CN116091781B - 一种用于图像识别的数据处理方法及装置 - Google Patents
一种用于图像识别的数据处理方法及装置 Download PDFInfo
- Publication number
- CN116091781B CN116091781B CN202211443895.7A CN202211443895A CN116091781B CN 116091781 B CN116091781 B CN 116091781B CN 202211443895 A CN202211443895 A CN 202211443895A CN 116091781 B CN116091781 B CN 116091781B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- model
- feature
- training
- 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
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
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于图像识别的数据处理方法及装置,该方法包括:获取待识别图像;利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息;对检测特征信息进行融合处理,得到图像检测结果信息;图像检测结果信息用于表征待识别图像中军事目标的数量、大小和位置情况。可见,本发明有利于提高对军用伪装目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于图像识别的数据处理方法及装置。
背景技术
现有的目标检测算法在上述复杂环境下的目标检测效果上并不突出,尤其是在复杂环境下伪装目标的检测上,比常规的检测任务难度更大。军事目标通常下所处的野外环境较为复杂,这给现有的目标检测算法带来了巨大挑战。传统的军事目标检测算法主要通过HOG、SVM、DPM等方法来进行识别。然而这类算法的特征提取能力不够,导致大部分目标特征信息丢失,因此在复杂环境下军事目标的检测任务显得更加困难,尤其是在用于图像识别的数据处理任务中,军事目标与周围环境背景高度一体化,且背景信息通常在图片中占据较多,在特征提取过程中容易产生大量冗余背景信息,从而导致检测效果不佳的问题。因此,提供一种用于图像识别的数据处理方法及装置,以提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
发明内容
本发明所要解决的技术问题在于,提供一种用于图像识别的数据处理方法及装置,能够利用图像检测模型对图像进行识别以及融合处理,得到表征军事目标的数量、大小和位置情况的图像检测结果,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
利用图像检测模型对图像进行识别以及融合处理,得到表征军事目标的数量、大小和位置情况的图像检测结果,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
为了解决上述技术问题,本发明实施例第一方面公开了一种用于图像识别的数据处理方法,所述方法包括:
获取待识别图像;
利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息;
对所述检测特征信息进行融合处理,得到图像检测结果信息;所述图像检测结果信息用于表征所述待识别图像中军事目标的数量、大小和位置情况。
作为一种可选的实施方式,在本发明实施例第一方面中,所述检测特征信息包括若干个检测特征图;
所述对所述检测特征信息进行融合处理,得到图像检测结果信息,包括:
对于任一所述检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合;所述目标锚框集合包括至少3个目标锚框;每个所述目标锚框的尺寸大小是不相一致的;
利用所述目标锚框集合遍历该检测特征图中所有的像素框,得到特征图像框信息;所述特征图像框信息包括若干个特征图像相框;
计算所有所述特征图像框的置信度,得到图像框置信度信息;
基于所述置信度大小关系,从所述图像框置信度信息中确定出目标特征图像框;
利用所述目标特征图像框对所有所述图像框置信度信息进行重叠情况对比分析和剔除处理,得到该检测特征图对应的目标图框信息;
对所有所述目标图框信息进行多维度分析处理,得到框检测结果信息;所述框检测结果信息包括若干个框检测结果;
基于所述框检测结果信息,对所述待识别图像中的所述军事目标进行解码处理,得到图像检测结果信息。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述对于任一所述检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合之前,所述方法还包括:
获取框数据集和聚类优化参数;
基于所述聚类优化参数对基于K-means++的聚类模型进行参数优化,得到目标聚类模型;
利用所述目标聚类模型对所述框数据集进行聚类处理,得到聚类中心信息;
基于所述聚类中心信息,确定出所述锚框集合。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息,包括:
基于图像检测模型的特征提取子模型对所述待识别图像进行特征提取处理,得到提取特征信息;所述提取特征信息包括第一提取特征信息和第二提取特征信息;
