CN117853791A - 数据集处理方法、装置、设备及存储介质 - Google Patents
数据集处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117853791A CN117853791A CN202311801640.8A CN202311801640A CN117853791A CN 117853791 A CN117853791 A CN 117853791A CN 202311801640 A CN202311801640 A CN 202311801640A CN 117853791 A CN117853791 A CN 117853791A
- Authority
- CN
- China
- Prior art keywords
- target
- segmented
- classification
- original
- data set
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims description 117
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 33
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 11
- 240000004050 Pentaglottis sempervirens Species 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种数据集处理方法、装置、设备及存储介质,本申请通过对多种类型属性的分割图片进行推理检测,每个分割图片只对应一种类型属性,从而在处理时只需要关注当前的类型属性,提高了进行检测的效率;另外,通过多个预设检测模型分别对分割图片进行处理,可以综合考虑各个预设检测模型的预测结果,从而提高生成目标分类结果的准确性,进而提高对原始泊车数据集进行处理的准确性;同时,通过直接将目标分类结果与分割图片对应的原始标签信息进行比对的方式来筛选错误标注的数据,该方式便捷易于实现,从而提高了对原始泊车数据集进行处理的效率。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及数据集处理方法、装置、设备及存储介质。
背景技术
随着人工智能技术的发展,自动驾驶汽车取得了广泛的关注,在自动驾驶相关技术中,自动泊车是自动驾驶汽车的一项重要功能。目前,在进行自动泊车的过程中,均是需要通过感知检测算法对泊车时所需的参数进行识别,从而根据识别结果进行自动泊车。
其中,由于感知检测算法是需要通过大量的泊车数据集进行训练得到的,因此,泊车数据集的质量对感知检测算法的性能具有较大的影响。传统地,为了提高泊车数据集的质量,通常是通过人工将泊车数据集中错误标注的数据筛选出来,再利用剩余的泊车数据对感知检测算法进行训练。
然而,采用上述方式对泊车数据集进行处理时存在效率及准确性较低的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,为此,本发明第一方面提出一种数据集处理方法,该方法包括:
从车位鸟瞰图中获取多种类型属性的分割图片;
将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果;
针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,原始泊车数据集中包括车位鸟瞰图及原始标签信息。
在一种可能的实施方式中,预设检测模型为预设分类模型,将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果,包括:
将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果;其中,多个预设分类模型为基于不同类型的初始分类模型训练得到的,或是基于同一类型的初始分类模型经过多次训练后得到的。
在一种可能的实施方式中,将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果,包括:
针对各预设分类模型,将多种类型属性的分割图片输入至预设分类模型中进行处理,生成与各分割图片对应的预测概率值;其中,各种类型属性包括多个分类类别,预测概率值用于表征分割图片属于各分类类别的可能性;
针对各分割图片,基于多个预测概率值确定目标分类结果。
在一种可能的实施方式中,一个预设分类模型对应一组预测概率值,一组预测概率值包括各分类类别对应的预测概率值,基于多个预测概率值确定目标分类结果,包括:
针对各预设分类模型,从一组预测概率值中确定最大概率值对应的目标分类类别;
基于多个目标分类类别,确定目标分类结果。
在一种可能的实施方式中,针对各预设分类模型,从一组预测概率值中确定最大概率值对应的目标分类类别,包括:
获取属于同一种目标类型属性中的各分割图片的标识信息,并针对属于目标类型属性中的各分割图片,获取与各预设分类模型对应的一组目标预测概率值;
针对同一种目标类型属性,基于多组目标预测概率值及标识信息构建概率混淆矩阵;其中,概率混淆矩阵的行数是基于属于同一种目标类型属性中的各分割图片的数量所确定的,概率混淆矩阵的列数是基于目标预测概率值的数量所确定的;
针对概率混淆矩阵中的每一行,对各组目标预测概率值分别进行统计处理,得到各组目标预测概率值中的最大概率值;
基于最大概率值及标识信息,确定与标识信息对应的分割图片的目标分类类别。
在一种可能的实施方式中,从车位鸟瞰图中获取多种类型属性的分割图片,包括:
从原始泊车数据集中获取原始标签信息;
基于原始标签信息对车位鸟瞰图进行裁剪处理,生成多种类型属性的分割图片。
