CN117876825A - 测试集的测试任务困难度确定方法及装置 - Google Patents
测试集的测试任务困难度确定方法及装置 Download PDFInfo
- Publication number
- CN117876825A CN117876825A CN202311830142.6A CN202311830142A CN117876825A CN 117876825 A CN117876825 A CN 117876825A CN 202311830142 A CN202311830142 A CN 202311830142A CN 117876825 A CN117876825 A CN 117876825A
- Authority
- CN
- China
- Prior art keywords
- target object
- image sample
- difficulty
- test set
- image
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims description 117
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种测试集的测试任务困难度确定方法及装置，所述方法包括：获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度，能够提供图像任务中样本测试集的测试任务困难度，从而结合样本测试集对被测算法模型的测试结果客观评价被测算法模型的预测能力。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种测试集的测试任务困难度确定方法及装置。
背景技术
在人工智能算法模型的测试中，样本测试集(包含一个或多个样本的数据集合)对算法模型的测试结果影响很大，如果仅从测试结果对人工智能算法模型进行评估，而不考虑测试任务本身的困难度，容易对人工智能算法模型的预测能力进行误判。
相关技术中，通常直接根据样本测试集对算法模型的测试结果，作为人工智能算法模型的预测能力，并未提供样本测试集的测试任务困难度信息，由于不同样本测试集的测试任务困难度不同，可能会导致同一算法模型利用不同样本测试集进行预测能力的评估时，预测能力评估结果不一致的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种测试集的测试任务困难度确定方法及装置。
第一方面，本公开的实施例提供了一种测试集的测试任务困难度确定方法，所述方法包括：
获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；
对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；
根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；
根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
在一种可能的实施方式中，所述基于当前目标物体的边界框，确定目标物体的可见率，包括：
获取当前目标物体的边界框内当前目标物体与其他目标物体重叠的区域，作为遮挡区域；
将当前目标物体的边界框内除遮挡区域外的区域，作为非遮挡区域；
将当前目标物体的边界框内非遮挡区域的面积与边界框的面积之间的比值，作为当前目标物体的可见率。
在一种可能的实施方式中，所述基于当前目标物体的边界框，确定目标物体的辨识度，包括：
在当前目标物体的边界框中心保持不变的情况下，按照第一预设比例和第二预设比例对边界框进行缩小，得到目标物体评价区域；
在当前目标物体的边界框中心保持不变的情况下，按照第三预设比例对边界框进行放大，得到背景评价区域；
依据边界框的中心线和对角线，将目标物体评价区域和背景评价区域分别划分为8个目标物体评价子区域和背景评价子区域；
将当前目标物体所在图像样本转换为灰度图像，并基于所述灰度图像，确定每个目标物体评价子区域和背景评价子区域的灰度平均值；
根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值；
将8个平均绝对灰度差率值的平均值，作为目标物体的辨识度。
在一种可能的实施方式中，通过以下表达式，根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8。
在一种可能的实施方式中，通过以下表达式，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度：
D＝1/n*∑[a*S(i)+b*E(i)]
其中，D为图像样本的测试任务困难度，n为图像样本中所有目标物体的数量，S(i)为图像样本中第i个目标物体的可见率，E(i)为图像样本中第i个目标物体的辨识度，a为可见率的权重因子，b为辨识度的权重因子，a+b＝1，i＝1,2,3,...,n。
在一种可能的实施方式中，通过以下表达式，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度：
MeanD＝1/m*∑D(i)
其中，MeanD为图像样本测试集的测试任务困难度，∑D(i)为图像样本测试集中所有图像样本的测试任务困难度的加和值，m为图像样本测试集中所有图像样本的数量。
在一种可能的实施方式中，所述获取当前图像样本中的各目标物体的边界框，包括：
将当前图像样本输入预先训练的目标检测模型，输出处理后图像样本，其中，处理后图像样本上绘制有各目标物体的边界框。
