CN112418303A - 一种识别状态模型的训练方法、装置及计算机设备 - Google Patents
一种识别状态模型的训练方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112418303A CN112418303A CN202011307328.XA CN202011307328A CN112418303A CN 112418303 A CN112418303 A CN 112418303A CN 202011307328 A CN202011307328 A CN 202011307328A CN 112418303 A CN112418303 A CN 112418303A
- Authority
- CN
- China
- Prior art keywords
- data set
- sample data
- image
- key points
- processed
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 79
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000007499 fusion processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000003416 augmentation Effects 0.000 description 7
- 238000013434 data augmentation Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别状态模型的训练方法、装置及计算机设备,用于解决现有的模型对类间数据检测的准确性较低的技术问题。该方法包括:确定待训练的第一样本数据集和第二样本数据集;对第一样本数据集和第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集;以及,将处理后的第一样本数据集中的每个图像中的关键点,与处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集;基于融合样本集、第一样本数据集以及第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种识别状态模型的训练方法、装置及计算机设备。
背景技术
目前,数据增广是深度学***衡,从而提升训练的模型的准确率。
然而,类似于车辆后备箱或车门处于打开状态的素材,由于较难收集,因此只能通过传统形式的数据增广来扩充单一样本数量。而增广的方式均为类内增广,即若素材图像中是后备箱或车门打开的图像,则增广后所有图像均为后备箱或车门打开的图像。
这样的方式,对类间数据并没有任何形式的处理方式,从而导致基于类内增广的训练的模型对类间数据检测的准确性较低。
发明内容
本发明公开了一种识别状态模型的训练方法、装置及计算机设备,用于解决现有的模型对类间数据检测的准确性较低的技术问题。
根据本发明的第一方面,提供一种识别状态模型的训练方法,所述方法包括:
确定待训练的第一样本数据集和第二样本数据集,其中,所述第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,所述第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像;
对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集;以及,
将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,所述融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像;
基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过所述训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
在一种可能的实施方式中,对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集,包括:
确定所述第一样本数据集和所述第二样本数据集中的每个图像均包括的关键特征点的位置,并基于预设规则筛选关键点,其中,所述预设规则为所述关键点包括在从第一预设角度或方向拍摄和/或前方拍摄车辆时所采集到的图像中;
对所述第一样本数据集和所述第二样本数据集中的每个图像中的关键点进行标注,获得处理后的第一样本数据集和处理后的第二样本数据集。
在一种可能的实施方式中,将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,包括:
确定所述处理后的第一样本数据集中的第一图像中的关键点,并确定所述处理后的第二样本数据集中的第二图像中的关键点;
将所述第一图像中的关键点的横坐标对应的第一处理值,与所述第二图像中与所述横坐标相同的关键点的横坐标对应的第二处理值进行相加处理,获得融合图像中关键点的横坐标;以及,
将所述第一图像中的关键点的纵坐标对应的第三处理值,与所述第二图像中与所述纵坐标相同的关键点的纵坐标对应的第四处理值进行相加处理,获得所述融合图像中关键点的纵坐标;
将所述第一图像中的关键点对应的色彩数值信息和所述第二图像中的关键点对应的色彩数值信息进行融合,确定所述融合图像中关键点的色彩数值信息;
