JP7158563B2 - 深層モデルの訓練方法及びその装置、電子機器並びに記憶媒体 - Google Patents
深層モデルの訓練方法及びその装置、電子機器並びに記憶媒体 Download PDFInfo
- Publication number
- JP7158563B2 JP7158563B2 JP2021507067A JP2021507067A JP7158563B2 JP 7158563 B2 JP7158563 B2 JP 7158563B2 JP 2021507067 A JP2021507067 A JP 2021507067A JP 2021507067 A JP2021507067 A JP 2021507067A JP 7158563 B2 JP7158563 B2 JP 7158563B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- annotation information
- annotation
- model
- training sample
- 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
- 238000012549 training Methods 0.000 title claims description 285
- 238000000034 method Methods 0.000 title claims description 51
- 238000013136 deep learning model Methods 0.000 claims description 32
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 42
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/169—Annotation, e.g. comment data or footnotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
Description
本開示は、出願番号が201811646430.5であり、出願日が2018年12月29日である中国特許出願に基づき提出され、当該中国特許出願に基づき優先権を主張し、当該中国特許出願の全ての内容を参照としてここに援用する。
n(nは1以上の整数である)回訓練された訓練対象のモデルから出力された第n+1注釈情報を取得するステップと、
前記訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成するステップと、
前記第n+1訓練サンプルによって前記訓練対象のモデルに対してn+1回目の訓練を行うステップと、を含む。
前記訓練データ、前記第n+1注釈情報、及び第1訓練サンプルに基づいて第n+1訓練サンプルを生成するステップ、
又は、
前記訓練データ、前記第n+1注釈情報、及び第n訓練サンプルに基づいて第n+1訓練サンプルを生成するステップを含み、前記第n訓練サンプルは、前記訓練データと第1注釈情報から構成される第1訓練サンプル、及び最初のn-1回の訓練で得られた注釈情報と前記訓練サンプルからそれぞれ構成される第2訓練サンプル~第n-1訓練サンプルを含む。
nがN未満であるか否かを判定するステップを含み、Nは前記訓練対象のモデルの最大訓練回数であり、
訓練対象のモデルから出力された第n+1注釈情報を取得する前記ステップは、
nがN未満である場合、前記訓練対象のモデルから出力された第n+1注釈情報を取得するステップを含む。
前記訓練データ及び前記訓練データの初期注釈情報を取得するステップと、
前記初期注釈情報に基づいて、前記第1注釈情報を生成するステップと、を含む。
複数の分割ターゲットが含まれている訓練画像及び前記分割ターゲットの外接枠を取得するステップを含み、
前記初期注釈情報に基づいて、前記第1注釈情報を生成する前記ステップは、
前記外接枠に基づいて、前記外接枠内に前記分割ターゲットの形状と一致する注釈輪郭を描画するステップを含む。
前記外接枠に基づいて、重なり部分を有する2つの前記分割ターゲットの分割境界を生成するステップをさらに含む。
前記外接枠に基づいて、前記外接枠内に細胞形状と一致する前記外接枠の内接楕円を描画するステップを含む。
n(nは1以上の整数である)回訓練された訓練対象のモデルから出力された第n+1注釈情報を取得するように構成される注釈モジュールと、
前記訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成するように構成される第1生成モジュールと、
前記第n+1訓練サンプルによって前記訓練対象のモデルに対してn+1回目の訓練を行うように構成される訓練モジュールと、を備える。
nがN未満であるか否かを判定するように構成される判定モジュールを備え、Nは前記訓練対象のモデルの最大訓練回数であり、
前記注釈モジュールは、nがN未満である場合、前記訓練対象のモデルから出力された第n+1注釈情報を取得するように構成される。
前記訓練データ及び前記訓練データの初期注釈情報を取得するように構成される取得モジュールと、
前記初期注釈情報に基づいて、前記第1注釈情報を生成するように構成される第2生成モジュールと、を備える。
前記第2生成モジュールは、前記外接枠に基づいて、前記外接枠内に前記分割ターゲットの形状と一致する注釈輪郭を描画するように構成される。
メモリと、
前記メモリに接続され、前記メモリに記憶されたコンピュータ実行可能命令を実行することによって前述技術案のいずれかに係る深層学習モデルの訓練方法を実施できるように構成されるプロセッサと、を備える。
n回訓練された訓練対象のモデルから出力された第n+1注釈情報を取得するステップS110と、
前記訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成するステップS120と、
前記第n+1訓練サンプルによって前記訓練対象のモデルに対してn+1回目の訓練を行うステップS130と、を含む。
nがN未満であるか否かを判定するステップS100を含み、Nは前記訓練対象のモデルの最大訓練回数である。
nがN未満である場合、訓練対象のモデルが訓練対象のモデルから出力された第n+1注釈情報を取得するステップを含んでもよい。
テストセットを利用して前記訓練対象のモデルのテストを行い、テスト結果により、前記訓練対象のモデルによるテストセットのテストデータに対する注釈結果の精度が特定の値に達すると表明する場合、前記訓練対象のモデルの訓練を停止し、そうでない場合、前記ステップS110に進んで次回の訓練に進むことを含んでもよい。このとき、前記テストセットは、正確に注釈されたデータセットであってもよい。したがって、訓練対象のモデルの各回の訓練結果を測定して、訓練対象のモデルの訓練を停止するか否かを判定することに用いることができる。
前記訓練データ及び前記訓練データの初期注釈情報を取得するステップS210と、
前記初期注釈情報に基づいて、前記第1注釈情報を生成するステップS220と、を含む。
前記ステップS220は、前記外接枠に基づいて、前記外接枠内に前記分割ターゲットの形状と一致する注釈輪郭を描画するステップを含んでもよい。
前記外接枠に基づいて、重なり部分を有する2つの前記分割ターゲットの分割境界を生成するステップをさらに含む。
前記細胞イメージの細胞境界(前記内接楕円に対応する)、
重なる細胞イメージ間の分割境界の少なくとも1つを含む。
n(nは1以上の整数である)回訓練された訓練対象のモデルから出力された第n+1注釈情報を取得するように構成される注釈モジュール110と、
前記訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成するように構成される第1生成モジュール120と、
前記第n+1訓練サンプルによって前記訓練対象のモデルに対してn+1回目の訓練を行うように構成される訓練モジュール130と、を備える。
nがN未満であるか否かを判定するように構成される判定モジュールを備え、Nは前記訓練対象のモデルの最大訓練回数であり、
前記注釈モジュール110は、nがN未満である場合、訓練対象のモデルが前記訓練対象のモデルから出力された第n+1注釈情報を取得するように構成される。
前記訓練データ及び前記訓練データの初期注釈情報を取得するように構成される取得モジュールと、
前記初期注釈情報に基づいて、前記第1注釈情報を生成するように構成される第2生成モジュールと、を備える。
前記初期注釈情報に基づいて、前記第1注釈情報を生成する前記ステップは、
前記外接枠に基づいて、前記外接枠内に前記分割ターゲットの形状と一致する注釈輪郭を描画するステップを含む。
本例は深層学習モデルの自己学習型の弱教師学習方法を提供する。
1つの分割モデルを訓練する。
情報を記憶するように構成されるメモリと、
前記メモリに接続され、前記メモリに記憶されたコンピュータ実行可能命令を実行することによって、前述1つ又は複数の技術案に係る深層学習モデルの訓練方法、例えば、図1~図3に示された方法の1つ又は複数を実現できるように構成されるプロセッサと、を備える。
Claims (10)
- 深層学習モデルの訓練方法であって、
n(nは1以上の整数である)回訓練された訓練対象のモデルから出力された第n+1注釈情報を取得するステップと、
訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成するステップと、
前記第n+1訓練サンプルによって前記訓練対象のモデルに対してn+1回目の訓練を行うステップと、を含み、
前記訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成する前記ステップは、
前記訓練データ、前記第n+1注釈情報、及び第1訓練サンプルに基づいて第n+1訓練サンプルを生成するステップ、
又は、
前記訓練データ、前記第n+1注釈情報、及び第n訓練サンプルに基づいて第n+1訓練サンプルを生成するステップであって、前記第n訓練サンプルは、前記訓練データと第1注釈情報から構成される第1訓練サンプル、及び最初のn-1回の訓練で得られた注釈情報と前記訓練サンプルからそれぞれ構成される第2訓練サンプル~第n-1訓練サンプルを含む、ステップを含む、深層学習モデルの訓練方法。 - 前記方法は更に、
nがN未満であるか否かを判定するステップを含み、Nは前記訓練対象のモデルの最大訓練回数であり、
前記訓練対象のモデルから出力された第n+1注釈情報を取得する前記ステップは、
nがN未満である場合、前記訓練対象のモデルから出力された第n+1注釈情報を取得するステップを含む、請求項1に記載の方法。 - 前記方法は更に、
前記訓練データ及び前記訓練データの初期注釈情報を取得するステップと、
前記初期注釈情報に基づいて、前記第1注釈情報を生成するステップと、を含む、請求項1に記載の方法。 - 前記訓練データ及び前記訓練データの初期注釈情報を取得する前記ステップは、
複数の分割ターゲットが含まれている訓練画像及び前記分割ターゲットの外接枠を取得するステップを含み、
前記初期注釈情報に基づいて、前記第1注釈情報を生成する前記ステップは、
前記外接枠に基づいて、前記外接枠内に前記分割ターゲットの形状と一致する注釈輪郭を描画するステップを含む、請求項3に記載の方法。 - 前記初期注釈情報に基づいて、前記第1注釈情報を生成する前記ステップは、
前記外接枠に基づいて、重なり部分を有する2つの前記分割ターゲットの分割境界を生成するステップをさらに含む、請求項4に記載の方法。 - 前記外接枠に基づいて、前記外接枠内に前記分割ターゲットの形状と一致する注釈輪郭を描画する前記ステップは、
前記外接枠に基づいて、前記外接枠内に細胞形状と一致する前記外接枠の内接楕円を描画するステップを含む、請求項4に記載の方法。 - 深層学習モデルの訓練装置であって、
n(nは1以上の整数である)回訓練された訓練対象のモデルから出力された第n+1注釈情報を取得するように構成される注釈モジュールと、
訓練データ及び前記第n+1注釈情報に基づいて第n+1訓練サンプルを生成するように構成される第1生成モジュールと、
前記第n+1訓練サンプルによって前記訓練対象のモデルに対してn+1回目の訓練を行うように構成される訓練モジュールと、を備え、
前記第1生成モジュールは、前記訓練データ、前記第n+1注釈情報、及び第1訓練サンプルに基づいて第n+1訓練サンプルを生成し、又は、前記訓練データ、前記第n+1注釈情報、及び第n訓練サンプルに基づいて第n+1訓練サンプルを生成するように構成され、前記第n訓練サンプルは、前記訓練データと第1注釈情報から構成される第1訓練サンプル、及び最初のn-1回の訓練で得られた注釈情報と前記訓練サンプルからそれぞれ構成される第2訓練サンプル~第n-1訓練サンプルを含む、深層学習モデルの訓練装置。 - コンピュータに、請求項1~6のいずれか1項に記載の方法を実行させるためのコンピュータ実行可能な命令を記憶した、コンピュータ可読記憶媒体。
- 電子機器であって、
メモリと、
前記メモリに接続され、前記メモリに記憶されたコンピュータ実行可能命令を実行することによって前記請求項1~6のいずれか1項に記載の方法を実施するように構成されるプロセッサと、を備える、電子機器。 - コンピュータに、前記請求項1~6のいずれか1項に記載の方法を実行させる、コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646430.5 | 2018-12-29 | ||
CN201811646430.5A CN109740752B (zh) | 2018-12-29 | 2018-12-29 | 深度模型训练方法及装置、电子设备及存储介质 |
PCT/CN2019/114493 WO2020134532A1 (zh) | 2018-12-29 | 2019-10-30 | 深度模型训练方法及装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021533505A JP2021533505A (ja) | 2021-12-02 |
JP7158563B2 true JP7158563B2 (ja) | 2022-10-21 |
Family
ID=66362804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021507067A Active JP7158563B2 (ja) | 2018-12-29 | 2019-10-30 | 深層モデルの訓練方法及びその装置、電子機器並びに記憶媒体 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210118140A1 (ja) |
JP (1) | JP7158563B2 (ja) |
KR (1) | KR20210028716A (ja) |
CN (1) | CN109740752B (ja) |
SG (1) | SG11202100043SA (ja) |
TW (1) | TW202026958A (ja) |
WO (1) | WO2020134532A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740752B (zh) * | 2018-12-29 | 2022-01-04 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
CN110399927B (zh) * | 2019-07-26 | 2022-02-01 | 玖壹叁陆零医学科技南京有限公司 | 识别模型训练方法、目标识别方法及装置 |
CN110909688B (zh) * | 2019-11-26 | 2020-07-28 | 南京甄视智能科技有限公司 | 人脸检测小模型优化训练方法、人脸检测方法及计算机系统 |
CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
CN113487575B (zh) * | 2021-07-13 | 2024-01-16 | 中国信息通信研究院 | 用于训练医学影像检测模型的方法及装置、设备、可读存储介质 |
CN113947771B (zh) * | 2021-10-15 | 2023-06-27 | 北京百度网讯科技有限公司 | 图像识别方法、装置、设备、存储介质以及程序产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015114172A (ja) | 2013-12-10 | 2015-06-22 | オリンパスソフトウェアテクノロジー株式会社 | 画像処理装置、顕微鏡システム、画像処理方法、及び画像処理プログラム |
WO2018213205A1 (en) | 2017-05-14 | 2018-11-22 | Digital Reasoning Systems, Inc. | Systems and methods for rapidly building, managing, and sharing machine learning models |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074034B (zh) * | 2011-01-06 | 2013-11-06 | 西安电子科技大学 | 多模型人体运动跟踪方法 |
CN102184541B (zh) * | 2011-05-04 | 2012-09-05 | 西安电子科技大学 | 多目标优化人体运动跟踪方法 |
CN102622766A (zh) * | 2012-03-01 | 2012-08-01 | 西安电子科技大学 | 多目标优化的多镜头人体运动跟踪方法 |
CN106250874B (zh) * | 2016-08-16 | 2019-04-30 | 东方网力科技股份有限公司 | 一种服饰及随身物品的识别方法和装置 |
KR20180044739A (ko) * | 2016-10-24 | 2018-05-03 | 삼성에스디에스 주식회사 | 딥 러닝을 이용한 룰 생성방법 및 장치 |
US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
CN107169556A (zh) * | 2017-05-15 | 2017-09-15 | 电子科技大学 | 基于深度学习的干细胞自动计数方法 |
US20190102674A1 (en) * | 2017-09-29 | 2019-04-04 | Here Global B.V. | Method, apparatus, and system for selecting training observations for machine learning models |
US10997727B2 (en) * | 2017-11-07 | 2021-05-04 | Align Technology, Inc. | Deep learning for tooth detection and evaluation |
CN108764372B (zh) * | 2018-06-08 | 2019-07-16 | Oppo广东移动通信有限公司 | 数据集的构建方法和装置、移动终端、可读存储介质 |
CN109066861A (zh) * | 2018-08-20 | 2018-12-21 | 四川超影科技有限公司 | 基于机器视觉的智能巡检机器人自动充电控制方法 |
CN109740752B (zh) * | 2018-12-29 | 2022-01-04 | 北京市商汤科技开发有限公司 | 深度模型训练方法及装置、电子设备及存储介质 |
-
2018
- 2018-12-29 CN CN201811646430.5A patent/CN109740752B/zh active Active
-
2019
- 2019-10-30 JP JP2021507067A patent/JP7158563B2/ja active Active
- 2019-10-30 SG SG11202100043SA patent/SG11202100043SA/en unknown
- 2019-10-30 WO PCT/CN2019/114493 patent/WO2020134532A1/zh active Application Filing
- 2019-10-30 KR KR1020217004148A patent/KR20210028716A/ko active Search and Examination
- 2019-11-29 TW TW108143792A patent/TW202026958A/zh unknown
-
2020
- 2020-12-29 US US17/136,072 patent/US20210118140A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015114172A (ja) | 2013-12-10 | 2015-06-22 | オリンパスソフトウェアテクノロジー株式会社 | 画像処理装置、顕微鏡システム、画像処理方法、及び画像処理プログラム |
WO2018213205A1 (en) | 2017-05-14 | 2018-11-22 | Digital Reasoning Systems, Inc. | Systems and methods for rapidly building, managing, and sharing machine learning models |
Also Published As
Publication number | Publication date |
---|---|
JP2021533505A (ja) | 2021-12-02 |
US20210118140A1 (en) | 2021-04-22 |
CN109740752A (zh) | 2019-05-10 |
CN109740752B (zh) | 2022-01-04 |
SG11202100043SA (en) | 2021-02-25 |
TW202026958A (zh) | 2020-07-16 |
WO2020134532A1 (zh) | 2020-07-02 |
KR20210028716A (ko) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7158563B2 (ja) | 深層モデルの訓練方法及びその装置、電子機器並びに記憶媒体 | |
JP7110493B2 (ja) | 深層モデルの訓練方法及びその装置、電子機器並びに記憶媒体 | |
US11842487B2 (en) | Detection model training method and apparatus, computer device and storage medium | |
US11670071B2 (en) | Fine-grained image recognition | |
CN111476284B (zh) | 图像识别模型训练及图像识别方法、装置、电子设备 | |
WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
Wang et al. | Joint object and part segmentation using deep learned potentials | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
WO2020125495A1 (zh) | 一种全景分割方法、装置及设备 | |
US20210383231A1 (en) | Target cross-domain detection and understanding method, system and equipment and storage medium | |
WO2020119527A1 (zh) | 人体动作识别方法、装置、终端设备及存储介质 | |
CN110796031A (zh) | 基于人工智能的表格识别方法、装置及电子设备 | |
US20200082250A1 (en) | Method and device for optimizing simulation data, and computer-readable storage medium | |
CN111798480A (zh) | 基于单字符及文字间连接关系预测的文字检测方法及装置 | |
WO2022227218A1 (zh) | 药名识别方法、装置、计算机设备和存储介质 | |
CN109934229A (zh) | 图像处理方法、装置、介质和计算设备 | |
CN115862045B (zh) | 基于图文识别技术的病例自动识别方法、系统、设备及存储介质 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN110852102B (zh) | 一种中文的词性标注方法、装置、存储介质及电子设备 | |
CN111797737A (zh) | 遥感目标检测方法及装置 | |
CN114912502B (zh) | 一种基于表情与语音的双模态深度半监督情感分类方法 | |
CN110196981B (zh) | 文本表示方法、装置、设备和存储介质 | |
Alzubaidi et al. | FetSAM: Advanced Segmentation Techniques for Fetal Head Biometrics in Ultrasound Imagery | |
CN116186315A (zh) | 视觉问答方法、装置、电子设备及存储介质 | |
CN117830764A (zh) | 识别模型的训练方法、装置、设备、存储介质及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210209 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220329 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220602 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220927 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221011 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7158563 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |