CN117934933A - 一种图像识别模型的训练方法、目标检测的方法以及装置 - Google Patents
一种图像识别模型的训练方法、目标检测的方法以及装置 Download PDFInfo
- Publication number
- CN117934933A CN117934933A CN202410077029.3A CN202410077029A CN117934933A CN 117934933 A CN117934933 A CN 117934933A CN 202410077029 A CN202410077029 A CN 202410077029A CN 117934933 A CN117934933 A CN 117934933A
- Authority
- CN
- China
- Prior art keywords
- image
- semantic segmentation
- sample image
- network
- recognition model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 title claims abstract description 70
- 230000011218 segmentation Effects 0.000 claims abstract description 158
- 238000003708 edge detection Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000002372 labelling Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本说明书提供的一种图像识别模型的训练方法、目标检测的方法以及装置,可以首先获取样本图像,并将样本图像进行遮盖,得到遮盖后图像,以及对样本图像进行边缘检测,得到边缘检测图像,而后,将样本图像、遮盖后图像以及边缘检测图像输入到待训练的图像识别模型中,以使图像识别模型通过目标检测网络,进行目标检测并得到检测结果,通过语义分割网络,进行语义分割并得到语义分割结果,以及通过重构网络,对遮盖后图像进行重构,得到重构后图像。而后,可以以最小化重构后图像与样本图像之间的偏差、最小化检测结果与实际检测结果之间的偏差以及最小化语义分割结果与实际语义分割结果之间的偏差为优化目标,对图像识别模型进行训练。
Description
技术领域
本说明书涉及风险防控领域,尤其涉及一种图像识别模型的训练方法、目标检测的方法以及装置。
背景技术
近年来,随着计算机技术以及人工智能技术的发展,用户的收付款码可以有效的反映用户的个人信息,以使用户完成收付款,为用户提供了便利。
但是,目前也存在有部分用户伪造收付款码来盈利的情况,因此,对用户的收付款码进行风险识别,逐渐成为一个严峻的问题。
目前,在对用户的收付款码进行风险识别的过程中,需要先从用户上传的图片中准确的识别出收付款码,然后再通过识别出的收付款码的图像,来对用户提供的收付款码进行进一步地风险识别。然而,目前从用户上传的图片中识别收付款码时准确率往往较低,从而也影响了后续风险识别的准确率。
因此,如何提高对收付款码识别的准确率,则是一个亟待解决的问题。
发明内容
本说明书提供一种图像识别模型的训练方法、目标检测的方法以及装置,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:
本说明书提供了一种图像识别模型的训练方法,所述图像识别模型中包含有目标检测网络、语义分割网络以及重构网络,包括:
获取样本图像,所述样本图像为包含有目标对象的图像;
将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,以及对所述样本图像进行边缘检测,得到标注出所述样本图像中包含的至少部分对象的边缘检测图像;
将所述样本图像、所述遮盖后图像以及所述边缘检测图像输入到待训练的图像识别模型中,以使所述图像识别模型通过所述目标检测网络,对所述样本图像中包含的所述目标对象进行目标检测,得到检测结果,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,以及通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像;
以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练。
可选地,将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,具体包括:
将所述样本图像进行均匀划分,得到各图像块;
按照所述各图像块在所述样本图像中的排列顺序,对所述各图像块中的部分图像块进行均匀遮盖,得到所述遮盖后图像。
可选地,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,具体包括:
