TWI819403B - 影像資料擴增裝置及方法 - Google Patents
影像資料擴增裝置及方法 Download PDFInfo
- Publication number
- TWI819403B TWI819403B TW110141207A TW110141207A TWI819403B TW I819403 B TWI819403 B TW I819403B TW 110141207 A TW110141207 A TW 110141207A TW 110141207 A TW110141207 A TW 110141207A TW I819403 B TWI819403 B TW I819403B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- deformation
- correction model
- image data
- operation function
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013434 data augmentation Methods 0.000 title claims abstract 4
- 230000006870 function Effects 0.000 claims abstract description 48
- 230000003190 augmentative effect Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 46
- 230000003321 amplification Effects 0.000 claims description 35
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 24
- 241000226585 Antennaria plantaginifolia Species 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/047—Fisheye or wide-angle transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- External Artificial Organs (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
一種影像資料擴增方法,包含下列步驟。擷取至少一形變運算函式;使影像包含的複數像素根據形變運算函式進行影像扭曲,以產生至少一擴增影像;使影像包含的至少一物件各具有的物件資訊根據形變運算函式進行轉換,以產生物件資訊轉換結果;以及使擴增影像、至少一物件各具有的類別標籤以及物件資訊轉換結果饋入機器學習模組產生學習結果。
Description
本發明是關於影像資料擴增技術,尤其是關於一種影像資料擴增裝置及方法。
物件偵測(object detection)是電腦視覺(computer vision)中的重要技術,可偵測並分類一張圖片裡面出現的物體。現在物件偵測的演算法,大多使用機器學習演算法,藉由蒐集大量圖片作為訓練資料,並人工標註每張圖片中物體的位置與類別,再使用已經標註好的圖片來訓練和最佳化這個神經網路。
然而,在這樣的狀況下,由於人工耗時費力,將難以增加神經網路擴增資料的豐富度。
鑑於先前技術的問題,本發明之一目的在於提供一種影像資料擴增裝置及方法,以改善先前技術。
本發明包含一種影像資料擴增裝置,包含:儲存電路以及處理電路。儲存電路配置以儲存電腦可執行指令。處理電路電性耦接於儲存電路,並配置以擷取電腦可執行指令以執行影像資料擴增方法,包含下列步驟。擷取至少一形變運算函式;使影像包含的複數像素根據形變運算函式進行影像扭曲,以產生至少一擴增影像;使影像包含的至少一物件各具有的物件資訊根據形變運算函式進行轉換,以產生物件資訊轉換結果;以及使擴增影像、至少一物件各具有的類別標籤以及物件資訊轉換結果饋入機器學習模組產生學習結果。
本發明更包含一種影像資料擴增方法,包含下列步驟。擷取至少一形變運算函式;使影像包含的複數像素根據至少一形變運算函式進行影像扭曲,以產生至少一擴增影像;使影像包含的至少一物件各具有的物件資訊根據形變運算函式進行轉換,以產生物件資訊轉換結果;以及使擴增影像、至少一物件各具有的類別標籤以及物件資訊轉換結果饋入機器學習模組產生學習結果。
有關本案的特徵、實作與功效,茲配合圖式作較佳實施例詳細說明如下。
本發明之一目的在於提供一種影像資料擴增裝置及方法,根據不同的形變運算函式產生擴增影像以進行機器學習獲得更廣泛的標註資料,以在不需要耗費人力與時間成本的情形下,增加機器學習的豐富度,並提升物件偵測的準確度。
請參照圖1。圖1顯示本發明之一實施例中,一種影像資料擴增裝置100的方塊圖。影像資料擴增裝置100包含:儲存電路110以及處理電路120。
