CN117975208A - 一种基于无监督领域适应算法的输电线检测方法及装置 - Google Patents
一种基于无监督领域适应算法的输电线检测方法及装置 Download PDFInfo
- Publication number
- CN117975208A CN117975208A CN202410383532.1A CN202410383532A CN117975208A CN 117975208 A CN117975208 A CN 117975208A CN 202410383532 A CN202410383532 A CN 202410383532A CN 117975208 A CN117975208 A CN 117975208A
- Authority
- CN
- China
- Prior art keywords
- image
- domain
- transmission line
- target domain
- simulation data
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 42
- 230000006978 adaptation Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000002156 mixing Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 235000003642 hunger Nutrition 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
- 230000037351 starvation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于无监督领域适应算法的输电线检测方法及装置,涉及图像分割技术领域;本发明通过无监督领域适应算法使得在仿真数据上进行训练,并将模型适应到真实数据上成为可能,从而减少了标注真实数据的需求,降低了训练成本;本方法通过引入风格适应方法,引入的风格适应方法对于提高模型在不同风格的数据上的泛化能力是关键的技术点。通过有效地处理源域和目标域之间的风格差异,算法能够更好地适应真实数据,提高输电线检测性能;本发明使用仿真数据作为源域数据,尤其是在输电线检测领域,能够有效地利用仿真数据,扩充训练集,使得模型更具鲁棒性。
Description
技术领域
本发明公开一种基于无监督领域适应算法的输电线检测方法及装置,涉及图像分割技术领域。
背景技术
目前的输电线检测方法面临着真实场景数据获取的困难,这导致了训练所需数据的匮乏。更进一步,即使有真实数据,对这些数据进行准确标注的成本非常高昂,因为需要专业人员逐一标记输电线,这限制了方法在大规模应用中的可行性和效率。
现有的领域适应方法通常采用普通的数据增强技术,但这些方法对于输电线检测并不够有效。由于输电线的特殊性和对精准性的要求,传统的数据增强方法并未能有效提升模型在不同数据集上的泛化能力,导致在新场景下的检测效果不佳。
发明内容
本发明针对现有技术的问题,提供一种基于无监督领域适应算法的输电线检测方法及装置,所采用的技术方案为:
第一方面,一种基于无监督领域适应算法的输电线检测方法,所述方法,包括:
S1,通过仿真软件采集仿真数据,根据所述仿真数据建立输电线仿真数据集;其中,将所述仿真数据作为源域,真实数据作为目标域;
S2,根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;
S3,根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;
S4,根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
在一些实现方式中,所述S3,具体包括:
S31,根据所述目标域的样本,混合生成增强图像和对应的伪标签;
S32,根据所述伪标签,将所述增强图像和所述源域的图像融入网络训练,生成增强图像。
在一些实现方式中,所述S31,具体包括:
S311,根据所述源域中的输电线类别剪切对应像素,并粘贴到目标域图像中;
S312,根据所述目标域的图像,通过网络推理预测生成伪标签。
在一些实现方式中,所述S4中自适应实例归一化,具体实现公式如下:
;
其中,SAIN表示归一化处理值,,/>分别表示源域图像和目标域图像,μ和σ分别表示均值和标准差。
第二方面,本发明实施例提供一种基于无监督领域适应算法的输电线检测装置,所述装置,包括:
数据采集模块,用于通过仿真软件采集仿真数据,根据所述仿真数据建立输电线仿真数据集;其中,将所述仿真数据作为源域,真实数据作为目标域;
语义标注模块,用于根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;
图像解析模块,用于根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;
图像处理模块,用于根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
在一些实现方式中,所述图像解析模块,具体包括:
标签处理单元,用于根据所述目标域的样本,混合生成增强图像和对应的伪标签;
图像训练单元,用于根据所述伪标签,将所述增强图像和所述源域的图像融入网络训练,生成增强图像。
在一些实现方式中,所述标签处理单元,具体包括:
像素处理子单元,用于根据所述源域中的输电线类别剪切对应像素,并粘贴到目标域图像中;
标签推理子单元,用于根据所述目标域的图像,通过网络推理预测生成伪标签。
在一些实现方式中,所述图像处理模块中,自适应实例归一化,具体实现公式如下:
;
其中,SAIN表示归一化处理值,,/>,分别表示源域图像和目标域图像,μ和σ分别表示均值和标准差。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时,实现如上述第一方面所述的方法。
第四方面,本发明实施例提供一种计算机存储介质,所述计算机可读取存储介质中存储有计算机程序,所述计算机程序被处理器执行时,用实现如第一方面所述的方法。
本发明的一个或多个实施例至少能够带来如下有益效果:
本发明通过无监督领域适应算法使得在仿真数据上进行训练,并将模型适应到真实数据上成为可能,从而减少了标注真实数据的需求,降低了训练成本;