通过所述图像识别模型的特征提取网络,从所述样本图像中提取出图像特征;
对所述图像特征进行上采样,得到与所述样本图像尺寸相同的图像特征,作为采样后特征;
将所述采样后特征输入到所述语义分割网络中,以通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果。
可选地,通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像,具体包括:
将所述遮盖后图像、所述边缘检测图像以及语义分割图像进行拼接,以得到拼接后图像,所述语义分割图像是通过所述语义分割结果确定出的;
将所述拼接后图像输入所述重构网络,以使所述重构网络对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像。
可选地,所述图像识别模型中还包含有权重网络层;
在以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练之前,所述方法还包括:
将所述遮盖后图像输入到所述权重网络层中,以确定出第一权重,将所述边缘检测图像输入到所述权重网络层中,以确定第二权重,以及将语义分割图像输入到所述权重网络层中,以确定第三权重,所述语义分割图像是通过所述语义分割结果确定出的;
以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练,具体包括:
根据所述重构后图像与所述样本图像之间的偏差,确定第一损失,根据所述检测结果与所述样本图像对应的实际检测结果之间的偏差,确定第二损失,以及根据所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差,确定第三损失;
根据所述第一损失和所述第一损失对应的第一权重,所述第二损失和所述第二损失对应的第二权重,以及所述第三损失和所述第三损失对应的第三权重,确定总损失值;
以最小化所述总损失值为优化目标,对所述图像识别模型进行训练。
可选地,将所述语义分割图像输入到所述权重网络层中,以确定第三权重,具体包括:
确定所述语义分割图像中包含的每个像素属于各类别的概率;
根据所述概率,确定所述语义分割图像对应的置信度,其中,若当前训练轮次越小,所述置信度越低;
将所述语义分割图像输入到所述权重网络层中,确定第三基础权重;
根据所述置信度,对所述第三基础权重进行调整,得到第三权重。
本说明书提供了一种目标检测的方法,包括:
获取待检测图像;
将所述待检测图像输入到预先训练的图像识别模型中,以通过所述图像识别模型中的目标检测网络,得到针对所述待检测图像的检测结果,所述图像识别模型中的所述目标检测网络是通过上述图像识别模型的训练方法训练得到的;
根据所述检测结果,对所述待检测图像中包含的指定对象进行识别。
可选地,所述指定对象包括:用户的收付款码。
本说明书提供了一种图像识别模型的训练装置,所述图像识别模型中包含有目标检测网络、语义分割网络以及重构网络,包括:
获取模块:用于获取样本图像,所述样本图像为包含有目标对象的图像;
遮盖模块:用于将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,以及对所述样本图像进行边缘检测,得到标注出所述样本图像中包含的至少部分对象的边缘检测图像;
输入模块:用于将所述样本图像、所述遮盖后图像以及所述边缘检测图像输入到待训练的图像识别模型中,以使所述图像识别模型通过所述目标检测网络,对所述样本图像中包含的所述目标对象进行目标检测,得到检测结果,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,以及通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像;
训练模块:用于以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练。
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图像识别模型的训练方法或目标检测的方法。
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图像识别模型的训练方法或目标检测的方法。
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:
本说明书提供的图像识别模型的训练方法,可以首先获取样本图像,并将样本图像进行遮盖,得到遮盖后图像,以及对样本图像进行边缘检测,得到边缘检测图像,而后,将样本图像、遮盖后图像以及边缘检测图像输入到待训练的图像识别模型中,以使图像识别模型通过目标检测网络,进行目标检测并得到检测结果,通过语义分割网络,进行语义分割并得到语义分割结果,以及通过重构网络,对遮盖后图像进行重构,得到重构后图像。而后,可以以最小化重构后图像与样本图像之间的偏差、最小化检测结果与实际检测结果之间的偏差以及最小化语义分割结果与实际语义分割结果之间的偏差为优化目标,对图像识别模型进行训练。