儲存電路110可為任何配置以儲存資料的儲存裝置,例如,但不限於隨機存取記憶體(random access memory;RAM)、唯讀記憶體(read only memory;ROM)或硬碟。需注意的是,儲存電路110在不同實施例中,可僅包含單一個上述的儲存裝置,或是包含多個上述的儲存裝置,以儲存不同類型的資料。於一實施例中,儲存電路110配置以儲存電腦可執行指令125。
處理電路120電性耦接於儲存電路110。於一實施例中,處理電路120可配置以自儲存電路110擷取並執行電腦可執行指令125。電腦可執行指令125包含例如,但不限於儲存電路110等硬體模組的韌體/驅動程式(firmware/driver)與相關指令,以存取儲存電路110的訊號或資料進行運算,執行影像資料擴增裝置100的功能。
以下將搭配圖2,對影像資料擴增裝置100的運作進行說明。
請同時參照圖2。圖2顯示本發明一實施例中,一種影像資料擴增方法200的流程圖。
除前述裝置外,本發明另揭露一種影像資料擴增方法200,應用於例如,但不限於圖1的影像資料擴增裝置100中。影像資料擴增方法200之一實施例如圖2所示,包含下列步驟:
於步驟S210,由處理電路120擷取至少一形變運算函式130。於一實施例中,形變運算函式130對應根基於視角扭曲的至少一形變校正模型。
於一實施例中,處理電路120可計算形變影像與正常影像之間的反函式來做為形變運算函式130。於另一實施例中,處理電路120亦可直接存取已知的形變運算函式130。以下將以反函式為例進行說明。
請同時參照圖3。圖3顯示本發明一實施例中,一種魚眼校正模型300的示意圖。
如圖3所示,魚眼校正模型300可使建構於包含X軸、Y軸以及Z軸的空間中的球面310與建構於包含X軸以及Y軸的平面上的平面320相互映射。更詳細的說,魚眼校正模型300是將球面310上對應X軸以及Y軸的二維座標經過投影轉換,映射至平面320上同樣對應X軸以及Y軸的二維座標。
舉例而言,球面310上包含的座標Pd=(Pxd, Pyd)對應於魚眼鏡頭(未繪示)所收到的魚眼影像,平面320所對應的座標Pc=(Pxc, Pyc)則為校正過後的平面座標。F為魚眼鏡頭的焦距,θ為座標Pd與Z軸間形成的夾角,T為球面310轉換至平面310之座標轉換函式。座標Pd與Pc的對應關係,亦即魚眼校正模型的函式T可表示為:
T(Pd; θ, F)=Pc (式1)
因此,此魚眼校正模型的反函式則可表示為:
T
-1(Pc; θ, F)=Pd (式2)
因此,在此實施例中,處理電路120將可使魚眼校正模型的反函式做為形變運算函式130。須注意的是,根據不同的形變參數,魚眼校正模型也會對應到不同的形變運算函式而產生不同的映射結果。舉例而言,除了前述魚眼鏡頭的焦距F外,亦可藉由改變圖3中位於投影平面正中央的中心視角位置330移至非中央的位置達到不同的映射結果。並且,前述的魚眼校正模型的轉換函式亦僅為一範例。在其他實施例中,魚眼校正模型可以其他可能的轉換函式表示。
於步驟S220,由處理電路120使影像140包含的複數像素根據形變運算函式130進行影像扭曲,以產生至少一擴增影像150。
於一實施例中,影像140可經由影像資料擴增裝置100更包含的影像擷取電路(未繪示)擷取,或是如圖1所示預存於儲存電路110中。
於步驟S230,由處理電路120使影像140包含的至少一物件各具有的物件資訊根據形變運算函式130進行轉換,以產生物件資訊轉換結果160。
請同時參照圖4A以及圖4B。圖4A顯示本發明一實施例中,原始的影像140的示意圖。圖4B顯示本發明一實施例中,圖4A的影像140經過形變運算函式轉換產生的擴增影像150的示意圖。
如圖4A及圖4B所示,圖4A中的影像140可藉由設置中心視角位置400,根據魚眼校正模型的形變運算函式與相應的參數產生圖4B中的擴增影像150。在影像140中的物件410則轉換為擴增影像150中的物件420。
於一實施例中,物件所具有的物件資訊包含對應物件之邊界框、角度、長度、寬度、座標或其組合。以邊界框為例,在圖4A中物件410的邊界框430在經過轉換後,將成為圖4B中物件420的邊界框440,其尺寸與位置等物件資訊也將隨之轉換。
須注意的是,在物件資訊的轉換上,亦須考量影像與擴增影像間的相對關係。舉例而言,影像140的四個邊界點可藉由形變運算函式進行轉換,並取邊界最大值做為擴增影像150中資料標註的依據。
於步驟S240,由處理電路120使擴增影像150、至少一物件各具有的類別標籤165以及物件資訊轉換結果160饋入機器學習模組170產生學習結果。
影像140可以是現有的訓練資料,與其關聯的物件資訊及類別標籤165均為已知。機器學習模組170為例如,但不限於運作於處理電路120中的神經網路或根基於神經網路的深度學習模組。
於一實施例中,擴增影像150可經過信賴度的驗證。舉例而言,當對應一個場景的原始影像存在時,可根據特殊鏡頭(例如魚眼鏡頭)對相同場景產生對應的實際形變影像,再根據形變運算函式對上述的原始影像進行轉換產生擴增影像,進而對擴增影像與實際形變影像計算相似度指標。在相似度指標位於預設範圍時,擴增影像將可被判斷為可信賴,並表示此擴增方式可適用於其他影像。其中,相似度指標可為例如,但不限於結構相似性指標(structural similarity index;SSIM index)進行計算產生。