本方法通过引入风格适应方法,引入的风格适应方法对于提高模型在不同风格的数据上的泛化能力是关键的技术点。通过有效地处理源域和目标域之间的风格差异,算法能够更好地适应真实数据,提高输电线检测性能;
本发明使用仿真数据作为源域数据,尤其是在输电线检测领域,能够有效地利用仿真数据,扩充训练集,使得模型更具鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于无监督领域适应算法的输电线检测方法的流程图;
图2是本发明实施例提供的伪标签和真实标签的混合过程示意图;
图3是本发明实施例提供的一种基于无监督领域适应算法的输电线检测装置的框图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域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,都属于本发明保护的范围。
实施例一:
图1示出了一种基于无监督领域适应算法的输电线检测方法流程图,如图1所示,本实施例提供的基于无监督领域适应算法的输电线检测方法,包括:
S1,通过仿真软件采集仿真数据,根据所述仿真数据建立输电线仿真数据集;其中,将所述仿真数据作为源域,真实数据作为目标域;
S2,根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;
S3,根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;
S4,根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
首先,首先,我们使用仿真软件采集了大量仿真数据,使用仿真数据作为源域,真实数据作为目标域。其次,并采用基于风格适应的无监督领域适应方法。实现了低成本的输电线检测算法训练流程。
下一步,按照S2,根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;本发明通过虚幻引擎5软件提供的多样场景,我们构建了高质量标注的输电线仿真数据集。为降低标注成本,我们利用微软公司开发的AirSim接口对输电线类别进行了自动语义标注
下一步,按照S3,根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;根据已有的工作基础,在基于混合的半监督学习(Semi-Supervised Learning,SSL)中,使用一致性正则化原理,通过混合目标域未标记的数据集中的样本来生成增强图像。
具体的,所述S3,具体包括:
S31,根据所述目标域的样本,混合生成增强图像和对应的伪标签;
S32,根据所述伪标签,将所述增强图像和所述源域的图像融入网络训练,生成增强图像。
进一步具体的,所述S31,具体包括:
S311,根据所述源域中的输电线类别剪切对应像素,并粘贴到目标域图像中;
S312,根据所述目标域的图像,通过网络推理预测生成伪标签。
在无监督领域适应算法中,未标记样本来自于目标数据集,因此在这种情况下的一种自然调整是混合目标域的图像。这种方法通常称为“简单混合”,它将目标域样本混合以生成增强图像和相应的伪标签,随后使用这些增强图像和源域图像一同送入网络训练。
但是这种简单混合的效果并不佳。这一问题在不同种子的训练中都普遍存在,并且对性能有着相当大的影响。这个问题导致模型在推理目标域图像时表现不佳,但是推理源域图像时没有明显影响。我们推测是由于这种方法生成的伪标签质量较差,从而影响了模型在目标域上的泛化能力。
基于自训练的UDA方法的难题之一是如何在目标域上生成高质量的伪标签。如果生成的伪标签质量较差,噪声较多,这会使得网络无法学习到目标域中有用的信息。
通过取自源域图像的一组像素和目标域图像的另一组像素来创建新的增强样本,并用于训练。默认情况下,我们采用的是混合策略ClassMix。对于我们改进的ClassMix方法,我们选取源域图像中的输电线类别,将相应的像素剪切出来,然后粘贴到目标域图像上。为了构建相应的图像伪标签,目标域图像在混合前也需通过网络推理预测,以生成一个伪标签。然后,将该伪标签与源域图像的相应真实标签以相同方式进行混合。图2展示了混合过程的示意图;
图2中,,/>,/>分别表示源域图像、目标域图像以及混合图像,/>,/>,/>分别表示其对应的标签。其中,/>是由模型预测生成的伪标签。/>,/>是通过源域样本与目标域样本交叉混合得到的混合图像及其对应的伪标签需要注意的是,混合后的图像并非完全真实。实验结果显示,我们的方法不需要增强图像完全逼真。
下一步,按照S4,根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
在UDA方法中,领域转移的主要因素是不同领域之间的风格差异。领域转移的存在限制了模型在领域自适应和泛化任务中的性能。先前的研究已经证明了骨干网络提取的浅层特征能够捕捉图像的风格信息。现有方法通常通过计算浅层特征沿通道维度的均值和标准差来表征图像的风格特征。
传统的实例归一化能消除特定图像风格信息,直接将其应用于UDA可能会降低网络学习源域图像风格信息的能力。然而,这也会忽视目标域的风格信息,导致性能下降并限制在目标域的泛化能力。为了增强目标域图像的风格信息,同时减弱网络学习源领域图像风格信息的影响,我们采用了自适应实例归一化(Adaptive Instance Normalization,AdaIN),用目标域图像的风格信息替代源领域图像的风格信息。这一方法保留了源域图像的内容信息。我们提出的方法被称为风格自适应实例归一化(Style Adaptive InstanceNormalization,SAIN)。具体的实现公式如下
;
其中,SAIN表示归一化处理值,,/>,分别表示源域图像和目标域图像,μ和σ分别表示均值和标准差。
实施例二:
图3示出了一种基于无监督领域适应算法的输电线检测装置的框图,如图3所示,本实施例提供的基于无监督领域适应算法的输电线检测装置,包括:
数据采集模块,用于通过仿真软件采集仿真数据,根据所述仿真数据建立输电线仿真数据集;其中,将所述仿真数据作为源域,真实数据作为目标域;
语义标注模块,用于根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;
图像解析模块,用于根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;
图像处理模块,用于根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