从上述方法中可以看出,可以通过训练由目标检测网络、语义分割网络以及重构网络所组成的图像识别模型,采用多任务学习的方式,同时学习目标检测、语义分割以及重构图像的能力,并可以通过学习语义分割、重构图像的能力来提升目标检测网络检测目标对象的能力,进而提高了图像识别模型在后续使用中识别目标对象的准确率以及执行效率。
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为本说明书中提供的一种图像识别模型的训练方法的流程示意图;
图2为本说明书提供的一种遮盖后的图像的结构示意图;
图3为本说明书提供的一种目标检测的方法的流程示意图的示意图;
图4为本说明书提供的一种图像识别模型的训练装置的示意图;
图5为本说明书提供的一种目标检测的装置的示意图;
图6为本说明书中提供的一种对应于图1或图3的电子设备的结构示意图。
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为本说明书中提供的一种图像识别模型的训练方法的流程示意图,包括以下步骤:
S101:获取样本图像,所述样本图像为包含有目标对象的图像。
S102:将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,以及对所述样本图像进行边缘检测,得到标注出所述样本图像中包含的至少部分对象的边缘检测图像。
本说明书中涉及的业务执行方法的执行主体可以是诸如台式电脑、笔记本电脑等终端设备,也可以是安装在终端设备中的客户端,亦或是服务器。下面仅以服务器是执行主体为例,对本说明书实施例中的图像识别模型的训练方法进行说明。
目前,在对用户的收付款码进行风险识别的过程中,需要先从用户上传的图片中准确的识别出收付款码,然后再通过识别出的收付款码的图像,来对用户提供的收付款码进行进一步地风险识别。然而,目前从用户上传的图片中识别收付款码时准确率往往较低,从而也影响了后续风险识别的准确率。
为了解决上述问题,在本说明书中,服务器可以首先获取样本图像,其中,样本图像可以是获取的包含有目标对象的图像,本说明书中的目标对象可以是诸如用户的收付款码等,该收付款码可以是来自于收付款码的立牌,也可以来自于贴在墙壁上收付款码贴纸等。
而后,服务器可以首先对样本图像进行均匀划分,得到各图像块,可以按照各图像块在样本图像中的排列顺序,对各图像块中的部分图形块进行均匀遮盖,进而可以得到遮盖后的图像,如图2所示。
图2为本说明书提供的一种遮盖后的图像的结构示意图。
由图2可以看出,可以每隔一个图像块,对各图像块中的部分图形块进行均匀遮盖,进而可以得到经均匀遮盖后的图像。当然,也可以采用随机遮盖的方式来对各图像块中的部分图像块进行遮盖。
服务器还可以对样本图像进行边缘检测,进而可以得到标注样本图像中包含的至少部分对象的边缘检测图像,例如,可以首先对样本图像进行预处理(诸如噪声去除等),并可以通过确定出的预设算子对样本图像进行处理,以得到边缘检测图像。例如,这里提到的预设算子可以是拉普拉斯算子,而在这种情况下,服务器可以通过拉普拉斯算子对样本图像中的每个像素点及其邻域的灰度值进行卷积操作,从而得到针对样本图像中的每个像素点的拉普拉斯响应。而后,可以根据预先设置的拉普拉斯算子响应阈值,将拉普拉斯算子响应大于该阈值所对应的像素点作为边缘像素点,进而可以根据各边缘像素点得到标注样本图像中包含的至少部分对象边缘检测图像。
S103:将所述样本图像、所述遮盖后图像以及所述边缘检测图像输入到待训练的图像识别模型中,以使所述图像识别模型通过所述目标检测网络,对所述样本图像中包含的所述目标对象进行目标检测,得到检测结果,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,以及通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像。
在本说明书中,图像识别模型可以包含有目标检测网络、语义分割网络以及重构网络,可以将样本图像、遮盖后图像以及边缘检测图像输入到待训练的图像识别模型中,进而可以使图像识别模型通过目标检测网络,对样本图像中包含的目标对象进行目标检测,得到检测结果。
具体地,目标检测网络可以采用边界框的形式来框选样本图像中的目标对象,并且可以从预设的类别标签集合中为所框选的目标对象分配一个类别标签,进而可以确定出样本图像中的目标对象的位置信息以及类别信息,并将确定出的样本图像中的目标对象的位置信息以及类别信息作为检测结果,类别标签集合中可以包含有诸如:桌子、天空、收付款码立牌等类别标签。其中,该目标检测网络可以采用诸如更快的区域卷积神经网络(Faster-Region-based Convolutional Neural Networks,Faster-RCNN)等。
