CN115620190A - 基于数据分析的联合鉴别平台 - Google Patents
基于数据分析的联合鉴别平台 Download PDFInfo
- Publication number
- CN115620190A CN115620190A CN202211158242.4A CN202211158242A CN115620190A CN 115620190 A CN115620190 A CN 115620190A CN 202211158242 A CN202211158242 A CN 202211158242A CN 115620190 A CN115620190 A CN 115620190A
- Authority
- CN
- China
- Prior art keywords
- special effect
- preset number
- video stream
- effect identification
- appearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于数据分析的联合鉴别平台,所述平台包括:标识映射器件,用于存储特效标识数据库,所述特效标识数据库以图像特效标识为索引保存了各种特效标识名称;数据转化机构,用于将第三预设数量的多帧融合画面、视频流中出现的噪声类型数量以及视频流的平均清晰度作为卷积神经网络的输入内容以执行卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识。本发明的基于数据分析的联合鉴别平台运行智能、设计紧凑。由于能够对待鉴定的视频流执行多项关联数据的定制,并采用定制后的多项关联数据基于人工智能模型同时判断视频流中出现过的各个主要视频特效类型,从而避免陷入冗余复杂的数据分析过程。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种基于数据分析的联合鉴别平台。
背景技术
数据分析有极广泛的应用范围。典型的数据分析可能包含以下三个步骤:
1、探索性数据分析:当数据刚取得时,可能杂乱无章,看不出规律,通过作图、造表、用各种形式的方程拟合,计算某些特征量等手段探索规律性的可能形式,即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。
2、模型选定分析,在探索性分析的基础上提出一类或几类可能的模型,然后通过进一步的分析从中挑选一定的模型。
3、推断分析:通常使用数理统计方法对所定模型或估计的可靠程度和精确程度做出推断。
数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。数据分析可以用于视频特效分析的各个具体应用领域。
当前,对应待鉴定特效类型的视频流来说,一般采用的鉴定模式是对视频流进行逐帧分析,以获得每一帧画面中出现的各个主要视频特效,并对各帧画面中出现过的主要视频特效进行合并统计,显然这种统计模式需要遍历待鉴定的视频流中的每一帧画面,且每一帧画面的鉴定过程繁琐复杂,耗费大量的运算量和运算时间,尤为关键的是,是否主要视频特效缺乏比对,可能造成主要视频特效的鉴别误差。
发明内容
为了解决相关领域的技术问题,本发明提供了一种基于数据分析的联合鉴别平台,能够对待鉴定的视频流执行多项关联数据的定制,采用定制后的多项关联数据基于人工智能模型同时判断视频流中出现过的各个主要视频特效类型,从而简化了特效鉴别的过程,降低了主要特效检测的运算量。
根据本发明的一方面,提供了一种基于数据分析的联合鉴别平台,所述平台包括:
标识映射器件,用于存储特效标识数据库,所述特效标识数据库以图像特效标识为索引保存了各种特效标识名称;
内容检测器件,用于接收待鉴定的包括第一预设数量的多帧画面的视频流,并检测所述待鉴定的视频流的平均信噪比;
倍数处理器件,与所述内容检测器件连接,用于从所述第一预设数量的多帧画面中选择与所述平均信噪比的数值匹配的第二预设数量的各帧画面;
融合操作机构,与所述倍数处理器件连接,用于将所述第二预设数量的各帧画面进行采集时间顺序的第三预设数量的份数分割以获得第三预设数量的多份画面组,将每一份画面组进行叠加融合处理以获得第三预设数量的多帧融合画面;
数据转化机构,与所述融合操作机构连接,用于将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识;
其中,将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识还包括:基于特效标识数据库解析出与第四预设数量的多个图像特效标识分别对应的第四预设数量的多种特效标识名称,所述多种特效标识名称为所述视频流中出现的第四预设数量的多种主要特效;
其中,从所述第一预设数量的多帧画面中选择与所述平均信噪比的数值匹配的第二预设数量的各帧画面包括:从所述第一预设数量的多帧画面中均匀抽取与所述平均信噪比的数值匹配的第二预设数量的各帧画面,所述第一预设数量是所述第二预设数量的倍数且所述第二预设数量与所述平均信噪比的数值成反向关联关系。
相对于现有技术,本发明具备以下两处有益的技术效果:
首先、采用人工智能模式以基于待鉴定的视频流的多项定制数据实现对待鉴定的视频流中出现的各种主要特效类型执行联合鉴别动作联合鉴别;
其次、定制待鉴定的视频流的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度以构建执行各种主要特效类型同时鉴别的人工智能模型的多项定制数据;最后、待鉴定的视频流的多帧融合画面的融合幅度与待鉴定的视频流的平均信噪比反向关联,以保证后续鉴定结果的可靠性。
本发明的基于数据分析的联合鉴别平台运行智能、设计紧凑。由于能够对待鉴定的视频流执行多项关联数据的定制,并采用定制后的多项关联数据基于人工智能模型同时判断视频流中出现过的各个主要视频特效类型,从而避免陷入冗余复杂的数据分析过程。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明任一实施方案示出的基于数据分析的联合鉴别平台所使用的卷积神经网络的内部结构图。
图2为根据本发明第一实施方案示出的基于数据分析的联合鉴别平台的结构示意图。
图3为根据本发明第二实施方案示出的基于数据分析的联合鉴别平台的结构示意图。
具体实施方式
下面将参照附图对本发明的基于数据分析的联合鉴别平台的实施方案进行详细说明。
实施例1
图1为根据本发明任一实施方案示出的基于数据分析的联合鉴别平台所使用的卷积神经网络的内部结构图。
如图1所示,本发明使用的卷积神经网络内部包括:单个输入层、多个隐藏层和单个输出层,其中,输入层即input layer,隐藏层为hidden layer,输出层为output layer;
以及在图1中,给出了三个隐藏层,分别为hidden layer 1、hidden layer 2以及hidden layer 3。
实施例2
图2为根据本发明第一实施方案示出的基于数据分析的联合鉴别平台的结构示意图,所述平台包括:
标识映射器件,用于存储特效标识数据库,所述特效标识数据库以图像特效标识为索引保存了各种特效标识名称;
内容检测器件,用于接收待鉴定的包括第一预设数量的多帧画面的视频流,并检测所述待鉴定的视频流的平均信噪比;
倍数处理器件,与所述内容检测器件连接,用于从所述第一预设数量的多帧画面中选择与所述平均信噪比的数值匹配的第二预设数量的各帧画面;
融合操作机构,与所述倍数处理器件连接,用于将所述第二预设数量的各帧画面进行采集时间顺序的第三预设数量的份数分割以获得第三预设数量的多份画面组,将每一份画面组进行叠加融合处理以获得第三预设数量的多帧融合画面;
数据转化机构,与所述融合操作机构连接,用于将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识;
其中,将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识还包括:基于特效标识数据库解析出与第四预设数量的多个图像特效标识分别对应的第四预设数量的多种特效标识名称,所述多种特效标识名称为所述视频流中出现的第四预设数量的多种主要特效;
其中,从所述第一预设数量的多帧画面中选择与所述平均信噪比的数值匹配的第二预设数量的各帧画面包括:从所述第一预设数量的多帧画面中均匀抽取与所述平均信噪比的数值匹配的第二预设数量的各帧画面,所述第一预设数量是所述第二预设数量的倍数且所述第二预设数量与所述平均信噪比的数值成反向关联关系;
其中,所述第一预设数量是所述第二预设数量的倍数且所述第二预设数量与所述平均信噪比的数值成反向关联关系的具体举例如下:所述第一预设数量是所述第二预设数量的4倍,所述平均信噪比的数值越低,所述第二预设数量的数值越大;
以及所述第一预设数量是所述第二预设数量的倍数且所述第二预设数量与所述平均信噪比的数值成反向关联关系的具体举例还可以如下:所述第一预设数量是所述第二预设数量的2倍,所述平均信噪比的数值越高,所述第二预设数量的数值越小。
实施例3
图3为根据本发明第二实施方案示出的基于数据分析的联合鉴别平台的结构示意图。
与图2不同,图3中的基于数据分析的联合鉴别平台还可以包括:
叠加显示机构,与所述数据转化机构连接,用于在播放待鉴定的包括第一预设数量的多帧画面的视频流的同时同步显示基于特效标识数据库解析出的与第四预设数量的多个图像特效标识分别对应的第四预设数量的多种特效标识名称。
接着,继续对本发明的基于数据分析的联合鉴别平台的具体结构进行进一步的说明。
在根据本发明的任一实施方案的基于数据分析的联合鉴别平台中:
将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识包括:将第三预设数量的多帧融合画面中每一帧融合画面的各个像素点在YUV空间下的色调分量、亮度分量和饱和度分量输入到所述卷积神经网络。
在根据本发明的任一实施方案的基于数据分析的联合鉴别平台中:
将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识包括:所述视频流中出现的噪声幅值未超过设定幅度阈值的噪声类型不计入所述视频流中出现的噪声类型数量。
在根据本发明的任一实施方案的基于数据分析的联合鉴别平台中:
将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识包括:获取所述视频流中第一预设数量的多帧画面分别对应的多个画面清晰度,将所述多个画面清晰度的算术平均值作为所述视频流的平均清晰度。
在根据本发明的任一实施方案的基于数据分析的联合鉴别平台中:
所述第一预设数量、所述第二预设数量以及所述第三预设数量的取值依次降低。
在根据本发明的任一实施方案的基于数据分析的联合鉴别平台中:
接收待鉴定的包括预设数量的多帧画面的视频流,并检测所述待鉴定的视频流的平均信噪比包括:获取多帧画面分别对应的多个信噪比,将所述多个信噪比的算术平均值作为所述待鉴定的视频流的平均信噪比。
在根据本发明的任一实施方案的基于数据分析的联合鉴别平台中:
所述特效标识数据库以图像特效标识为索引保存了各种特效标识名称包括:在所述特效标识数据库中,不同图像特效标识分别对应不同种类特效标识名称;
其中,在所述特效标识数据库中,不同图像特效标识分别对应不同种类特效标识名称包括:每一图像特效标识为一个唯一的八位长度的二进制编码数据;
其中,在所述特效标识数据库中,不同图像特效标识分别对应不同种类特效标识名称还包括:每一种类特效标识名称为对应种类特效标识名称的ASCLL编码数据。
