CN110503047A - 一种基于机器学习的铁路数据处理方法及装置 - Google Patents
一种基于机器学习的铁路数据处理方法及装置 Download PDFInfo
- Publication number
- CN110503047A CN110503047A CN201910790311.5A CN201910790311A CN110503047A CN 110503047 A CN110503047 A CN 110503047A CN 201910790311 A CN201910790311 A CN 201910790311A CN 110503047 A CN110503047 A CN 110503047A
- Authority
- CN
- China
- Prior art keywords
- area
- interest
- processed
- picture
- sample set
- 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
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器学习的铁路数据处理方法及装置,所述方法包括获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到;将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数;获取待处理图片集的后分析预处理规则;根据后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片进而得到目标图片集。本发明尤其适用于在后面的分析中深度挖掘铁路周围的信息,达到了减少铁路数据信息丢失并且避免分析丰富度低的区域,提升分析效率的目的。
Description
技术领域
本发明涉及铁路领域,尤其涉及一种基于机器学习的铁路数据处理方法及装置。
背景技术
随着铁路视频监控业务的增长以及视频技术、互联网技术和智能分析技术的发展,产生了大量包含铁路环境信息的图像数据,海量的图像数据的自动分析和信息挖掘的重要性日益凸显,相应的,是现有技术中对铁路数据的自动化处理能力尚显不足,因此,产生了大量的铁路环境信息的丢失,而铁路数据的自动化处理体现在感兴趣区域自动化生成,感兴趣区域自动化分析以及分析结果综合等多个方面。
发明内容
为了解决现有技术中对铁路数据的自动化处理能力不足的技术问题,实现感兴趣区域的自动化生成,以便于实现海量的图像数据的初筛,本发明提供一种基于机器学习的铁路数据处理方法及装置。
本发明是以如下技术方案实现的:
一种基于机器学习的铁路数据处理方法,所述方法包括:
获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到;
将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数;
获取待处理图片集的后分析预处理规则;
根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片;
根据各个待处理图片对应的目标图片得到所述待处理图片集对应的目标图片集。
优选的,还包括训练图像处理模型的步骤,所述训练图像处理模型,包括:
构建训练样本集,所述训练样本集包括及正例样本集和负例样本集,所述正例样本集为被包括感兴趣区域标注结果的样本集,所述负例样本集为在布设在铁轨周围的摄像头拍摄的视频流中随机抽取未被标注感兴趣区域的样本集,所述感兴趣区域标注结果包括感兴趣区域以及感兴趣区域的感兴趣指数;
基于特征提取器对所述训练样本集中的各个训练样本进行特征提取以获取所述训练样本集对应的样本特征集;
将所述样本特征集输入预设的深度学习网络模型,根据所述深度学习网络模型输出的各个样本的感兴趣区域推荐结果,根据所述各个样本的感兴趣区域推荐结果所述样本集中被标出出来的感兴趣区域之间的损失值调整所述深度学习网络模型的参数以得到图像处理模型。
优选的,所述根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片,包括:
获取待处理图片的各个感兴趣区域和所述感兴趣区域对应的感兴趣指数;
统计所述感兴趣区域的数量;
若所述数量大于预设的第一阈值,则根据各个感兴趣区域的感兴趣指数和感兴趣区域的面积计算感兴趣区域的重要度;
按照感兴趣重要度降序顺序对感兴趣区域依次进行处理直至感兴趣区域总数等于预设的第一阈值为止。
优选的,所述感兴趣区域的重要度可以通过感兴趣指数和感兴趣区域的加权值来表征。
优选的,所述对感兴趣区域进行处理包括,包括:
若所述感兴趣区域的感兴趣指数低于预设的第三阈值,则删除所述感兴趣区域;
若所述感兴趣区域的感兴趣指数不低于预设的第三阈值,则获取所述感兴趣区域相邻的其它感兴趣区域,并在所述其它感兴趣区域中选择感兴趣指数最高的区域作为目标区域;
将所述感兴趣区域合并入所述目标区域。
一种基于机器学习的铁路数据处理装置,所述装置包括:
