TWI772700B - 影像辨識系統及其更新方法 - Google Patents

影像辨識系統及其更新方法 Download PDF

Info

Publication number
TWI772700B
TWI772700B TW108139058A TW108139058A TWI772700B TW I772700 B TWI772700 B TW I772700B TW 108139058 A TW108139058 A TW 108139058A TW 108139058 A TW108139058 A TW 108139058A TW I772700 B TWI772700 B TW I772700B
Authority
TW
Taiwan
Prior art keywords
local
image
cloud
server
model
Prior art date
Application number
TW108139058A
Other languages
English (en)
Other versions
TW202117594A (zh
Inventor
陳彥宏
Original Assignee
財團法人資訊工業策進會
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 財團法人資訊工業策進會 filed Critical 財團法人資訊工業策進會
Priority to TW108139058A priority Critical patent/TWI772700B/zh
Priority to US16/698,939 priority patent/US11393181B2/en
Priority to CN202010330998.7A priority patent/CN112749727A/zh
Publication of TW202117594A publication Critical patent/TW202117594A/zh
Application granted granted Critical
Publication of TWI772700B publication Critical patent/TWI772700B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Of Coins (AREA)

Abstract

影像辨識系統包含儲存雲端辨識模型的雲端伺服器與儲存本地辨識模型的本地伺服器，本地伺服器透過本地辨識模型辨識一影像，以產生本地辨識結果。該影像對應至一場域，並包含至少一物件，且本地辨識結果包含各物件分別對應至複數類別的本地類別信心分數。本地伺服器針對各物件，根據該場域以及對應的複數本地類別信心分數計算本地亂度指標。本地伺服器根據該影像的本地亂度指標，決定傳送該影像至該雲端伺服器。雲端伺服器透過該雲端辨識模型辨識該影像，以產生雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型。