基于所述图像检测模型的特征融合子模型对所述提取特征信息进行特征融合处理,得到检测特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述特征提取子模型包括第一特征提取模型和第二特征提取模型;所述第一特征提取模型包括至少10个特征网络模块;所述特征网络模块中包含至少4中不同类型的网络模型结构;
所述基于图像检测模型的特征提取子模型对所述待识别图像进行特征提取处理,得到提取特征信息,包括:
利用所述第一特征提取模型对所述待识别图像进行特征提取处理,得到所述第一提取特征信息和待用特征信息;
利用所述第二特征提取模型对所述待用特征信息进行特征提取处理,得到所述第二提取特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述第二特征提取模型对所述待用特征信息进行特征提取处理,得到所述第二提取特征信息,包括:
对所述待用特征信息进行卷积处理,得到第一卷积特征信息;
对所述第一卷积特征信息进行池化处理,得到池化特征信息;
对所述池化特征信息进行卷积处理,得到第二卷积特征信息;
对所述第二卷积特征信息进行水平和垂向特征均值计算,得到均值特征信息;
对所述均值特征信息进行特征聚合,得到聚合特征信息;
对所述聚合特征信息进行权重转换计算,得到权重系数信息;所述权重系数信息包括水平权重序列和垂直权重序列;
利用所述权重系数信息对所述第二卷积特征信息进行乘积计算,得到所述第二提取特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述图像检测模型是基于以下步骤得到的:
获取军事迷彩伪装视频信息;
采用取帧方式对所述军事迷彩伪装视频信息进行图像截取,得到初始图像信息;所述初始图像信息包括至少M张初始图像;所述M为不小于10000的正整数;
采用逐层筛选方式对所述初始图像信息进行质量筛选,得到第一训练图像信息;所述第一训练图像信息包括N张第一训练图像;所述N为不大于1000的正整数;
对所述第一训练图像信息进行数据增强处理,得到第二训练图像信息;所述第二训练图像信息包括若干张第二训练图像;
对所述第二训练图像信息进行图像规格调整,得到第三训练图像信息;
对所述第三训练图像信息进行数据集划分,得到图像训练集;所述图像训练集包括若干张待用训练图像;
获取模型训练参数;所述模型训练参数包括批次处理图像数量值和训练次数阈值;
利用所述模型训练参数对预设的第一图像训练模型进行初始参数设置,得到第二图像训练模型;
利用所述批次处理图像数量值对所述图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;所述目标训练图像信息包括L张目标训练图像;所述L与所述批次处理图像数量值是相一致的;
将所述目标训练图像信息输入到所述第二图像训练模型进行模型训练,得到第三图像训练模型和模型训练参数信息;
判断所述模型训练参数信息是否满足模型训练终止条件,得到模型判断结果;所述模型训练终止条件与所述训练次数阈值相关;
当所述模型判断结果为否时,利用所述第三图像训练模型对所述第二图像训练模型进行更新,并触发执行所述利用所述批次处理图像数量值对所述图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;
当所述模型判断结果为是时,确定所述第三图像训练模型为所述图像检测模型。
本发明实施例第二方面公开了一种用于图像识别的数据处理装置,装置包括:
获取模块,用于获取待识别图像;
第一处理模块,用于利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息;
第二处理模块,用于对所述检测特征信息进行融合处理,得到图像检测结果信息;所述图像检测结果信息用于表征所述待识别图像中军事目标的数量、大小和位置情况。
本发明第三方面公开了另一种用于图像识别的数据处理装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的用于图像识别的数据处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的用于图像识别的数据处理方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取待识别图像;利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息;对检测特征信息进行融合处理,得到图像检测结果信息;图像检测结果信息用于表征待识别图像中军事目标的数量、大小和位置情况。可见,本发明有利于提高对军用伪装目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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他的附图。
图1是本发明实施例公开的一种用于图像识别的数据处理方法的流程示意图;
图2是本发明实施例公开的一种用于图像识别的数据处理装置的结构示意图;