第二方面，本公开的实施例提供了一种测试集的测试任务困难度确定装置，包括：
获取模块，用于获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；
第一确定模块，用于对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；
第二确定模块，用于根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；
第三确定模块，用于根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
在一种可能的实施方式中，所述第一确定模块还用于：
获取当前目标物体的边界框内当前目标物体与其他目标物体重叠的区域，作为遮挡区域；
将当前目标物体的边界框内除遮挡区域外的区域，作为非遮挡区域；
将当前目标物体的边界框内非遮挡区域的面积与边界框的面积之间的比值，作为当前目标物体的可见率。
在一种可能的实施方式中，所述第一确定模块还用于：
在当前目标物体的边界框中心保持不变的情况下，按照第一预设比例和第二预设比例对边界框进行缩小，得到目标物体评价区域；
在当前目标物体的边界框中心保持不变的情况下，按照第三预设比例对边界框进行放大，得到背景评价区域；
依据边界框的中心线和对角线，将目标物体评价区域和背景评价区域分别划分为8个目标物体评价子区域和背景评价子区域；
将当前目标物体所在图像样本转换为灰度图像，并基于所述灰度图像，确定每个目标物体评价子区域和背景评价子区域的灰度平均值；
根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值；
将8个平均绝对灰度差率值的平均值，作为目标物体的辨识度。
在一种可能的实施方式中，在所述第一确定模块中，通过以下表达式，根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8。
在一种可能的实施方式中，在所述第二确定模块中，通过以下表达式，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度：
D＝1/n*∑[a*S(i)+b*E(i)]
其中，D为图像样本的测试任务困难度，n为图像样本中所有目标物体的数量，S(i)为图像样本中第i个目标物体的可见率，E(i)为图像样本中第i个目标物体的辨识度，a为可见率的权重因子，b为辨识度的权重因子，a+b＝1，i＝1,2,3,...,n。
在一种可能的实施方式中，在所述第三确定模块中，通过以下表达式，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度：
MeanD＝1/m*∑D(i)
其中，MeanD为图像样本测试集的测试任务困难度，∑D(i)为图像样本测试集中所有图像样本的测试任务困难度的加和值，m为图像样本测试集中所有图像样本的数量。
在一种可能的实施方式中，所述获取模块还用于：
将当前图像样本输入预先训练的目标检测模型，输出处理后图像样本，其中，处理后图像样本上绘制有各目标物体的边界框。
第三方面，本公开的实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述的测试集的测试任务困难度确定方法。
第四方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的测试集的测试任务困难度确定方法。
本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：
本公开实施例所述的测试集的测试任务困难度确定方法，获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度，能够提供图像任务(例如图像分类、图像检测等)中样本测试集的测试任务困难度，从而结合样本测试集对被测算法模型的测试结果客观评价被测算法模型的预测能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了根据本公开实施例的测试集的测试任务困难度确定方法流程示意图；
图2示意性示出了根据本公开实施例的图像样本中的各目标物体的边界框示意图；
图3示意性示出了根据本公开实施例的目标物体的边界框内遮挡区域示意图；
图4示意性示出了根据本公开实施例的目标物体的目标物体评价区域和背景评价区域的示意图；
图5示意性示出了根据本公开实施例的测试集的测试任务困难度确定装置的结构框图；
图6示意性示出了根据本公开实施例的电子设备的结构框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
参见图1，本公开的实施例提供了一种测试集的测试任务困难度确定方法，所述方法包括：
S1，获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框。
如图2所示，对于每个图像样本的每个目标物体，图像样本的真值包括真值属性和边界框等参数，真值属性包括car，bus，person，traffic light，后面的目标物体被前面的目标物体挡着，因此，图像样本中通常要求真值按近到远排列，近处的真值在前，远处的真值在后。
在本实施例，步骤S1中，所述获取当前图像样本中的各目标物体的边界框，包括：
将当前图像样本输入预先训练的目标检测模型，输出处理后图像样本，其中，处理后图像样本上绘制有各目标物体的边界框。
S2，对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度。