在一种可能的实施方式中,车位鸟瞰图包括第一车位鸟瞰图和第二车位鸟瞰图,原始标签信息包括第一原始标签信息和第二原始标签信息,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集,包括:
将目标分类结果与分割图片的原始标签信息进行比对,生成比对结果;
若基于比对结果确定目标分类结果与分割图片的原始标签信息不一致,则从原始泊车数据集中筛选出与分割图片对应的第一车位鸟瞰图及第一原始标签信息;
基于原始泊车数据集中除第一车位鸟瞰图以外的第二车位鸟瞰图、及除第一原始标签信息以外的第二原始标签信息,生成目标泊车数据集。
本发明第二方面提出一种数据集处理装置,该装置包括:
获取模块,用于从车位鸟瞰图中获取多种类型属性的分割图片;
生成模块,用于将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果;
处理模块,用于针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,原始泊车数据集中包括车位鸟瞰图及原始标签信息。
在一种可能的实施方式中,预设检测模型为预设分类模型,上述生成模块具体用于:
将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果;其中,多个预设分类模型为基于不同类型的初始分类模型训练得到的,或是基于同一类型的初始分类模型经过多次训练后得到的。
在一种可能的实施方式中,上述生成模块还用于:
针对各预设分类模型,将多种类型属性的分割图片输入至预设分类模型中进行处理,生成与各分割图片对应的预测概率值;其中,各种类型属性包括多个分类类别,预测概率值用于表征分割图片属于各分类类别的可能性;
针对各分割图片,基于多个预测概率值确定目标分类结果。
在一种可能的实施方式中,一个预设分类模型对应一组预测概率值,一组预测概率值包括各分类类别对应的预测概率值,上述生成模块还用于:
针对各预设分类模型,从一组预测概率值中确定最大概率值对应的目标分类类别;
基于多个目标分类类别,确定目标分类结果。
在一种可能的实施方式中,上述生成模块还用于:
获取属于同一种目标类型属性中的各分割图片的标识信息,并针对属于目标类型属性中的各分割图片,获取与各预设分类模型对应的一组目标预测概率值;
针对同一种目标类型属性,基于多组目标预测概率值及标识信息构建概率混淆矩阵;其中,概率混淆矩阵的行数是基于属于同一种目标类型属性中的各分割图片的数量所确定的,概率混淆矩阵的列数是基于目标预测概率值的数量所确定的;
针对概率混淆矩阵中的每一行,对各组目标预测概率值分别进行统计处理,得到各组目标预测概率值中的最大概率值;
基于最大概率值及标识信息,确定与标识信息对应的分割图片的目标分类类别。
在一种可能的实施方式中,上述获取模块具体用于:
从原始泊车数据集中获取原始标签信息;
基于原始标签信息对车位鸟瞰图进行裁剪处理,生成多种类型属性的分割图片。
在一种可能的实施方式中,车位鸟瞰图包括第一车位鸟瞰图和第二车位鸟瞰图,原始标签信息包括第一原始标签信息和第二原始标签信息,上述处理模块具体用于:
将目标分类结果与分割图片的原始标签信息进行比对,生成比对结果;
若基于比对结果确定目标分类结果与分割图片的原始标签信息不一致,则从原始泊车数据集中筛选出与分割图片对应的第一车位鸟瞰图及第一原始标签信息;
基于原始泊车数据集中除第一车位鸟瞰图以外的第二车位鸟瞰图、及除第一原始标签信息以外的第二原始标签信息,生成目标泊车数据集。
本发明第三方面提出一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的数据集处理方法。
本发明第四方面提出一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的数据集处理方法。
本发明实施例具有以下有益效果:
本发明实施例提供的数据集处理方法,该方法包括:从车位鸟瞰图中获取多种类型属性的分割图片,将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果,针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集。本申请通过对多种类型属性的分割图片进行推理检测,每个分割图片只对应一种类型属性,从而在处理时只需要关注当前的类型属性,提高了进行检测的效率;另外,通过多个预设检测模型分别对分割图片进行处理,可以综合考虑各个预设检测模型的预测结果,从而提高生成目标分类结果的准确性,进而提高对原始泊车数据集进行处理的准确性;同时,通过直接将目标分类结果与分割图片对应的原始标签信息进行比对的方式来筛选错误标注的数据,该方式便捷易于实现,从而提高了对原始泊车数据集进行处理的效率。
附图说明
图1为本申请实施例提供的一种计算机设备的框图;
图2为本发明实施例提供的一种数据集处理方法的步骤流程图;
图3为本申请实施例提供的一种车位鸟瞰图;
图4为本申请实施例提供的一种车位类型属性的三张分割图片的示意图;
图5为本申请实施例提供的一种角点类型属性的两张分割图片的示意图;
图6为本申请实施例提供的一种可泊类型属性的两张分割图片的示意图;
图7为本申请实施例提供的一种生成多种类型属性的分割图片的流程图;
图8为本申请实施例提供的一种生成目标分类结果的流程图;
图9为本申请实施例提供的一种基于多个预测概率值确定目标分类结果的流程图;
图10为本申请实施例提供的另一种基于多个预测概率值确定目标分类结果的流程图;
图11为本申请实施例提供的一种采用三种预设分类模型得到的概率混淆矩阵示意图;
图12为本申请实施例提供的一种生成目标泊车数据集的流程图;
图13为本发明实施例提供的数据集处理装置的结构框图。