待处理图片模块,用于获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到;
感兴趣区域推荐结果获取模块,用于将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数;
后分析预处理规则获取模块,用于获取待处理图片集的后分析预处理规则;
处理模块,用于根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片;
目标图片集获取模块,用于根据各个待处理图片对应的目标图片得到所述待处理图片集对应的目标图片集。
优选的,还包括模型训练模块,所述模型训练模块包括:
训练样本集构建单元,用于构建训练样本集,所述训练样本集包括及正例样本集和负例样本集,所述正例样本集为被包括感兴趣区域标注结果的样本集,所述负例样本集为在布设在铁轨周围的摄像头拍摄的视频流中随机抽取未被标注感兴趣区域的样本集,所述感兴趣区域标注结果包括感兴趣区域以及感兴趣区域的感兴趣指数;
样本特征集获取单元,用于基于特征提取器对所述训练样本集中的各个训练样本进行特征提取以获取所述训练样本集对应的样本特征集;
图像处理模型生成单元,用于将所述样本特征集输入预设的深度学习网络模型,根据所述深度学习网络模型输出的各个样本的感兴趣区域推荐结果,根据所述各个样本的感兴趣区域推荐结果所述样本集中被标出出来的感兴趣区域之间的损失值调整所述深度学习网络模型的参数以得到图像处理模型。
优选的,所述处理模块,包括:
感兴趣指数获取单元,用于获取待处理图片的各个感兴趣区域和所述感兴趣区域对应的感兴趣指数;
数量统计单元,用于统计所述感兴趣区域的数量;
重要度计算单元,用于若所述数量大于预设的第一阈值,则根据各个感兴趣区域的感兴趣指数和感兴趣区域的面积计算感兴趣区域的重要度;
感兴趣区域处理单元,用于按照感兴趣重要度降序顺序对感兴趣区域依次进行处理直至感兴趣区域总数等于预设的第一阈值为止。
本发明的有益效果是:
一种基于机器学习的铁路数据处理方法及装置,可以对于铁轨周围的摄像头拍摄得到的待处理图片进行感兴趣区域的全自动识别和全自动处理,并得到目标图片。所述目标图片中的感兴趣区域符合后分析规则的要求,其感兴趣区域包含的铁路环境信息丰富度高,并且感兴趣区域碎片较少,从而尤其适用于在后面的分析中深度挖掘铁路周围的信息,达到了减少铁路数据信息丢失并且避免分析丰富度低的区域,提升分析效率的目的。
附图说明
图1是本实施例提供的一种基于机器学习的铁路数据处理方法流程图;
图2是本实施例提供的根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片流程图;
图3是本实施例提供的一种基于机器学习的铁路数据处理装置框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
实施例1:
本发明实施例公开一种基于机器学习的铁路数据处理方法,如图1所示,所述方法包括:
S101.获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到。
S103.将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数。
具体地,所述预设的图像处理模型可以使用现有的机器模型通过训练而得到。本发明实施例公开其中一个机器模型的训练方法,如图2所示,所述方法包括:
S1.构建训练样本集,所述训练样本集包括及正例样本集和负例样本集,所述正例样本集为被包括感兴趣区域标注结果的样本集,所述负例样本集为在布设在铁轨周围的摄像头拍摄的视频流中随机抽取未被标注感兴趣区域的样本集,所述感兴趣区域标注结果包括感兴趣区域以及感兴趣区域的感兴趣指数。
S3.基于特征提取器对所述训练样本集中的各个训练样本进行特征提取以获取所述训练样本集对应的样本特征集。
具体地,所述特征提取器包括依次连接的图片输入层、第一卷积处理层、第一池化层、第二卷积处理层、第二池化层、全连接层和归一化层。其中,所述特征提取器使用现有的机器学习算法训练得到,本发明实施例不做赘述。本发明实施例强调的是,为了增强特征提取效果,本发明实施例对于所述特征提取器的损失函数进行了改进,以达到增大针对一个输入的图片所述特征提取器输出的各个特征图的差别的目的。
本发明实施例的损失函数可以通过在原始损失函数基础上添加甄选项来得到,所述甄选项用于对特征提取器输出的各个特征图产生的损失进行调整,从而增大产生损失大的特征图的影响力。
在一个可行的实施方式中,本发明实施例的损失函数可以被表示为其中α,β,M,δi分别表示控制甄选程度的权值,其可以根据实际需要进行设定;甄选参数,其可以是一个较小的数值,比如0.025;第二卷积处理层输出的特征图的个数;第二卷积处理层生成的第i个通道的特征图在全部用于训练所述特征提取器的样本中的平均激活度。其中Llost为原本的损失函数,损失函数的具体形式可以参考现有技术,本发明实施例不做赘述,比如,其可以是其中sum,Out(s1),T(s1)为样本总数,某个样本产生的输出和某个样本对应的标签,其中对于确定的训练集和机器模型而言标签为已知值。