进一步的,所述图像解析模块,具体包括:
标签处理单元,用于根据所述目标域的样本,混合生成增强图像和对应的伪标签;
图像训练单元,用于根据所述伪标签,将所述增强图像和所述源域的图像融入网络训练,生成增强图像。
进一步的,所述标签处理单元,具体包括:
像素处理子单元,用于根据所述源域中的输电线类别剪切对应像素,并粘贴到目标域图像中;
标签推理子单元,用于根据所述目标域的图像,通过网络推理预测生成伪标签。
进一步的,所述图像处理模块中,自适应实例归一化,具体实现公式如下:
;
其中,SAIN表示归一化处理值,,/>。分别表示源域图像和目标域图像,μ和σ分别表示均值和标准差。
实施例三:
本实施例还提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现实施例一的方法;
在实际应用中,处理器可以是专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(ProgrammableLogic Device,简称PLD)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)、控制器、微控制器 (Microcontroller Unit, MCU)、微处理器或其他电子元件实现,用于执行上述实施例中的方法。
本实施例所实现的方法,如实施例一所示。
实施例四:
本实施例还提供一种计算机存储介质,所述计算机可读取存储介质中存储有计算机程序,计算机程序被一个或多个处理器执行时,实现实施例一的方法;
其中,计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本实施例所实现的方法,如实施例一所示。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。
需要说明的是,在本文中,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。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。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种基于无监督领域适应算法的输电线检测方法,其特征在于,所述方法,包括:
S1,通过仿真软件采集仿真数据,根据所述仿真数据建立输电线仿真数据集;其中,将所述仿真数据作为源域,真实数据作为目标域;
S2,根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;
S3,根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;
S4,根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
2.根据权利要求1所述的方法,其特征在于,所述S3,具体包括:
S31,根据所述目标域的样本,混合生成增强图像和对应的伪标签;
S32,根据所述伪标签,将所述增强图像和所述源域的图像融入网络训练,生成增强图像。
3.根据权利要求2所述的方法,其特征在于,所述S31,具体包括:
S311,根据所述源域中的输电线类别剪切对应像素,并粘贴到目标域图像中;
S312,根据所述目标域的图像,通过网络推理预测生成伪标签。
4.根据权利要求3所述的方法,其特征在于,所述S4中自适应实例归一化,具体实现公式如下:
;
其中,SAIN表示归一化处理值,,/>分别表示源域图像和目标域图像,μ和σ分别表示均值和标准差。
5.一种基于无监督领域适应算法的输电线检测装置,其特征在于,所述装置,包括:
数据采集模块,用于通过仿真软件采集仿真数据,根据所述仿真数据建立输电线仿真数据集;其中,将所述仿真数据作为源域,真实数据作为目标域;
语义标注模块,用于根据所述输电线仿真数据集,通过AirSim接口对输电线类别进行自动语义标注;
图像解析模块,用于根据所述语义标注,通过混合所述目标域中未标记样本生成增强图像;
图像处理模块,用于根据所述增强图像,通过自适应实例归一化,将所述目标域的图像风格信息代替所述源域的图像风格信息。
6.根据权利要求5所述的装置,其特征在于,所述图像解析模块,具体包括:
标签处理单元,用于根据所述目标域的样本,混合生成增强图像和对应的伪标签;
图像训练单元,用于根据所述伪标签,将所述增强图像和所述源域的图像融入网络训练,生成增强图像。
7.根据权利要求6所述的装置,其特征在于,所述标签处理单元,具体包括:
像素处理子单元,用于根据所述源域中的输电线类别剪切对应像素,并粘贴到目标域图像中;
标签推理子单元,用于根据所述目标域的图像,通过网络推理预测生成伪标签。
8.根据权利要求7所述的装置,其特征在于,所述图像处理模块中,自适应实例归一化,具体实现公式如下:
;
其中,SAIN表示归一化处理值,,/>分别表示源域图像和目标域图像,μ和σ分别表示均值和标准差。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如上述权利要求1-4中任意一项所述的基于无监督领域适应算法的输电线检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读取存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上述权利要求1-4中任意一项所述的基于无监督领域适应算法的输电线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410383532.1A CN117975208A (zh) | 2024-04-01 | 2024-04-01 | 一种基于无监督领域适应算法的输电线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410383532.1A CN117975208A (zh) | 2024-04-01 | 2024-04-01 | 一种基于无监督领域适应算法的输电线检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117975208A true CN117975208A (zh) | 2024-05-03 |
Family