具体实施方式
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。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。另外,“基于”或“根据”的使用意味着开放和包容性,因为“基于”或“根据”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。
本申请提供的数据集处理方法可以应用于计算机设备(电子设备)中,计算机设备可以是服务器,也可以是终端,其中,服务器可以为一台服务器也可以为由多台服务器组成的服务器集群,本申请实施例对此不作具体限定,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例,图1示出了一种服务器的框图,如图1所示,服务器可以包括通过系统总线连接的处理器和存储器。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种数据集处理方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,可选地服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是数据集处理装置,下述方法实施例中就以计算机设备为执行主体进行说明。
图2为本发明实施例提供的一种数据集处理方法的步骤流程图。如图2所示,该方法包括以下步骤:
步骤202、从车位鸟瞰图中获取多种类型属性的分割图片。
其中,在进行自动泊车的过程中,均是需要通过感知检测算法对泊车时所需的参数进行识别,从而根据识别结果进行自动泊车。其中,由于感知检测算法是需要通过大量的原始泊车数据集进行训练得到的,因此,原始泊车数据集的质量对感知检测算法的性能具有较大的影响,因此就需要将原始泊车数据集中错误标注的数据筛选出来。
对于原始泊车数据集,其中包括了车位鸟瞰图(Bird’s Eye View,简称BEV)及原始标签信息。这里的车位鸟瞰图即为一张以车辆为中心的鸟瞰图,是同时包含多种类型属性的一张大图,如图3所示,图3为本申请实施例提供的一种车位鸟瞰图。其中,中间黑色的物体即为需要自动泊车的车辆,其他部分为停车库位的相关信息。
原始标签信息可以包括标注框的位置信息以及多种类型属性的标签信息,多种类型属性可以包括但不限于车位类型属性、角点类型属性以及可泊类型属性。另外,对于车位类型属性,可以包括垂直、水平、斜等多种具体的分类类别;对于角点类型属性,可以包括T型、L型、I型等多种具体的分类类别;对于可泊类型属性,可以包括可泊、不可泊这两种具体的分类类别。
在一些可选地实施例中,在对原始泊车数据集进行处理时,可以先从车位鸟瞰图中获取多种类型属性的分割图片,该分割图片是一张张的小图,即只包含一种类型属性的图片,例如,若该分割图片属于车位类型属性,那么就不会属于其他类型属性。
以车位类型属性为例,如图4所示,图4为本申请实施例提供的一种车位类型属性的三张分割图片的示意图,其中,上面的分割图片中左侧部分包含了该库位的编号信息,中间的分割图片为一个完整库位的图像信息,下面的分割图片为一个库位中的车辆的车头信息,这些分割图片都属于车位类型属性。
再以角点类型属性为例,如图5所示,图5为本申请实施例提供的一种角点类型属性的两张分割图片的示意图,其中,左边的分割图片包含了L型的角点,右边的分割图片包含了T型的角点。
同样地,以可泊类型属性为例,如图6所示,图6为本申请实施例提供的一种可泊类型属性的两张分割图片的示意图,其中,左边的分割图片为一个空的库位,即为可泊,右边的分割图片为一个被占用的库位,该图片中包含了车辆的车头信息,即为不可泊。
在获取不同类型属性的分割图片时,在一些可选地实施例中,如图7所示,图7为本申请实施例提供的一种生成多种类型属性的分割图片的流程图,包括:
步骤702、从原始泊车数据集中获取原始标签信息。
步骤704、基于原始标签信息对车位鸟瞰图进行裁剪处理,生成多种类型属性的分割图片。
其中,由于原始泊车数据集中包括了原始标签信息,该标签信息中可以包括标注框的位置信息以及多种类型属性的标签信息,该位置信息可以是坐标信息。从而,对于每一种类型属性的标签信息,根据位置信息就能够确定出来在车位鸟瞰图上的具体位置,从而对该车位鸟瞰图进行裁剪处理后,就能够得到多种类型的分割图片,即可以得到车位类型属性、角点类型属性以及可泊类型属性分别对应的多张分割图片。
本实施例中,通过基于原始标签信息对车位鸟瞰图进行裁剪处理,提高了进行裁剪处理的便捷性,从而提高了生成多种类型属性的分割图片的效率。
步骤204、将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果。
其中,在生成多种类型属性的分割图片后,可以将多种类型属性的分割图片输入至多个预设检测模型中进行处理,从而生成与各分割图片对应的目标分类结果。可选地,各个预设检测模型可以为常规的推理模型。
在另一些可选地实时例中,各个预设检测模型可以为预设分类模型,从而,可以将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果。通过预设分类模型来对各个分割图片进行分类识别,从而提升了生成目标分类结果的精度。
其中,多个预设分类模型可以为基于不同类型的初始分类模型训练得到的,或是可以基于同一类型的初始分类模型经过多次训练后得到的。