进一步地,本发明实施例给出第i个通道的特征图在全部用于训练所述特征提取器的样本中的平均激活度的计算方法,所述方法包括:
S10.获取各个样本在第二卷积处理层各个通道输出的全部特征图集合。
S30.根据所述全部特征图集合得到第i个通道的特征图集,所述特征图集为所述全部特征值集合中来源是第二卷积处理层的第i个通道的特征图构成的集合。
S50.对所述特征图集中各个特征图的像素沿横轴方向和纵轴方向分别积分以得到激活度。
S70.由所述激活度除以样本总数得到第i个通道的特征图在全部用于训练所述特征提取器的样本中的平均激活度。
S5.将所述样本特征集输入预设的深度学习网络模型,根据所述深度学习网络模型输出的各个样本的感兴趣区域推荐结果,根据所述各个样本的感兴趣区域推荐结果所述样本集中被标出出来的感兴趣区域之间的损失值调整所述深度学习网络模型的参数以得到图像处理模型。
具体地,所述感兴趣区域推荐结果中包括感兴趣区域以及所述感兴趣区域的感兴趣指数。
S105.获取待处理图片集的后分析预处理规则。
S107.根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片。
S109.根据各个待处理图片对应的目标图片得到所述待处理图片集对应的目标图片集。
具体地,在后期对目标图片集进行分析的过程中,需要目标图片集中的目标图片满足后分析规则才能够使得分析进程顺利执行,比如,每个目标图片中的感兴趣区域的数量不能超过预设的第一阈值,每个感兴趣区域的面积不能小于预设的第二阈值,每个感兴趣区域的感兴趣指数不能低于预设的第三阈值。
相应的,用于对各个待处理图片的感兴趣区域推荐结果进行处理,以使得其对应的目标图片满足后分析规则的处理规则即为本发明实施例中的后分析预处理规则。
在一个可行的实施例中,所述根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片,如图2所示,包括:
S1071.获取待处理图片的各个感兴趣区域和所述感兴趣区域对应的感兴趣指数。
S1072.统计所述感兴趣区域的数量。
S1073.若所述数量大于预设的第一阈值,则根据各个感兴趣区域的感兴趣指数和感兴趣区域的面积计算感兴趣区域的重要度。
具体地,所述感兴趣区域的重要度可以通过感兴趣指数和感兴趣区域的加权值来表征。
S1074.按照感兴趣重要度降序顺序对感兴趣区域依次进行处理直至感兴趣区域总数等于预设的第一阈值为止。
具体地,对感兴趣区域进行处理包括:
S10741.若所述感兴趣区域的感兴趣指数低于预设的第三阈值,则删除所述感兴趣区域。
S10743.若所述感兴趣区域的感兴趣指数不低于预设的第三阈值,则获取所述感兴趣区域相邻的其它感兴趣区域,并在所述其它感兴趣区域中选择感兴趣指数最高的区域作为目标区域。
S10745.将所述感兴趣区域合并入所述目标区域。
本发明实施例公开了一种基于机器学习的铁路数据处理方法,从而可以对于铁轨周围的摄像头拍摄得到的待处理图片进行感兴趣区域的全自动识别和全自动处理,并得到目标图片。所述目标图片中的感兴趣区域符合后分析规则的要求,其感兴趣区域包含的铁路环境信息丰富度高,并且感兴趣区域碎片较少,从而尤其适用于在后面的分析中深度挖掘铁路周围的信息,达到了减少铁路数据信息丢失并且避免分析丰富度低的区域,提升分析效率的目的。
本发明还提供了一种基于机器学习的铁路数据处理装置,如图3所示,所述装置包括:
待处理图片模块201,用于获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到;
感兴趣区域推荐结果获取模块203,用于将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数;
后分析预处理规则获取模块205,用于获取待处理图片集的后分析预处理规则;
处理模块207,用于根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片;
目标图片集获取模块209,用于根据各个待处理图片对应的目标图片得到所述待处理图片集对应的目标图片集。
具体地,还包括模型训练模块,所述模型训练模块包括:
训练样本集构建单元,用于构建训练样本集,所述训练样本集包括及正例样本集和负例样本集,所述正例样本集为被包括感兴趣区域标注结果的样本集,所述负例样本集为在布设在铁轨周围的摄像头拍摄的视频流中随机抽取未被标注感兴趣区域的样本集,所述感兴趣区域标注结果包括感兴趣区域以及感兴趣区域的感兴趣指数;
样本特征集获取单元,用于基于特征提取器对所述训练样本集中的各个训练样本进行特征提取以获取所述训练样本集对应的样本特征集;
图像处理模型生成单元,用于将所述样本特征集输入预设的深度学习网络模型,根据所述深度学习网络模型输出的各个样本的感兴趣区域推荐结果,根据所述各个样本的感兴趣区域推荐结果所述样本集中被标出出来的感兴趣区域之间的损失值调整所述深度学习网络模型的参数以得到图像处理模型。