S3，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度。
在本实施例，步骤S3中，通过以下表达式，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度：
D＝1/n*∑[a*S(i)+b*E(i)]
其中，D为图像样本的测试任务困难度，n为图像样本中所有目标物体的数量，S(i)为图像样本中第i个目标物体的可见率，E(i)为图像样本中第i个目标物体的辨识度，a为可见率的权重因子，b为辨识度的权重因子，a+b＝1，i＝1,2,3,...,n。
S4，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
在本实施例，步骤S4中，通过以下表达式，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度：
MeanD＝1/m*∑D(i)
其中，MeanD为图像样本测试集的测试任务困难度，∑D(i)为图像样本测试集中所有图像样本的测试任务困难度的加和值，m为图像样本测试集中所有图像样本的数量。
在本实施例，步骤S2中，所述基于当前目标物体的边界框，确定目标物体的可见率，包括：
获取当前目标物体的边界框内当前目标物体与其他目标物体重叠的区域，作为遮挡区域；
将当前目标物体的边界框内除遮挡区域外的区域，作为非遮挡区域；
将当前目标物体的边界框内非遮挡区域的面积与边界框的面积之间的比值，作为当前目标物体的可见率。
如图3所示，目标物体D的可见率＝(面积D-面积B1-面积A1-面积C1)/面积D
在本实施例，步骤S2中，所述基于当前目标物体的边界框，确定目标物体的辨识度，包括：
在当前目标物体的边界框中心保持不变的情况下，按照第一预设比例和第二预设比例对边界框进行缩小，得到目标物体评价区域；
在当前目标物体的边界框中心保持不变的情况下，按照第三预设比例对边界框进行放大，得到背景评价区域；
依据边界框的中心线和对角线，将目标物体评价区域和背景评价区域分别划分为8个目标物体评价子区域和背景评价子区域；
将当前目标物体所在图像样本转换为灰度图像，并基于所述灰度图像，确定每个目标物体评价子区域和背景评价子区域的灰度平均值；
根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值；
将8个平均绝对灰度差率值的平均值，作为目标物体的辨识度。
在本实施例中，在第一预设比例大于第二预设比例的情况下，按照第一预设比例对边界框进行缩小得到的区域减去按照第二预设比例对边界框进行缩小得到的区域，得到的区域为目标物体评价区域。
在本实施例中，按照第三预设比例对边界框进行放大得到的区域减去边界框区域，得到的区域为背景评价区域。
在本实施例中，通过以下表达式，根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8。
如图4所示目标物体的辨识度，通过以下步骤计算得到：
第一步，将目标物体从边界框1的中心点2向外，取边界框长宽的80％，生成第一区域；将目标物体从边界框1的中心向外，取边界框长宽的60％，生成第二区域；从第一区域中去除第二区域，余下的区域作为目标物体评价区域b；
第二步，沿着边界框的每个顶点分别向长度方向和宽度方向向外延长边界框的长度和宽度的10％，作为新的顶点，由新的顶点生成的区域中去除边界框区域，余下的区域作为背景评价区域a；
第三步，通过边界框中心，由长宽中心线、对角线，将a、b区域分别分成8份，即8个目标物体评价子区域和8个背景评价子区域；
第四步，通过以下表达式，将彩色的背景评价区域a和目标物体评价区域b转换为灰度图像，即将彩色图像中的每个像素点的RGB值转换为相应的灰度值：
Gray＝(Red*0.3+Green*0.59+Blue*0.11)
其中，Gray为像素点的灰度值，Red，Green，Blue为像素点的RGB值，
第五步，通过以下表达式，计算每个子区域的灰度平均值，即该区域每个像素点的灰度值之和除以像素点个数：
MeanGray＝(Gray1+Gray2+...+Grays)/s
其中，MeanGray为子区域的灰度平均值，Grays为子区域中第s个像素点的灰度值。
第六步，通过以下表达式，计算出目标物体评价子区域bx与其对应的背景评价子区域ax之间的平均绝对灰度差率：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8，
如图4所示，对应的目标物体评价子区域bx和背景评价区域ax在边界框同一个边的两侧。
第七步，通过以下表达式，计算出目标物体辨识度E：
E＝(δMeanGray(1)+δMeanGray(2)+...+δMeanGray(8))/8
其中，E为目标物体辨识度，δMeanGray(1)为第1个目标物体评价子区域b1与其对应的背景评价子区域a1之间的平均绝对灰度差率。
参见图5，本公开的实施例提供了一种测试集的测试任务困难度确定装置，包括：
获取模块11，用于获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；
第一确定模块12，用于对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；
第二确定模块13，用于根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；
第三确定模块14，用于根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