Description

影像辨識系統及其更新方法
本發明的實施例是關於一種影像辨識系統及其更新方法。更具體而言，本發明的實施例是關於具有包含雲端伺服器與本地伺服器之架構的影像辨識系統及其更新方法。
在人工智慧(AI)之影像辨識的技術領域中，物件辨識(Object recognition)係指當接收一影像，透過已預先訓練的影像辨識模型來偵測出該影像中的物件以及每一個物件分別對應的類別。
在進行上述物件辨識時，一影像所對應的場域往往會影響在該影像中出現的物件種類。以交通相關物件之辨識為例，若一攝影機取得的影像對應場域為「工業區的車道」，則該些影像較容易出現為屬於類別為「卡車」之物件，若另一攝影機所取得的影像之對應場域為「公路」，則該些影像較容易出現為屬於類別為「轎車」或「機車」之物件，而若又一攝影機取得的影像之對應場域為「人行道」，則該些影像較容易出現為屬於類別為「行人」之物件。
在現行的影像辨識技術中，僅採用一般預先訓練的影像辨識模型來辨識各種不同場域的影像。例如，一影像辨識模型被訓練完成後，直接被應用以辨識多種場域的影像。在此情況下，因不同場域的影像具有不同 的特性(例如：影像中常出現的物件類別，或影像的背景特徵、雜訊特徵)，故辨識效果或精準度不一。某些場域的影像會不利於該影像辨識模型的辨識(例如：場域為「天橋下」之影像普遍亮度較低，或場域為「馬路口」之影像的光線變化大)，使得該影像辨識模型在辨識該些場域的影像時無法產生高可靠性的辨識結果。
因此，針對不同的場域特性來進行影像辨識模型的訓練與更新，使得更新後的影像辨識模型能夠針對該場域的影像獲得更精準之辨識結果，將是一項亟需被解決的問題。
為了解決至少上述的問題，本發明的實施例提供了一種影像辨識系統。影像辨識系統可包含互相電性連接的一雲端伺服器以及一本地伺服器。該雲端伺服器可用以儲存一雲端辨識模型，該本地伺服器可用以儲存一本地辨識模型。該本地伺服器可透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數。該本地伺服器可針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標。該本地伺服器還可根據該影像的該至少一本地亂度指標，決定傳送該影像至該雲端伺服器。該雲端伺服器可在接收該影像後，透過該雲端辨識模型辨識該影像，以產生一雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型。
為了解決至少上述的問題，本發明的實施例還提供了一種影像辨識系統更新方法。該影像辨識系統更新方法可適用於一影像辨識系統， 該影像辨識系統可包含互相電性連接之一雲端伺服器與一本地伺服器。該雲端伺服器可儲存一雲端辨識模型，該本地伺服器可儲存一本地辨識模型。該影像辨識系統更新方法可包含以下步驟：由該本地伺服器，透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數；由該本地伺服器，針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標；由該本地伺服器，根據該影像的該至少一本地亂度指標，決定傳送該影像至該雲端伺服器；以及由該雲端伺服器，透過該雲端辨識模型辨識該影像，以產生一雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型。
為了解決至少上述的問題，本發明的實施例還提供了一種本地伺服器。該本地伺服器可包含互相電性連接的一儲存器與一處理器。該儲存器可用以儲存一本地辨識模型。該處理器可用以透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數。該處理器可用以針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標。該處理器還可用以根據該影像的該至少一本地亂度指標，決定傳送該影像至一雲端伺服器，使得該雲端伺服器根據該影像更新該本地辨識模型。
在本發明的實施例中，計算本地亂度指標時同時考量該影像 的場域資訊以及本地類別信心分數，也就是，除了可針對本地類別信心分數來決定影像是否應傳送給雲端伺服器之外，還可以根據場域特性來選擇影像是否要傳送給雲端伺服器，以進行後續本地辨識模型之重新訓練。舉例而言，此可加強辨識特定場域中常出現的特定類別，或可避免該影像中在該場域常出現的某些雜訊降低辨識精準度。
因為該影像的選擇時已考慮其場域資訊以及本地類別信心分數，故在該雲端伺服器在接收該影像，針對該影像透過該雲端辨識模型辨識該影像，以產生一雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型之後，可使更新後的本地辨識模型能夠針對該場域的影像獲得更精準之辨識結果。
除此之外，本發明的實施例因根據計算的該本地亂度指標來決定是否傳送影像至雲端伺服器，亦可達成篩選用以重新訓練本地辨識模型的影像之自動化，也就是說，本發明可自動決定如何更新該本地辨識模型，以使更新後的本地辨識模型能夠針對該場域的影像獲得更精準之辨識結果。
以上內容並非為了限制本發明，而只是概括地敘述了本發明可解決的技術問題、可採用的技術手段以及可達到的技術功效，以讓本發明所屬技術領域中具有通常知識者初步地瞭解本發明。根據檢附的圖式及以下的實施方式所記載的內容，本發明所屬技術領域中具有通常知識者便可進一步瞭解本發明的各種實施例的細節。
如下所示：
1:影像辨識系統
11:雲端伺服器
111:處理器
113:儲存器
115:介面
13、13a、13b:本地伺服器
131:處理器
133:儲存器
135:介面
137:攝影機
21:專家系統
IM、IMa、IMb:影像
M1:本地辨識模型
M2:鏡像辨識模型
M3:雲端辨識模型
2:流程
201~208:動作
C1、C2:物件
3:流程
301~306:動作
4:影像辨識系統更新方法
401、403、405、407:步驟
第1圖例示了根據某些實施例之影像辨識系統的示意圖。
第2A圖至第2B圖例示了根據某些實施例之影像辨識系統如何進行更新的示意圖。
第3圖例示了根據某些實施例之影像辨識系統如何進行更新系統的示意圖。
第4圖例示了根據某些實施例第1圖中的影像辨識系統更新方法的示意圖。
以下將透過多個實施例來說明本發明，惟這些實施例並非用以限制本發明只能根據所述操作、環境、應用、結構、流程或步驟來實施。與本發明非直接相關的元件並未繪示於圖式中，但可隱含於圖式中。於圖式中，各元件(element)的尺寸以及各元件之間的比例僅是範例，而非用以限制本發明。除了特別說明之外，在以下內容中，相同(或相近)的元件符號可對應至相同(或相近)的元件。在可被實現的情況下，如未特別說明，以下所述的每一個元件的數量可以是一個或多個。