具体地,所述处理模块,包括:
感兴趣指数获取单元,用于获取待处理图片的各个感兴趣区域和所述感兴趣区域对应的感兴趣指数;
数量统计单元,用于统计所述感兴趣区域的数量;
重要度计算单元,用于若所述数量大于预设的第一阈值,则根据各个感兴趣区域的感兴趣指数和感兴趣区域的面积计算感兴趣区域的重要度;
感兴趣区域处理单元,用于按照感兴趣重要度降序顺序对感兴趣区域依次进行处理直至感兴趣区域总数等于预设的第一阈值为止。
本发明实施例公开的一种基于机器学习的铁路数据处理装置与方法实施例基于相同的发明构思。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于机器学习的铁路数据处理方法,其特征在于,所述方法包括:
获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到;
将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数;
获取待处理图片集的后分析预处理规则;
根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片;
根据各个待处理图片对应的目标图片得到所述待处理图片集对应的目标图片集。
2.根据权利要求1所述的方法,其特征在于,还包括训练图像处理模型的步骤,所述训练图像处理模型,包括:
构建训练样本集,所述训练样本集包括及正例样本集和负例样本集,所述正例样本集为被包括感兴趣区域标注结果的样本集,所述负例样本集为在布设在铁轨周围的摄像头拍摄的视频流中随机抽取未被标注感兴趣区域的样本集,所述感兴趣区域标注结果包括感兴趣区域以及感兴趣区域的感兴趣指数;
基于特征提取器对所述训练样本集中的各个训练样本进行特征提取以获取所述训练样本集对应的样本特征集;
将所述样本特征集输入预设的深度学习网络模型,根据所述深度学习网络模型输出的各个样本的感兴趣区域推荐结果,根据所述各个样本的感兴趣区域推荐结果所述样本集中被标出出来的感兴趣区域之间的损失值调整所述深度学习网络模型的参数以得到图像处理模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片,包括:
获取待处理图片的各个感兴趣区域和所述感兴趣区域对应的感兴趣指数;
统计所述感兴趣区域的数量;
若所述数量大于预设的第一阈值,则根据各个感兴趣区域的感兴趣指数和感兴趣区域的面积计算感兴趣区域的重要度;
按照感兴趣重要度降序顺序对感兴趣区域依次进行处理直至感兴趣区域总数等于预设的第一阈值为止。
4.根据权利要求3所述的方法,其特征在于:
所述感兴趣区域的重要度可以通过感兴趣指数和感兴趣区域的加权值来表征。
5.根据权利要求3所述的方法,其特征在于,所述对感兴趣区域进行处理包括,包括:
若所述感兴趣区域的感兴趣指数低于预设的第三阈值,则删除所述感兴趣区域;
若所述感兴趣区域的感兴趣指数不低于预设的第三阈值,则获取所述感兴趣区域相邻的其它感兴趣区域,并在所述其它感兴趣区域中选择感兴趣指数最高的区域作为目标区域;
将所述感兴趣区域合并入所述目标区域。
6.一种基于机器学习的铁路数据处理装置,其特征在于,所述装置包括:
待处理图片模块,用于获取待处理图片集,所述待处理图片由布设在铁轨周围的摄像头拍摄的视频流中截取得到;
感兴趣区域推荐结果获取模块,用于将所述待处理图片集中的各个待处理图片输入预设的图像处理模型以得到所述待处理图片的感兴趣区域推荐结果,所述感兴趣区域推荐结果包括待处理图片中的感兴趣区域以及感兴趣区域对应的感兴趣指数;
后分析预处理规则获取模块,用于获取待处理图片集的后分析预处理规则;
处理模块,用于根据所述后分析预处理规则和各个待处理图片的感兴趣区域推荐结果得到每个待处理图片对应的目标图片;
目标图片集获取模块,用于根据各个待处理图片对应的目标图片得到所述待处理图片集对应的目标图片集。
7.根据权利要求6所述的装置,其特征在于,还包括模型训练模块,所述模型训练模块包括:
训练样本集构建单元,用于构建训练样本集,所述训练样本集包括及正例样本集和负例样本集,所述正例样本集为被包括感兴趣区域标注结果的样本集,所述负例样本集为在布设在铁轨周围的摄像头拍摄的视频流中随机抽取未被标注感兴趣区域的样本集,所述感兴趣区域标注结果包括感兴趣区域以及感兴趣区域的感兴趣指数;
样本特征集获取单元,用于基于特征提取器对所述训练样本集中的各个训练样本进行特征提取以获取所述训练样本集对应的样本特征集;
图像处理模型生成单元,用于将所述样本特征集输入预设的深度学习网络模型,根据所述深度学习网络模型输出的各个样本的感兴趣区域推荐结果,根据所述各个样本的感兴趣区域推荐结果所述样本集中被标出出来的感兴趣区域之间的损失值调整所述深度学习网络模型的参数以得到图像处理模型。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,包括:
感兴趣指数获取单元,用于获取待处理图片的各个感兴趣区域和所述感兴趣区域对应的感兴趣指数;
数量统计单元,用于统计所述感兴趣区域的数量;