服务器还可以通过语义分割网络层对样本图像进行语义分割,进而可以得到针对目标对象的语义分割结果。具体地,可以首先通过图像识别模型的特征提取网络,从样本图像中提取出图像特征。为了增强语义分割的精确度,可以对提取出的图像特征进行上采样,进而可以保持语义分割的精度,以得到与样本图像尺寸相同的图像特征,作为采样后特征,并将采样后特征输入到语义分割网络中,语义分割网络可以对样本图像进行语义分割。
例如,可以确定出针对每个像素点属于上述预设的类别标签集合中各类别概率值,并将概率值最大的类别作为该像素点的类别,进而可以确定出样本图像中各像素点的类别,并为各像素点分配相应的类别标签,从而得到针对目标对象的语义分割结果。其中,语义分割网络可以采用诸如U型网络(U-shaped-network,U-Net)等。
另外,服务器还需要通过重构网络,对遮盖后图像进行重构,进而可以得到针对样本图像的重构后图像。具体地,为了提高重构网络对遮盖后图像的重构精确度,可以将遮盖后图像、边缘检测图像以及语义分割图像进行拼接,以得到拼接后图像。其中,语义分割图像是通过语义分割结果确定出的。
而后,可以将拼接后图像输入重构网络,以使重构网络根据拼接后图像中包含的多种特征,对遮盖后图像进行重构,得到针对所述样本图像的重构后图像。其中,重构网络可以采用诸如U型网络(U-shaped-network,U-Net)等。
S104:以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练。
在确定出重构后图像、检测结果以及语义分割结果之后,服务器可以从预先获取的标注数据集中获取样本图像对应的实际检测结果以及实际语义分割结果。其中,该标注数据集可以通过人工标注的方式来标注,标注数据集中包含有中针对样本图像中的目标对象的边界框,通过该边界框可以将目标对象完全包围,并且还包含有为边界框内每个像素点分配相应的类别标签,以及将边界框内的像素点的类别作为的针对目标对象的边界框类别。标注出的边界框以及边界框的类别作为实际检测结果,标注出的边界框内每个像素点的类别作为实际语义分割结果。当然,标注数据集也可以通过标注工具来进行标注,诸如LabelMe、Labelbox等。
服务器可以以最小化重构图像与样本图像之间的偏差为训练目标,以此来训练出重构网络对图像的重构能力,使得重构网络可以学习到图像中内置内容上的联系,并且以最小化语义分割结果与样本图像对应的实际语义分割结果之间的偏差为训练目标,来对语义分割网络进行训练,提升语义分割网络的语义分割能力,以使语义分割网络可以精确识别样本图像中各像素点的语义信息等。
而后,可以结合重构网络的重构能力以及语义分割网络的分割能力,并在有监督训练的方式下,以最小化检测结果与样本图像对应的实际检测结果之间的偏差为训练目标,对目标检测网络进行训练,以此可以使目标检测网络全面检测出样本图像中的目标对象的位置信息以及类别信息,从而准确识别出样本图像中的目标对象。
需要注意的是,在实际训练过程中,为了提高图像识别模型的整体性能,该图像识别模型中还可以包含有权重网络层,具体地,服务器可以将遮盖后图像输入到权重网络层中,以确定出第一权重,将边缘检测图像输入到权重网络层中,以确定第二权重,以及将语义分割图像输入到权重网络层中,以确定第三权重,其中,语义分割图像是通过所述语义分割结果确定出的。
而后,可以以最小化重构后图像与样本图像之间的偏差、最小化检测结果与样本图像对应的实际检测结果之间的偏差以及最小化语义分割结果与样本图像对应的实际语义分割结果之间的偏差为优化目标,对图像识别模型进行训练。具体地,可以根据重构后图像与样本图像之间的偏差,确定第一损失,根据检测结果与样本图像对应的实际检测结果之间的偏差,确定第二损失,以及根据语义分割结果与样本图像对应的实际语义分割结果之间的偏差,确定第三损失。其中,样本图像的实际检测结果以及实际语义分割结果可以由人工标注所得到的标注数据集来获取,标注人员可以标注出的样本图像中针对目标对象的边界框,通过该边界框可以将目标对象完全包围,并且可以为边界框内每个像素点分配相应的类别标签,进而可以将边界框内的像素点的类别作为针对目标对象的边界框类别,并将标注出的边界框以及边界框的类别作为实际检测结果,以及标注出的边界框内每个像素点的类别作为实际语义分割结果。当然,样本图像的实际检测结果以及实际语义分割结果也可以通过标注工具所得到的标注数据集来获取,诸如LabelMe、Labelbox等
进而,可以根据第一损失和第一损失对应的第一权重,所述第二损失和第二损失对应的第二权重,以及第三损失和第三损失对应的第三权重,确定总损失值,以最小化总损失值为优化目标,对图像识别模型进行训练,其中,总损失值具体可以参考如下公式:
L0=L1*a+L2*b+L3*c
其中,L0可以用于表征总损失值,L1可以用于表征第一损失,a可以用于表征第一损失对应的第一权重,L2可以用于表征第二损失,b可以用于表征第二损失对应的第二权重,L3可以用于表征第三损失,c可以用于表征第三损失对应的第三权重。
需要注意的是,由于训练初期语义分割网络的分割效果较差,如果将上述第三损失的具体数值设置为较大的数值,则可能会导致图像识别模型朝着错误的方向进行学习。因此,为了解决该问题,可以根据实际情况来对第三权重进行相应的调整,进而可以提高图像识别模型的整体性能以及识别的准确率。
具体地,在将语义分割图像输入到权重网络层时,服务器可以首先确定语义分割图像中包含的每个像素属于各类别的概率,其中,每个像素属于各类别的概率可以是语义分割网络在对样本图像进行语义分割时所确定出的。而后,可以根据该概率,确定语义分割图像对应的置信度,其中,置信度的评估可以采用信息熵的公式来确定,例如,可以通过确定信息熵的倒数,来确定当前训练轮次所对应的置信度,信息熵具体可以参考如下公式:
其中,wx可以用于表征信息熵,x可以用于表征样本图像中的一个像素点,i为像素点的类别编号,并且不同的类别编号可以用于表征不同的类别,C可以用于表征类别标签集合中包含的类别总数,px(i)可以用于表征对像素点为i类别的概率的估计。
需要注意的是,在对图像识别模型的训练初期,由于对像素点为i类别的概率估计的不确定性较高,导致px(i)较小,从而导致wx较大,进而导致置信度较小,即若当前训练轮次越小,置信度越低。
而后,服务器可以根据置信度,对第三权重进行调整,具体地,可以首先确定出将语义分割图像输入到权重网络层时对应的第三基础权重,而后,可以根据置信度,对第三基础权重进行调整,得到第三权重。例如,在图像识别模型的训练初期,置信度较小,则会在第三基础权重的基础上进行调小,以调小第三损失对应的第三权重。另外,当图像识别模型的训练轮次达到一定数值,也可以不对第三基础权重进行调整,即可以将第三基础权重作为第三损失对应的第三权重。
从上述方法中可以看出,可以通过训练由目标检测网络、语义分割网络以及重构网络所组成的图像识别模型,采用多任务学习的方式,同时学习目标检测、语义分割以及重构图像的能力,并可以通过学习语义分割、重构图像的能力来提升目标检测网络检测目标对象的能力,进而提高了图像识别模型在后续使用中识别目标对象的准确率以及执行效率,并且在模型训练的初期阶段可以根据训练的实际情况对权重进行相应的调整,使得图像识别模型能够按照正确的训练方向进行学习优化,进一步地提升图像识别模型的训练效果以及训练效率。
上述主要介绍了图像识别模型的训练方法,在图像识别模型训练完成后,即可应用到目标检测中,下面将详细介绍本说明书提供的一种目标检测的方法。
图3为本说明书中提供的一种目标检测的方法的流程示意图,包括以下步骤:
S301:获取待检测图像。
对于本说明书提供的目标检测的方法,其执行主体可以是服务器,也可以是诸如台式电脑、笔记本电脑等终端设备,下面仅以服务器为例,对后续内容进行详细说明。
在风险识别过程中,服务器需要获取用户提供的包含有诸指定对象的图片,并作为待检测图像,以此来识别出待检测图片中包含的指定对象,进而来检测用户是否存在风险。其中,这里提到的指定对象可以是指用户的收付款码等,该收付款码可以是来自于收付款码的立牌,也可以来自于贴在墙壁上收付款码贴纸等。
S302:将所述待检测图像输入到预先训练的图像识别模型中,以通过所述图像识别模型中的目标检测网络,得到针对所述待检测图像的检测结果,所述图像识别模型中的所述目标检测网络是通过上述图像识别模型的训练方法训练得到的。
服务器中可以部署通过上述图像识别模型的训练方法得到的图像识别模型。需要注意的是,在实际进行目标检测的过程中,为了减少模型的推理量,可以去除掉上述图像识别模型的训练方法得到的图像识别模型中包含的语义分割网络以及重构网络。由于图像识别模型中的目标检测网络已经结合语义分割网络以及重构网络的学习能力,因此可以较准确地识别出待检测图像中的指定对象的位置信息以及类别信息,作为针对待检测图像的检测结果。
S303:根据所述检测结果,对所述待检测图像中包含的指定对象进行识别。
终端设备可以根据检测结果确定出的待检测图像中的指定对象的位置,而后,可以从检测出的指定对象的位置处切分处包含指定对象的部分图片,对该部分图片中包含的收付款码进行判别,并在判断出该部分图片中包含的收付款码为伪造后对用户进行相应的风险防控处理。
从上述方法中可以进一步地看出,在风险识别过程中可以只使用图像识别模型中的目标检测网网络,这是因为在图像识别模型的训练过程中,通过语义分割网络以及重构网络的配合,目标检测网络可以较好的理解图像内容中的潜在联系以及学习到较强的语义分割能力,这样在风险识别过程中,只需要使用目标检测网络,即可准确的识别出待检测图像中所包含的指定对象,以进一步地提升风险识别的效果,保证用户的信息安全。
与此同时,用于在重构网络的配合下,目标检测网络可以学习出较好的重构能力,那么,即使获取到图像质量较差的待检测图像,目标检测网络依然能够从中准确的检测出指定对象,以完成风险识别。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的图像识别模型的训练装置以及目标检测装置,如图4、图5所示。
图4为本说明书提供的一种图像识别模型的训练装置的示意图,包括:
获取模块401,用于获取样本图像,所述样本图像为包含有目标对象的图像;
遮盖模块402,用于将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,以及对所述样本图像进行边缘检测,得到标注出所述样本图像中包含的至少部分对象的边缘检测图像;
输入模块403,用于将所述样本图像、所述遮盖后图像以及所述边缘检测图像输入到待训练的图像识别模型中,以使所述图像识别模型通过所述目标检测网络,对所述目标检测网络中包含的所述目标对象进行目标检测,得到检测结果,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,以及通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像;
训练模块404,用于以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练。
可选地,所述遮盖模块402具体用于,将所述样本图像进行均匀划分,得到各图像块,按照所述各图像块在所述样本图像中的排列顺序,对所述各图像块中的部分图像块进行均匀遮盖,得到所述遮盖后图像。
可选地,所述输入模块403具体用于,通过所述图像识别模型的特征提取网络,从所述样本图像中提取出图像特征,对所述图像特征进行上采样,得到与所述样本图像尺寸相同的图像特征,作为采样后特征,将所述采样后特征输入到所述语义分割网络中,以通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果。
可选地,所述输入模块403还用于,将所述遮盖后图像、所述边缘检测图像以及语义分割图像进行拼接,以得到拼接后图像,所述语义分割图像是通过所述语义分割结果确定出的,将所述拼接后图像输入所述重构网络,以使所述重构网络对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像。
可选地,所述图像识别模型中还包含有权重网络层;
所述输入模块403还用于,将所述遮盖后图像输入到所述权重网络层中,以确定出第一权重,将所述边缘检测图像输入到所述权重网络层中,以确定第二权重,以及将语义分割图像输入到所述权重网络层中,以确定第三权重,所述语义分割图像是通过所述语义分割结果确定出的;
所述训练模块404具体用于,根据所述重构后图像与所述样本图像之间的偏差,确定第一损失,根据所述检测结果与所述样本图像对应的实际检测结果之间的偏差,确定第二损失,以及根据所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差,确定第三损失,根据所述第一损失和所述第一损失对应的第一权重,所述第二损失和所述第二损失对应的第二权重,以及所述第三损失和所述第三损失对应的第三权重,确定总损失值,以最小化所述总损失值为优化目标,对所述图像识别模型进行训练。
所述训练模块404还用于,确定所述语义分割图像中包含的每个像素属于各类别的概率,根据所述概率,确定所述语义分割图像对应的置信度,其中,若当前训练轮次越小,所述置信度越低,将所述语义分割图像输入到所述权重网络层中,确定第三基础权重,根据所述置信度,对所述第三基础权重进行调整,得到第三权重。
图5为本说明书提供的一种目标检测的装置的示意图,包括:
获取模块501,用于获取待检测图像。
检测模块502,用于将所述待检测图像输入到预先训练的图像识别模型中,以通过所述图像识别模型中的目标检测网络,得到针对所述待检测图像的检测结果,所述图像识别模型中的所述目标检测网络是通过如上述图像识别模型的训练方法训练得到的。
识别模块503,用于根据所述检测结果,对所述待检测图像中包含的指定对象进行识别。
可选地,所述指定对象包括:用户的收付款码。
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提供的图像识别模型的训练方法和图3提供的目标检测的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6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所示的图像识别模型的训练方法或图3所示的目标检测的方法。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,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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数据处理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数据处理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数据处理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数据处理设备上,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,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种图像识别模型的训练方法,所述图像识别模型中包含有目标检测网络、语义分割网络以及重构网络,包括:
获取样本图像,所述样本图像为包含有目标对象的图像;
将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,以及对所述样本图像进行边缘检测,得到标注出所述样本图像中包含的至少部分对象的边缘检测图像;
将所述样本图像、所述遮盖后图像以及所述边缘检测图像输入到待训练的图像识别模型中,以使所述图像识别模型通过所述目标检测网络,对所述样本图像中包含的所述目标对象进行目标检测,得到检测结果,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,以及通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像;
以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练。
2.如权利要求1所述的方法,将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,具体包括:
将所述样本图像进行均匀划分,得到各图像块;
按照所述各图像块在所述样本图像中的排列顺序,对所述各图像块中的部分图像块进行均匀遮盖,得到所述遮盖后图像。
3.如权利要求1所述的方法,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,具体包括:
通过所述图像识别模型的特征提取网络,从所述样本图像中提取出图像特征;
对所述图像特征进行上采样,得到与所述样本图像尺寸相同的图像特征,作为采样后特征;
将所述采样后特征输入到所述语义分割网络中,以通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果。
4.如权利要求1所述的方法,通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像,具体包括:
将所述遮盖后图像、所述边缘检测图像以及语义分割图像进行拼接,以得到拼接后图像,所述语义分割图像是通过所述语义分割结果确定出的;
将所述拼接后图像输入所述重构网络,以使所述重构网络对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像。
5.如权利要求1所述的方法,所述图像识别模型中还包含有权重网络层;
在以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练之前,所述方法还包括:
将所述遮盖后图像输入到所述权重网络层中,以确定出第一权重,将所述边缘检测图像输入到所述权重网络层中,以确定第二权重,以及将语义分割图像输入到所述权重网络层中,以确定第三权重,所述语义分割图像是通过所述语义分割结果确定出的;
以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练,具体包括:
根据所述重构后图像与所述样本图像之间的偏差,确定第一损失,根据所述检测结果与所述样本图像对应的实际检测结果之间的偏差,确定第二损失,以及根据所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差,确定第三损失;
根据所述第一损失和所述第一损失对应的第一权重,所述第二损失和所述第二损失对应的第二权重,以及所述第三损失和所述第三损失对应的第三权重,确定总损失值;
以最小化所述总损失值为优化目标,对所述图像识别模型进行训练。
6.如权利要求5所述的方法,将所述语义分割图像输入到所述权重网络层中,以确定第三权重,具体包括:
确定所述语义分割图像中包含的每个像素属于各类别的概率;
根据所述概率,确定所述语义分割图像对应的置信度,其中,若当前训练轮次越小,所述置信度越低;
将所述语义分割图像输入到所述权重网络层中,确定第三基础权重;
根据所述置信度,对所述第三基础权重进行调整,得到第三权重。
7.一种目标检测的方法,包括:
获取待检测图像;
将所述待检测图像输入到预先训练的图像识别模型中,以通过所述图像识别模型中的目标检测网络,得到针对所述待检测图像的检测结果,所述图像识别模型中的所述目标检测网络是通过如权利要求1~6任一项所述的方法训练得到的;
根据所述检测结果,对所述待检测图像中包含的指定对象进行识别。
8.如权利要求7所述的方法,所述指定对象包括:用户的收付款码。
9.一种图像识别模型的训练装置,所述图像识别模型中包含有目标检测网络、语义分割网络以及重构网络,包括:
获取模块:用于获取样本图像,所述样本图像为包含有目标对象的图像;
遮盖模块:用于将所述样本图像进行遮盖,得到所述样本图像对应的遮盖后图像,以及对所述样本图像进行边缘检测,得到标注出所述样本图像中包含的至少部分对象的边缘检测图像;