ID=90849983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410383532.1A Pending CN117975208A (zh) | 2024-04-01 | 2024-04-01 | 一种基于无监督领域适应算法的输电线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975208A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140337026A1 (en) * | 2013-05-09 | 2014-11-13 | International Business Machines Corporation | Method, apparatus, and program for generating training speech data for target domain |
CN109671018A (zh) * | 2018-12-12 | 2019-04-23 | 华东交通大学 | 一种基于生成式对抗网络和ResNets技术的图像转换方法及系统 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN114299130A (zh) * | 2021-12-23 | 2022-04-08 | 大连理工大学 | 一种基于无监督自适应网络的水下双目深度估计方法 |
CN116052168A (zh) * | 2022-12-30 | 2023-05-02 | 中国科学院香港创新研究院人工智能与机器人创新中心有限公司 | 基于单目标域图像的跨域语义分割模型生成方法及装置 |
-
2024
- 2024-04-01 CN CN202410383532.1A patent/CN117975208A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140337026A1 (en) * | 2013-05-09 | 2014-11-13 | International Business Machines Corporation | Method, apparatus, and program for generating training speech data for target domain |
CN109671018A (zh) * | 2018-12-12 | 2019-04-23 | 华东交通大学 | 一种基于生成式对抗网络和ResNets技术的图像转换方法及系统 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN114299130A (zh) * | 2021-12-23 | 2022-04-08 | 大连理工大学 | 一种基于无监督自适应网络的水下双目深度估计方法 |
CN116052168A (zh) * | 2022-12-30 | 2023-05-02 | 中国科学院香港创新研究院人工智能与机器人创新中心有限公司 | 基于单目标域图像的跨域语义分割模型生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741332B (zh) | 一种人机协同的图像分割与标注方法 | |
CN109919209B (zh) | 一种领域自适应深度学习方法及可读存储介质 | |
CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN110880000A (zh) | 图片文字定位方法、装置、计算机设备和存储介质 | |
CN112488222B (zh) | 一种众包数据标注方法、系统、服务器及存储介质 | |
CN116229080B (zh) | 半监督域适应图像语义分割方法、系统、设备及存储介质 | |
Shi et al. | A benchmark and baseline for language-driven image editing | |
Chen et al. | Exploring open-vocabulary semantic segmentation from clip vision encoder distillation only | |
WO2023178802A1 (zh) | 命名实体识别方法、装置、设备和计算机可读存储介质 | |
CN113177957B (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
CN110737770B (zh) | 文本数据敏感性识别方法、装置、电子设备及存储介质 | |
Yu et al. | Foundation model drives weakly incremental learning for semantic segmentation | |
Chen et al. | Exploring open-vocabulary semantic segmentation without human labels | |
CN111881900B (zh) | 语料生成、翻译模型训练、翻译方法、装置、设备及介质 | |
CN117975208A (zh) | 一种基于无监督领域适应算法的输电线检测方法及装置 | |
Zhu et al. | Gala: Toward geometry-and-lighting-aware object search for compositing | |
CN114579796B (zh) | 机器阅读理解方法及装置 | |
CN111008295A (zh) | 书页检索方法、装置、电子设备和存储介质 | |
CN114972313A (zh) | 图像分割网络预训练方法及装置 | |
CN111815689B (zh) | 一种半自动化标注方法、设备、介质及装置 | |
CN114565751A (zh) | Ocr识别模型训练方法、ocr识别方法及相关装置 | |
CN112364640A (zh) | 实体名词链接方法、装置、计算机设备和存储介质 | |
CN112926585A (zh) | 一种基于再生核希尔伯特空间的跨域语义分割方法 | |
CN112861926B (zh) | 耦合的多任务特征提取方法、装置、电子设备及存储介质 | |
CN116630721B (zh) | 基于局部特征补全的图像分类方法、装置、设备及介质 |
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 |