基于所述融合图像中的关键点的横坐标和纵坐标,确定所述融合图像中关键点所处的位置,并基于所述融合图像中关键点的色彩数值信息和所述关键点所处的位置,获得对应的融合图像,以获得融合样本数据集。
在一种可能的实施方式中,基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,包括:
将融合样本集、所述第一样本数据集以及所述第二样本数据集输入到预设模型中进行训练,获得多个输出结果;其中,所述多个输出结果进行多次训练所获得的;
确定整体损失函数,其中,所述整体损失函数为对所述第一样本数据集进行状态识别处理确定的第一损失函数和对所述第二样本数据集进行所述状态识别处理确定的第二损失函数进行加权计算所获得的;
基于所述多个输出结果和所述整体损失函数对所述预设模型进行训练,若所述整体损失函数对应的值小于预定阈值,则确定所述训练后的所述识别状态模型已收敛,获得所述训练后的识别状态模型。
在一种可能的实施方式中,确定整体损失函数,包括:
所述整体损失函数通过以下方式进行计算:
loss=λ*loss1+(1-λ)loss2;
其中,loss用于表征整体损失函数,loss1用于表征第一损失函数,loss2用于表征第二损失函数,λ用于表征权值。
根据本发明的第二方面,提供一种识别状态模型的训练装置,所述装置包括:
确定单元,用于确定待训练的第一样本数据集和第二样本数据集,其中,所述第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,所述第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像;
处理单元,用于对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集;以及,
所述处理单元,还用于将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,所述融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像;
获得单元,用于基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过所述训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
在一种可能的实施方式中,所述处理单元,还用于:
确定所述第一样本数据集和所述第二样本数据集中的每个图像均包括的关键特征点的位置,并基于预设规则筛选关键点,其中,所述预设规则为所述关键点包括在从第一预设角度或方向拍摄车辆时所采集到的图像中;
对所述第一样本数据集和所述第二样本数据集中的每个图像中的关键点进行标注,获得处理后的第一样本数据集和处理后的第二样本数据集。
在一种可能的实施方式中,所述处理单元还用于:
确定所述处理后的第一样本数据集中的第一图像中的关键点,并确定所述处理后的第二样本数据集中的第二图像中的关键点;
将所述第一图像中的关键点的横坐标对应的第一处理值,与所述第二图像中与所述横坐标相同的关键点的横坐标对应的第二处理值进行相加处理,获得融合图像中关键点的横坐标;以及,
将所述第一图像中的关键点的纵坐标对应的第三处理值,与所述第二图像中与所述纵坐标相同的关键点的纵坐标对应的第四处理值进行相加处理,获得所述融合图像中关键点的纵坐标;
将所述第一图像中的关键点对应的色彩数值信息和所述第二图像中的关键点对应的色彩数值信息进行融合,确定所述融合图像中关键点的色彩数值信息;
基于所述融合图像中的关键点的横坐标和纵坐标,确定所述融合图像中关键点所处的位置,并基于所述融合图像中关键点的色彩数值信息和所述关键点所处的位置,获得对应的融合图像,以获得融合样本数据集。
在一种可能的实施方式中,所述获得单元还用于:
将融合样本集、所述第一样本数据集以及所述第二样本数据集输入到预设模型中进行训练,获得多个输出结果;其中,所述多个输出结果进行多次训练所获得的;
确定整体损失函数,其中,所述整体损失函数为对所述第一样本数据集进行状态识别处理确定的第一损失函数和对所述第二样本数据集进行所述状态识别处理确定的第二损失函数进行加权计算所获得的;
基于所述多个输出结果和所述整体损失函数对所述预设模型进行训练,若所述整体损失函数对应的值小于预定阈值,则确定所述训练后的所述识别状态模型已收敛,获得所述训练后的识别状态模型。
在一种可能的实施方式中,所述获得单元还用于:
所述整体损失函数通过以下方式进行计算:
loss=λ*loss1+(1-λ)loss2;
其中,loss用于表征整体损失函数,loss1用于表征第一损失函数,loss2用于表征第二损失函数,λ用于表征权值。
根据本发明实施例的第三方面,提供一种计算机设备,所述计算机设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为执行指令,以实现本发明实施例上述第一方面以及第一方面涉及的任一可能涉及的方法。
根据本发明实施例的第四方面,提供一种存储介质,当存储介质中的指令由计算机设备的处理器执行时,使得计算机设备能够执行本发明实施例上述第一方面以及第一方面涉及的任一可能涉及的方法。
根据本发明实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品在计算机设备上运行时,使得所述计算机设备执行实现本发明实施例上述第一方面以及第一方面任一可能涉及的方法。
本发明的实施例提供的技术方案至少带来以下有益效果:
在本发明实施例中,可以先确定待训练的第一样本数据集和第二样本数据集,其中,第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像。然后可以对第一样本数据集和第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集。进一步地,将处理后的第一样本数据集中的每个图像中的关键点,与处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像;然后可以基于融合样本集、第一样本数据集以及第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
可见,在本发明实施例中,可以对第一样本数据集和第二样本数据集进行关键点定位处理,然后基于处理后的第一样本数据集和处理后的第二样本数据集进行融合处理,获得融合样本数据集,即获得第一类样本数据集和第二类样本数据集对应的类间数据集。进一步地,可以基于类间数据集和第一样本数据集和第二样本数据集对预设模型训练,从而获得训练后的识别状态模型。这样的方式,可以基于现有的类别数据库进行类间数据增广,实现待训练样本数据的在线增广,从而提高训练后的识别状态模型识别的准确程度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或通过实施而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理,并不构成对本发明的不当限定。
图1为现有数据类内增广的示意图;
图2为本发明实施例中的应用场景示意图;
图3为本发明实施例中识别状态模型的训练方法的流程图;
图4为本发明实施例中识别状态模型的训练装置的结构框图;
图5为本发明实施例中计算机设备的结构示意图。
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明白,下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
如前所述,目前常用的数据增广方式包括:水平/垂直翻转、旋转、缩放、裁剪、平移、色彩抖动、噪声等,可见,现有的增广方式一般为类内增广,例如图片中是后备箱处于完全打开状态的图片,则增广后所有图片均为后备箱处于完全打开状态。
具体的,目前所做的数据类增广,如图1所示,不同颜色分别代表不同的类型分布,每个聚集在一起的点代表一种类型的数据,数据增广是某一个类型的点更多即类内数据更多。然而,从图1中可以明显的看出,每种数据类别都是相互分开,而若要有效的区分不同类型,则需要做的是扩大类间距离,缩短类内距离,然而目前类与类之间没有数据样本,因此导致基于类内增广的训练的模型对类间数据检测的准确性较低。
鉴于此,本发明提供了一种识别状态模型的训练方法,通过该方法可增加类与类之间的样本,从而使得基于增加的样本和原来的样本训练的模型的识别准确性较高。
介绍完本发明实施例的设计思想之后,下面对本发明实施例中的技术方案适用的应用场景做一些简单介绍,需要说明的是,本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
在本发明实施例中,请参见图2所示的一种应用场景示意图,图2包括处理设备和计算机设备两部分,需要说明的是,图2中仅以一个处理设备和一个计算机设备进行交互为例进行示出,在具体实施过程中,可以是多个处理设备与一个计算机设备之间进行交互,也可以是多个处理设备和多个计算机设备之间进行交互。需要注意的是,前述应用场景仅是为了便于理解本发明的精神和原理而示出,本发明的实施方式在此方面不受任何限定。相反,本发明的实施方式可以应用于适用的任何场景。
在具体的实施过程中,处理设备与计算机设备之间可以通过一个或者多个网络进行通信连接。该网络可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(WIreless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本发明实施例对此不做限定。
在具体的实施过程中,前述的处理设备可以是任何可以采集或接收包含车辆后备箱或车门处于完全打开状态或关闭状态的图像的设备,例如摄像机或者是行车记录仪,其中,摄像机可以是设置在道路旁或者停车场等场所。具体的,处理设备可以是直接从各个采集设备处获取图像,也可以是从与处理设备通信连接的其它设备或者是服务器对应获取图像。
在本发明实施例中,处理设备可以将采集或接收的包含车辆后备箱或车门处于完全打开状态或关闭状态的图像发送给计算机设备,然后计算机设备对接收的图像进行数据增广处理,并基于增广后的数据对预设模型进行训练,以获得训练后的识别状态模型,以通过训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。需要说明的是,为了便于对本发明提供的技术方案的理解,后文中以一个处理设备与一个计算机设备之间的交互为例,对本发明提供的技术方案进行说明。
为进一步说明本发明实施例提供的识别状态模型的训练方法的方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本发明实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本发明实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的应用环境)。