於一實施例中,處理電路120可根據學習結果饋入至神經網路進行訓練,並在訓練完成後,對影像擷取電路(未繪示)擷取的影像或是預存於例如儲存電路110中的影像進行,以使由機器學習結果的擴增資料所訓練完成的神經網路對影像中的物件進行偵測與辨識。
在部分技術中,擴增資料的建構仰賴人力與時間成本來蒐集影像與標註物件,以使機器學習進行訓練與最佳化。然而這樣的方式對於根基於視角扭曲的形變影像來說,以人力進行標註不僅準確率較低,更耗時費力。因此,藉由上述的機制,將可避免人力的成本浪費,以快速與精準的方式建立大量的擴增影像內容,提高物件偵測的準確度。
須注意的是,上述的魚眼校正模型僅為其中一種形變校正模型的範例。其他各種根基於視角扭曲的形變校正模型等亦可被使用以擷取其形變運算函式。
請參照圖5。圖5顯示本發明一實施例中,藉由哈哈鏡形變校正模型所產生的擴增影像500~520。
如圖5所示,哈哈鏡形變校正模型可藉由不同曲度的各種鏡面組合,將原始影像中的具有人形的物件530以不同曲度扭曲成像,並以對應的形變運算函式形成擴增影像500~520。因此,擴增影像500~520中物件530的物件資訊也將因應形變運算函式的轉換而產生各種不同的組合。在將擴增影像500~520以及對應的物件資訊饋入機器學習模組產生學習結果後,物件偵測的的準確度將可提升。
於一實施例中,多種形變校正模型可同時被使用。舉例而言,形變校正模型可包含至少一魚眼校正模型、至少一哈哈鏡校正模型、至少一桶狀形變(barrel distortion)校正模型、至少一枕狀形變(pincushion distortion)校正模型或其組合。並且,於一實施例中,形變校正模型可包含不同的複數形變參數的同一校正模型。因此,多種形變校正模型的形變運算函式可被應用以產生擴增影像,並在進行機器學習後據以進行物件偵測。在此不再贅述。
需注意的是,上述的實施方式僅為一範例。於其他實施例中,本領域的通常知識者當可在不違背本發明的精神下進行更動。
綜合上述,本發明中的影像資料擴增裝置及方法可根據不同的形變運算函式產生擴增影像以進行機器學習獲得更廣泛的標註資料,以在不需要耗費人力與時間成本的情形下,增加機器學習的豐富度,並提升物件偵測的準確度。
雖然本案之實施例如上所述,然而該些實施例並非用來限定本案,本技術領域具有通常知識者可依據本案之明示或隱含之內容對本案之技術特徵施以變化,凡此種種變化均可能屬於本案所尋求之專利保護範疇,換言之,本案之專利保護範圍須視本說明書之申請專利範圍所界定者為準。
100:影像資料擴增裝置
110:儲存電路
120:處理電路
125:電腦可執行指令
130:形變運算函式
140:影像
150:擴增影像
160:物件資訊轉換結果
165:類別標籤
170:機器學習模組
200:影像資料擴增方法
S210~S240:步驟
300:魚眼校正模型
310:球面
320:平面
330:中心視角位置
400:中心視角位置
410、420:物件
430、440:邊界框
500~520:擴增影像
530:物件
[圖1]分別顯示本發明之一實施例中,一種具有資料流傳輸排序機制的網格網路系統的方塊圖;
[圖2]顯示本發明一實施例中,一種影像資料擴增方法的流程圖;
[圖3]顯示本發明一實施例中,一種魚眼校正模型的示意圖;
[圖4A]顯示本發明一實施例中,原始的影像的示意圖;
[圖4B]顯示本發明一實施例中,圖4A的影像經過形變運算函式轉換產生的擴增影像的示意圖;以及
[圖5]顯示本發明一實施例中,藉由哈哈鏡形變校正模型所產生的擴增影像。
200:影像資料擴增方法
S210~S240:步驟
Claims (10)
- 一種影像資料擴增裝置,包含:一儲存電路,配置以儲存一電腦可執行指令;以及一處理電路,電性耦接於該儲存電路,並配置以擷取該電腦可執行指令以執行一影像資料擴增方法,包含:擷取至少一形變運算函式;使一影像包含的複數像素根據該形變運算函式進行一影像扭曲,以產生至少一擴增影像;使該影像包含的至少一物件各具有的一物件資訊根據該形變運算函式進行轉換,以產生一物件資訊轉換結果;以及使該擴增影像、該物件各具有的一類別標籤以及該物件資訊轉換結果饋入一機器學習模組產生一學習結果。
- 如請求項1所述之影像資料擴增裝置,其中該形變運算函式對應根基於視角扭曲的至少一形變校正模型,該形變校正模型包含至少一魚眼校正模型、至少一哈哈鏡校正模型、至少一桶狀形變(barrel distortion)校正模型、至少一枕狀形變(pincushion distortion)校正模型或其組合。
- 如請求項1所述之影像資料擴增裝置,其中該形變運算函式對應根基於視角扭曲的至少一形變校正模型,該形變校正模型包含具有不同的複數形變參數的同一校正模型。
- 如請求項1所述之影像資料擴增裝置,該物件資訊包含對應該物件之一邊界框、一角度、一長度、一寬度、一座標或其組合。
- 如請求項1所述之影像資料擴增裝置,其中該影像是對應一場景所擷取,該影像資料擴增方法更包含:根據一形變鏡頭對該場景進行影像擷取產生複數實際形變影像;以及使該擴增影像與該等實際形變影像分別計算一相似度指標,以在該相似度指標位於一預設範圍時判斷該擴增影像為可信賴。
- 一種影像資料擴增方法,應用於一影像資料擴增裝置中,該影像資料擴增裝置包含配置以儲存一電腦可執行指令的一儲存電路以及電性耦接於該儲存電路的一處理電路,該處理電路擷取該電腦可執行指令以執行該影像資料擴增方法,包含:由該處理電路擷取至少一形變運算函式;由該處理電路使一影像包含的複數像素根據該形變運算函式進行一影像扭曲,以產生複數擴增影像;由該處理電路使該影像包含的至少一物件各具有的一物件資訊根據該形變運算函式進行轉換,以產生一物件資訊轉換結果;以及由該處理電路使該擴增影像、該物件各具有的一類別標籤以及該物件資訊轉換結果饋入一機器學習模組產生一學習結果。
- 如請求項6所述之影像資料擴增方法,其中該形變運算函式對應根基於視角扭曲的至少一形變校正模型,該形變校正模型包含至少一魚眼校正 模型、至少一哈哈鏡校正模型、至少一桶狀形變校正模型、至少一枕狀形變校正模型或其組合。
- 如請求項6所述之影像資料擴增方法,其中該形變運算函式對應根基於視角扭曲的至少一形變校正模型,該形變校正模型包含具有不同的複數形變參數的同一校正模型。
- 如請求項6所述之影像資料擴增方法,該物件資訊包含對應該物件之一邊界框、一角度、一長度、一寬度、一座標或其組合。
- 如請求項6所述之影像資料擴增方法,其中該影像是對應一場景所擷取,該影像資料擴增方法更包含:由該處理電路根據一形變鏡頭對該場景進行影像擷取產生複數實際形變影像;以及由該處理電路使該擴增影像與該等實際形變影像分別計算一相似度指標,以在該相似度指標位於一預設範圍時判斷該擴增影像為可信賴。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110141207A TWI819403B (zh) | 2021-11-04 | 2021-11-04 | 影像資料擴增裝置及方法 |
US17/741,177 US20230138412A1 (en) | 2021-11-04 | 2022-05-10 | Image data augmentation apparatus and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110141207A TWI819403B (zh) | 2021-11-04 | 2021-11-04 | 影像資料擴增裝置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202320017A TW202320017A (zh) | 2023-05-16 |
TWI819403B true TWI819403B (zh) | 2023-10-21 |
Family
ID=86145725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110141207A TWI819403B (zh) | 2021-11-04 | 2021-11-04 | 影像資料擴增裝置及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230138412A1 (zh) |
TW (1) | TWI819403B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102598052B (zh) * | 2009-11-17 | 2016-01-13 | 日立产业控制解决方案有限公司 | 利用生物体信息的认证系统及认证装置 |
TW201703509A (zh) * | 2015-07-14 | 2017-01-16 | 旺玖科技股份有限公司 | 影像處理方法、影像處理裝置及顯示系統 |
US20190212749A1 (en) * | 2018-01-07 | 2019-07-11 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
TW202014851A (zh) * | 2018-08-07 | 2020-04-16 | 李文傑 | 具有廣泛使用性的三維圖形使用者介面的系統及方法 |
US20200202498A1 (en) * | 2018-12-19 | 2020-06-25 | GM Global Technology Operations LLC | Computing system for rectifying ultra-wide fisheye lens images |
TW202024864A (zh) * | 2018-12-24 | 2020-07-01 | 財團法人工業技術研究院 | 動作追蹤系統及方法 |
-
2021
- 2021-11-04 TW TW110141207A patent/TWI819403B/zh active
-
2022
- 2022-05-10 US US17/741,177 patent/US20230138412A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102598052B (zh) * | 2009-11-17 | 2016-01-13 | 日立产业控制解决方案有限公司 | 利用生物体信息的认证系统及认证装置 |
TW201703509A (zh) * | 2015-07-14 | 2017-01-16 | 旺玖科技股份有限公司 | 影像處理方法、影像處理裝置及顯示系統 |
US20190212749A1 (en) * | 2018-01-07 | 2019-07-11 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
TW202014851A (zh) * | 2018-08-07 | 2020-04-16 | 李文傑 | 具有廣泛使用性的三維圖形使用者介面的系統及方法 |
US20200202498A1 (en) * | 2018-12-19 | 2020-06-25 | GM Global Technology Operations LLC | Computing system for rectifying ultra-wide fisheye lens images |
TW202024864A (zh) * | 2018-12-24 | 2020-07-01 | 財團法人工業技術研究院 | 動作追蹤系統及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230138412A1 (en) | 2023-05-04 |
TW202320017A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6330987B2 (ja) | 画像処理装置、画像処理方法、及び記憶媒体 | |
CN110568447B (zh) | 视觉定位的方法、装置及计算机可读介质 | |
JP5580164B2 (ja) | 光学情報処理装置、光学情報処理方法、光学情報処理システム、光学情報処理プログラム | |
CN109993086B (zh) | 人脸检测方法、装置、系统及终端设备 | |
WO2019192358A1 (zh) | 一种全景视频合成方法、装置及电子设备 | |
TW201118791A (en) | System and method for obtaining camera parameters from a plurality of images, and computer program products thereof | |
JP6891954B2 (ja) | 物体検知装置、物体検知方法、及びプログラム | |
EP2764325A1 (en) | Using videogrammetry to fabricate parts | |
WO2022183685A1 (zh) | 目标检测方法、电子介质和计算机存储介质 | |
EP4073690A1 (en) | Target detection method, terminal device, and medium | |
JP2012050013A (ja) | 撮像装置、画像処理装置、画像処理方法及び画像処理プログラム | |
CN115187612A (zh) | 一种基于机器视觉的平面面积测量方法、装置及系统 | |
CN112950528A (zh) | 证件姿态确定方法、模型训练方法、装置、服务器及介质 | |
JP2013187822A (ja) | 補正式算出方法、補正方法、補正装置及び撮像装置 | |
TWI819403B (zh) | 影像資料擴增裝置及方法 | |
JP2008298589A (ja) | 位置検出装置及び位置検出方法 | |
JP2021021577A (ja) | 画像処理装置及び画像処理方法 | |
JP2016038790A (ja) | 画像処理装置ならびにその画像特徴検出方法、プログラムおよび装置 | |
TW201915951A (zh) | 影像處理方法、影像處理裝置及電腦可讀取記錄媒體 | |
JP2021131377A (ja) | 生成装置、生成方法およびプログラム | |
US11202000B2 (en) | Learning apparatus, image generation apparatus, learning method, image generation method, and program | |
CN116109493A (zh) | 图像数据增强装置及方法 | |
US20240144624A1 (en) | Measurement apparatus, measurement system, and measurement method | |
CN111127422B (zh) | 图像标注方法、装置、系统及主机 | |
TWI643498B (zh) | 以單一影像計算鏡頭視角的方法與攝像裝置 |