图3是本发明实施例公开的另一种用于图像识别的数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种用于图像识别的数据处理方法及装置,能够利用图像检测模型对图像进行识别以及融合处理,得到表征军事目标的数量、大小和位置情况的图像检测结果,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种用于图像识别的数据处理方法的流程示意图。其中,图1所描述的用于图像识别的数据处理方法应用于图像处理系统中,如用于图像识别的数据处理管理的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该用于图像识别的数据处理方法可以包括以下操作:
101、获取待识别图像。
102、利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息。
103、对检测特征信息进行融合处理,得到图像检测结果信息。
本发明实施例中,上述图像检测结果信息用于表征待识别图像中军事目标的数量、大小和位置情况。
需要说明的是,在复杂背景下的目标检测任务中,由于图片中的复杂环境背景通常占据较多,因此在提取特征信息的过程中,极易产生多余的环境背景信息,导致网络难以有效提取目标特征信息,并且随着网络结构的不断加深,使得目标特征信息严重丢失,最终造成目标检测效果不佳的现象。而本申请实施例中的用于图像识别的数据处理方法具有强抗背景干扰能力,可检测重叠和遮挡目标,从而有效提高复杂环境下军事目标的检测精度。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够利用图像检测模型对图像进行识别以及融合处理,得到表征军事目标的数量、大小和位置情况的图像检测结果,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在一个可选的实施例中,上述检测特征信息包括若干个检测特征图;
对检测特征信息进行融合处理,得到图像检测结果信息,包括:
对于任一检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合;目标锚框集合包括至少3个目标锚框;每个目标锚框的尺寸大小是不相一致的;
利用目标锚框集合遍历该检测特征图中所有的像素框,得到特征图像框信息;特征图像框信息包括若干个特征图像相框;
计算所有特征图像框的置信度,得到图像框置信度信息;
基于置信度大小关系,从图像框置信度信息中确定出目标特征图像框;
利用目标特征图像框对所有图像框置信度信息进行重叠情况对比分析和剔除处理,得到该检测特征图对应的目标图框信息;
对所有目标图框信息进行多维度分析处理,得到框检测结果信息;框检测结果信息包括若干个框检测结果;
基于框检测结果信息,对待识别图像中的军事目标进行解码处理,得到图像检测结果信息。
可选的,上述锚框集合包括至少9个锚框。
可选的,上述对目标图框信息的多维度分析包括对目标图框的横向和纵向的融合处理。
具体的,上述目标特征图像框表征其置信度在所有图相框中是最大的。
可选的,上述重叠情况表征不同图相框之间的重合度。进一步的,上述对图相框的剔除是当不同图相框之间的重合度超过重叠阈值时,将除目标特征图像框之外的其他图相框进行删除。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够对检测特征信息进行融合处理,得到图像检测结果信息,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在另一个可选的实施例中,在对于任一检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合之前,方法还包括:
获取框数据集和聚类优化参数;
基于聚类优化参数对基于K-means++的聚类模型进行参数优化,得到目标聚类模型;
利用目标聚类模型对框数据集进行聚类处理,得到聚类中心信息;
基于聚类中心信息,确定出锚框集合。
可选的,上述聚类优化参数是基于军事目标的长宽比值特征设定的。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够将框数据集和聚类优化参数确定出锚框集合,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息,包括:
基于图像检测模型的特征提取子模型对待识别图像进行特征提取处理,得到提取特征信息;提取特征信息包括第一提取特征信息和第二提取特征信息;
基于图像检测模型的特征融合子模型对提取特征信息进行特征融合处理,得到检测特征信息。
可选的,上述特征融合子模型包括第一融合模型、第二融合模型和第三融合模型。具体的,上述第一融合模型包括至少8个特征网络模块。进一步的,上述第一融融合模型的特征网络模块包括至少4种网络模型结构。具体的,上述第三融合模型包括至少3个特征网络模块。进一步的,上述第三融合模型的特征网络模块包括至少3种网络模型结构。
在该可选的实施例中,作为一种可选的实施方式,上述基于图像检测模型的特征融合子模型对检测特征信息进行特征融合处理,得到检测特征信息,包括:
利用第一融合模型对检测特征信息进行上采样、卷积和融合处理,得到第一融合待用信息、第二融合待用信息和第三融合待用信息;
利用第二融合模型对第一融合待用信息进行特征增强提取,得到第一融合特征信息;
利用第三融合模型对第一融合特征信息和第二融合待用信息进行卷积和融合处理,得到第二融合待用信息;
利用第二融合模型对第二融合待用信息进行特征增强提取,得到第二融合特征信息;
利用第三融合模型对第二融合特征信息和第三融合待用信息进行卷积和融合处理,得到第三融合待用信息;
利用第二融合模型对第三融合待用信息进行特征增强提取,得到第三融合特征信息;
对第一融合特征信息、第二融合特征信息和第三融合特征信息进行聚合处理,得到检测特征信息。