在本实施例中，所述第一确定模块还用于：
获取当前目标物体的边界框内当前目标物体与其他目标物体重叠的区域，作为遮挡区域；
将当前目标物体的边界框内除遮挡区域外的区域，作为非遮挡区域；
将当前目标物体的边界框内非遮挡区域的面积与边界框的面积之间的比值，作为当前目标物体的可见率。
在本实施例中，所述第一确定模块还用于：
在当前目标物体的边界框中心保持不变的情况下，按照第一预设比例和第二预设比例对边界框进行缩小，得到目标物体评价区域；
在当前目标物体的边界框中心保持不变的情况下，按照第三预设比例对边界框进行放大，得到背景评价区域；
依据边界框的中心线和对角线，将目标物体评价区域和背景评价区域分别划分为8个目标物体评价子区域和背景评价子区域；
将当前目标物体所在图像样本转换为灰度图像，并基于所述灰度图像，确定每个目标物体评价子区域和背景评价子区域的灰度平均值；
根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值；
将8个平均绝对灰度差率值的平均值，作为目标物体的辨识度。
在本实施例中，在所述第一确定模块中，通过以下表达式，根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8。
在本实施例中，在所述第二确定模块中，通过以下表达式，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度：
D＝1/n*∑[a*S(i)+b*E(i)]
其中，D为图像样本的测试任务困难度，n为图像样本中所有目标物体的数量，S(i)为图像样本中第i个目标物体的可见率，E(i)为图像样本中第i个目标物体的辨识度，a为可见率的权重因子，b为辨识度的权重因子，a+b＝1，i＝1,2,3,...,n。
在本实施例中，在所述第三确定模块中，通过以下表达式，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度：
MeanD＝1/m*∑D(i)
其中，MeanD为图像样本测试集的测试任务困难度，∑D(i)为图像样本测试集中所有图像样本的测试任务困难度的加和值，m为图像样本测试集中所有图像样本的数量。
在本实施例中，所述获取模块还用于：
将当前图像样本输入预先训练的目标检测模型，输出处理后图像样本，其中，处理后图像样本上绘制有各目标物体的边界框。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例中，获取模块11、第一确定模块12、第二确定模块13和第三确定模块14中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。获取模块11、第一确定模块12、第二确定模块13和第三确定模块14中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块11、第一确定模块12、第二确定模块13和第三确定模块14中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
参照图6所示，本公开的实施例提供的电子设备，包括处理器1110、通信接口1120、存储器1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信；
存储器1130，用于存放计算机程序；
处理器1110，用于执行存储器1130上所存放的程序时，实现如下所示测试集的测试任务困难度确定方法：
获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；
对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；
根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；
根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
上述的通信总线1140可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。
上述的处理器1110可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本公开的实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的测试集的测试任务困难度确定方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的；也可以是单独存在，而未装配入该设备/装置中。上述计算机可读存储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执行时，实现根据本公开实施例的测试集的测试任务困难度确定方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (16)
1.一种测试集的测试任务困难度确定方法，其特征在于，所述方法包括：
获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；
对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；
根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；
根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
2.根据权利要求1所述的方法，其特征在于，所述基于当前目标物体的边界框，确定目标物体的可见率，包括：
获取当前目标物体的边界框内当前目标物体与其他目标物体重叠的区域，作为遮挡区域；
将当前目标物体的边界框内除遮挡区域外的区域，作为非遮挡区域；
将当前目标物体的边界框内非遮挡区域的面积与边界框的面积之间的比值，作为当前目标物体的可见率。
3.根据权利要求1所述的方法，其特征在于，所述基于当前目标物体的边界框，确定目标物体的辨识度，包括：
在当前目标物体的边界框中心保持不变的情况下，按照第一预设比例和第二预设比例对边界框进行缩小，得到目标物体评价区域；
在当前目标物体的边界框中心保持不变的情况下，按照第三预设比例对边界框进行放大，得到背景评价区域；
依据边界框的中心线和对角线，将目标物体评价区域和背景评价区域分别划分为8个目标物体评价子区域和背景评价子区域；
将当前目标物体所在图像样本转换为灰度图像，并基于所述灰度图像，确定每个目标物体评价子区域和背景评价子区域的灰度平均值；
根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值；
将8个平均绝对灰度差率值的平均值，作为目标物体的辨识度。
4.根据权利要求3所述的方法，其特征在于，通过以下表达式，根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8。
5.根据权利要求1所述的方法，其特征在于，通过以下表达式，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度：
D＝1/n*∑[a*S(i)+b*E(i)]
其中，D为图像样本的测试任务困难度，n为图像样本中所有目标物体的数量，S(i)为图像样本中第i个目标物体的可见率，E(i)为图像样本中第i个目标物体的辨识度，a为可见率的权重因子，b为辨识度的权重因子，a+b＝1，i＝1,2,3,...,n。
6.根据权利要求1所述的方法，其特征在于，通过以下表达式，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度：
MeanD＝1/m*∑D(i)
其中，MeanD为图像样本测试集的测试任务困难度，∑D(i)为图像样本测试集中所有图像样本的测试任务困难度的加和值，m为图像样本测试集中所有图像样本的数量。
7.根据权利要求1所述的方法，其特征在于，所述获取当前图像样本中的各目标物体的边界框，包括：
将当前图像样本输入预先训练的目标检测模型，输出处理后图像样本，其中，处理后图像样本上绘制有各目标物体的边界框。
8.一种测试集的测试任务困难度确定装置，其特征在于，包括：
获取模块，用于获取用于测试任务的图像样本测试集，对于图像样本测试集中的每个图像样本，获取当前图像样本中的各目标物体的边界框；
第一确定模块，用于对于当前图像样本中的每个目标物体，基于当前目标物体的边界框，确定目标物体的可见率和辨识度；
第二确定模块，用于根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度；
第三确定模块，用于根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度。
9.根据权利要求8所述的装置，其特征在于，所述第一确定模块还用于：
获取当前目标物体的边界框内当前目标物体与其他目标物体重叠的区域，作为遮挡区域；
将当前目标物体的边界框内除遮挡区域外的区域，作为非遮挡区域；
将当前目标物体的边界框内非遮挡区域的面积与边界框的面积之间的比值，作为当前目标物体的可见率。
10.根据权利要求8所述的装置，其特征在于，所述第一确定模块还用于：
在当前目标物体的边界框中心保持不变的情况下，按照第一预设比例和第二预设比例对边界框进行缩小，得到目标物体评价区域；
在当前目标物体的边界框中心保持不变的情况下，按照第三预设比例对边界框进行放大，得到背景评价区域；
依据边界框的中心线和对角线，将目标物体评价区域和背景评价区域分别划分为8个目标物体评价子区域和背景评价子区域；
将当前目标物体所在图像样本转换为灰度图像，并基于所述灰度图像，确定每个目标物体评价子区域和背景评价子区域的灰度平均值；
根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值；
将8个平均绝对灰度差率值的平均值，作为目标物体的辨识度。
11.根据权利要求10所述的装置，其特征在于，在所述第一确定模块中，通过以下表达式，根据每个目标物体评价子区域以及与其对应的背景评价子区域的灰度平均值，确定8个平均绝对灰度差率值：
δMeanGray(x)＝|MeanGray bx-MeanGray ax|/255
其中，MeanGray ax为第x个目标物体评价子区域的灰度平均值，MeanGray bx为第x个目标物体评价子区域对应的背景评价子区域的灰度平均值，x＝1,2,...,8。
12.根据权利要求8所述的装置，其特征在于，在所述第二确定模块中，通过以下表达式，根据每个图像样本中所有目标物体的可见率和辨识度，确定图像样本的测试任务困难度：
D＝1/n*∑[a*S(i)+b*E(i)]
其中，D为图像样本的测试任务困难度，n为图像样本中所有目标物体的数量，S(i)为图像样本中第i个目标物体的可见率，E(i)为图像样本中第i个目标物体的辨识度，a为可见率的权重因子，b为辨识度的权重因子，a+b＝1，i＝1,2,3,...,n。