本揭露使用之用語僅用於描述實施例，並不意圖限制本發明。除非上下文另有明確說明，否則單數形式「一」也旨在包括複數形式。「包括」、「包含」等用語指示所述特徵、整數、步驟、操作、元素及/或元件的存在，但並不排除一或多個其他特徵、整數、步驟、操作、元素、元件及/或前述之組合之存在。用語「及/或」包含一或多個相關所列項目的任何及所有的組合。
第1圖例示了根據某些實施例之影像辨識系統的示意圖。第1圖所示內容僅是為了舉例說明本發明的實施例，而非為了限制本發明。參 照第1圖，影像辨識系統1基本上可包含互相電性連接之一雲端伺服器11與至少一本地伺服器13。雲端伺服器11基本上可包含互相電性連接(直接電性連接或間接電性連接)之一處理器111、一儲存器113、以及一介面115。本地伺服器13亦可稱為邊緣端(edge end)伺服器，其基本上可包含互相電性連接(直接電性連接或間接電性連接)之一處理器131、一儲存器133、一介面135。
雲端伺服器11的處理器111與本地伺服器13的處理器131各自可以是各種具備訊號處理功能的微處理器(microprocessor)或微控制器(microcontroller)。微處理器或微控制器是一種可程式化的特殊積體電路，其具有運算、儲存、輸出/輸入等能力，且可接受並處理各種編碼指令，藉以進行各種邏輯運算與算術運算，並輸出相應的運算結果。處理器111可被編程以解釋各種指令，以處理雲端伺服器11中的資料並執行各種運算或程式。處理器131可被編程以解釋各種指令，以處理本地伺服器13中的資料並執行各種運算或程式。
雲端伺服器11的儲存器113與本地伺服器13的儲存器133可以各包含一般計算機裝置/電腦內所具備的各種儲存單元。儲存器113與儲存器133可包含第一級記憶體(又稱主記憶體或內部記憶體)，通常簡稱為記憶體，這層的記憶體與中央處理單元直接連通。中央處理單元可讀取儲存在記憶體的指令集，並在需要時執行這些指令集。儲存器113與儲存器133還可以各包含第二級記憶體(又稱外部記憶體或輔助記憶體)，且第二級記憶體和中央處理器並沒有直接連通，而是透過記憶體的I/O通道來與之連接，並使用資料緩衝器來將資料傳送至第一級記憶體。在不供應電源的情況下，第 二級記憶體的資料仍然不會消失(即非揮發性)。第二級記憶體可例如是各種類型的硬碟、光碟等。儲存器113與儲存器133亦可各包含第三級儲存裝置，亦即，可直接插入或自電腦拔除的儲存裝置，例如隨身碟。雲端伺服器11的儲存器113可用以儲存雲端辨識模型M3以及鏡像辨識模型M2，處理器111可執行雲端辨識模型M3以及鏡像辨識模型M2以進行各種影像辨識程序。本地伺服器13的儲存器133可用以儲存一預先訓練的本地辨識模型M1，處理器131可執行本地辨識模型M1以進行各種影像辨識程序。
一般而言，在影像辨識系統1中，雲端伺服器11的處理器111可具有較高的計算能力，而其儲存器113可具有較高的儲存能力，而本地伺服器13通常為了降低成本，僅設有基本的運算能力及儲存能力。因此，相較於本地伺服器13，雲端伺服器11可儲存較多或較佔記憶體的模型，且可進行更複雜或更大量之運算。舉例而言，雲端伺服器11除了可儲存較佔記憶體的雲端辨識模型M3，也可針對每一個本地伺服器13各儲存一個鏡像辨識模型M2，且雲端伺服器11除了具備執行上述辨識模型的能力，亦具備訓練或更新上述各種模型的能力。相對地，本地伺服器13通常僅執行已預先訓練的本地辨識模型M1以辨識影像，以及進行複雜度較低的各種運算。以上僅為說明本發明，並非限制。
雲端伺服器11的介面115與本地伺服器13的介面135可以各包含各種通訊界面，例如但不限於：一乙太(Ethernet)通訊介面、一互聯網(Internet)通訊介面等等，以互相連接，或與其他裝置或系統(例如：專家系統21)連接，以互相傳遞各種訊息、資料或指令。介面115與介面135也可以各包含一般計算機裝置/電腦內所具備的各種輸入/輸出元件，用以 接收來自外部的資料以及輸出資料至外部。介面115與介面135可以各包含例如但不限於：滑鼠、軌跡球、觸控板、鍵盤、掃描器、麥克風、使用者介面、螢幕、觸控式螢幕、投影機等等。於某些實施例中，介面115與介面135可以各包含一人機介面(例如，一圖形化使用者介面)，以利於使用者分別與雲端伺服器11以及本地伺服器13進行互動。
在某些實施例中，本地伺服器13還可包含一攝影機137，且攝影機137可電性連接(直接電性連接或間接電性連接)至處理器131。在某些實施例中，攝影機137也可以具備一有線連接器及/或一無線連接器，以經由有線或者無線的方式與本地伺服器13連接。攝影機137可以是各種具有動態擷取影像及/或靜態擷取影像的功能的裝置，例如但不限於：數位相機、錄影機、或各種具有攝影功能的行動裝置等。攝影機137可用以擷取影像IM。
在某些實施例中，總體來說，本地伺服器13可接收影像IM，而其處理器131可透過本地辨識模型M1來辨識影像IM，並決定是否將影像IM傳送至雲端伺服器11，以使雲端伺服器11根據影像IM來更新本地辨識模型。接下來，將透過第2A圖與第2B圖來說明本地伺服器13與雲端伺服器11如何執行上述運作。
第2A圖與第2B圖例示了根據某些實施例之影像辨識系統1如何決定針對本地辨識模型M1進行更新的流程2的示意圖。第2A圖與第2B圖所示內容僅是為了舉例說明本發明的實施例，而非為了限制本發明。
參照第1圖與第2A圖，本地伺服器13可接收影像IM(標示為動作201)。須說明，在某些實施例中，如第1圖所示，本地伺服器13內部具 備攝影機137，且本地伺服器13可經由攝影機137來擷取欲辨識的影像IM。在某些其他實施例中，本地伺服器13本身不具備攝影機，則可透過介面135接收其他外部攝影設備所擷取的影像，或由其他各種外部電子裝置或使用者所提供的影像，以進行影像辨識。
本地伺服器13所接收的每個影像IM會對應一個場域。可選擇地，在本地伺服器13接收影像IM之後，本地伺服器13可根據影像IM之至少一影像資訊決定影像IM所對應的一場域(標示為動作202)，舉例而言，本地伺服器13可以根據影像IM之GPS定位資訊、IP位置資訊、或使用者提供的場域資料來決定影像IM的場域，本地伺服器13也可執行各種影像辨識演算法來針對影像IM中的特徵來進行場域的辨識。
在本地伺服器13接收影像IM之後，可透過本地辨識模型M1辨識影像IM，以產生本地辨識結果(標示為動作203)。詳言之，本地伺服器13可將影像IM輸入本地辨識模型M1，以產生影像IM的類別本地辨識結果。該本地辨識結果可包含影像IM中出現至少一物件分別對應至複數類別的一本地類別信心分數。