在该可选的实施例中,作为另一种可选的实施方式,上述利用第二融合模型对第一融合待用信息进行特征增强提取,得到第一融合特征信息,包括:
对第一融合待用信息进行池化处理,得到第一通道特征信息;
对第一通道特征信息和第一融合待用信息进行乘积,得到第二通道特征信息;
对第二通道特征信息进行池化处理,得到第三通道特征信息;
对第二通道特征信息和第三通道特征信息进行乘积,得到第一融合特征信息。
可选的,上述池化处理包括平均池化处理和最大池化处理。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,特征提取子模型包括第一特征提取模型和第二特征提取模型;第一特征提取模型包括至少10个特征网络模块;特征网络模块中包含至少4中不同类型的网络模型结构;
基于图像检测模型的特征提取子模型对待识别图像进行特征提取处理,得到提取特征信息,包括:
利用第一特征提取模型对待识别图像进行特征提取处理,得到第一提取特征信息和待用特征信息;
利用第二特征提取模型对待用特征信息进行特征提取处理,得到第二提取特征信息。
可选的,上述网络模型结构包括Focus结构,和/或,条件卷积模块,和/或,C3网络结构,和/或,坐标注意力机制模块,和/或,上采样模块,和/或,Concat融合模块,本发明实施例不做限定。
可选的,上述利用第一特征提取模型对待识别图像的特征提取可增强方向感知特征信息的提取,以更为精准地在复杂背景环境下识别和定位军事目标。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够基于图像检测模型的特征提取子模型对待识别图像进行特征提取处理,得到提取特征信息,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在一个可选的实施例中,上述利用第二特征提取模型对待用特征信息进行特征提取处理,得到第二提取特征信息,包括:
对待用特征信息进行卷积处理,得到第一卷积特征信息;
对第一卷积特征信息进行池化处理,得到池化特征信息;
对池化特征信息进行卷积处理,得到第二卷积特征信息;
对第二卷积特征信息进行水平和垂向特征均值计算,得到均值特征信息;
对均值特征信息进行特征聚合,得到聚合特征信息;
对聚合特征信息进行权重转换计算,得到权重系数信息;权重系数信息包括水平权重序列和垂直权重序列;
利用权重系数信息对第二卷积特征信息进行乘积计算,得到第二提取特征信息。
具体的,水平权重序列包括按水平坐标排序的若干个水平权重系数。垂直权重序列包括按垂直坐标排序的若干个垂直权重系数。
在该可选的实施例中,作为一种可选的实施方式,上述利用权重系数信息对第二卷积特征信息进行乘积计算,得到第二检测特征信息,包括:
对于第二卷积特征信息中的任一特征点,基于该特征点的坐标从水平权重序列和垂直权重序列筛选出与该特征点相匹配的水平权重系数和垂直权重系数作为目标水平权重系数和目标垂直权重系数;
对该特征点对应的像素值、目标水平权重系数和目标垂直权重系数进行乘积计算,得到该特征点对应的目标像素值;
对所有目标像素值进行特征转换,得到第二检测特征信息。
具体的,上述对聚合特征信息的权重转换计算是基于激活函数实现的。
可选的,上述对待用特征信息的卷积处理和对池化特征信息的卷积处理是采用不同卷积模块进行的。
可选的,上述对第一卷积特征信息的池化处理可以是基于空间金字塔池化层实现的,也可以是基于平均池化层实现的,本发明实施例不做限定。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够利用第二特征提取模型对待用特征信息进行特征提取处理,得到第二提取特征信息,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在另一个可选的实施例中,图像检测模型是基于以下步骤得到的:
获取军事迷彩伪装视频信息;
采用取帧方式对军事迷彩伪装视频信息进行图像截取,得到初始图像信息;初始图像信息包括至少M张初始图像;M为不小于10000的正整数;
采用逐层筛选方式对初始图像信息进行质量筛选,得到第一训练图像信息;第一训练图像信息包括N张第一训练图像;N为不大于1000的正整数;
对第一训练图像信息进行数据增强处理,得到第二训练图像信息;第二训练图像信息包括若干张第二训练图像;
对第二训练图像信息进行图像规格调整,得到第三训练图像信息;
对第三训练图像信息进行数据集划分,得到图像训练集;图像训练集包括若干张待用训练图像;
获取模型训练参数;模型训练参数包括批次处理图像数量值和训练次数阈值;
利用模型训练参数对预设的第一图像训练模型进行初始参数设置,得到第二图像训练模型;
利用批次处理图像数量值对图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;目标训练图像信息包括L张目标训练图像;L与批次处理图像数量值是相一致的;
将目标训练图像信息输入到第二图像训练模型进行模型训练,得到第三图像训练模型和模型训练参数信息;
判断模型训练参数信息是否满足模型训练终止条件,得到模型判断结果;模型训练终止条件与训练次数阈值相关;
当模型判断结果为否时,利用第三图像训练模型对第二图像训练模型进行更新,并触发执行利用批次处理图像数量值对图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;
当模型判断结果为是时,确定第三图像训练模型为图像检测模型。
优选地,上述批次处理图像数量值为32。
可选的,上述训练次数阈值可以是预置的,也可以是根据模型训练情况动态调整的,本发明实施例不做限定。
可见,实施本发明实施例所描述的用于图像识别的数据处理方法能够根据通过训练得到图像检测模型,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
实施例二
请参阅图2,图2是本发明实施例公开的一种用于图像识别的数据处理装置的结构示意图。其中,图2所描述的装置能够应用于图像处理系统中,如用于图像识别的数据处理管理的本地服务器或云端服务器等,本发明实施例不做限定。如图2所示,该装置可以包括:
获取模块101,用于获取待识别图像;
第一处理模块102,用于利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息;
第二处理模块103,用于对检测特征信息进行融合处理,得到图像检测结果信息;图像检测结果信息用于表征待识别图像中军事目标的数量、大小和位置情况。
可见,实施图2所描述的用于图像识别的数据处理装置,能够利用图像检测模型对图像进行识别以及融合处理,得到表征军事目标的数量、大小和位置情况的图像检测结果,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在另一个可选的实施例中,如图2所示,检测特征信息包括若干个检测特征图;
第二处理模块103对检测特征信息进行融合处理,得到图像检测结果信息,包括:
对于任一检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合;目标锚框集合包括至少3个目标锚框;每个目标锚框的尺寸大小是不相一致的;
利用目标锚框集合遍历该检测特征图中所有的像素框,得到特征图像框信息;特征图像框信息包括若干个特征图像相框;
计算所有特征图像框的置信度,得到图像框置信度信息;
基于置信度大小关系,从图像框置信度信息中确定出目标特征图像框;
利用目标特征图像框对所有图像框置信度信息进行重叠情况对比分析和剔除处理,得到该检测特征图对应的目标图框信息;
对所有目标图框信息进行多维度分析处理,得到框检测结果信息;框检测结果信息包括若干个框检测结果;
基于框检测结果信息,对待识别图像中的军事目标进行解码处理,得到图像检测结果信息。
可见,实施图2所描述的用于图像识别的数据处理装置,能够对检测特征信息进行融合处理,得到图像检测结果信息,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,如图2所示,在第二处理模块103对于任一检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合之前;
第二处理模块103,还用于获取框数据集和聚类优化参数;
基于聚类优化参数对基于K-means++的聚类模型进行参数优化,得到目标聚类模型;
利用目标聚类模型对框数据集进行聚类处理,得到聚类中心信息;
基于聚类中心信息,确定出锚框集合。
可见,实施图2所描述的用于图像识别的数据处理装置,能够将框数据集和聚类优化参数确定出锚框集合,有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,如图2所示,第一处理模块102利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息,包括:
基于图像检测模型的特征提取子模型对待识别图像进行特征提取处理,得到提取特征信息;提取特征信息包括第一提取特征信息和第二提取特征信息;
基于图像检测模型的特征融合子模型对检测特征信息进行特征融合处理,得到检测特征信息。
可见,实施图2所描述的用于图像识别的数据处理装置,能够利用预设的图像检测模型对待识别图像进行图像识别处理,得到检测特征信息,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,如图2所示,特征提取子模型包括第一特征提取模型和第二特征提取模型;第一特征提取模型包括至少10个特征网络模块;特征网络模块中包含至少4中不同类型的网络模型结构;
第一处理模块102基于图像检测模型的特征提取子模型对待识别图像进行特征提取处理,得到提取特征信息,包括:
利用第一特征提取模型对待识别图像进行特征提取处理,得到第一提取特征信息和待用特征信息;
利用第二特征提取模型对待用特征信息进行特征提取处理,得到第二提取特征信息。
可见,实施图2所描述的用于图像识别的数据处理装置,能够基于图像检测模型的特征提取子模型对待识别图像进行特征提取处理,得到提取特征信息,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,如图2所示,第一处理模块102利用第二特征提取模型对待用特征信息进行特征提取处理,得到第二提取特征信息,包括:
对待用特征信息进行卷积处理,得到第一卷积特征信息;
对第一卷积特征信息进行池化处理,得到池化特征信息;
对池化特征信息进行卷积处理,得到第二卷积特征信息;
对第二卷积特征信息进行水平和垂向特征均值计算,得到均值特征信息;
对均值特征信息进行特征聚合,得到聚合特征信息;
对聚合特征信息进行权重转换计算,得到权重系数信息;
利用权重系数信息对第二卷积特征信息进行乘积计算,得到第二提取特征信息。
可见,实施图2所描述的用于图像识别的数据处理装置,能够利用第二特征提取模型对待用特征信息进行特征提取处理,得到第二提取特征信息,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
在又一个可选的实施例中,如图2所示,图像检测模型是基于以下步骤得到的:
获取军事迷彩伪装视频信息;
采用取帧方式对军事迷彩伪装视频信息进行图像截取,得到初始图像信息;初始图像信息包括至少M张初始图像;M为不小于10000的正整数;
采用逐层筛选方式对初始图像信息进行质量筛选,得到第一训练图像信息;第一训练图像信息包括N张第一训练图像;N为不大于1000的正整数;
对第一训练图像信息进行数据增强处理,得到第二训练图像信息;第二训练图像信息包括若干张第二训练图像;
对第二训练图像信息进行图像规格调整,得到第三训练图像信息;
对第三训练图像信息进行数据集划分,得到图像训练集;图像训练集包括若干张待用训练图像;
获取模型训练参数;模型训练参数包括批次处理图像数量值和训练次数阈值;
利用模型训练参数对预设的第一图像训练模型进行初始参数设置,得到第二图像训练模型;
利用批次处理图像数量值对图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;目标训练图像信息包括L张目标训练图像;L与批次处理图像数量值是相一致的;
将目标训练图像信息输入到第二图像训练模型进行模型训练,得到第三图像训练模型和模型训练参数信息;
判断模型训练参数信息是否满足模型训练终止条件,得到模型判断结果;模型训练终止条件与训练次数阈值相关;
当模型判断结果为否时,利用第三图像训练模型对第二图像训练模型进行更新,并触发执行利用批次处理图像数量值对图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;
当模型判断结果为是时,确定第三图像训练模型为图像检测模型。
可见,实施图2所描述的用于图像识别的数据处理装置,能够根据通过训练得到图像检测模型,更有利于提高对军用目标特征信息的提取、检测重叠和遮挡目标的能力,进而实现对复杂环境下军事目标的精确识别与快速定位。
实施例三
请参阅图3,图3是本发明实施例公开的又一种用于图像识别的数据处理装置的结构示意图。其中,图3所描述的装置能够应用于图像处理系统中,如用于图像识别的数据处理管理的本地服务器或云端服务器等,本发明实施例不做限定。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的用于图像识别的数据处理方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的用于图像识别的数据处理方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的用于图像识别的数据处理方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种用于图像识别的数据处理方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种用于图像识别的数据处理方法,其特征在于,所述方法包括:
获取待识别图像;
利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息;
所述利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息,包括:
基于图像检测模型的特征提取子模型对所述待识别图像进行特征提取处理,得到提取特征信息;所述提取特征信息包括第一提取特征信息和第二提取特征信息;
所述特征提取子模型包括第一特征提取模型和第二特征提取模型;所述第一特征提取模型包括至少10个特征网络模块;所述特征网络模块中包含至少4种不同类型的网络模型结构;
所述基于图像检测模型的特征提取子模型对所述待识别图像进行特征提取处理,得到提取特征信息,包括:
利用所述第一特征提取模型对所述待识别图像进行特征提取处理,得到所述第一提取特征信息和待用特征信息;
利用所述第二特征提取模型对所述待用特征信息进行特征提取处理,得到所述第二提取特征信息;
所述利用所述第二特征提取模型对所述待用特征信息进行特征提取处理,得到所述第二提取特征信息,包括:
对所述待用特征信息进行卷积处理,得到第一卷积特征信息;
对所述第一卷积特征信息进行池化处理,得到池化特征信息;
对所述池化特征信息进行卷积处理,得到第二卷积特征信息;
对所述第二卷积特征信息进行水平和垂向特征均值计算,得到均值特征信息;
对所述均值特征信息进行特征聚合,得到聚合特征信息;
对所述聚合特征信息进行权重转换计算,得到权重系数信息;所述权重系数信息包括水平权重序列和垂直权重序列;
利用所述权重系数信息对所述第二卷积特征信息进行乘积计算,得到所述第二提取特征信息;
基于所述图像检测模型的特征融合子模型对所述提取特征信息进行特征融合处理,得到检测特征信息;
对所述检测特征信息进行融合处理,得到图像检测结果信息;所述图像检测结果信息用于表征所述待识别图像中军事目标的数量、大小和位置情况。
2.根据权利要求1所述的用于图像识别的数据处理方法,其特征在于,所述检测特征信息包括若干个检测特征图;
所述对所述检测特征信息进行融合处理,得到图像检测结果信息,包括:
对于任一所述检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合;所述目标锚框集合包括至少3个目标锚框;每个所述目标锚框的尺寸大小是不相一致的;
利用所述目标锚框集合遍历该检测特征图中所有的像素框,得到特征图像框信息;所述特征图像框信息包括若干个特征图像相框;
计算所有所述特征图像框的置信度,得到图像框置信度信息;
基于所述置信度大小关系,从所述图像框置信度信息中确定出目标特征图像框;
利用所述目标特征图像框对所有所述图像框置信度信息进行重叠情况对比分析和剔除处理,得到该检测特征图对应的目标图框信息;
对所有所述目标图框信息进行多维度分析处理,得到框检测结果信息;所述框检测结果信息包括若干个框检测结果;
基于所述框检测结果信息,对所述待识别图像中的所述军事目标进行解码处理,得到图像检测结果信息。
3.根据权利要求2所述的用于图像识别的数据处理方法,其特征在于,在所述对于任一所述检测特征图,从预设的锚框集合中获取与该检测特征图相匹配的若干个锚框,得到目标锚框集合之前,所述方法还包括:
获取框数据集和聚类优化参数;
基于所述聚类优化参数对基于K-means++的聚类模型进行参数优化,得到目标聚类模型;
利用所述目标聚类模型对所述框数据集进行聚类处理,得到聚类中心信息;
基于所述聚类中心信息,确定出所述锚框集合。
4.根据权利要求1所述的用于图像识别的数据处理方法,其特征在于,所述图像检测模型是基于以下步骤得到的:
获取军事迷彩伪装视频信息;
采用取帧方式对所述军事迷彩伪装视频信息进行图像截取,得到初始图像信息;所述初始图像信息包括至少M张初始图像;所述M为不小于10000的正整数;
采用逐层筛选方式对所述初始图像信息进行质量筛选,得到第一训练图像信息;所述第一训练图像信息包括N张第一训练图像;所述N为不大于1000的正整数;
对所述第一训练图像信息进行数据增强处理,得到第二训练图像信息;所述第二训练图像信息包括若干张第二训练图像;
对所述第二训练图像信息进行图像规格调整,得到第三训练图像信息;
对所述第三训练图像信息进行数据集划分,得到图像训练集;所述图像训练集包括若干张待用训练图像;
获取模型训练参数;所述模型训练参数包括批次处理图像数量值和训练次数阈值;
利用所述模型训练参数对预设的第一图像训练模型进行初始参数设置,得到第二图像训练模型;
利用所述批次处理图像数量值对所述图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;所述目标训练图像信息包括L张目标训练图像;所述L与所述批次处理图像数量值是相一致的;
将所述目标训练图像信息输入到所述第二图像训练模型进行模型训练,得到第三图像训练模型和模型训练参数信息;
判断所述模型训练参数信息是否满足模型训练终止条件,得到模型判断结果;所述模型训练终止条件与所述训练次数阈值相关;
当所述模型判断结果为否时,利用所述第三图像训练模型对所述第二图像训练模型进行更新,并触发执行所述利用所述批次处理图像数量值对所述图像训练集中的待用训练图像进行筛选处理,得到目标训练图像信息;
当所述模型判断结果为是时,确定所述第三图像训练模型为所述图像检测模型。
5.一种用于图像识别的数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取待识别图像;
第一处理模块,用于利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息;
所述利用预设的图像检测模型对所述待识别图像进行图像识别处理,得到检测特征信息,包括:
基于图像检测模型的特征提取子模型对所述待识别图像进行特征提取处理,得到提取特征信息;所述提取特征信息包括第一提取特征信息和第二提取特征信息;
所述特征提取子模型包括第一特征提取模型和第二特征提取模型;所述第一特征提取模型包括至少10个特征网络模块;所述特征网络模块中包含至少4种不同类型的网络模型结构;
所述基于图像检测模型的特征提取子模型对所述待识别图像进行特征提取处理,得到提取特征信息,包括:
利用所述第一特征提取模型对所述待识别图像进行特征提取处理,得到所述第一提取特征信息和待用特征信息;
利用所述第二特征提取模型对所述待用特征信息进行特征提取处理,得到所述第二提取特征信息;
所述利用所述第二特征提取模型对所述待用特征信息进行特征提取处理,得到所述第二提取特征信息,包括:
对所述待用特征信息进行卷积处理,得到第一卷积特征信息;
对所述第一卷积特征信息进行池化处理,得到池化特征信息;
对所述池化特征信息进行卷积处理,得到第二卷积特征信息;
对所述第二卷积特征信息进行水平和垂向特征均值计算,得到均值特征信息;
对所述均值特征信息进行特征聚合,得到聚合特征信息;
对所述聚合特征信息进行权重转换计算,得到权重系数信息;所述权重系数信息包括水平权重序列和垂直权重序列;
利用所述权重系数信息对所述第二卷积特征信息进行乘积计算,得到所述第二提取特征信息;
基于所述图像检测模型的特征融合子模型对所述提取特征信息进行特征融合处理,得到检测特征信息;
第二处理模块,用于对所述检测特征信息进行融合处理,得到图像检测结果信息;所述图像检测结果信息用于表征所述待识别图像中军事目标的数量、大小和位置情况。
6.一种用于图像识别的数据处理装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-4任一项所述的用于图像识别的数据处理方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-4任一项所述的用于图像识别的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211443895.7A CN116091781B (zh) | 2022-11-18 | 2022-11-18 | 一种用于图像识别的数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211443895.7A CN116091781B (zh) | 2022-11-18 | 2022-11-18 | 一种用于图像识别的数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091781A CN116091781A (zh) | 2023-05-09 |