输入模块:用于将所述样本图像、所述遮盖后图像以及所述边缘检测图像输入到待训练的图像识别模型中,以使所述图像识别模型通过所述目标检测网络,对所述目标检测网络中包含的所述目标对象进行目标检测,得到检测结果,通过所述语义分割网络,对所述样本图像进行语义分割,得到针对所述目标对象的语义分割结果,以及通过所述重构网络,对所述遮盖后图像进行重构,得到针对所述样本图像的重构后图像;
训练模块:用于以最小化所述重构后图像与所述样本图像之间的偏差、最小化所述检测结果与所述样本图像对应的实际检测结果之间的偏差以及最小化所述语义分割结果与所述样本图像对应的实际语义分割结果之间的偏差为优化目标,对所述图像识别模型进行训练。
10.一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权利要求1~8任一项所述的方法。
11.一种电子设备,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权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077029.3A CN117934933A (zh) | 2024-01-18 | 2024-01-18 | 一种图像识别模型的训练方法、目标检测的方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077029.3A CN117934933A (zh) | 2024-01-18 | 2024-01-18 | 一种图像识别模型的训练方法、目标检测的方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117934933A true CN117934933A (zh) | 2024-04-26 |
Family
ID=90762657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077029.3A Pending CN117934933A (zh) | 2024-01-18 | 2024-01-18 | 一种图像识别模型的训练方法、目标检测的方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934933A (zh) |
-
2024
- 2024-01-18 CN CN202410077029.3A patent/CN117934933A/zh active Pending
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 | |
CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN112417093B (zh) | 一种模型训练的方法及装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN112784857A (zh) | 一种模型训练以及图像处理方法及装置 | |
CN115600157A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117573913A (zh) | 一种提示语扩写方法、装置、存储介质及电子设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN116805393A (zh) | 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统 | |
CN116343314A (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN116188895A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117934933A (zh) | 一种图像识别模型的训练方法、目标检测的方法以及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
CN113988162A (zh) | 模型训练及图像识别方法、装置、存储介质及电子设备 | |
CN111523539A (zh) | 一种文字检测方法及装置 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
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 | |
CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN116704178A (zh) | 一种图像的实例分割方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |