CN116188919B - 一种测试方法、装置、可读存储介质及电子设备 - Google Patents
一种测试方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN116188919B CN116188919B CN202310454411.7A CN202310454411A CN116188919B CN 116188919 B CN116188919 B CN 116188919B CN 202310454411 A CN202310454411 A CN 202310454411A CN 116188919 B CN116188919 B CN 116188919B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- determining
- test
- attribute
- 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
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
- G06V10/70—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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/77—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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本说明书公开了一种测试方法、装置、可读存储介质及电子设备,在重识别模型上线前,针对预设的各类型的图像属性,从各目标物图像中,确定其他类型的图像属性均满足筛选条件的各目标物图像,构建该类型的图像属性对应的测试集,进而基于各类型的图像属性分别对应的测试集,对该重识别模型进行测试。本说明书中的该测试方法,可构建各类型的图像属性分别对应的测试集对该重识别模型进行测试,则测试结果可准确评估该重识别模型的准确性和鲁棒性,避免出现模型上线后在实际使用过程中缺乏泛化性的情况。
Description
技术领域
本说明书涉及图像识别领域,尤其涉及一种测试方法、装置、可读存储介质及电子设备。
背景技术
目前,随着计算机技术的发展和业务融合的需要,重识别技术由于其可在跨摄像头、跨场景的情况下,从图像集或视频序列中检索出特定目标物的特点,被广泛应用于智能安防、智能监控等多种领域。
常见的重识别方法通常需要确定各摄像头采集到的图像集或视频序列。并将包含特定目标物的图像输入到识别模型中,再由重识别模型从该图像集或视频序列中,确定包含该特定目标物的目标图像进行输出。
但是,由于任务复杂性和隐私保护等问题,目前训练该重识别模型时的训练样本的数量较少,且训练样本对应的采集环境较为单一,因此,基于训练样本训练得到的该重识别模型的鲁棒性较差,准确性较低。
基于此,本说明书提供一种测试方法,以在使用重识别模型确定目标图像前,对该重识别模型进行测试。
发明内容
本说明书提供一种测试方法、装置、可读存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种测试方法,所述方法包括:
获取基于训练集训练得到的重识别模型,并获取若干带标注的目标物图像;
针对预设的各类型的图像属性,将该类型的图像属性作为目标属性,并将其他类型的图像属性作为其他属性,以及从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像;
从该类型的图像属性对应的测试集中,确定测试样本,并确定与所述测试样本包含相同目标物的目标物图像,作为所述测试样本的标注;
根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果。
可选地,预设的各类型的图像属性包括拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性中的至少一种。
可选地,所述方法还包括:
确定预设的各姿态与各拍摄角度之间的关联关系;
针对每个目标物图像,确定该目标物图像中包含的目标物的拍摄姿态;
将所述拍摄姿态和预设的各姿态进行匹配,并根据匹配结果确定所述拍摄姿态对应的拍摄角度,作为该目标物图像的拍摄角度属性。
可选地,所述方法还包括:
当所述目标物为人体时,确定人体各部位分别对应的遮挡比例;
针对每个目标物图像,确定该目标物图像中包含的人体的遮挡部位;
根据所述遮挡部位和所述各部位分别对应的遮挡比例,确定该目标物图像对应的遮挡情况,作为该目标物的遮挡情况属性。
可选地,从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像,具体包括:
确定其他属性分别对应的筛选条件,作为所述目标属性对应的指定筛选条件;
根据所述各目标物图像分别对应的拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性,从所述各目标物图像中,确定满足所述指定筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像。
可选地,根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果,具体包括:
将所述测试样本输入所述重识别模型中,得到所述重识别模型输出的重识别结果;
根据所述重识别结果和所述测试样本的标注,确定所述重识别模型的准确度指标;
根据所述准确度指标,确定测试结果。
可选地,根据所述准确度指标,确定测试结果,具体包括:
根据将所述测试样本输入所述重识别模型的开始时刻,以及所述重识别模型输出重识别结果的输出时刻,确定所述重识别模型的处理耗时;
根据各测试样本分别包含的像素,以及各测试集中分别包含的各目标物图像的像素,确定所述处理耗时对应的总像素;
根据所述总像素和所述处理耗时,确定所述重识别模型的单位处理耗时;
确定所述准确度指标和所述单位处理耗时的比值,作为测试结果,所述测试结果和所述重识别模型的准确度指标正相关。
本说明书提供一种测试装置,所述装置包括:
模型确定模块,用于获取基于训练集训练得到的重识别模型,并获取若干带标注的目标物图像;
测试集确定模块,用于针对预设的各类型的图像属性,将该类型的图像属性作为目标属性,并将其他类型的图像属性作为其他属性,以及从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像;
样本确定模块,从该类型的图像属性对应的测试集中,确定测试样本,并确定与所述测试样本包含相同目标物的目标物图像,作为所述测试样本的标注;
测试模块,用于根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述测试方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述测试方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在重识别模型上线前,针对预设的各类型的图像属性,从各目标物图像中,确定其他类型的图像属性均满足筛选条件的各目标物图像,构建该类型的图像属性对应的测试集,进而基于各类型的图像属性分别对应的测试集,对该重识别模型进行测试。
从上述方法可以看出,本说明书中的该测试方法,可构建各类型的图像属性分别对应的测试集对该重识别模型进行测试,则测试结果可准确评估该重识别模型的准确性和鲁棒性,避免出现模型上线后在实际使用过程中缺乏泛化性的情况。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的测试方法的流程示意图;
图2为本说明书提供的确定拍摄角度的场景示意图;
图3为本说明书提供的测试方法的流程示意图;
图4为本说明书提供的测试装置的结构示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的测试方法的流程示意图,具体包括以下步骤:
S100:获取基于训练集训练得到的重识别模型,并获取若干带标注的目标物图像。
本说明书提供一种测试方法,其中涉及到的重识别模型可以是经预先训练得到的。该测试方法的执行过程可由用于对模型进行测试的服务器、终端等电子设备执行。执行该重识别模型的训练过程的电子设备与执行该测试方法的电子设备可为相同电子设备,也可为不同电子设备,本说明书对此不做限制。
区别于目前只能基于较为单一的采集环境采集的目标物图像对重识别模型进行训练,训练得到的重识别模型在实际应用中准确性和鲁棒性欠佳的情况。本说明书提供一种测试方法,在重识别模型上线前,基于各类型的图像属性分别对应的测试集对重识别模型进行测试,确定测试结果。
其中,该测试结果可用于对该重识别模型进行评估,也可用于判断该重识别模型的准确率是否足以上线,还可确定该重识别模型对哪种类型的图像属性的测试集的准确度较低,进而基于较低的准确度对该重识别模型重新进行训练。
可见,本说明书中的该测试方法,可构建各类型的图像属性分别对应的测试集对该重识别模型进行测试,确定出用于准确评估该重识别模型的准确性和鲁棒性的测试结果,保证模型上线后在实际使用过程中的泛化性。
基于上述对本说明书中的测试方法的简要说明,可见,本说明书中的该测试方法,是在重识别模型基于训练集训练后对重识别模型进行测试的方法。因此,执行该测试方法的服务器可确定重识别模型,以及确定用于对重识别模型进行测试的目标物图像。
具体的,该服务器可接收测试请求。其中,该测试请求可为用于执行该重识别模型的服务器发送的,也可为执行该测试方法的服务器响应于测试任务生成的,该测试任务可为当该重识别模型的迭代次数到达预设的迭代终止条件时生成的。该测试请求中携带有重识别模型的模型结构和模型参数。
于是,该服务器可对该测试请求进行解析,并根据解析结果,确定该测试请求中携带的模型结构和模型参数。
最后,该服务器可根据确定出的模型结构和模型参数,确定该重识别模型。
当然,该服务器中也可预先存储有待测试的各模型,则该测试请求中可携带有重识别模型的模型标识,则该服务器可在接收到该测试请求后,对该测试请求进行解析,确定该测试请求中携带的模型标识,并根据该模型标识,从自身存储的各模型中,确定出与该模型标识对应的重识别模型。具体该重识别模型如何确定可根据需要进行设置,本说明书对此不做限制。
与此同时,该服务器还可确定用于对该重识别模型进行测试的各目标物图像。
具体的,该重识别模型的训练集往往为带标注的各目标物图像。针对每个目标物图像,其对应的标注为该目标物图像包含的目标物。以目标物类型为车为例,若该目标物图像对应的标注为车辆1和车辆2,则可确定该目标物图像中包含的目标物的类型为车辆,且该目标物图像中包含的目标物分别为车辆1和车辆2。
于是,该服务器可确定该重识别模型的训练集的标注对应的目标物类型,并从各目标物图像中,选择包含上述目标物类型对应的目标物的目标物图像,作为用于对该重识别模型进行测试的各目标物图像。
当然,在模型训练时,通常会预先确定出模型对应的训练集和测试集。于是,该服务器还可根据该重识别模型的模型标识,确定该重识别模型的测试集,并从该重识别模型的测试集中,确定若干带标注的目标物图像,作为用于对该重识别模型进行测试的各目标物图像。
进一步的,针对每个带标注的目标物图像,该目标物图像的标注除该目标物图像中包含的目标物外,还可包含采集该目标物图像的采集设备的编号。
更进一步的,若目标物图像中包含有较多的除目标物以外的背景内容,则在基于目标物图像进行重识别时,还可能有重识别模型将背景内容作为目标物,并查找到包含相同背景图像的目标物图像,作为重识别结果的情况出现。因此,为了避免上述情况出现,该服务器还可对采集设备获取到的图像进行预处理,再根据预处理结果确定目标物图像。
具体的,该服务器可获取若干采集设备采集到的图像,作为各初始图像。
然后,针对每个初始图像,该服务器可将该初始图像作为输入,输入预先训练完成的目标物检测模型中,得到所述目标物检测模型输出的该初始图像中包含的各目标物,以及所述各目标物分别对应的区域。其中,针对目标物检测模型输出的每个目标物,该目标物有其对应的编号,如,行人1。若两张初始图像中均包含有行人1,则可认为该两张初始图像包含相同目标物。
最后,针对每个目标物,根据该目标物对应的区域,将该初始图像进行裁剪,将裁剪结果作为目标物图像,并将该目标物和采集该目标物图像的采集设备的编号,作为该目标物图像的标注。于是,针对每个目标物图像,该目标物图像中包含的目标物有且仅有一个。
需要说明的是,该重识别模型的训练集和测试集,通常为不同采集设备采集到的包含不同目标物的图像确定的。即使测试集存在与训练集包含的图像中的目标物为同一目标物的图像,该目标物在测试集中的标注和在训练集中的标注也是不同的标注。如,该目标物在测试集中的标注可为车辆1,在训练集中的标注可为车辆3。具体如何确定用于对该重识别模型进行测试的带标注的目标物图像,可根据需要进行设置,本说明书对此不做限制。
S102:针对预设的各类型的图像属性,将该类型的图像属性作为目标属性,并将其他类型的图像属性作为其他属性,以及从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像。
在本说明书提供的一个或多个实施例中,针对每个目标物图像,影响该目标物图像的识别结果的图像属性可为多种类型。因此,若针对每种类型的图像属性,确定在该类型的图像属性变化的情况下,重识别模型对目标物图像的重识别结果,进而基于重识别结果确定该重识别模型的测试结果。显然,本说明书中的该测试结果不仅可用于表征该重识别模型的准确度,还可用于表征该重识别模型对于各类型的图像属性分别对应的敏感程度。
基于此,该服务器可确定各类型的图像属性分别对应的测试集。
具体的,该服务器中可预设有多种类型的图像属性。如,亮度、清晰度等。其中,针对每种类型的图像属性,该类型的图像属性用于表征目标物图像的某一属性。具体的图像属性可根据需要进行设置,本说明书对此不做限制。
然后,该服务器可针对每个类型的图像属性,将该类型的图像属性作为目标属性,将其他类型的图像属性作为其他属性。以该类型为清晰度类型为例,则该服务器可确定清晰度属性为目标属性,除清晰度外的其他类型对应的图像属性均为其他属性。
最后,由于本说明书中需确定在该类型的图像属性变化的情况下,重识别模型对目标物图像的重识别结果,而若对该类型的图像属性进行变化生成新的目标物图像,则生成的目标物图像非真实图像,基于该目标物图像确定的测试结果也会失真。而若基于其他属性在一定范围内,但该目标属性对应于不完全相同的属性值的各目标物图像来构建该类型的图像属性对应的测试集,则构建出的测试集不仅足够真实,且同样可表征该类型的图像属性变化的各目标物图像。
于是,该服务器可针对每个目标物图像,确定该目标物图像的各类型的图像属性,并判断该目标物图像的其他属性是否均满足筛选条件。
若是,则该服务器可将该目标物图像作为该类型的图像属性对应的测试集包含的各目标物图像。
若不是,则该服务器可将该目标物图像不作为该类型的图像属性对应的测试集包含的目标物图像。
进一步的,还可能出现其他属性的筛选条件过于苛刻,导致确定出的该类型的图像属性对应的测试集包含的各目标物图像整体较差,无法对该重识别模型准确测试的情况。以该类型的图像属性为清晰度属性为例,则若筛选条件包含“目标物图像中各像素的平均亮度值高于200”为例,则确定出的该清晰度类型的图像属性对应的测试集中的各目标物图像难免存在较多过曝光图像。在过曝光图像大多丢失了较多信息的情况下,基于该测试集确定出的测试结果难免失真。
为了避免上述情况的出现,该服务器在确定各类型的图像属性分别对应的测试集时,可针对每个其他属性,确定用于筛选出该其他属性对应的良好照片的筛选条件,作为该其他属性对应的筛选条件。
则基于上述筛选条件确定出的各类型的图像属性分别对应的测试集,其可准确表征在各类型的图像属性变化的情况下,该重识别模型的准确度。则基于该测试集确定出的测试结果也会更加准确。
S104:从该类型的图像属性对应的测试集中,确定测试样本,并确定与所述测试样本包含相同目标物的目标物图像,作为所述测试样本的标注。
在本说明书提供的一个或多个实施例中,该测试方法用于对重识别模型进行测试,而该重识别模型用于从图像集或者视频序列包含的各目标物图像中,确定出与输入该重识别模型的目标物图像中包含相同目标物的目标图像。基于此,该服务器可从各测试集中,确定出用于对该重识别模型进行测试的测试样本及其标注。
具体的,该服务器可针对每个类型的图像属性,从该类型的图像属性对应的测试集包含的各目标物图像中,随机确定任一目标物图像,确定测试样本。
于是,该服务器可根据该测试样本对应的目标物图像的标注,以及该类型的图像属性对应的实际包含的各目标物图像分别对应的标注,确定与该测试样本包含相同目标物的目标物图像,作为该测试样本的标注。
其中,该测试样本对应的目标物图像的标注可单个也可为多个,则该服务器可从该目标物图像对应的标注中,选择任一标注,作为该目标物图像包含的目标物,进而基于该目标物图像包含的目标物,确定该测试样本的标注。
需要说明的是,针对每个测试集,该服务器可基于该测试集确定多个测试样本,以及确定各测试样本分别对应的标注。确定出的各测试样本的具体数量可根据需要进行设置,本说明书对此不做限制。
S106:根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果。
在本说明书提供的一个或多个实施例中,该测试方法用于对该重识别模型进行测试。于是,在确定出测试结果及其标注后,该服务器可对该重识别模型进行测试。
具体的,该服务器可将该测试样本作为输入,输入该重识别模型中,得到该重识别模型输出的测试样本的重识别结果。
于是,该服务器可根据该测试样本的重识别结果和该测试样本的标注,确定该重识别模型的准确率,作为测试结果。当然,该测试结果还可为召回率、识别错误的测试样本是否超过预设数量等等。
另外,由于本说明书中存在多个类型的图像属性分别对应的测试集。因此,该服务器可针对每个测试集,确定该测试集对应的各测试样本,并根据该测试集对应的各测试样本及其标注,确定该测试集对应的测试结果。则后续可基于各测试集分别对应的测试结果,来评价该重识别模型对应于各类型的图像属性分别对应的准确率。
另外,为了避免该重识别模型从测试集中确定出该测试样本作为重识别结果的情况出现,该服务器还可针对每个类型的图像数据对应的测试集,根据该测试集中的各测试样本,构建查询库,并根据该测试集中除各测试样本外的其他目标物图像,构建待查询库。进而使得该重识别模型可针对查询库中的每个测试样本,都可从该待查询库中查询到与该测试样本包含相同目标物的目标物图像,作为重识别结果。
于是,该服务器可根据该重识别结果和该测试样本的标注之间的差距,确定测试结果。
基于图1所示的测试方法,在使用重识别模型对目标物进行重识别前,针对预设的各类型的图像属性,从各目标物图像中,确定其他类型的图像属性均满足筛选条件的各目标物图像,构建该类型的图像属性对应的测试集,进而基于各类型的图像属性分别对应的测试集,对该重识别模型进行测试,确定测试结果。
可见,本说明书中的该测试方法,可构建各类型的图像属性分别对应的测试集对该重识别模型进行测试,确定出用于准确评估该重识别模型的准确性和鲁棒性的测试结果,保证模型上线后在实际使用过程中的泛化性。
另外,在本说明书中,各类型的图像属性用于表征目标物图像的某一性质,而对于图像质量来说,影像图像质量的因素通常可为图像的拍摄角度、图像的遮挡情况、图像的光照情况即图像的分辨率等。因此,在预设各类型的图像属性时,该服务器可将将拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性中的至少一种,作为预设的各类型的图像属性中的至少一种。
以目标物为人体为例,若采集设备采集目标物图像时的拍摄角度为90度,即,拍摄到了人体的侧面,则基于该目标物图像确定重识别结果时,重识别结果大概率为包含人体侧面的目标物图像,且重识别结果的准确性也较低。而若采集设备采集目标物图像时的拍摄角度为0度,即,拍摄到了人体的正面,则基于该目标物图像确定重识别结果时,重识别结果大概率为包含人体正面的目标物图像,而由于人体正面比人体侧面所能提取到的信息多,基于包含人体正面的目标物图像确定的重识别结果的准确性也较高。
进一步的,对于目标物图像来说,该重识别模型能都对该目标物图像中的目标物识别出,并基于识别出的目标物从各目标物图像中,确定包含该目标物的图像,作为重识别结果,很大程度取决于在采集该目标物图像时目标物的姿态。于是,该服务器可基于目标物图像中目标物的姿态,确定目标物图像的拍摄角度属性。
具体的,该服务器中预设有各姿态和各拍摄角度之间的关联关系。
于是,针对每个目标物图像,该服务器可从该目标物图像中,确定该目标物图像包含的目标物的拍摄姿态。
接着,该服务器可将该拍摄姿态和预设的各姿态进行匹配。其中,该服务器可基于该拍摄姿态的目标物的图像特征和预设的各姿态分别对应的特征,也可直接基于该拍摄姿态和预设的各姿态,确定该拍摄姿态落入的姿态区间。
最后,根据匹配结果,该服务器可确定该拍摄姿态对应的拍摄角度,并将确定出的拍摄角度作为该目标物图像的拍摄角度属性,即,拍摄角度类型对应的图像属性。如图2所示。
图2为本说明书提供的确定拍摄角度的场景示意图。图中,以目标物为人体为例,预设了多个姿态与多个拍摄角度之间的对应关系。如,拍摄角度为0度时人体的姿态、拍摄角度为30度时人体的姿态、拍摄角度为60度时人体的姿态、拍摄角度为90度时人体的姿态、拍摄角度为120度时人体的姿态、拍摄角度为150度时人体的姿态、拍摄角度为180度时人体的姿态、拍摄角度为210度时人体的姿态、拍摄角度为240度时人体的姿态、拍摄角度为270度时人体的姿态、拍摄角度为300度时人体的姿态和拍摄角度为360度时人体的姿态。于是,当目标物为人体时,该服务器可根据该目标物在目标物图像中的拍摄姿态,以及预设的各姿态,确定该拍摄姿态与各姿态分别对应的匹配结果,并根据匹配结果确定该拍摄姿态对应的拍摄角度。其中,白色用于表征人体正面,阴影用于表征人体反面。
以该匹配结果为该拍摄姿态和拍摄角度为0度对应的姿态的匹配度最高为例,则该拍摄姿态对应的拍摄角度也可为0度。以该匹配结果为该拍摄姿态和拍摄角度为0度对应的姿态的匹配度较高,且该拍摄姿态和拍摄角度为30度对应的姿态的匹配度较高为例,则该拍摄姿态对应的拍摄角度可落入0-30度这一范围。
具体如何预设各姿态和各拍摄角度之间的关联关系,预设的姿态和拍摄角度的数量,以及如何在确定出拍摄姿态和预设的各姿态的匹配结果后,基于匹配结果确定其对应的拍摄角度,可根据需要进行设置,本说明书对此不做限制。
更进一步的,对目标物来说,若目标物的形状为不规则形状,且各目标物对应的拍摄角度不同的情况下,很难界定目标物对应的遮挡情况。因此,该服务可针对每种类型的目标物,可预先对该类型的目标物进行分割,确定该类型的目标物的各组成部分,并确定各组成部分分别应的遮挡比例。则在确定出目标物后,该服务器可确定目标物对应的遮挡部分,并根据遮挡部分确定该目标物图像的遮挡情况属性。其中,该遮挡部分为该目标物包含,但该目标物图像中未展示的该目标物的组成部分。
具体的,以该目标物为人体为例,该服务器可确定人体各部位分别对应的遮挡比例。将人体表面积视为100%,该服务器可确定人体表面积的各组成部分,即,人体各部位:头颈部、双上肢、双下肢、躯干前后、会阴部以及臀部。则按照九分估计法,该服务器可将总体表面积划分为11个9%等面积区域,即头(面)颈部占一个9%,双上肢占二个9%,躯干前后及会阴部占三个9%,臀部及双下肢占五个9%+1%。
于是,针对每个目标物图像,该服务器可确定该目标物图像中包含的人体的遮挡部位。其中,该遮挡部位为该人体的组成部分中,未在该目标物图像中出现的组成部分。
于是,根据确定出的遮挡部位,以及预设的各部位分别对应的遮挡比例,该服务器可确定该目标物图像对应的遮挡情况,并将该遮挡情况作为该目标物的遮挡情况属性。
另外,针对每个其他属性,该其他属性可有其对应的筛选条件。于是,该服务器可根据确定出的其他属性分别对应的筛选条件,确定目标属性对应的测试集。
具体的,该服务器可针对每个其他属性,确定该其他属性对应的筛选条件,并将各其他属性分别对应的筛选条件,作为该目标属性对应的指定筛选条件。
于是,该服务器可根据各目标物图像分别对应的拍摄角度属性、遮挡情况属性、光照情况属性和分辨率属性,从各目标物图像中,确定满足该指定筛选条件的各目标物图像。
最后,该服务器可将满足该指定筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像。即,构建该目标属性对应的测试集。
进一步的,对于模型来说,模型的准确度可用于表征该模型是否可用于执行业务。同样的,对于重识别模型来说,该重识别模型的准确度同样可用于表征该模型是否训练完成,是否可用于执行业务。因此,该服务器可基于该重识别模型的准确度,来确定测试结果。
具体的,该服务器可针对每个测试样本,将该测试样本作为输入,输入重识别模型中,得到该重识别模型输出的重识别结果。
然后,该服务器可根据各测试样本分别对应的重识别结果和各测试样本分别对应的标注,确定该重识别模型的准确度指标。其中,该准确率指标可为精确率、召回率、平均精确率(Mean Average Precision,MAP)等等。
最后,该服务器可将该准确率指标,作为测试结果。
更进一步的,对于模型来说,除了模型的准确率以外,模型的处理速度也是考量该模型是否可用于执行业务的指标之一。于是,该服务器可根据该重识别模型的处理速度,确定测试结果。
具体的,该服务器可根据各目标物图像分别包含的像素,确定包含的像素的数量为预设的数量阈值的各目标物图像,作为参考图像。以该预设的数量阈值为1亿为例,则该服务器可确定总共包含的像素的数量为1亿的各目标物图像,作为参考图像。其中,该参考图像可包含测试样本,也可包含该服务器在根据该测试样本对测试集中的各目标物图像进行查找时,处理的各目标物图像。
当然,该参考图像还可为从该重识别模型开始对图像进行处理的第一时刻,到该重识别模型处理了一亿个像素的第二时刻,该第一时刻和第二时刻之间该重识别模型处理的各像素所对应的目标物图像。其中,各像素属于不完全相同的目标物图像,每个参考图像可为不完整的目标物图像。
然后,该服务器可确定该重识别模型对参考图像进行处理时的耗时。
最后,该服务器可确定该准确度指标和该耗时的比值,作为测试结果。其中,测试结果和重识别模型的准确度指标正相关,该测试结果和重识别模型对预设的数量阈值个像素进行处理的耗时负相关。
另外,该服务器还可根据将该测试样本输入该重识别模型的开始时刻,以及该重识别模型输出重识别结果的输出时刻,确定该重识别模型的处理耗时。
其次,根据各测试样本分别包含的像素,以及各测试集中分别包含的各目标物图像的像素,该服务器可确定该处理耗时对应的总像素。即,该重识别模型在该处理耗时对处理的像素总量是多少。
然后,该服务器可根据该总像素和该处理耗时,确定该重识别模型的单位处理耗时。
最后,该服务器可确定该准确度指标和该单位处理耗时的比值,作为测试结果,其中,该测试结果和所述重识别模型的准确度指标正相关,该测试结果和该单位处理耗时负相关。
以该耗时为,测试样本的数量为/>,/>表征各测试样本中第/>个测试样本的像素值,测试集包含的目标物图像的数量为/>,/>表征测试集中第/>张目标物图像的像素值为例,则可有/>。其中,/>用于表征该重识别模型输出检索结果的时刻,/>用于表征该重识别模型开始对测试样本进行处理的时刻。该/>的单位为s/亿像素。
基于相同思路,本说明书化提供一种测试方法的流程示意图,如图3所示。
图3为本说明书提供的测试方法的流程示意图。其中,以预设有n种类型的图像属性为例。该服务器可针对每个类型的图像属性,根据带标注的目标物图像,构建该类型的图像属性分别对应的测试集。再针对每个测试集,从该测试集中确定出测试样本以及测试样本的标注,进而将测试样本输入该重识别模型中,得到该重识别模型输出的重识别结果,进而根据测试样本的重识别结果以及测试样本的标注,确定该重识别结果的测试结果。
基于同样思路,本说明书还提供一种测试装置,如图4所示。
图4为本说明书提供的测试装置的结构示意图,其中:
模型确定模块200,用于获取基于训练集训练得到的重识别模型,并获取若干带标注的目标物图像;
测试集确定模块202,用于针对预设的各类型的图像属性,将该类型的图像属性作为目标属性,并将其他类型的图像属性作为其他属性,以及从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像;
样本确定模块204,从该类型的图像属性对应的测试集中,确定测试样本,并确定与所述测试样本包含相同目标物的目标物图像,作为所述测试样本的标注;
测试模块206,用于根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果。
可选地,预设的各类型的图像属性包括拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性中的至少一种。
可选地,测试集确定模块202,用于确定预设的各姿态与各拍摄角度之间的关联关系,针对每个目标物图像,确定该目标物图像中包含的目标物的拍摄姿态,将所述拍摄姿态和预设的各姿态进行匹配,并根据匹配结果确定所述拍摄姿态对应的拍摄角度,作为该目标物图像的拍摄角度属性。
可选地,测试集确定模块202,用于当所述目标物为人体时,确定人体各部位分别对应的遮挡比例,针对每个目标物图像,确定该目标物图像中包含的人体的遮挡部位,根据所述遮挡部位和所述各部位分别对应的遮挡比例,确定该目标物图像对应的遮挡情况,作为该目标物的遮挡情况属性。
可选地,测试集确定模块202,用于确定其他属性分别对应的筛选条件,作为所述目标属性对应的指定筛选条件,根据所述各目标物图像分别对应的拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性,从所述各目标物图像中,确定满足所述指定筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像。
可选地,所述测试模块206,用于将所述测试样本输入所述重识别模型中,得到所述重识别模型输出的重识别结果,根据所述重识别结果和所述测试样本的标注,确定所述重识别模型的准确度指标,根据所述准确度指标,确定测试结果。
可选地,所述测试模块206,用于根据将所述测试样本输入所述重识别模型的开始时刻,以及所述重识别模型输出重识别结果的输出时刻,确定所述重识别模型的处理耗时,根据各测试样本分别包含的像素,以及各测试集中分别包含的各目标物图像的像素,确定所述处理耗时对应的总像素,根据所述总像素和所述处理耗时,确定所述重识别模型的单位处理耗时,确定所述准确度指标和所述单位处理耗时的比值,作为测试结果,所述测试结果和所述重识别模型的准确度指标正相关。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的测试方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的测试方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程病灶检测设备的处理器以产生一个机器,使得通过计算机或其他可编程病灶检测设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程病灶检测设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程病灶检测设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种测试方法,其特征在于,所述方法包括:
获取基于训练集训练得到的重识别模型,并获取若干带标注的目标物图像;
针对预设的各类型的图像属性,将所述各类型的图像属性中的一种类型的图像属性作为目标属性,并将其他类型的图像属性作为其他属性,以及从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像;
从该类型的图像属性对应的测试集中,确定测试样本,并确定与所述测试样本包含相同目标物的目标物图像,作为所述测试样本的标注;
根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果。
2.如权利要求1所述的方法,其特征在于,预设的各类型的图像属性包括拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性中的至少一种。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
确定预设的各姿态与各拍摄角度之间的关联关系;
针对每个目标物图像,确定该目标物图像中包含的目标物的拍摄姿态;
将所述拍摄姿态和预设的各姿态进行匹配,并根据匹配结果确定所述拍摄姿态对应的拍摄角度,作为该目标物图像的拍摄角度属性。
4.如权利要求2所述的方法,其特征在于,所述方法还包括:
当所述目标物为人体时,确定人体各部位分别对应的遮挡比例;
针对每个目标物图像,确定该目标物图像中包含的人体的遮挡部位;
根据所述遮挡部位和所述各部位分别对应的遮挡比例,确定该目标物图像对应的遮挡情况,作为该目标物的遮挡情况属性。
5.如权利要求2所述的方法,其特征在于,从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像,具体包括:
确定其他属性分别对应的筛选条件,作为所述目标属性对应的指定筛选条件;
根据所述各目标物图像分别对应的拍摄角度属性、遮挡情况属性、光照情况属性以及分辨率属性,从所述各目标物图像中,确定满足所述指定筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像。
6.如权利要求1所述的方法,其特征在于,根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果,具体包括:
将所述测试样本输入所述重识别模型中,得到所述重识别模型输出的重识别结果;
根据所述重识别结果和所述测试样本的标注,确定所述重识别模型的准确度指标;
根据所述准确度指标,确定测试结果。
7.如权利要求6所述的方法,其特征在于,根据所述准确度指标,确定测试结果,具体包括:
根据将所述测试样本输入所述重识别模型的开始时刻,以及所述重识别模型输出重识别结果的输出时刻,确定所述重识别模型的处理耗时;
根据各测试样本分别包含的像素,以及各测试集中分别包含的各目标物图像的像素,确定所述处理耗时对应的总像素;
根据所述总像素和所述处理耗时,确定所述重识别模型的单位处理耗时;
确定所述准确度指标和所述单位处理耗时的比值,作为测试结果,所述测试结果和所述重识别模型的准确度指标正相关。
8.一种测试装置,其特征在于,所述装置包括:
模型确定模块,用于获取基于训练集训练得到的重识别模型,并获取若干带标注的目标物图像;
测试集确定模块,用于针对预设的各类型的图像属性,将所述各类型的图像属性中的一种类型的图像属性作为目标属性,并将其他类型的图像属性作为其他属性,以及从各目标物图像中,确定其他属性均满足筛选条件的各目标物图像,作为该类型的图像属性对应的测试集包含的各目标物图像;
样本确定模块,从该类型的图像属性对应的测试集中,确定测试样本,并确定与所述测试样本包含相同目标物的目标物图像,作为所述测试样本的标注;
测试模块,用于根据所述测试样本及其标注,对所述重识别模型进行测试,确定测试结果。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310454411.7A CN116188919B (zh) | 2023-04-25 | 2023-04-25 | 一种测试方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310454411.7A CN116188919B (zh) | 2023-04-25 | 2023-04-25 | 一种测试方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188919A CN116188919A (zh) | 2023-05-30 |
CN116188919B true CN116188919B (zh) | 2023-07-14 |
Family
ID=86434820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310454411.7A Active CN116188919B (zh) | 2023-04-25 | 2023-04-25 | 一种测试方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188919B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829456B (zh) * | 2017-11-23 | 2022-05-17 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及终端 |
CN111723611A (zh) * | 2019-03-20 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 行人再识别方法、装置及存储介质 |
CN110135301B (zh) * | 2019-04-30 | 2022-02-22 | 百度在线网络技术(北京)有限公司 | 交通牌识别方法、装置、设备和计算机可读介质 |
CN112434548B (zh) * | 2019-08-26 | 2024-06-04 | 杭州海康威视数字技术股份有限公司 | 一种视频标注方法及装置 |
CN111666800A (zh) * | 2019-12-23 | 2020-09-15 | 珠海大横琴科技发展有限公司 | 一种行人重识别模型训练方法及行人重识别方法 |
CN111291632B (zh) * | 2020-01-17 | 2023-07-11 | 厦门熵基科技有限公司 | 一种行人状态检测方法、装置以及设备 |
CN111274992A (zh) * | 2020-02-12 | 2020-06-12 | 北方工业大学 | 一种跨摄像头的行人重识别方法及系统 |
CN111401343B (zh) * | 2020-06-04 | 2021-04-30 | 北京金山云网络技术有限公司 | 识别图像中人的属性的方法、识别模型的训练方法和装置 |
CN111881757B (zh) * | 2020-06-29 | 2023-09-01 | 浪潮电子信息产业股份有限公司 | 一种行人重识别方法、装置、设备及介质 |
CN114627439A (zh) * | 2020-12-12 | 2022-06-14 | 深圳市天双科技有限公司 | 一种基于360环视摄像头的移动物体检测方法 |
CN114757250A (zh) * | 2020-12-29 | 2022-07-15 | 华为云计算技术有限公司 | 一种图像处理方法以及相关设备 |
CN112861831A (zh) * | 2021-04-25 | 2021-05-28 | 北京三快在线科技有限公司 | 一种目标物的识别方法、装置、存储介质及电子设备 |
CN113298161A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技(深圳)有限公司 | 图像识别模型测试方法、装置、计算机设备及存储介质 |
CN114037661A (zh) * | 2021-10-26 | 2022-02-11 | 同济大学 | 基于yolo算法的循环肿瘤细胞识别系统 |
CN114022905A (zh) * | 2021-11-08 | 2022-02-08 | 中国电子科技集团公司电子科学研究院 | 一种属性感知的域拓展行人重识别方法及系统 |
CN114519863A (zh) * | 2021-12-30 | 2022-05-20 | 深圳云天励飞技术股份有限公司 | 人体重识别方法、人体重识别装置、计算机设备及介质 |
CN114821632A (zh) * | 2022-03-10 | 2022-07-29 | 中国矿业大学 | 一种遮挡行人重识别方法 |
CN115439713A (zh) * | 2022-08-31 | 2022-12-06 | 南方科技大学 | 模型训练方法及装置、图像分割方法、设备、存储介质 |
CN115456089A (zh) * | 2022-09-19 | 2022-12-09 | 北京沃东天骏信息技术有限公司 | 一种分类模型的训练方法、装置、设备和存储介质 |
CN115620090A (zh) * | 2022-11-07 | 2023-01-17 | 中电科新型智慧城市研究院有限公司 | 模型训练方法、低照度目标重识别方法和装置、终端设备 |
CN115937851A (zh) * | 2022-12-02 | 2023-04-07 | 之江实验室 | 一种增强深度学习学习域的方法和系统 |
CN115690747B (zh) * | 2022-12-30 | 2023-03-21 | 天津所托瑞安汽车科技有限公司 | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 |
-
2023
- 2023-04-25 CN CN202310454411.7A patent/CN116188919B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116188919A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095124B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN107274442B (zh) | 一种图像识别方法和装置 | |
CN109165589A (zh) | 基于深度学习的车辆重识别方法和装置 | |
CN112784857B (zh) | 一种模型训练以及图像处理方法及装置 | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN111062400A (zh) | 目标匹配方法及装置 | |
CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN116188919B (zh) | 一种测试方法、装置、可读存储介质及电子设备 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
CN114998962A (zh) | 一种活体检测以及模型训练方法及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN114219938A (zh) | 感兴趣区域获取方法 | |
CN113128277A (zh) | 一种人脸关键点检测模型的生成方法及相关设备 | |
CN111143626A (zh) | 团伙识别方法、装置、设备及计算机可读存储介质 | |
CN116310406B (zh) | 一种图像检测的方法、装置、存储介质及电子设备 | |
CN116363390B (zh) | 一种红外弱小目标检测方法、装置、存储介质及电子设备 | |
CN118015316B (zh) | 一种图像匹配模型训练的方法、装置、存储介质、设备 | |
CN117011147B (zh) | 一种红外遥感影像特征检测及拼接方法及装置 | |
CN109829847B (zh) | 图像合成方法及相关产品 | |
CN115661584B (zh) | 一种模型训练方法、开放域目标检测方法及相关装置 | |
CN113673601B (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
CN117786417B (zh) | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
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 |