重要度计算单元,用于若所述数量大于预设的第一阈值,则根据各个感兴趣区域的感兴趣指数和感兴趣区域的面积计算感兴趣区域的重要度;
感兴趣区域处理单元,用于按照感兴趣重要度降序顺序对感兴趣区域依次进行处理直至感兴趣区域总数等于预设的第一阈值为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910790311.5A CN110503047A (zh) | 2019-08-26 | 2019-08-26 | 一种基于机器学习的铁路数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910790311.5A CN110503047A (zh) | 2019-08-26 | 2019-08-26 | 一种基于机器学习的铁路数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503047A true CN110503047A (zh) | 2019-11-26 |
Family
ID=68589476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910790311.5A Pending CN110503047A (zh) | 2019-08-26 | 2019-08-26 | 一种基于机器学习的铁路数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079819A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
CN111191059A (zh) * | 2019-12-31 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机存储介质及电子设备 |
CN111648174A (zh) * | 2020-06-01 | 2020-09-11 | 柳七峰 | 一种用于铁轨的自动化调直设备 |
CN111797832A (zh) * | 2020-07-14 | 2020-10-20 | 成都数之联科技有限公司 | 一种图像感兴趣区域自动生成方法及***及图像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976392A (zh) * | 2016-05-30 | 2016-09-28 | 北京智芯原动科技有限公司 | 基于最大输出概率的车辆轮胎检测方法及装置 |
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
US20180314943A1 (en) * | 2017-04-27 | 2018-11-01 | Jianming Liang | Systems, methods, and/or media, for selecting candidates for annotation for use in training a classifier |
US20180322635A1 (en) * | 2017-05-05 | 2018-11-08 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN108875730A (zh) * | 2017-05-16 | 2018-11-23 | 中兴通讯股份有限公司 | 一种深度学习样本收集方法、装置、设备及存储介质 |
-
2019
- 2019-08-26 CN CN201910790311.5A patent/CN110503047A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
CN105976392A (zh) * | 2016-05-30 | 2016-09-28 | 北京智芯原动科技有限公司 | 基于最大输出概率的车辆轮胎检测方法及装置 |
US20180314943A1 (en) * | 2017-04-27 | 2018-11-01 | Jianming Liang | Systems, methods, and/or media, for selecting candidates for annotation for use in training a classifier |
US20180322635A1 (en) * | 2017-05-05 | 2018-11-08 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN108875730A (zh) * | 2017-05-16 | 2018-11-23 | 中兴通讯股份有限公司 | 一种深度学习样本收集方法、装置、设备及存储介质 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