在某些實施例中，本地辨識模型M1是預先訓練好並儲存於本地伺服器13中。須說明，本地辨識模型M1可以是現今各種具有影像辨識功能的演算法或程式，例如但不限於：you only live once(yolo)模型、基於Mobilenet架構的Single Shot Multibox Detector(SSD)模型。本地辨識模型M1具有能力以產生所偵測的影像中物件的類別辨識結果，也就是為各個偵測到的物件產生對應複數類別的本地類別信心分數。本地類別信心分數可為介於零與一之間的數值，而物件對應某類別的本地類別信心分數之數 值越高，代表該物件屬於該類別的信心水準越高。
以下之說明茲假設預先訓練的本地辨識模型M1可辨識的物件的類別包含三種：「汽車」、「大型車」、「行人」。也就是，本地辨識模型M1可以為偵測到的每一個物件產生分別對應該三種類別的本地類別信心分數。接著參考第2B圖所提供的示例，假設影像IM對應到的場域為「公車道」，且其實際上包含了物件C1與物件C2。在這個情況下，本地伺服器13將影像IM輸入本地辨識模型M1後，本地辨識模型M1可偵測出該二個物件，且產生物件C1與物件C2分別對應至三種類別(「汽車」、「大型車」、「行人」)的本地類別信心分數如下。
Figure 108139058-A0305-02-0012-1
 如表一所示，物件C1屬於類別「汽車」之本地類別信心分數為「0.92」，屬於類別「大型車」之本地類別信心分數為「0.07」而屬於類別「行人」之本地類別信心分數為「0.01」。物件C2屬於類別「汽車」之本地類別信心分數為「0.8」，屬於類別「大型車」之本地類別信心分數為「0.15」，而屬於類別「行人」之本地類別信心分數為「0.05」。
須說明，第2A圖中的動作202與動作203之順序並非限制。在某些實施例中，可以僅實施動作203，在某些實施例中，可以先執行動作202， 在某些實施例中，可以先執行動作203，又在某些實施例中，可以同時執行動作202與動作203。
接著，本地伺服器13可針對影像IM中的各該至少一物件，根據對應的場域以及對應的該複數本地類別信心分數計算影像IM的本地亂度指標(標示為動作204)。影像IM的至少一本地亂度指標可作為本地伺服器13決定是否傳送影像IM至雲端伺服器11的參考指標。一般而言，當影像IM的某物件對應的本地亂度指標越高，可代表本地辨識模型M1針對該物件的辨識結果越不精準(例如，本地類別信心分數較低)，故需將影像IM傳送至雲端伺服器11以進行更精準的辨識，並據此更新本地辨識模型M1。
首先，基於該場域，各該複數類別對應至一場域類別參數。舉例而言，本實施例的三種類別依據不同場域所對應的場域類別參數可以被預設為下：
Figure 108139058-A0305-02-0013-2
 參考表二所示的對應表，因影像IM對應的場域為「公車道」，故類別「汽車」、「大型車」、「行人」分別對應的場域類別參數就是「2」、「4」、「4」。在某些實施例中，各類別對應的場域類別參數可以根據不同的需求而設定，舉例而 言，若使用者期望在場域「公車道」中加強針對類別「汽車」與「行人」之辨識，可以為類別「汽車」與「行人」設定較高的場域類別參數。
接著，本地伺服器13可針對每一個物件，執行以下運作，以計算出一個本地亂度指標：針對各該複數類別，計算相應的該場域類別參數、該本地類別信心分數、以及該本地類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該本地亂度指標。上述運作可以被表示為以下式子：S L =-Σi k i P L_i log P L_i (式一)詳言之，根據式一，本地伺服器13為影像IM中的每一個物件計算出一個本地亂度指標SL。其中，i為類別的編號，ki為類別i所對應的場域類別參數，PL_i為該物件針對類別i所對應的本地類別信心分數。在此，類別「汽車」的類別編號i為「1」，類別「大型車」的類別編號i為「2」，類別「行人」的類別編號i為「3」。
在本實施例中，本地伺服器13先計算物件C1的本地亂度指標SL為：
Figure 108139058-A0305-02-0014-8
 接著，本地伺服器13計算出物件C2的本地亂度指標SL為：
Figure 108139058-A0305-02-0014-9
分別完成物件C1與物件C2的本地亂度指標SL之計算後，本地伺服器13可根據影像IM的上述本地亂度指標，決定是否傳送影像IM至雲端伺服器11(標示為動作205)。在某些實施例中，本地伺服器13可以判斷是 否上述本地亂度指標的任一個大於一第一門檻值，若有任一個大於第一門檻值，則決定執行動作206，也就是傳送影像IM至雲端伺服器11。第一門檻值可以是各種數值，在本實施例中，第一門檻值被設定為「0.5」。因物件C2的本地亂度指標SL「0.9096」大於第一門檻值「0.5」，符合「任一個物件的本地亂度指標SL大於該第一門檻值」的條件，所以本地伺服器13決定將影像IM傳送至雲端伺服器11。在其他實施例中，本地伺服器13可以根據其他條件來決定是否要執行動作206。
在某些實施例中，若本地伺服器13判斷未符合上述條件，則可以直接結束程序2。此時，本地伺服器13亦可直接儲存該本地辨識結果至儲存器133，或是透過介面135輸出該本地辨識結果。
若本地伺服器13決定要執行動作206，則雲端伺服器11接收影像IM後，可透過雲端辨識模型M3辨識影像IM，以產生一雲端辨識結果(標示為動作207)。在某些實施例中，雲端辨識模型M3可以是預先訓練好並儲存於雲端伺服器11中，也可以是由雲端伺服器11的處理器111自行訓練而產生。須說明，雲端辨識模型M3可以是現今各種具有影像辨識功能的演算法或程式，例如但不限於：Regions with CNN(R-CNN)模型、RetinaNet模型等。雲端辨識模型M3具有能力以產生所偵測的影像IM中物件的類別辨識結果。相似於本地辨識模型M1，雲端辨識模型M3也可為各個偵測到的物件產生對應複數類別的雲端類別信心分數，雲端類別信心分數也可為介於零與一之間的數值，而物件對應某類別的雲端類別信心分數之數值越高，代表該物件屬於該類別的信心水準越高。不同的是，雲端辨識模型M3針對影像IM所產生的辨識結果的精確度通常高於本地辨識模型M1，因此，雲端辨識模 型M3所產生的辨識結果，可以被作為更新本地辨識模型M1的基礎。
類似的，雲端辨識模型M3可辨識的物件的類別也包含三種：「汽車」、「大型車」、「行人」。也就是，雲端辨識模型M3也可以為偵測到的每一個物件產生分別對應該三種類別的雲端類別信心分數。在這個情況下，雲端伺服器11將影像IM輸入雲端辨識模型M3後，雲端辨識模型M3可偵測出該二個物件，且產生物件C1與物件C2分別對應至三種類別(「汽車」、「大型車」、「行人」)的雲端類別信心分數如下。
Figure 108139058-A0305-02-0016-3
如表三所示，物件C1屬於類別「汽車」之雲端類別信心分數為「0.95」，屬於類別「大型車」之雲端類別信心分數為「0.05」而屬於類別「行人」之雲端類別信心分數為「0.05」。物件C2屬於類別「汽車」之雲端類別信心分數為「0.97」，屬於類別「大型車」之雲端類別信心分數為「0.02」，而屬於類別「行人」之雲端類別信心分數為「0.01」。
接著，雲端伺服器11可根據上述雲端辨識結果更新該本地辨識模型(標示為動作208)。詳言之，在動作208中，雲端伺服器11的儲存器113可儲存與本地辨識模型M1相同的一鏡像辨識模型M2。且雲端伺服器11可根據該雲端辨識結果重新訓練以更新鏡像辨識模型M2，即，將該雲端辨 識結果標記至影像IM後，將重新標記過的影像IM作為訓練資料來重新訓練並更新鏡像辨識模型M2。接著，將更新後的鏡像辨識模型M2部署(deploy)至本地伺服器13，也就是，以更新後的鏡像辨識模型M2來取代本地伺服器13中的該本地辨識模型以更新本地辨識模型M1，並結束流程2。
在某些其他實施例中，可選擇地，當本地伺服器13在執行動作205時判斷上述條件被符合，還可選擇各種方式來獲得更精準的辨識結果(未繪示)，以使雲端伺服器11藉此更新本地辨識模型M1。舉例而言，本地伺服器13可將影像IM直接傳送至專家系統21或其他計算機裝置，以獲得其提供的專家辨識結果。在某些實施例中，專家系統21可以是各種計算機裝置，其可包含精準度高於本地辨識模型M1的一專家辨識模型(未繪示)，以自動產生專家辨識結果。在某些實施例中，專家系統21可以經由人員判斷以產生專家辨識結果。另舉例而言，本地伺服器13可直接透過介面135接收人員判斷影像IM的人員判斷結果。再舉例而言，本地伺服器13可傳送影像IM至雲端伺服器11，再由雲端伺服器11直接透過介面115接收由人員判斷影像IM的人員判斷結果。
如上所述，第2A圖例示了影像辨識系統1更新本地辨識模型M1的某些實施態樣，接下來，將透過第3圖來說明影像辨識系統1還更新雲端辨識模型M3的其他實施態樣。第3圖例示了根據某些實施例之影像辨識系統1如何針對本地辨識模型M1以及雲端辨識模型M3進行更新的流程3的示意圖。第3圖所示內容僅是為了舉例說明本發明的實施例，而非為了限制本發明。
參照第3圖，流程3可包含如流程2一樣的動作201~208，針對 流程3與流程2之相同的部分(即動作201~208)之實施細節，於此將不贅述。須說明，流程3與流程2之間的差異在於，流程3在完成動作207之後，可以選擇性地進一步執行動作301~306，以決定是否進一步更新雲端辨識模型M3。如第3圖所示，雲端伺服器11完成動作207之後(即，計算出上述雲端辨識結果之後)，可進一步針對影像IM中的各該至少一物件，根據對應的該複數雲端類別信心分數計算影像IM的雲端亂度指標(標示為動作301)。影像IM的至少一雲端亂度指標可作為雲端伺服器13決定是否傳送影像IM至專家系統21的參考指標。一般而言，當影像IM的某物件對應的雲端亂度指標越高，可代表雲端辨識模型M3針對該物件的辨識結果越不精準(例如，雲端類別信心分數較低)，故需將影像IM傳送至專家系統21以進行更精準的辨識，並據此更新雲端辨識模型M3。
在動作301中，雲端伺服器11可執行以下運作，以計算出該雲端亂度指標：針對各該複數類別，計算相應的該雲端類別信心分數以及該雲端類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該雲端亂度指標。上述運作可以被表示為以下式子：S C =-Σ i P C_i log P C_i (式二)詳言之，根據式二，雲端伺服器11為影像IM中的每一個物件計算出一個雲端亂度指標SC。其中，i為類別的編號，PC_i為該物件針對類別i所對應的雲端類別信心分數。在此，類似地，類別「汽車」的類別編號i為「1」，類別「大型車」的類別編號i為「2」，類別「行人」的類別編號i為「3」。
在本實施例中，雲端伺服器11先計算物件C1的雲端亂度指標SC為：
Figure 108139058-A0305-02-0019-10
 接著，雲端伺服器11計算出物件C2的雲端亂度指標SC為：
Figure 108139058-A0305-02-0019-11
分別完成物件C1與物件C2的雲端亂度指標SC之計算後，雲端伺服器11可根據影像IM的上述雲端亂度指標，決定是否傳送影像IM至一專家系統21(標示為動作302)。在某些實施例中，雲端伺服器11可以判斷是否上述雲端亂度指標的任一個大於一第二門檻值，若有任一個大於第二門檻值，則決定執行動作303，也就是傳送影像IM至該專家系統21。第二門檻值可以是各種數值，在本實施例中，第二門檻值被設定為「0.5」。因物件C1與物件C2的雲端亂度指標SC「0.1513」與「0.0668」皆未大於第二門檻值「0.5」，故不符合「任一個物件的雲端亂度指標SC大於該第二門檻值」的條件，所以雲端伺服器11決定將該些雲端辨識結果作為影像IM的辨識結果，且不將影像IM傳送至雲端伺服器11，而進入動作208。在其他實施例中，雲端伺服器11可以根據其他條件來決定是否要執行動作303。
若雲端伺服器11判斷上述條件被符合，則可執行動作303，傳送影像IM至專家系統21，由專家系統21來對影像IM進行辨識以產生一專家辨識結果(標示為動作304)，並將該專家辨識結果提供給雲端伺服器11(標示為動作305)。詳言之，在某些實施例中，專家系統21可以是各種計算機裝置，其可包含精準度高於雲端辨識模型M3的一專家辨識模型(未繪示)，以自動產生專家辨識結果。在某些實施例中，專家系統21可以經由人員判斷以產生專家辨識結果。又在某些實施例中，若雲端伺服器11判斷上述條件被 符合，也可直接透過介面115來接受人為判斷的專家辨識結果。
接著，雲端伺服器11可根據上述專家辨識結果更新雲端辨識模型M3以及本地辨識模型M1(標示為動作306)。詳言之，雲端伺服器11可根據該專家辨識結果重新訓練，以更新雲端辨識模型M3與鏡像辨識模型M2。詳言之，該專家辨識結果被標記至影像IM後，雲端伺服器11可將重新標記過的影像IM作為訓練資料來重新訓練雲端辨識模型M3，以更新雲端辨識模型M3以及鏡像辨識模型M2，且將更新後的鏡像辨識模型M2部署至本地伺服器13(也就是，用更新後的鏡像辨識模型M2取代本地伺服器13中現有的本地辨識模型)，以更新本地辨識模型M1，並結束流程3。
有關以上影像辨識系統1之運作，雲端伺服器11可以同時連接複數個本地伺服器13。舉例而言，如第1圖所示，雲端伺服器11可同時連接本地伺服器13a、13b、...，本地伺服器13a可用以接收影像IMa並決定是否要傳送影像IMa至雲端伺服器11，本地伺服器13b可用以接收影像IMb並決定是否要傳送影像IMa至雲端伺服器11，以此類推。須說明，本文透過雲端伺服器11與單個本地伺服器13之運作的情況來說明本發明之實施態樣。根據本文之說明，本發明所屬技術領域具有通常技術者可根據本文可知雲端伺服器11與多個本地伺服器13之運作。
須說明，關於一個本地伺服器13傳送影像IM至雲端伺服器11之情況，雲端伺服器11可以在一時間區間內接收本地伺服器13傳送的多個影像，分別辨識該些影像後，再使用產生的多個辨識結果一同更新本地辨識模型M1。另外，關於至少一個本地伺服器13傳送多個影像至雲端伺服器11之情況，在某些實施例中，雲端伺服器11可以在一時間區間內接收至少一 個本地伺服器13傳送的多個影像，再根據多個影像各自的雲端亂度指標SC來決定要使用其中的哪一些影像來更新雲端辨識模型M3。
須說明，本發明的實施例因根據計算的本地亂度指標來決定本地伺服器13是否要傳送影像至雲端伺服器11，以及根據計算的雲端亂度指標來決定雲端伺服器11是否要傳送影像IM至專家系統21，可達成自動化篩選用以重新訓練本地辨識模型以及雲端辨識模型的影像IM之功效，也就是說，本發明可自動決定如何更新本地辨識模型M1以及雲端辨識模型M3，以使更新後的本地辨識模型M1能夠針對該場域的影像IM獲得更精準之辨識結果，且使更新後的雲端辨識模型M3亦能夠針對各種影像IM獲得更精準之辨識結果。
第4圖例示了根據某些實施例第1圖中的影像辨識系統更新方法的示意圖。第4圖所示內容僅是為了舉例說明本發明的實施例，而非為了限制本發明。
參照第4圖，影像辨識系統更新方法4可適用於一影像辨識系統，該影像辨識系統可包含互相電性連接之一雲端伺服器與一本地伺服器，該雲端伺服器儲存一雲端辨識模型，該本地伺服器儲存一本地辨識模型，該影像辨識系統更新方法可包含以下步驟：由該本地伺服器，透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數(標示為步驟401)；由該本地伺服器，針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標(標示為步驟403)；由該本地伺服器，根據該影像的該至少一本 地亂度指標，決定傳送該影像至該雲端伺服器(標示為步驟405)；以及由該雲端伺服器，透過該雲端辨識模型辨識該影像，以產生一雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型(標示為步驟407)。
第4圖所示的步驟401~步驟407的順序並非限制。在影像辨識系統更新方法4仍可實施的情況下，第4圖所示的步驟401~步驟407的順序可以被調整。
在某些實施例中，該本地伺服器還用以透過一攝影機擷取該影像，且該影像辨識系統更新方法4還可包含以下步驟：由該本地伺服器，根據該影像之至少一影像資訊決定該影像所對應的該場域。
在某些實施例中，當該本地伺服器判斷該至少一本地亂度指標的任一個大於一第一門檻值，則可決定傳送該影像至該雲端伺服器。
在某些實施例中，基於該場域，各該複數類別可對應至一場域類別參數，且針對各該至少一物件，該本地伺服器可執行以下步驟以計算出該本地亂度指標：針對各該複數類別，計算相應的該場域類別參數、該本地類別信心分數、以及該本地類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該本地亂度指標。
如請求項9之影像辨識系統更新方法，在某些實施例中，該雲端伺服器還可儲存該本地辨識模型相同的一鏡像辨識模型，且該影像辨識系統更新方法還可包含以下步驟：由該雲端伺服器，使用該雲端辨識結果重新訓練該鏡像辨識模型，以更新該鏡像辨識模型，並將更新後的該鏡像辨識模型部署至該本地伺服器，以更新該本地辨識模型。
如請求項9之影像辨識系統更新方法，在某些實施例中，該 雲端辨識結果可包含各該至少一物件分別對應至該複數類別的一雲端類別信心分數，且該影像辨識系統更新方法還可包含以下步驟：由該雲端伺服器，針對各該至少一物件，根據對應的該複數雲端類別信心分數計算一雲端亂度指標；以及由該雲端伺服器，根據該影像的該至少一雲端亂度指標，決定傳送該影像至一專家系統，並根據該專家系統提供之一專家辨識結果更新該雲端辨識模型以及該本地辨識模型。
在某些實施例中，該雲端辨識結果可包含各該至少一物件分別對應至該複數類別的一雲端類別信心分數，且該影像辨識系統更新方法還可包含以下步驟：由該雲端伺服器，針對各該至少一物件，根據對應的該複數雲端類別信心分數計算一雲端亂度指標；以及由該雲端伺服器，根據該影像的該至少一雲端亂度指標，決定傳送該影像至一專家系統，並根據該專家系統提供之一專家辨識結果更新該雲端辨識模型以及該本地辨識模型。而且，當該雲端伺服器可判斷該至少一雲端亂度指標的任一個大於一第二門檻值，則決定傳送該影像至該專家系統。
在某些實施例中，該雲端辨識結果可包含各該至少一物件分別對應至該複數類別的一雲端類別信心分數，且該影像辨識系統更新方法還可包含以下步驟：由該雲端伺服器，針對各該至少一物件，根據對應的該複數雲端類別信心分數計算一雲端亂度指標；以及由該雲端伺服器，根據該影像的該至少一雲端亂度指標，決定傳送該影像至一專家系統，並根據該專家系統提供之一專家辨識結果更新該雲端辨識模型以及該本地辨識模型。而且，該雲端伺服器是執行以下步驟以計算出該雲端亂度指標：針對各該複數類別，計算相應的該雲端類別信心分數以及該雲端類別信心分數的對數 的一乘積，並計算該複數乘積之一總和之負值，以獲得該雲端亂度指標。
在某些實施例中，影像辨識系統更新方法4的上述全部步驟可以由影像辨識系統1來執行。除了上述步驟之外，影像辨識系統更新方法4還可以包含與影像辨識系統1的上述所有實施例相對應的其他步驟。因本發明所屬技術領域中具有通常知識者可根據上文針對影像辨識系統1的說明而瞭解這些其他步驟，於此不再贅述。
上述實施例只是舉例來說明本發明，而非為了限制本發明。任何針對上述實施例進行修飾、改變、調整、整合而產生的其他實施例，只要是本發明所屬技術領域中具有通常知識者不難思及的，都已涵蓋在本發明的保護範圍內。本發明的保護範圍以申請專利範圍為準。
11‧‧‧雲端伺服器
13‧‧‧本地伺服器
21‧‧‧專家系統
3‧‧‧流程
201~208‧‧‧動作
301~306‧‧‧動作

Claims (17)

  1. 一種影像辨識系統，包含：一雲端伺服器，用以儲存一雲端辨識模型；一本地伺服器，電性連接至該雲端伺服器，用以：儲存一本地辨識模型；透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數；針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標；以及根據該影像的該至少一本地亂度指標，決定傳送該影像至該雲端伺服器；其中，該雲端伺服器接收該影像後，透過該雲端辨識模型辨識該影像，以產生一雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型，其中，基於該場域，各該複數類別對應至一場域類別參數，且針對各該至少一物件，該本地伺服器是執行以下運作，以計算出該本地亂度指標：針對各該複數類別，計算相應的該場域類別參數、該本地類別信心分數、以及該本地類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該本地亂度指標。
  2. 如請求項1之影像辨識系統，其中該本地伺服器還用以透過一攝影機擷取 該影像，且該本地伺服器還用以根據該影像之至少一影像資訊決定該影像所對應的該場域。
  3. 如請求項1之影像辨識系統，其中當該本地伺服器判斷該至少一本地亂度指標的任一個大於一第一門檻值，則決定傳送該影像至該雲端伺服器。
  4. 如請求項1之影像辨識系統，其中：該雲端伺服器還用以儲存與該本地辨識模型相同的一鏡像辨識模型；且該雲端伺服器使用該雲端辨識結果重新訓練該鏡像辨識模型，以更新該鏡像辨識模型，並將更新後的該鏡像辨識模型部署至該本地伺服器，以更新該本地辨識模型。
  5. 如請求項1之影像辨識系統，其中該雲端辨識結果包含各該至少一物件分別對應至該複數類別的一雲端類別信心分數，且該雲端伺服器還用以：針對各該至少一物件，根據對應的該複數雲端類別信心分數計算一雲端亂度指標；以及根據該影像的該至少一雲端亂度指標，決定傳送該影像至一專家系統，並根據該專家系統提供之一專家辨識結果更新該雲端辨識模型以及該本地辨識模型。
  6. 如請求項5之影像辨識系統，其中當該雲端伺服器判斷該至少一雲端亂度指標的任一個大於一第二門檻值，則決定傳送該影像至該專家系統。
  7. 如請求項5之影像辨識系統，其中該雲端伺服器是執行以下運作，以計算出該雲端亂度指標：針對各該複數類別，計算相應的該雲端類別信心分數以及該雲端類 別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該雲端亂度指標。
  8. 一種影像辨識系統更新方法，適用於一影像辨識系統，該影像辨識系統包含互相電性連接之一雲端伺服器與一本地伺服器，該雲端伺服器儲存一雲端辨識模型，該本地伺服器儲存一本地辨識模型，該影像辨識系統更新方法包含：由該本地伺服器，透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數；由該本地伺服器，針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標；由該本地伺服器，根據該影像的該至少一本地亂度指標，決定傳送該影像至該雲端伺服器；以及由該雲端伺服器，透過該雲端辨識模型辨識該影像，以產生一雲端辨識結果，並根據該雲端辨識結果更新該本地辨識模型，其中，基於該場域，各該複數類別對應至一場域類別參數，且針對各該至少一物件，該本地伺服器是執行以下步驟，以計算出該本地亂度指標：針對各該複數類別，計算相應的該場域類別參數、該本地類別信心分數、以及該本地類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該本地亂度指標。
  9. 如請求項8之影像辨識系統更新方法，其中該本地伺服器還用以透過一攝影機擷取該影像，且該影像辨識系統更新方法還包含以下步驟：由該本地伺服器，根據該影像之至少一影像資訊決定該影像所對應的該場域。
  10. 如請求項8之影像辨識系統更新方法，其中當該本地伺服器判斷該至少一本地亂度指標的任一個大於一第一門檻值，則決定傳送該影像至該雲端伺服器。
  11. 如請求項8之影像辨識系統更新方法，其中該雲端伺服器還儲存該本地辨識模型相同的一鏡像辨識模型，且該影像辨識系統更新方法還包含以下步驟：由該雲端伺服器，使用該雲端辨識結果重新訓練該鏡像辨識模型，以更新該鏡像辨識模型，並將更新後的該鏡像辨識模型部署至該本地伺服器，以更新該本地辨識模型。
  12. 如請求項8之影像辨識系統更新方法，其中該雲端辨識結果包含各該至少一物件分別對應至該複數類別的一雲端類別信心分數，且該影像辨識系統更新方法還包含以下步驟：由該雲端伺服器，針對各該至少一物件，根據對應的該複數雲端類別信心分數計算一雲端亂度指標；以及由該雲端伺服器，根據該影像的該至少一雲端亂度指標，決定傳送該影像至一專家系統，並根據該專家系統提供之一專家辨識結果更新該雲端辨識模型以及該本地辨識模型。
  13. 如請求項12之影像辨識系統更新方法，其中當該雲端伺服器判斷該至少 一雲端亂度指標的任一個大於一第二門檻值，則決定傳送該影像至該專家系統。
  14. 如請求項12之影像辨識系統更新方法，其中該雲端伺服器是執行以下步驟，以計算出該雲端亂度指標：針對各該複數類別，計算相應的該雲端類別信心分數以及該雲端類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該雲端亂度指標。
  15. 一種本地伺服器，包含：一儲存器，用以儲存一本地辨識模型；以及一處理器，電性連接至該儲存器，用以：透過該本地辨識模型辨識一影像，以產生一本地辨識結果，其中該影像對應至一場域，該影像包含至少一物件，且該本地辨識結果包含各該至少一物件分別對應至複數類別的一本地類別信心分數；針對各該至少一物件，根據該場域以及對應的該複數本地類別信心分數計算一本地亂度指標；以及根據該影像的該至少一本地亂度指標，決定傳送該影像至一雲端伺服器，使得該雲端伺服器根據該影像更新該本地辨識模型，其中，基於該場域，各該複數類別對應至一場域類別參數，且針對各該至少一物件，該處理器是執行以下運作，以計算出該本地亂度指標：針對各該複數類別，計算相應的該場域類別參數、該本地類別信心分數、以及該本地類別信心分數的對數的一乘積，並計算該複數乘積之一總和之負值，以獲得該本地亂度指標。
  16. 如請求項15所述的本地伺服器，還包含一攝影機，電性連接至該處理器，用以取得該影像，且該處理器還用以：根據該影像之至少一影像資訊決定該影像所對應的該場域。
  17. 如請求項15所述的本地伺服器，其中，當該處理器判斷該至少一本地亂度指標的任一個大於一第一門檻值，則決定傳送該影像至該雲端伺服器。
TW108139058A 2019-10-29 2019-10-29 影像辨識系統及其更新方法 TWI772700B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108139058A TWI772700B (zh) 2019-10-29 2019-10-29 影像辨識系統及其更新方法
US16/698,939 US11393181B2 (en) 2019-10-29 2019-11-27 Image recognition system and updating method thereof
CN202010330998.7A CN112749727A (zh) 2019-10-29 2020-04-24 本地服务器、影像辨识系统及其更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108139058A TWI772700B (zh) 2019-10-29 2019-10-29 影像辨識系統及其更新方法

Publications (2)

Publication Number Publication Date
TW202117594A TW202117594A (zh) 2021-05-01
TWI772700B true TWI772700B (zh) 2022-08-01

Family

ID=75587074

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108139058A TWI772700B (zh) 2019-10-29 2019-10-29 影像辨識系統及其更新方法

Country Status (3)

Country Link
US (1) US11393181B2 (zh)
CN (1) CN112749727A (zh)
TW (1) TWI772700B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113726794B (zh) * 2021-09-01 2023-06-30 湖南智领通信科技有限公司 一种保密投屏系统和方法
CN114219971B (zh) * 2021-12-13 2024-08-09 腾讯科技（深圳）有限公司 一种数据处理方法、设备以及计算机可读存储介质
CN114140802B (zh) * 2022-01-29 2022-04-29 北京易真学思教育科技有限公司 一种文本识别方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810473A (zh) * 2014-01-23 2014-05-21 宁波大学 一种基于隐马尔科夫模型的人体对象的目标识别方法
TW201640419A (zh) * 2015-05-13 2016-11-16 盾心科技股份有限公司 影像辨識與監控系統及其實施方法
US20190251349A1 (en) * 2014-03-12 2019-08-15 Gary L. Duerksen System and method for object classification and sorting
CN110310387A (zh) * 2019-06-25 2019-10-08 三明学院 一种基于yolo物象识别的智能行车记录仪、系统及车辆
CN110363058A (zh) * 2018-03-26 2019-10-22 国际商业机器公司 使用单触发卷积神经网络的用于避障的三维对象定位

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473558A (zh) * 2013-09-04 2013-12-25 深圳先进技术研究院 基于神经网络的图像识别方法和系统
CN107690659B (zh) * 2016-12-27 2021-08-10 达闼机器人有限公司 一种图像识别系统及图像识别方法
CN107832780B (zh) * 2017-10-17 2020-04-10 北京木业邦科技有限公司 基于人工智能木板分选低置信度样本处理方法及系统
EP3493102B1 (en) * 2017-11-30 2020-04-29 Axis AB A method and system for tracking a plurality of objects in a sequence of images
FR3078429B1 (fr) * 2018-02-26 2021-02-12 Coppey Pierre Procede de gestion du passage d'un vehicule a une station de peage d'une route
WO2019191002A1 (en) * 2018-03-26 2019-10-03 Nvidia Corporation Object movement behavior learning
CN109922310B (zh) * 2019-01-24 2020-11-17 北京明略软件系统有限公司 目标对象的监控方法、装置及系统
CN110070107B (zh) * 2019-03-26 2020-12-25 华为技术有限公司 物体识别方法及装置
CN110222718B (zh) * 2019-05-09 2023-11-03 华为技术有限公司 图像处理的方法及装置
CN110329271B (zh) * 2019-06-18 2021-01-26 北京航空航天大学杭州创新研究院 一种基于机器学习的多传感器车辆行驶检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810473A (zh) * 2014-01-23 2014-05-21 宁波大学 一种基于隐马尔科夫模型的人体对象的目标识别方法
US20190251349A1 (en) * 2014-03-12 2019-08-15 Gary L. Duerksen System and method for object classification and sorting
TW201640419A (zh) * 2015-05-13 2016-11-16 盾心科技股份有限公司 影像辨識與監控系統及其實施方法
CN110363058A (zh) * 2018-03-26 2019-10-22 国际商业机器公司 使用单触发卷积神经网络的用于避障的三维对象定位
CN110310387A (zh) * 2019-06-25 2019-10-08 三明学院 一种基于yolo物象识别的智能行车记录仪、系统及车辆

Also Published As

Publication number Publication date
US11393181B2 (en) 2022-07-19
US20210125013A1 (en) 2021-04-29
CN112749727A (zh) 2021-05-04
TW202117594A (zh) 2021-05-01

Similar Documents

Publication Publication Date Title
TWI772700B (zh) 影像辨識系統及其更新方法
RU2711029C2 (ru) Классификация касаний
TWI821671B (zh) 一種文本區域的定位方法及裝置
US11373067B2 (en) Parametric top-view representation of scenes
WO2021208735A1 (zh) 行为检测方法、装置及计算机可读存储介质
JP7051267B2 (ja) 画像検出方法、装置、電子設備、記憶媒体、及びプログラム
CN105051754B (zh) 用于通过监控系统检测人的方法和装置
WO2022116423A1 (zh) 物体位姿估计方法、装置、电子设备及计算机存储介质
JP2018528525A (ja) 未知クラスの検出および未知クラスのための分類器の初期化
WO2020187160A1 (zh) 基于级联的深层卷积神经网络的人脸识别方法及系统
WO2021031954A1 (zh) 对象数量确定方法、装置、存储介质与电子设备
CN112561053B (zh) 图像处理方法、预训练模型的训练方法、装置和电子设备
WO2023273344A1 (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN111523515A (zh) 自动驾驶车辆环境认知能力评价方法、设备及存储介质
CN111950345B (zh) 摄像头的识别方法、装置、电子设备和存储介质
JP2015191666A (ja) オブジェクトパーツ位置の予測へのデータ駆動型検出の拡張
EP3881225A1 (en) Coordinate estimation on n-spheres with spherical regression
Zhang et al. New mixed adaptive detection algorithm for moving target with big data
Fan Research and realization of video target detection system based on deep learning
CN113158869A (zh) 图像识别方法、装置、终端设备及计算机可读存储介质
Feng Mobile terminal video image fuzzy feature extraction simulation based on SURF virtual reality technology
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质
CN111862031A (zh) 一种人脸合成图检测方法、装置、电子设备及存储介质
CN117218622A (zh) 路况检测方法、电子设备及存储介质
CN111597987A (zh) 用于生成信息的方法、装置、设备和存储介质