在一些可选地实施例中,若多个预设分类模型为基于不同类型的初始分类模型训练得到的,可选地,可以采用三个不同的预设分类模型,示例性地,可以为MobileNet、efficientnet、resnet这三种不同类型的分类模型。从而,可以采用预设样本数据对各个预设分类模型对应的初始分类模型进行交叉训练得到。通过采用不同类型的初始分类模型训练得到的多个预设分类模型可以综合不同模型的优点,从而提高通过多个预设分类模型进行处理后生成目标分类结果的准确性;另外,在样本数据量较小的情况下,通过采用不同类型的初始分类模型训练得到多个预设分类模型,也依然能保证各个预设分类模型的性能,从而进一步提高生成目标分类结果的准确性。
例如,若预设样本数据中有N张数据,从而可以分为三份,每份有N/3张数据,在对MobileNet对应的初始分类模型进行训练时,可以将第一份数据作为测试集,其余两份数据作为训练集;在对efficientnet对应的初始分类模型进行训练时,可以将第二份数据作为测试集,其余两份数据作为训练集;在对resnet对应的初始分类模型进行训练时,可以将第三份数据作为测试集,其余两份数据作为训练集,最终就可以得到三个预设分类模型。
在另一些可选地实施例中,若多个预设分类模型是基于同一类型的初始分类模型经过多次训练后得到的,可选地,同一类型的初始分类模型可以为MobileNet、efficientnet、resnet这三种不同类型的分类模型中的任意一种,从而,可以采用预设样本数据对其中一个预设分类模型对应的初始分类模型进行交叉训练得到。通过采用同一类型的初始分类模型经过多次训练后得到多个预设分类模型,这样在模型训练时只需要搭建一次环境即可,并且训练过程中所需要的代码、参数等都可以复用,这样提高了生成多个预设分类模型的效率,从而提高了通过多个预设分类模型进行处理后生成目标分类结果的效率。
以MobileNet为例进行说明,假设需要五个预设分类模型,那么若预设样本数据中有N张数据,从而可以分为五份,每份有N/5张数据,在对MobileNet对应的初始分类模型进行第一次训练时,可以将第一份数据作为测试集,其余四份数据作为训练集,从而得到第一个预设分类模型;在对MobileNet对应的初始分类模型进行第二次训练时,可以将第二份数据作为测试集,其余四份数据作为训练集,从而得到第二个预设分类模型。依据此过程,可以依次得到五个预设分类模型,这五个预设分类模型都是通过MobileNet这一类型的初始分类模型训练得到的。
从而,在将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果时,如图8所示,图8为本申请实施例提供的一种生成目标分类结果的流程图,包括:
步骤802、针对各预设分类模型,将多种类型属性的分割图片输入至预设分类模型中进行处理,生成与各分割图片对应的预测概率值。
步骤804、针对各分割图片,基于多个预测概率值确定目标分类结果。
其中,各种类型属性可以包括多个分类类别,即多种类型属性可以包括车位类型属性、角点类型属性以及可泊类型属性,对于车位类型属性,可以包括垂直、水平、斜等多种具体的分类类别;对于角点类型属性,可以包括T型、L型、I型等多种具体的分类类别;对于可泊类型属性,可以包括可泊、不可泊这两种具体的分类类别。
针对各预设分类模型,通过将多种类型属性的分割图片输入至预设分类模型中进行处理,从而生成与各分割图片对应的预测概率值,预测概率值用于表征分割图片属于各分类类别的可能性。从而针对各分割图片,基于多个预测概率值确定目标分类结果。
在一些可选地实施例中,如图9所示,图9为本申请实施例提供的一种基于多个预测概率值确定目标分类结果的流程图,包括:
步骤902、针对各预设分类模型,从一组预测概率值中确定最大概率值对应的目标分类类别。
步骤904、基于多个目标分类类别,确定目标分类结果。
其中,一个预设分类模型对应一组预测概率值,一组预测概率值包括各分类类别对应的预测概率值。例如,对于预设分类模型为MobileNet模型,将车位类型属性对应的分割图片输入至MobileNet模型后,若车位类型属性包括垂直、水平、斜这三种分类类别,那么该预设分类模型输出的一组预测概率值即为垂直、水平、斜这三种分类类别分别对应的预测概率值。
另外,“垂直”这一分类类别对应的预测概率值即表示该分割图片属于该“垂直”这一分类类别的可能性;“水平”这一分类类别对应的预测概率值即表示该分割图片属于该“水平”这一分类类别的可能性;“斜”这一分类类别对应的预测概率值即表示该分割图片属于该“斜”这一分类类别的可能性。
接着,可以从这一组预测概率值中确定出最大概率值对应的分类类别,若有三个预设分类模型,那么就有三组预测概率值,从而就可以得到每一组预测概率值中的最大概率值,进而就可以确定出每个最大概率值对应的目标分类类别。
在得到多个目标分类类别后,可以对多个目标分类类别进行统计分析,得到目标分类结果。示例性地,若有三个目标分类类别,可以将这三个目标分类类别中相同的分类类别数量最多的目标分类类别作为目标分类结果,例如,有两个或三个目标分类类别均为“垂直”这一分类类别,那么该分割图片对应的目标分类结果就为“垂直”。再例如,若这三个目标分类类别均不同,就可以从这三个目标分类类别对应的最大预测概率值中再选出一个最大的值,将该最大的值对应的目标分类类别作为目标分类结果。
本实施例中,通过从一组预测概率值中确定最大概率值对应的目标分类类别后,基于多个目标分类类别,确定目标分类结果,采用该方式确定目标分类类别时简单易于实现,从而提高了确定目标分类结果的效率。
在另一些可选地实施例中,如图10所示,图10为本申请实施例提供的另一种基于多个预测概率值确定目标分类结果的流程图,包括:
步骤1002、获取属于同一种目标类型属性中的各分割图片的标识信息,并针对属于目标类型属性中的各分割图片,获取与各预设分类模型对应的一组目标预测概率值。
步骤1004、针对同一种目标类型属性,基于多组目标预测概率值及标识信息构建概率混淆矩阵。
步骤1006、针对概率混淆矩阵中的每一行,对各组目标预测概率值分别进行统计处理,得到各组目标预测概率值中的最大概率值。