Non-Patent Citations (2)
Title |
---|
SUNMOK KIM.ET AL: ""An Effective Sign Language Learning with Object Detection Based ROI Segmentation"", 《IEEE》 * |
叶银兰: ""基于感兴趣区域和神经网络的图像检索"", 《河南师范大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079819A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
CN111079819B (zh) * | 2019-12-12 | 2021-03-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
CN111191059A (zh) * | 2019-12-31 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机存储介质及电子设备 |
CN111191059B (zh) * | 2019-12-31 | 2023-05-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机存储介质及电子设备 |
CN111648174A (zh) * | 2020-06-01 | 2020-09-11 | 柳七峰 | 一种用于铁轨的自动化调直设备 |
CN111797832A (zh) * | 2020-07-14 | 2020-10-20 | 成都数之联科技有限公司 | 一种图像感兴趣区域自动生成方法及***及图像处理方法 |
CN111797832B (zh) * | 2020-07-14 | 2024-02-02 | 成都数之联科技股份有限公司 | 一种图像感兴趣区域自动生成方法及***及图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503047A (zh) | 一种基于机器学习的铁路数据处理方法及装置 | |
CN103207910B (zh) | 基于分层特征和遗传规划相关反馈的图像检索方法 | |
CN108681774A (zh) | 基于生成对抗网络负样本增强的人体目标跟踪方法 | |
CN104933428B (zh) | 一种基于张量描述的人脸识别方法及装置 | |
CN106612457B (zh) | 视频序列对齐方法和*** | |
CN113256677A (zh) | 一种图注意力视觉目标跟踪方法 | |
CN109685121A (zh) | 图像检索模型的训练方法、图像检索方法、计算机设备 | |
CN109102579A (zh) | 一种基于人脸识别和大数据分析的智能会议签到设备 | |
CN114170137B (zh) | 一种辣椒病害识别方法、识别***、计算机可读存储介质 | |
CN110689093B (zh) | 一种复杂场景下的图像目标精细分类方法 | |
CN110750567A (zh) | 一种基于智能衣柜的穿搭数据生成方法及*** | |
CN108334878A (zh) | 视频图像检测方法和装置 | |
CN106650795A (zh) | 酒店房型图像的排序方法 | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及*** | |
CN109741301A (zh) | 一种更快的基于深度学习的密集目标计数方法 | |
CN110110663A (zh) | 一种基于人脸属性的年龄识别方法及*** | |
CN111191531A (zh) | 一种快速行人检测方法及*** | |
CN107516102A (zh) | 图像数据分类与建立分类模型方法、装置及*** | |
CN110689039A (zh) | 一种基于四通道卷积神经网络的树干纹理识别方法 | |
Sakurai et al. | Two-step Transfer Learning for Semantic Plant Segmentation. | |
CN108229289A (zh) | 目标检索方法、装置和电子设备 | |
CN110503014B (zh) | 基于多尺度掩码感知回馈卷积神经网络的人数统计方法 | |
Zhou et al. | Vine spread for superpixel segmentation | |
CN106503047A (zh) | 一种基于卷积神经网络的图像爬虫优化方法 | |
Lin et al. | Integrated circuit board object detection and image augmentation fusion model based on YOLO |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |