图像的图像数目。300为每个子图像包括像素点对应子像素数值的数目,即10*10*3。其中,上述子像素可以是RGB数值。
第二步,将上述各个子图像输入至上述线性嵌入层,得到第一特征图。其中,第一特征图是子图像集组的特征信息图。上述线性嵌入层可以将特征维度中的通道数调整为预定阈值。
作为示例,上述执行主体可以将子图像集组中的每个子图像输入至线性嵌入层,以生成子特征图,得到子特征图集组,作为第一特征图。上述第一特征图对应的特征维度为80*80*K。其中,K为预定阈值。
第三步,将上述第一特征图输入至第一特征转换网络,得到第二特征图。其中,上述第一特征转换网络包括第一数目个特征转换子网络。例如,上述第一数目可以是2。上述第一特征转换网络可以减少特征图的分辨率大小,提高特征图的通道数目。
第四步,将上述第二特征图输入至图像融合层,得到第三特征图。
作为示例,上述图像融合层可以将相邻预定数目个子图像对应的特征图进行特征图合并,以此进一步减少第二特征图的特征维度中的分辨率大小。
第五步,将上述第三特征图输入至线性层,得到第四特征图。其中,上述线性层可以是全连接层。
第六步,将上述第四特征图输入至第二特征转换网络,得到第五特征图。其中,上述第二特征转换网络包括第二数目个特征转换子网络。例如,上述第二数目可以是2。其中,上述第二特征转换网络可以由两个特征转换子网络串行组成网络。
可选地,上述第一特征转换网络包括:第一特征转换子网络和第二特征转换子网络;以及上述将上述第一特征图输入至第一特征转换网络,得到第二特征图,可以包括以下步骤:
第一步,将上述第一特征图输入至上述第一特征转换子网络,得到第十二特征图。
第二步,将上述第十二特征图输入至上述第二特征转换子网络,得到上述第二特征图。
可选地,上述将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息,还包括以下步骤:
第一步,将上述第五特征图输入至图像融合层,得到第六特征图。
第二步,将上述第六特征图输入至线性层,得到第七特征图。
第三步,将上述第七特征图输入至第三特征转换网络,得到第八特征图。其中,上述第三特征转换网络包括第三数目个特征转换子网络。例如,上述第三数目可以是6。上述第二特征转换网络可以由6个特征转换子网络串行组成网络。
第四步,将上述第八特征图输入至图像融合层,得到第九特征图。
第五步,将上述第九特征图输入至线性层,得到第十特征图。
第六步,将上述第十特征图输入至第四特征转换网络,得到第十一特征图,作为上述第一编码信息。其中,上述第四特征转换网络包括第四数目个特征转换子网络。例如,上述第四数目可以是2。
可选地,上述第一特征转换子网络包括:多个归一化处理层,多个多头注意力机制层和多个多层感知机层;以及上述将上述第一特征图输入至上述第一特征转换子网络,得到第十二特征图,可以包括以下步骤:
第一步,将上述第一特征图输入至第一归一化处理层,得到第十三特征图。其中,上述第一归一化处理层可以是层次归一化处理(Layer Normalization)层。
第二步,对上述第十三特征图进行第一次特征图切割,得到第一切割后特征图集。
作为示例,上述执行主体可以依据预设的各个特征图窗口,来对上述第十三特征图进行第一次特征图切割,得到第一切割后特征图集。
第三步,将上述第一切割后特征图集输入至第一多头注意力机制(Multi-head-attention)层,得到第十四特征图集。
第四步,对上述第十四特征图集进行特征图拼接,得到拼接后特征图,作为第十五特征图。
在这里,对第十四特征图集的拼接方式是与第十三特征图的分割方式相对应的。即,按照原来的第十三特征图分割方式来对第十四特征图集进行特征图拼接。
第五步,将上述第十五特征图与上述第一特征图进行第一次特征图相加,得到相加后特征图,作为第十六特征图。
第六步,将上述第十六特征图输入至第二归一化处理层,得到第十七特征图。
第七步,将上述第十七特征图输入至第一多层感知机(Multilayer Perceptron,MLP)层,得到第十八特征图。
第八步,将上述第十八特征图与上述第十六特征图进行第二次特征图相加,得到相加后特征图,作为第十九特征图。
第九步,将上述第十九特征图输入至第三归一化处理层,得到第二十特征图。
第十步,对上述第二十特征图进行第二次特征图分割,得到第二切割后特征图集。其中,上述第二切割后特征图集中各个第二切割后特征图包括上述第一切割后特征图集中每相邻两个第一切割后特征图之间的关联特征信息。
第十一步,将上述第二切割后特征图集输入至第二多头注意力机制层,得到第二十一特征图集。
第十二步,将上述第二十一特征图集进行特征图拼接,得到拼接后特征图,作为第二十二特征图。
第十三步,将上述第二十二特征图与上述第十九特征图进行第三次特征图相加,得到相加后特征图,作为第二十三特征图。
第十四步,将上述第二十三特征图输入至第四归一化处理层,得到第二十四特征图。
第十五步,将上述第二十四特征图输入至第二多层感知机层,得到第二十五特征图。
第十六步,将上述第二十五特征图与上述第二十三特征图进行第四次特征图相加,得到相加后特征图,作为上述第十二特征图。
步骤203,将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集。
在一些实施例中,上述执行主体可以将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集。
作为示例,上述执行主体可以首先将第一编码信息和上述第二编码信息分别输入至第一解码网络中的卷积层,得到第二十九特征图和第三十特征图。然后,通过上述目标激活函数对上述二十九特征图和第三十特征图进行非线性操作,以生成第三十一特征图和第三十二特征图。其中,上述目标激活函数可以为sigmoid激活函数。接着,上述执行主体可以将上述第三十一特征图和第三十二特征图输入上述第一解码网络中的特征重构(reshape)层,以生成第三十三特征图和第三十四特征图。其中,上述第三十三特征图和第三十四特征图中的每个像素对应的特征值可以为特征点置信度。其中,特征点置信度可以是像素点为特征点的概率。因此,最后,从第三十三特征图和第三十四特征图中筛选出特征点置信度大于预设阈值的像素,得到上述待检测图像的第一特征点信息集和上述标本图像的第二二十九特征点信息集。
步骤204,将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集。
在一些实施例中,上述执行主体可以将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集。其中,上述第二解码网络可以多层卷积神经网络。特征点描述子可以是描述特征点邻域像素信息的矩阵。邻域像素信息可以是表征特征点周围像素点的特征的信息。
在一些实施例的一些可选的实现方式中,上述第二解码网络包括:卷积层,特征插值层和特征标准化层;以及上述将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集,可以包括以下步骤:
第一步,将上述第一编码信息输入上述卷积层,以生成第二十六特征图。
第二步,将上述第二十六特征图输入上述特征插值层,以生成第二十七特征图。其中,上述特征插值层可以对特征图实现双三次插值处理。
第三步,将上述第二十七特征图输入上述特征标准化层,以生成第二十八特征图。其中,上述特征标准化层可以采用l2 normalization。
第四步,根据上述第二十八特征图,生成上述第一特征点描述子信息集。第二十八特征图的尺寸和待检测图像的尺寸相同。例如,第二十八特征图可以包括256个通道。上述256个通道对应的特征信息为待检测图像中像素的特征点描述子。
步骤205,根据上述第一特征点信息集、上述第二特征点信息集、上述第一特征点描述子信息集和上述第二特征点描述子信息集,生成上述目标物体信息对应目标物体的物体姿态关键点信息。
在一些实施例中,上述执行主体可以根据上述第一特征点信息集、上述第二特征点信息集、上述第一特征点描述子信息集和上述第二特征点描述子信息集,生成上述目标物体信息对应目标物体的物体姿态关键点信息。其中,上述物体姿态关键点信息包括:目标物体在上述待检测图像中的各个关键点信息。
作为示例,上述执行主体可以将第一特征点信息集中的各个第一特征点信息确定为各个关键点信息,以生成上述物体姿态关键点信息。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的物体姿态关键点信息生成方法可以精准、高效的生成待检测图像中目标物体信息对应的各个关键点信息。具体来说,造成生成不能精准地生成各个关键点信息的原因在于:存在不能有效的提取图像中与物体姿态关键点信息相关联的重要特征信息,导致后续生成的各个关键点信息存在偏差。基于此,本公开的一些实施例的物体姿态关键点信息生成方法可以首先获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像。然后,将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息。在这里,将待检测图像和标本图像分别输入至带有注意力机制的图像编码网络,使得可以提取更多与关键点信息相关的重要特征信息,使得后续生成的物体姿态关键点信息更为精准。接着,将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,可以高效地得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集。进而,将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集。在这里,通过生成第一特征点描述子信息集和第二特征点描述子信息集可以用于后续第一特征点信息集的筛选,以去除第一特征点信息集中偏差较大的第一特征点信息。最后,通过第一特征点信息集、第二特征点信息集、第一特征点描述子信息集和第二特征点描述子信息集之间对比和筛选,可以确定出第一特征点信息集中为关键点信息的第一特征点信息,以得到至少一个第一特征点信息,作为物体姿态关键点信息。
进一步参考图3,示出了根据本公开的物体姿态关键点信息生成方法的另一些实施例的流程300。该物体姿态关键点信息生成方法,包括以下步骤:
步骤301,获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像。
步骤302,将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息。
步骤303,将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集。
步骤304,将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集。
在一些实施例中,步骤301-304的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-204,在此不再赘述。
步骤305,对于上述第一特征点信息集中的每个第一特征点信息,执行信息生成步骤:
步骤3051,从上述第二特征点信息集中确定出与上述第一特征点信息相关联的第二特征点信息,作为第二目标特征点信息。
在一些实施例中,执行主体(例如图1所示的电子设备)可以从上述第二特征点信息集中确定出与上述第一特征点信息相关联的第二特征点信息,作为第二目标特征点信息。其中,上述第二目标特征点信息可以是与第一特征点信息对应图像内容信息最为相似的特征点信息。
步骤3052,从上述第一特征点描述子信息集中确定出与上述第一特征点信息相关联的第一特征点描述子信息,作为第一目标特征点描述子信息。
在一些实施例中,上述执行主体可以从上述第一特征点描述子信息集中确定出与上述第一特征点信息相关联的第一特征点描述子信息,作为第一目标特征点描述子信息。其中,上述第一目标特征点描述子信息为描述上述第一特征点信息的信息。
步骤3053,从上述第二特征点描述子信息集中确定出与上述第二目标特征点信息相关联的第二特征点描述子信息,作为第二目标特征点描述子信息。
在一些实施例中,上述执行主体可以从上述第二特征点描述子信息集中确定出与上述第二目标特征点信息相关联的第二特征点描述子信息,作为第二目标特征点描述子信息。其中,上述第二目标特征点描述子信息为描述上述第二目标特征点信息的信息。
步骤3054,确定上述第一目标特征点描述子信息与上述第二目标特征点子信息之间的相似度。
在一些实施例中,上述执行主体可以确定上述第一目标特征点描述子信息与上述第二目标特征点子信息之间的相似度。
作为示例,上述执行主体可以利用余弦相似度算法,来确定上述第一目标特征点描述子信息与上述第二目标特征点子信息之间的相似度。
步骤3055,根据上述相似度,生成表征上述第一特征点信息是否为上述目标物体信息对应目标物体的关键点信息。
在一些实施例中,上述执行主体可以根据上述相似度,生成表征上述第一特征点信息是否为上述目标物体信息对应目标物体的关键点信息。
作为示例,响应于上述执行主体确定上述相似度大于预设数值,生成表征上述第一特征点信息为上述目标物体信息对应目标物体的关键点信息。响应于上述执行主体确定上述相似度小于等于预设数值,生成表征上述第一特征点信息不是上述目标物体信息对应目标物体的关键点信息。
作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“生成的各个关键点信息可能存在偏差,不能有效地保障生成的各个关键点信息都可以用于后续物体姿态的确定”。导致不能准确生成的各个关键点信息的原因往往如下:现有技术仅仅将生成的各个特征点信息确定为关键点信息,但是对于图像内容较为复杂时(例如,存在多个物体交叉遮掩的情况),提取出的特征点信息可能不是目标物体的关键点,导致后续确定目标物体的姿态发生偏差。如果解决了上述因素,就能达到提高后续目标物体姿态确定精准性。为了达到这一效果,本公开从多方面考虑多层次的考虑目标物体的特征信息,通过将提取待检测图像中的各个特征信息与标本图像的各个特征信息进行初步比较外,还通过确定待检测图像和标本图像的特征描述子信息集。通过比对特征描述子信息集之间的差异,可以有效的排出待检测图像对应的各个特征点信息中明显不属于目标物体的特征点信息。使得后续确定目标物体的姿态更为精准。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的物体姿态关键点信息生成方法的流程300更加突出了如何生成上述目标物体信息对应目标物体的物体姿态关键点信息的具体步骤。由此,这些实施例描述的方案可以更为精准地从上述第一特征点信息集筛选出为物体关键点信息的第一特征点信息,避免了后续因为错误生成的第一特征点信息而导致确定物体姿态信息出现问题。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种物体姿态信息生成装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一种物体姿态信息生成装置400包括:获取单元401、第一输入单元402、第二输入单元403、第三输入单元404和生成单元405。其中,获取单元401,被配置成获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像;第一输入单元402,被配置成将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息;第二输入单元403,被配置成将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集;第三输入单元404,被配置成将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集;生成单元405,被配置成根据上述第一特征点信息集、上述第二特征点信息集、上述第一特征点描述子信息集和上述第二特征点描述子信息集,生成上述目标物体信息对应目标物体的物体姿态关键点信息。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像;将上述待检测图像和上述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成上述待检测图像的第一编码信息和上述标本图像的第二编码信息;将上述第一编码信息和上述第二编码信息输入至预先训练的第一解码网络,得到上述待检测图像的第一特征点信息集和上述标本图像的第二特征点信息集;将上述第一编码信息和上述第二编码信息分别输入至预先训练的第二解码网络,得到上述第一特征点信息集对应的第一特征点描述子信息集和上述第二特征点信息集对应的第二特征点描述子信息集;根据上述第一特征点信息集、上述第二特征点信息集、上述第一特征点描述子信息集和上述第二特征点描述子信息集,生成上述目标物体信息对应目标物体的物体姿态关键点信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一输入单元、第二输入单元、第三输入单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取带有目标物体信息的待检测图像和带有上述目标物体信息的标本图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种物体姿态关键点信息生成方法,包括:
获取带有目标物体信息的待检测图像和带有所述目标物体信息的标本图像;
将所述待检测图像和所述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成所述待检测图像的第一编码信息和所述标本图像的第二编码信息;
将所述第一编码信息和所述第二编码信息输入至预先训练的第一解码网络,得到所述待检测图像的第一特征点信息集和所述标本图像的第二特征点信息集;
将所述第一编码信息和所述第二编码信息分别输入至预先训练的第二解码网络,得到所述第一特征点信息集对应的第一特征点描述子信息集和所述第二特征点信息集对应的第二特征点描述子信息集;
根据所述第一特征点信息集、所述第二特征点信息集、所述第一特征点描述子信息集和所述第二特征点描述子信息集,生成所述目标物体信息对应目标物体的物体姿态关键点信息。
2.根据权利要求1所述的方法,其中,所述图像编码网络包括:线性嵌入层,多个特征转换网络,多个图像融合层和多个线性层,所述多个特征转换网络中特征转换网络包括多个特征转换子网络;以及
所述将所述待检测图像和所述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成所述待检测图像的第一编码信息和所述标本图像的第二编码信息,包括:
对所述待检测图像进行图像分块,得到各个子图像;
将所述各个子图像输入至所述线性嵌入层,得到第一特征图;
将所述第一特征图输入至第一特征转换网络,得到第二特征图,其中,所述第一特征转换网络包括第一数目个特征转换子网络;
将所述第二特征图输入至图像融合层,得到第三特征图;
将所述第三特征图输入至线性层,得到第四特征图;
将所述第四特征图输入至第二特征转换网络,得到第五特征图,其中,所述第二特征转换网络包括第二数目个特征转换子网络。
3.根据权利要求2所述的方法,其中,所述将所述待检测图像和所述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成所述待检测图像的第一编码信息和所述标本图像的第二编码信息,还包括:
将所述第五特征图输入至图像融合层,得到第六特征图;
将所述第六特征图输入至线性层,得到第七特征图;
将所述第七特征图输入至第三特征转换网络,得到第八特征图,其中,所述第三特征转换网络包括第三数目个特征转换子网络;
将所述第八特征图输入至图像融合层,得到第九特征图;
将所述第九特征图输入至线性层,得到第十特征图;
将所述第十特征图输入至第四特征转换网络,得到第十一特征图,作为所述第一编码信息,其中,所述第四特征转换网络包括第四数目个特征转换子网络。
4.根据权利要求2所述的方法,其中,所述第一特征转换网络包括:第一特征转换子网络和第二特征转换子网络;以及
所述将所述第一特征图输入至第一特征转换网络,得到第二特征图,包括:
将所述第一特征图输入至所述第一特征转换子网络,得到第十二特征图;
将所述第十二特征图输入至所述第二特征转换子网络,得到所述第二特征图。
5.根据权利要求4所述的方法,其中,所述第一特征转换子网络包括:多个归一化处理层,多个多头注意力机制层和多个多层感知机层;以及
所述将所述第一特征图输入至所述第一特征转换子网络,得到第十二特征图,包括:
将所述第一特征图输入至第一归一化处理层,得到第十三特征图;
对所述第十三特征图进行第一次特征图切割,得到第一切割后特征图集;
将所述第一切割后特征图集输入至第一多头注意力机制层,得到第十四特征图集;
对所述第十四特征图集进行特征图拼接,得到拼接后特征图,作为第十五特征图;
将所述第十五特征图与所述第一特征图进行第一次特征图相加,得到相加后特征图,作为第十六特征图;
将所述第十六特征图输入至第二归一化处理层,得到第十七特征图;
将所述第十七特征图输入至第一多层感知机层,得到第十八特征图;
将所述第十八特征图与所述第十六特征图进行第二次特征图相加,得到相加后特征图,作为第十九特征图;
将所述第十九特征图输入至第三归一化处理层,得到第二十特征图;
对所述第二十特征图进行第二次特征图分割,得到第二切割后特征图集,其中,所述第二切割后特征图集中各个第二切割后特征图包括所述第一切割后特征图集中每相邻两个第一切割后特征图之间的关联特征信息;
将所述第二切割后特征图集输入至第二多头注意力机制层,得到第二十一特征图集;
将所述第二十一特征图集进行特征图拼接,得到拼接后特征图,作为第二十二特征图;
将所述第二十二特征图与所述第十九特征图进行第三次特征图相加,得到相加后特征图,作为第二十三特征图;
将所述第二十三特征图输入至第四归一化处理层,得到第二十四特征图;
将所述第二十四特征图输入至第二多层感知机层,得到第二十五特征图;
将所述第二十五特征图与所述第二十三特征图进行第四次特征图相加,得到相加后特征图,作为所述第十二特征图。
6.根据权利要求1所述的方法,其中,所述根据所述第一特征点信息集、所述第二特征点信息集、所述第一特征点描述子信息集和所述第二特征点描述子信息集,生成所述目标物体信息对应目标物体的物体姿态关键点信息,包括:
对于所述第一特征点信息集中的每个第一特征点信息,执行信息生成步骤:
从所述第二特征点信息集中确定出与所述第一特征点信息相关联的第二特征点信息,作为第二目标特征点信息;
从所述第一特征点描述子信息集中确定出与所述第一特征点信息相关联的第一特征点描述子信息,作为第一目标特征点描述子信息;
从所述第二特征点描述子信息集中确定出与所述第二目标特征点信息相关联的第二特征点描述子信息,作为第二目标特征点描述子信息;
确定所述第一目标特征点描述子信息与所述第二目标特征点子信息之间的相似度;
根据所述相似度,生成表征所述第一特征点信息是否为所述目标物体信息对应目标物体的关键点信息。
7.根据权利要求1所述的方法,其中,所述第二解码网络包括:卷积层,特征插值层和特征标准化层;以及
所述将所述第一编码信息和所述第二编码信息分别输入至预先训练的第二解码网络,得到所述第一特征点信息集对应的第一特征点描述子信息集和所述第二特征点信息集对应的第二特征点描述子信息集,包括:
将所述第一编码信息输入所述卷积层,以生成第二十六特征图;
将所述第二十六特征图输入所述特征插值层,以生成第二十七特征图;
将所述第二十七特征图输入所述特征标准化层,以生成第二十八特征图;
根据所述第二十八特征图,生成所述第一特征点描述子信息集。
8.一种物体姿态信息生成装置,包括:
获取单元,被配置成获取带有目标物体信息的待检测图像和带有所述目标物体信息的标本图像;
第一输入单元,被配置成将所述待检测图像和所述标本图像输入至预先训练的、带有注意力机制的图像编码网络,以生成所述待检测图像的第一编码信息和所述标本图像的第二编码信息;
第二输入单元,被配置成将所述第一编码信息和所述第二编码信息输入至预先训练的第一解码网络,得到所述待检测图像的第一特征点信息集和所述标本图像的第二特征点信息集;
第三输入单元,被配置成将所述第一编码信息和所述第二编码信息分别输入至预先训练的第二解码网络,得到所述第一特征点信息集对应的第一特征点描述子信息集和所述第二特征点信息集对应的第二特征点描述子信息集;
生成单元,被配置成根据所述第一特征点信息集、所述第二特征点信息集、所述第一特征点描述子信息集和所述第二特征点描述子信息集,生成所述目标物体信息对应目标物体的物体姿态关键点信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536624.1A CN115345931B (zh) | 2021-12-15 | 2021-12-15 | 物体姿态关键点信息生成方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536624.1A CN115345931B (zh) | 2021-12-15 | 2021-12-15 | 物体姿态关键点信息生成方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345931A true CN115345931A (zh) | 2022-11-15 |
CN115345931B CN115345931B (zh) | 2023-05-26 |
Family
ID=83947206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111536624.1A Active CN115345931B (zh) | 2021-12-15 | 2021-12-15 | 物体姿态关键点信息生成方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345931B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
US10096125B1 (en) * | 2017-04-07 | 2018-10-09 | Adobe Systems Incorporated | Forecasting multiple poses based on a graphical image |
CN111382714A (zh) * | 2020-03-13 | 2020-07-07 | Oppo广东移动通信有限公司 | 图像检测方法、装置、终端及存储介质 |
CN111881926A (zh) * | 2020-08-24 | 2020-11-03 | Oppo广东移动通信有限公司 | 图像生成、图像生成模型的训练方法、装置、设备及介质 |
CN112287820A (zh) * | 2020-10-28 | 2021-01-29 | 广州虎牙科技有限公司 | 人脸检测神经网络及训练方法、人脸检测方法、存储介质 |
CN112464921A (zh) * | 2021-02-02 | 2021-03-09 | 禾多科技(北京)有限公司 | 障碍物检测信息生成方法、装置、设备和计算机可读介质 |
-
2021
- 2021-12-15 CN CN202111536624.1A patent/CN115345931B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10096125B1 (en) * | 2017-04-07 | 2018-10-09 | Adobe Systems Incorporated | Forecasting multiple poses based on a graphical image |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN111382714A (zh) * | 2020-03-13 | 2020-07-07 | Oppo广东移动通信有限公司 | 图像检测方法、装置、终端及存储介质 |
CN111881926A (zh) * | 2020-08-24 | 2020-11-03 | Oppo广东移动通信有限公司 | 图像生成、图像生成模型的训练方法、装置、设备及介质 |
CN112287820A (zh) * | 2020-10-28 | 2021-01-29 | 广州虎牙科技有限公司 | 人脸检测神经网络及训练方法、人脸检测方法、存储介质 |
CN112464921A (zh) * | 2021-02-02 | 2021-03-09 | 禾多科技(北京)有限公司 | 障碍物检测信息生成方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115345931B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
EP4432215A1 (en) | Image processing method and device | |
CN112598673A (zh) | 全景分割方法、装置、电子设备和计算机可读介质 | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN114399814B (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
CN114581336A (zh) | 图像修复方法、装置、设备、介质及产品 | |
CN112241744B (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
CN117636353A (zh) | 待标注图像分割方法、装置、电子设备和计算机可读介质 | |
CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN114742707B (zh) | 多源遥感图像拼接方法、装置、电子设备和可读介质 | |
CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN116704593A (zh) | 预测模型训练方法、装置、电子设备和计算机可读介质 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN115223113B (zh) | 训练样本集清洗方法、装置 | |
CN114155366B (zh) | 动态柜图像识别模型训练方法、装置、电子设备和介质 | |
CN114495111B (zh) | 文本识别方法、装置、可读介质及电子设备 |
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 | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100022 301, block B, halibut Pioneer Park, shunbai Road, Chaoyang District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |
|
CP03 | Change of name, title or address |