步骤1008、基于最大概率值及标识信息,确定与标识信息对应的分割图片的目标分类类别。
其中,同一种目标类型属性中的分割图片可能有多张图片,从而可以获取属于同一种目标类型属性中的各分割图片的标识信息,该标识信息可以为分割编号信息、名称信息等,当然也可以为其他类型的标识信息,本申请实施例对此不作具体限定。如图11所示,图11为本申请实施例提供的一种采用三种预设分类模型得到的概率混淆矩阵示意图,其中,1.jpg至10.jig即为十张分割图片分别对应的标识信息,且这十张分割图片均属于车位类型属性中的分割图片。
再针对属于目标类型属性中的各分割图片,获取与各预设分类模型对应的一组目标预测概率值,对于1.jpg至10.jig这十张分割图片,每一张分割图片都对应有三组目标预测概率值,即一个预设分类模型对应一组目标预测概率值。
在构建概率混淆矩阵时,需要针对同一种目标类型属性进行构建,概率混淆矩阵的行数是基于属于同一种目标类型属性中的各分割图片的数量所确定的,概率混淆矩阵的列数是基于目标预测概率值的数量所确定的。请继续参考图11,图11中的概率混淆矩阵均为车位类型属性下的多张分割图片对应的多组目标预测概率值及标识信息所构建的。该概率混淆矩阵中包括十张均属于车位类型属性下的分割图片,以及MobileNet、efficientnet、resnet这三种预设分类模型分别对应的一组目标预测概率值。
接着,可以对该概率混淆矩阵进行分析,可选地,可以将该概率混淆矩阵中除去第一列,第一列为各分割图片的标识信息。然后针对概率混淆矩阵中的每一行,对各组目标预测概率值分别进行统计处理,可选地,可以通过公式(1)进行argmax操作,从而得到各组目标预测概率值中的最大概率值及对应的索引,根据该索引对应的分类类别以及分割图片的标识信息,即可确定与标识信息对应的分割图片的目标分类类别。argmax操作的作用是返回一个数组中最大值所在位置的索引。
其中,可以预先将“垂直”即vertical这一分类类别对应的索引设置为0,将“水平”即level这一分类类别对应的索引设置为1,将“斜”即oblique这一分类类别对应的索引设置为2。
p=argmaxj∈1,2,3,..mP[i][j] (1)
其中,p表示目标分类类别,i表示预设分类模型,j表示标识信息。
示例性地,若i为1,j也为1,对于第一个预设分类模型MobileNet对应的一组目标预测概率进行argmax操作后,返回的最大概率值的索引对应的分类类别即为目标分类类别p。请继续参考图11,对于分割图片1.jpg,对于第一个预设分类模型MobileNet对应的三个目标预测概率进行argmax操作后,最大预测概率88%为“垂直”即vertical这一分类类别对应的预测概率值,则会返回“垂直”对应的索引0,从而该索引0对应的分类类别“垂直”即作为目标分类类别。
采用同样地方式,依然对于分割图片1.jpg来说,对第二个预设分类模型和第三个预设分类模型对应的一组目标预测概率值分别进行argmax操作后,第二个预设分类模型对应的目标分类类别为“垂直”,第三个预设分类模型对应的目标分类类别也为“垂直”。最终,可以基于这三个目标分类类别确定出分割图片1.jpg对应的目标分类结果即为“垂直”。
对于其他分割图片来说,均可以采用同样地方式来确定对应的目标分类类别以及目标分类结果,在此不一一进行举例说明。
本实施例中,通过针对同一种目标类型属性,基于多组目标预测概率值及标识信息构建概率混淆矩阵,再将该概率混淆矩阵直接进行argmax操作后,确定各个分割图片对应的目标分类类别及目标分类结果,这样可以批量地确定多张分割图片的目标分类结果,提高了生成目标分类类别的效率。
步骤206、针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集。
其中,原始泊车数据集中包括了车位鸟瞰图及原始标签信息,从而在生成目标分类结果以后,可以将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集。该目标泊车数据集可以用于后期感知检测模型的训练。
在一些可选地实施例中,如图12所示,图12为本申请实施例提供的一种生成目标泊车数据集的流程图,包括:
步骤1202、将目标分类结果与分割图片的原始标签信息进行比对,生成比对结果。
步骤1204、若基于比对结果确定目标分类结果与分割图片的原始标签信息不一致,则从原始泊车数据集中筛选出与分割图片对应的第一车位鸟瞰图及第一原始标签信息。
步骤1206、基于原始泊车数据集中除第一车位鸟瞰图以外的第二车位鸟瞰图、及除第一原始标签信息以外的第二原始标签信息,生成目标泊车数据集。
其中,在生成目标分类结果后,可以将该目标分类结果与分割图片的原始标签信息进行比对,从而生成比对结果。例如,对于图11中的分割图片1.jpg,该分割图片对应的目标分类结果为“垂直”,若在原始泊车数据集中其对应的原始标签信息为“垂直”,那么经过比对后则是一致的;若在原始泊车数据集中其对应的原始标签信息为“水平”,那么经过比对后则是不一致的,此时就认为原始泊车数据集中标注错误了,就需要将该标注错误的第一原始标签信息以及该分割图片对应的第一车位鸟瞰图均筛选出来。另外,车位鸟瞰图可以包括第一车位鸟瞰图和第二车位鸟瞰图,原始标签信息包括第一原始标签信息和第二原始标签信息。
需要说明的是,由于在分割时也是按照原始标签信息进行裁剪处理的,每个分割图片都有对应的车位鸟瞰图,这样在筛选时就能确定出与分割图片对应的第一车位鸟瞰图了,该第一车位鸟瞰图后续还可以重新进行数据标注。
接着,可以基于原始泊车数据集中除第一车位鸟瞰图以外的第二车位鸟瞰图、及除第一原始标签信息以外的第二原始标签信息,生成目标泊车数据集。
本实施例中,通过直接将目标分类结果与分割图片的原始标签信息进行比对后,来筛选出标注错误的第一车位鸟瞰图及第一原始标签信息,采用该方式便捷易于实现,从而提高了生成目标泊车数据集的效率。
本申请实施例中,该方法包括:从车位鸟瞰图中获取多种类型属性的分割图片,将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果,针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集。本申请通过对多种类型属性的分割图片进行推理检测,每个分割图片只对应一种类型属性,从而在处理时只需要关注当前的类型属性,提高了进行检测的效率;另外,通过多个预设检测模型分别对分割图片进行处理,可以综合考虑各个预设检测模型的预测结果,从而提高生成目标分类结果的准确性,进而提高对原始泊车数据集进行处理的准确性;同时,通过直接将目标分类结果与分割图片对应的原始标签信息进行比对的方式来筛选错误标注的数据,该方式便捷易于实现,从而提高了对原始泊车数据集进行处理的效率。。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图13为本发明实施例提供的一种数据集处理装置的结构框图。
如图13所示,该数据集处理装置1300包括:
获取模块1302,用于从车位鸟瞰图中获取多种类型属性的分割图片。
生成模块1304,用于将所述多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各所述分割图片对应的目标分类结果。
处理模块1306,用于针对各所述分割图片,将所述目标分类结果与所述分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,所述原始泊车数据集中包括所述车位鸟瞰图及原始标签信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。上述数据集处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
从车位鸟瞰图中获取多种类型属性的分割图片;
将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果;
针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,原始泊车数据集中包括车位鸟瞰图及原始标签信息。
在本申请的一个实施例中,预设检测模型为预设分类模型,处理器执行计算机程序时还实现以下步骤:
将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果;其中,多个预设分类模型为基于不同类型的初始分类模型训练得到的,或是基于同一类型的初始分类模型经过多次训练后得到的。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对各预设分类模型,将多种类型属性的分割图片输入至预设分类模型中进行处理,生成与各分割图片对应的预测概率值;其中,各种类型属性包括多个分类类别,预测概率值用于表征分割图片属于各分类类别的可能性;
针对各分割图片,基于多个预测概率值确定目标分类结果。
在本申请的一个实施例中,一个预设分类模型对应一组预测概率值,一组预测概率值包括各分类类别对应的预测概率值,处理器执行计算机程序时还实现以下步骤:
针对各预设分类模型,从一组预测概率值中确定最大概率值对应的目标分类类别;
基于多个目标分类类别,确定目标分类结果。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取属于同一种目标类型属性中的各分割图片的标识信息,并针对属于目标类型属性中的各分割图片,获取与各预设分类模型对应的一组目标预测概率值;
针对同一种目标类型属性,基于多组目标预测概率值及标识信息构建概率混淆矩阵;其中,概率混淆矩阵的行数是基于属于同一种目标类型属性中的各分割图片的数量所确定的,概率混淆矩阵的列数是基于目标预测概率值的数量所确定的;
针对概率混淆矩阵中的每一行,对各组目标预测概率值分别进行统计处理,得到各组目标预测概率值中的最大概率值;
基于最大概率值及标识信息,确定与标识信息对应的分割图片的目标分类类别。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
从原始泊车数据集中获取原始标签信息;
基于原始标签信息对车位鸟瞰图进行裁剪处理,生成多种类型属性的分割图片。
在本申请的一个实施例中,车位鸟瞰图包括第一车位鸟瞰图和第二车位鸟瞰图,原始标签信息包括第一原始标签信息和第二原始标签信息,处理器执行计算机程序时还实现以下步骤:
将目标分类结果与分割图片的原始标签信息进行比对,生成比对结果;
若基于比对结果确定目标分类结果与分割图片的原始标签信息不一致,则从原始泊车数据集中筛选出与分割图片对应的第一车位鸟瞰图及第一原始标签信息;
基于原始泊车数据集中除第一车位鸟瞰图以外的第二车位鸟瞰图、及除第一原始标签信息以外的第二原始标签信息,生成目标泊车数据集。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
从车位鸟瞰图中获取多种类型属性的分割图片;
将多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各分割图片对应的目标分类结果;
针对各分割图片,将目标分类结果与分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,原始泊车数据集中包括车位鸟瞰图及原始标签信息。
在本申请的一个实施例中,预设检测模型为预设分类模型,计算机程序被处理器执行时还实现以下步骤:
将多种类型属性的分割图片输入至多个预设分类模型中进行处理,生成与各分割图片对应的目标分类结果;其中,多个预设分类模型为基于不同类型的初始分类模型训练得到的,或是基于同一类型的初始分类模型经过多次训练后得到的。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对各预设分类模型,将多种类型属性的分割图片输入至预设分类模型中进行处理,生成与各分割图片对应的预测概率值;其中,各种类型属性包括多个分类类别,预测概率值用于表征分割图片属于各分类类别的可能性;
针对各分割图片,基于多个预测概率值确定目标分类结果。
在本申请的一个实施例中,一个预设分类模型对应一组预测概率值,一组预测概率值包括各分类类别对应的预测概率值,计算机程序被处理器执行时还实现以下步骤:
针对各预设分类模型,从一组预测概率值中确定最大概率值对应的目标分类类别;
基于多个目标分类类别,确定目标分类结果。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取属于同一种目标类型属性中的各分割图片的标识信息,并针对属于目标类型属性中的各分割图片,获取与各预设分类模型对应的一组目标预测概率值;
针对同一种目标类型属性,基于多组目标预测概率值及标识信息构建概率混淆矩阵;其中,概率混淆矩阵的行数是基于属于同一种目标类型属性中的各分割图片的数量所确定的,概率混淆矩阵的列数是基于目标预测概率值的数量所确定的;
针对概率混淆矩阵中的每一行,对各组目标预测概率值分别进行统计处理,得到各组目标预测概率值中的最大概率值;
基于最大概率值及标识信息,确定与标识信息对应的分割图片的目标分类类别。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从原始泊车数据集中获取原始标签信息;
基于原始标签信息对车位鸟瞰图进行裁剪处理,生成多种类型属性的分割图片。
在本申请的一个实施例中,车位鸟瞰图包括第一车位鸟瞰图和第二车位鸟瞰图,原始标签信息包括第一原始标签信息和第二原始标签信息,计算机程序被处理器执行时还实现以下步骤:
将目标分类结果与分割图片的原始标签信息进行比对,生成比对结果;
若基于比对结果确定目标分类结果与分割图片的原始标签信息不一致,则从原始泊车数据集中筛选出与分割图片对应的第一车位鸟瞰图及第一原始标签信息;
基于原始泊车数据集中除第一车位鸟瞰图以外的第二车位鸟瞰图、及除第一原始标签信息以外的第二原始标签信息,生成目标泊车数据集。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种数据集处理方法,其特征在于,所述方法包括:
从车位鸟瞰图中获取多种类型属性的分割图片;
将所述多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各所述分割图片对应的目标分类结果;
针对各所述分割图片,将所述目标分类结果与所述分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,所述原始泊车数据集中包括所述车位鸟瞰图及原始标签信息。
2.根据权利要求1所述的方法,其特征在于,所述预设检测模型为预设分类模型,所述将所述多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各所述分割图片对应的目标分类结果,包括:
将所述多种类型属性的分割图片输入至多个所述预设分类模型中进行处理,生成与各所述分割图片对应的目标分类结果;其中,所述多个预设分类模型为基于不同类型的初始分类模型训练得到的,或是基于同一类型的初始分类模型经过多次训练后得到的。
3.根据权利要求2所述的方法,其特征在于,所述将所述多种类型属性的分割图片输入至多个所述预设分类模型中进行处理,生成与各所述分割图片对应的目标分类结果,包括:
针对各所述预设分类模型,将所述多种类型属性的分割图片输入至所述预设分类模型中进行处理,生成与各所述分割图片对应的预测概率值;其中,各种所述类型属性包括多个分类类别,所述预测概率值用于表征所述分割图片属于各所述分类类别的可能性;
针对各所述分割图片,基于多个预测概率值确定所述目标分类结果。
4.根据权利要求3所述的方法,其特征在于,一个所述预设分类模型对应一组预测概率值,所述一组预测概率值包括各所述分类类别对应的预测概率值,所述基于多个预测概率值确定所述目标分类结果,包括:
针对各所述预设分类模型,从所述一组预测概率值中确定最大概率值对应的目标分类类别;
基于多个所述目标分类类别,确定所述目标分类结果。
5.根据权利要求4所述的方法,其特征在于,所述针对各所述预设分类模型,从所述一组预测概率值中确定最大概率值对应的目标分类类别,包括:
获取属于同一种目标类型属性中的各所述分割图片的标识信息,并针对属于所述目标类型属性中的各所述分割图片,获取与各所述预设分类模型对应的一组目标预测概率值;
针对所述同一种目标类型属性,基于多组所述目标预测概率值及所述标识信息构建概率混淆矩阵;其中,所述概率混淆矩阵的行数是基于属于同一种目标类型属性中的各所述分割图片的数量所确定的,所述概率混淆矩阵的列数是基于所述目标预测概率值的数量所确定的;
针对所述概率混淆矩阵中的每一行,对各组所述目标预测概率值分别进行统计处理,得到各组所述目标预测概率值中的最大概率值;
基于所述最大概率值及所述标识信息,确定与所述标识信息对应的所述分割图片的所述目标分类类别。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述从车位鸟瞰图中获取多种类型属性的分割图片,包括:
从所述原始泊车数据集中获取所述原始标签信息;