13.根据权利要求8所述的装置，其特征在于，在所述第三确定模块中，通过以下表达式，根据图像样本测试集中所有图像样本的测试任务困难度，确定图像样本测试集的测试任务困难度：
MeanD＝1/m*∑D(i)
其中，MeanD为图像样本测试集的测试任务困难度，∑D(i)为图像样本测试集中所有图像样本的测试任务困难度的加和值，m为图像样本测试集中所有图像样本的数量。
14.根据权利要求8所述的装置，其特征在于，所述获取模块还用于：
将当前图像样本输入预先训练的目标检测模型，输出处理后图像样本，其中，处理后图像样本上绘制有各目标物体的边界框。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7中任一项所述的测试集的测试任务困难度确定方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的测试集的测试任务困难度确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311830142.6A CN117876825A (zh) | 2023-12-27 | 2023-12-27 | 测试集的测试任务困难度确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311830142.6A CN117876825A (zh) | 2023-12-27 | 2023-12-27 | 测试集的测试任务困难度确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876825A true CN117876825A (zh) | 2024-04-12 |
Family
ID=90591333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311830142.6A Pending CN117876825A (zh) | 2023-12-27 | 2023-12-27 | 测试集的测试任务困难度确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876825A (zh) |
-
2023
- 2023-12-27 CN CN202311830142.6A patent/CN117876825A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8180154B2 (en) | Method and apparatus for region-based segmentation image processing using region mapping | |
| EP3509034A1 (en) | Image filtering based on image gradients | |
| CN111862228B (zh) | 遮挡检测的方法、系统、计算机设备和可读存储介质 | |
| JPH10503307A (ja) | 画像識別装置 | |
| CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
| CN108830131B (zh) | 基于深度学习的交通目标检测与测距方法 | |
| JP4389602B2 (ja) | 物体検出装置、物体検出方法、プログラム | |
| CN113903009A (zh) | 一种基于改进YOLOv3网络的铁路异物检测方法与系统 | |
| CN111047615A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| CN113744256A (zh) | 一种深度图空洞填充方法、装置、服务器及可读存储介质 | |
| CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
| CN114638294A (zh) | 一种数据增强方法、装置、终端设备及存储介质 | |
| CN112131914B (zh) | 车道线属性检测方法、装置、电子设备及智能设备 | |
| CN112116585B (zh) | 图像移除篡改盲检测方法、系统、设备及存储介质 | |
| CN113313189A (zh) | 一种遮挡检测方法、装置及电子设备 | |
| CN117876825A (zh) | 测试集的测试任务困难度确定方法及装置 | |
| CN116385369A (zh) | 深度图像质量评价方法、装置、电子设备及存储介质 | |
| CN112598664B (zh) | 基于视觉显著性的虫粮等级判定方法和装置 | |
| CN113508395B (zh) | 用于检测由像素构成的图像中的对象的方法和设备 | |
| CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 | |
| KR101922978B1 (ko) | 입력 영상과 출력 영상의 교차 열람을 지원하는 방법 및 이를 이용한 장치 | |
| CN112364693A (zh) | 基于双目视觉的障碍识别方法、装置、设备及存储介质 | |
| CN115601606B (zh) | 一种门店状态检测方法、装置、设备及存储介质 | |
| JP3091356B2 (ja) | 移動体検出方法および装置 | |
| JP3077265B2 (ja) | 濃淡画像処理装置 |
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 |