另外,在所述基于数据分析的联合鉴别平台中,从所述第一预设数量的多帧画面中均匀抽取与所述平均信噪比的数值匹配的第二预设数量的各帧画面,所述第一预设数量是所述第二预设数量的倍数且所述第二预设数量与所述平均信噪比的数值成反向关联关系包括:所述第一预设数量的取值足够大以使得所述倍数的取值大于设定倍数阈值。
虽然对本发明通过各个实施方案的方式并参考附图进行了全面的叙述,但应该理解的是,各种变化和修改对于本技术领域熟练的人员是显而易见的。因此,除非另行指出变化和修改脱离了本发明的范围,这样的变化和修改都应该被认为包括在本发明的范围之中。
Claims (9)
1.一种基于数据分析的联合鉴别平台,其特征在于,所述平台包括:
标识映射器件,用于存储特效标识数据库,所述特效标识数据库以图像特效标识为索引保存了各种特效标识名称;
内容检测器件,用于接收待鉴定的包括第一预设数量的多帧画面的视频流,并检测所述待鉴定的视频流的平均信噪比;
倍数处理器件,与所述内容检测器件连接,用于从所述第一预设数量的多帧画面中选择与所述平均信噪比的数值匹配的第二预设数量的各帧画面;
融合操作机构,与所述倍数处理器件连接,用于将所述第二预设数量的各帧画面进行采集时间顺序的第三预设数量的份数分割以获得第三预设数量的多份画面组,将每一份画面组进行叠加融合处理以获得第三预设数量的多帧融合画面;
数据转化机构,与所述融合操作机构连接,用于将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识;
其中,将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识还包括:基于特效标识数据库解析出与第四预设数量的多个图像特效标识分别对应的第四预设数量的多种特效标识名称,所述多种特效标识名称为所述视频流中出现的第四预设数量的多种主要特效;
其中,从所述第一预设数量的多帧画面中选择与所述平均信噪比的数值匹配的第二预设数量的各帧画面包括:从所述第一预设数量的多帧画面中均匀抽取与所述平均信噪比的数值匹配的第二预设数量的各帧画面,所述第一预设数量是所述第二预设数量的倍数且所述第二预设数量与所述平均信噪比的数值成反向关联关系。
2.如权利要求1所述的基于数据分析的联合鉴别平台,其特征在于,所述平台还包括:
叠加显示机构,与所述数据转化机构连接,用于在播放待鉴定的包括第一预设数量的多帧画面的视频流的同时同步显示基于特效标识数据库解析出的与第四预设数量的多个图像特效标识分别对应的第四预设数量的多种特效标识名称。
3.如权利要求1-2任一所述的基于数据分析的联合鉴别平台,其特征在于:
将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识包括:将第三预设数量的多帧融合画面中每一帧融合画面的各个像素点在YUV空间下的色调分量、亮度分量和饱和度分量输入到所述卷积神经网络。
4.如权利要求1-2任一所述的基于数据分析的联合鉴别平台,其特征在于:
将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识包括:所述视频流中出现的噪声幅值未超过设定幅度阈值的噪声类型不计入所述视频流中出现的噪声类型数量。
5.如权利要求1-2任一所述的基于数据分析的联合鉴别平台,其特征在于:
将第三预设数量的多帧融合画面、所述视频流中出现的噪声类型数量以及所述视频流的平均清晰度作为卷积神经网络的输入内容以执行所述卷积神经网络获得所述视频流中出现的第四预设数量的多个图像特效标识包括:获取所述视频流中第一预设数量的多帧画面分别对应的多个画面清晰度,将所述多个画面清晰度的算术平均值作为所述视频流的平均清晰度。
6.如权利要求1-2任一所述的基于数据分析的联合鉴别平台,其特征在于:
所述第一预设数量、所述第二预设数量以及所述第三预设数量的取值依次降低。
7.如权利要求1-2任一所述的基于数据分析的联合鉴别平台,其特征在于:
接收待鉴定的包括预设数量的多帧画面的视频流,并检测所述待鉴定的视频流的平均信噪比包括:获取多帧画面分别对应的多个信噪比,将所述多个信噪比的算术平均值作为所述待鉴定的视频流的平均信噪比。
8.如权利要求1-2任一所述的基于数据分析的联合鉴别平台,其特征在于:
所述特效标识数据库以图像特效标识为索引保存了各种特效标识名称包括:在所述特效标识数据库中,不同图像特效标识分别对应不同种类特效标识名称。
9.如权利要求8所述的基于数据分析的联合鉴别平台,其特征在于:
在所述特效标识数据库中,不同图像特效标识分别对应不同种类特效标识名称包括:每一图像特效标识为一个唯一的八位长度的二进制编码数据;
其中,在所述特效标识数据库中,不同图像特效标识分别对应不同种类特效标识名称还包括:每一种类特效标识名称为对应种类特效标识名称的ASCLL编码数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158242.4A CN115620190A (zh) | 2022-09-22 | 2022-09-22 | 基于数据分析的联合鉴别平台 |
PCT/CN2023/070622 WO2024060470A1 (zh) | 2022-09-22 | 2023-01-05 | 数据分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158242.4A CN115620190A (zh) | 2022-09-22 | 2022-09-22 | 基于数据分析的联合鉴别平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620190A true CN115620190A (zh) | 2023-01-17 |
Family
ID=84858135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211158242.4A Pending CN115620190A (zh) | 2022-09-22 | 2022-09-22 | 基于数据分析的联合鉴别平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620190A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245962A (zh) * | 2023-03-16 | 2023-06-09 | 祝晓鹏 | 用于无线传输到区块链服务器的数据提取系统及方法 |
CN116245856A (zh) * | 2023-03-15 | 2023-06-09 | 石鹏飞 | 用于数值转换的图像拟合处理系统及方法 |
CN116321289A (zh) * | 2023-02-22 | 2023-06-23 | 祝晓鹏 | 无线传输数据包长转换系统 |
-
2022
- 2022-09-22 CN CN202211158242.4A patent/CN115620190A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321289A (zh) * | 2023-02-22 | 2023-06-23 | 祝晓鹏 | 无线传输数据包长转换系统 |
CN116321289B (zh) * | 2023-02-22 | 2023-10-17 | 北纬实捌(海口)科技有限公司 | 无线传输数据包长转换系统 |
CN116245856A (zh) * | 2023-03-15 | 2023-06-09 | 石鹏飞 | 用于数值转换的图像拟合处理系统及方法 |
CN116245856B (zh) * | 2023-03-15 | 2023-09-22 | 湖北华中电力科技开发有限责任公司 | 用于数值转换的图像拟合处理系统及方法 |
CN116245962A (zh) * | 2023-03-16 | 2023-06-09 | 祝晓鹏 | 用于无线传输到区块链服务器的数据提取系统及方法 |
CN116245962B (zh) * | 2023-03-16 | 2023-12-22 | 新疆量子通信技术有限公司 | 用于无线传输到区块链服务器的数据提取系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115620190A (zh) | 基于数据分析的联合鉴别平台 | |
US11055516B2 (en) | Behavior prediction method, behavior prediction system, and non-transitory recording medium | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
US20170316548A1 (en) | Super-Resolution Method and System, Server, User Device and Method Therefor | |
CN106845374A (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN103136763B (zh) | 用于检测视频序列异常段落的电子装置及其方法 | |
CN109871780B (zh) | 一种人脸质量判决方法、系统及人脸识别方法、系统 | |
CN109711422A (zh) | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN112085012A (zh) | 项目名称和类别识别方法及装置 | |
CN109389096B (zh) | 检测方法和装置 | |
CN106845513A (zh) | 基于条件随机森林的人手检测器及方法 | |
CN106897454A (zh) | 一种文件分类方法及装置 | |
CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
CN109766918A (zh) | 基于多层次上下文信息融合的显著性物体检测方法 | |
CN113821296B (zh) | 可视化界面生成方法、电子设备及存储介质 | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
Gao et al. | A robust improved network for facial expression recognition | |
CN112084913A (zh) | 一种端到端的人体检测与属性识别方法 | |
JP2004530992A (ja) | ビデオ情報における自動的な自然コンテンツ検出 | |
CN114220175B (zh) | 运动模式识别方法及其装置、设备、介质、产品 | |
CN110489584B (zh) | 基于密集连接的MobileNets模型的图像分类方法及系统 | |
CN109886105B (zh) | 基于多任务学习的价格牌识别方法、系统及存储介质 | |
Liu et al. | PGF-BIQA: Blind image quality assessment via probability multi-grained cascade forest |
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 |