基于所述原始标签信息对所述车位鸟瞰图进行裁剪处理,生成所述多种类型属性的分割图片。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述车位鸟瞰图包括第一车位鸟瞰图和第二车位鸟瞰图,所述原始标签信息包括第一原始标签信息和第二原始标签信息,所述将所述目标分类结果与所述分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集,包括:
将所述目标分类结果与所述分割图片的原始标签信息进行比对,生成比对结果;
若基于所述比对结果确定所述目标分类结果与所述分割图片的原始标签信息不一致,则从所述原始泊车数据集中筛选出与所述分割图片对应的第一车位鸟瞰图及第一原始标签信息;
基于所述原始泊车数据集中除所述第一车位鸟瞰图以外的第二车位鸟瞰图、及除所述第一原始标签信息以外的第二原始标签信息,生成所述目标泊车数据集。
8.一种数据集处理装置,其特征在于,所述装置包括:
获取模块,用于从车位鸟瞰图中获取多种类型属性的分割图片;
生成模块,用于将所述多种类型属性的分割图片输入至多个预设检测模型中进行处理,生成与各所述分割图片对应的目标分类结果;
处理模块,用于针对各所述分割图片,将所述目标分类结果与所述分割图片对应的原始标签信息进行比对,并根据比对结果对原始泊车数据集进行处理,生成目标泊车数据集;其中,所述原始泊车数据集中包括所述车位鸟瞰图及原始标签信息。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一项所述的数据集处理方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一项所述的数据集处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801640.8A CN117853791A (zh) | 2023-12-25 | 2023-12-25 | 数据集处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801640.8A CN117853791A (zh) | 2023-12-25 | 2023-12-25 | 数据集处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117853791A true CN117853791A (zh) | 2024-04-09 |
Family
ID=90528134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311801640.8A Pending CN117853791A (zh) | 2023-12-25 | 2023-12-25 | 数据集处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853791A (zh) |
-
2023
- 2023-12-25 CN CN202311801640.8A patent/CN117853791A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110726A (zh) | 电力设备铭牌识别方法、装置、计算机设备和存储介质 | |
CN111191533B (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN111595850A (zh) | 切片缺陷检测方法、电子装置及可读存储介质 | |
CN110458168A (zh) | 车辆检测报告的处理方法、装置、计算机设备和存储介质 | |
CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
CN117423299B (zh) | 液晶显示屏的性能检测方法、装置、设备及存储介质 | |
CN116309459A (zh) | 基于改进网络的肺结节检测方法、装置、设备和存储介质 | |
CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
CN113901647A (zh) | 一种零件工艺规程编制方法、装置、存储介质及电子设备 | |
CN116052848B (zh) | 一种医学成像质控的数据编码方法及系统 | |
CN111552812B (zh) | 确定实体之间关系类别的方法、装置和计算机设备 | |
CN117853791A (zh) | 数据集处理方法、装置、设备及存储介质 | |
CN111210414B (zh) | 医学图像分析方法、计算机设备和可读存储介质 | |
CN114281991A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN111078984B (zh) | 网络模型发布方法、装置、计算机设备和存储介质 | |
CN109902724B (zh) | 基于支持向量机的文字识别方法、装置和计算机设备 | |
CN114373088A (zh) | 一种图像检测模型的训练方法和相关产品 | |
CN115937875A (zh) | 文本识别方法及装置、存储介质、终端 | |
CN113012189A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN111191692B (zh) | 基于决策树的数据计算方法、装置和计算机设备 | |
CN113449716B (zh) | 字段定位与分类方法、文本图像识别方法、装置、设备 | |
CN113780131B (zh) | 文本图像朝向识别方法和文本内容识别方法、装置、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 |