CN116091781B true CN116091781B (zh) | 2023-07-25 |
Family
ID=86199889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211443895.7A Active CN116091781B (zh) | 2022-11-18 | 2022-11-18 | 一种用于图像识别的数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091781B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456407B (zh) * | 2023-10-11 | 2024-04-19 | 中国人民解放军军事科学院系统工程研究院 | 一种多目标图像跟踪方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222764B (zh) * | 2019-06-10 | 2021-06-18 | 中南民族大学 | 遮挡目标检测方法、系统、设备及存储介质 |
CN110991382B (zh) * | 2019-12-12 | 2023-02-28 | 深圳市天龙科技有限公司 | 一种监狱工作区域人员身份辨识系统及方法 |
CN112801169B (zh) * | 2021-01-25 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 |
CN115063447A (zh) * | 2022-06-08 | 2022-09-16 | 中北大学 | 一种基于视频序列的目标动物运动追踪方法及相关设备 |
CN115063573A (zh) * | 2022-06-14 | 2022-09-16 | 湖北工业大学 | 一种基于注意力机制的多尺度目标检测方法 |
CN115223042A (zh) * | 2022-07-05 | 2022-10-21 | 深圳职业技术学院 | 基于YOLOv5网络模型的目标识别方法及装置 |
CN115346051A (zh) * | 2022-08-19 | 2022-11-15 | 中国人民解放军军事科学院系统工程研究院 | 一种光学遥感图像检测方法及装置 |
-
2022
- 2022-11-18 CN CN202211443895.7A patent/CN116091781B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116091781A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN110222787B (zh) | 多尺度目标检测方法、装置、计算机设备及存储介质 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
CN109214403B (zh) | 图像识别方法、装置及设备、可读介质 | |
CN111275040B (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN110674680B (zh) | 活体识别的方法、装置、存储介质 | |
CN113723157B (zh) | 一种农作物病害识别方法、装置、电子设备及存储介质 | |
CN116091781B (zh) | 一种用于图像识别的数据处理方法及装置 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN115908831B (zh) | 一种图像检测方法及装置 | |
CN113537145A (zh) | 目标检测中误、漏检快速解决的方法、装置及存储介质 | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
CN113721240B (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
CN115311680A (zh) | 人体图像质量检测方法、装置、电子设备及存储介质 | |
CN110751034B (zh) | 行人行为识别方法及终端设备 | |
CN114332981A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114219938A (zh) | 感兴趣区域获取方法 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN113486788A (zh) | 视频相似度确定方法、装置、电子设备及存储介质 | |
CN112926552A (zh) | 基于深度神经网络的遥感影像车辆目标识别模型及方法 | |
CN116311553B (zh) | 应用于半遮挡图像下的人脸活体检测方法及装置 |
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 |