以下结合图3所示的方法流程图对本发明实施例中识别状态模型的训练方法进行说明,图3所示的各步骤可以由如图1所示的计算机设备执行。在具体实施过程中,该计算机设备可以是服务器,例如是个人计算机、大中型计算机、计算机集群,等等。
步骤301:确定待训练的第一样本数据集和第二样本数据集,其中,第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像。
在本发明实施例中,处理设备可以向计算机设备发送样本数据集,然后计算机设备可以基于发送的样本数据集确定待训练的第一样本数据集和第二样本数据集。
在具体的实施过程中,计算机设备可以根据第一规则确定待训练的第一样本数据集和第二样本数据集。具体的,第一规则可以是筛选第一预设数量的车辆后备箱或车门处于完全打开状态的图像作为第一样本数据集,筛选第二预设数量的车辆后备箱或车门处于完全关闭状态的图中作为第二样本数据集,其中,第一预设数量和第二预设数量,可以相同,也可以不相同,本发明实施例中不做限制。
在具体的实施过程中,第一规则还可以是筛选以第一预设角度或方向拍摄的车辆后备箱或车门处于完全打开状态的图像作为第一样本数据集,筛选以第二预设角度或方向拍摄的车辆后备箱或车门处于完全关闭状态的图中作为第二样本数据集,其中,第一预设角度或方向和第二预设角度或方向,可以相同,也可以不相同,本发明实施例中不做限制。例如,第一预设方向为车门所处的侧方向,第二预设方向为正面完全拍摄后备箱的后方。
步骤302:对第一样本数据集和第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集。
在本发明实施例中,确定第一样本数据集和第二样本数据集中的每个图像均包括的关键特征点的位置,并基于预设规则筛选关键点,其中,预设规则为关键点包括在从预设角度或方向拍摄车辆时所采集到的图像中,然后可以对第一样本数据集和第二样本数据集中的每个图像中的关键点进行标注,获得处理后的第一样本数据集和处理后的第二样本数据集。
在具体的实施过程中,可以先确定第一样本数据集和第二样本数据集中每个图像均包括的关键特征点的位置,具体的,关键特征点可以是前支柱、中支柱、倒车灯、车尾组合灯、高位刹车灯、倒车灯、外边后视镜、外开把手、车门框等等。
在本发明实施例中,当确定关键特征点的位置后,可以基于预设规则筛选关键点,具体的,预设规则为关键点包括在从预设角度或方向拍摄车辆时所采集到的图像中。在具体的实施过程中,当确定关键特征点的位置后,可以将从预设角度或方向拍摄车辆时所采集到的图像中所包括的关键特征点作为关键点。例如,预设方向为车辆后方,或者,预设方向为车辆侧面方向,当然,预设方向也可以是车辆后方和车辆侧面方向。
在本发明实施例中,当确定关键点之后,可以对关键点进行标注,具体的,可以是以圆圈、正方形、长方形或者不规则图形的方式将关键点标注,获得处理后的第一样本数据集和处理后的第二样本数据集,以便后续进行图像融合时可以基于标注信息进行准确融合。
步骤203:将处理后的第一样本数据集中的每个图像中的关键点,与处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像。
在本发明实施例中,确定处理后的第一样本数据集中的第一图像中的关键点,并确定处理后的第二样本数据集中的第二图像中的关键点,其中,第一图像为第一样本数据集中的任一图像,第二图像为第二样本数据集中的任一图像。
在本发明实施例中,可以将第一图像中的关键点的横坐标对应的第一处理值,与第二图像中与横坐标相同的关键点的横坐标对应的第二处理值进行相加处理,获得融合图像中关键点的横坐标,其中,第一处理值为第一图像中的关键点的横坐标与第一权值相乘所获得的,第二处理值为第二图像中的关键点的横坐标与第二权值相乘所获得的。以及,还可以将第一图像中的关键点的纵坐标对应的第三处理值,与第二图像中与纵坐标相同的关键点的纵坐标对应的第四处理值进行相加处理,获得融合图像中关键点的纵坐标,其中,第三处理值为第一图像中的关键点的纵坐标与第一权值相乘所获得的,第二处理值为第二图像中的关键点的纵坐标与第二权值相乘所获得的。
在本发明实施例中,还可以将第一图像中的关键点对应的色彩数值信息和第二图像中的关键点对应的色彩数值信息进行融合,确定融合图像中关键点的色彩数值信息。进一步地,基于融合图像中的关键点的横坐标和纵坐标,确定融合图像中关键点所处的位置,并基于融合图像中关键点的色彩数值信息和关键点所处的位置,获得对应的融合图像,以获得融合样本数据集。需要说明的是,在本发明实施例中,第一图像和第二图像中的关键点可以有多个,从而可以对应确定出融合图像中多个关键点。
在具体的实施过程中,可以采用one-Hot算法对第一样本数据集中每个图像中的关键点和第二样本数据集中每个图像中的关键点进行融合处理。具体的,可以采用如下公式进行融合处理:
M=wmi+(1-w)mj
N=wni+(1-w)nj
其中,mi和mj用于表征从第一样本数据集中选择的任一图像的关键点的坐标,ni和nj用于表征从第二样本数据集中选择的任一图像的关键点的坐标,车辆后备箱或车门打开的系数设置为w,车辆后备箱或车门关闭的系数设置为1-w。具体的,前述的第一权值对应理解为w,第二权值可以对应理解为1-w。当然,还可以是其它确定第一权值和第二权值的方式,本发明实施例中不做限制。
这样的方式,可以较为准确且有效的将两张图像关键点对应的位置融合,从而获得融合样本数据集。
在具体的实施过程中,可以将第一样本数据集中的包括车辆车门完全打开的第一图像,和与第一图像中车辆车型不同的第二样本数据集中的包括车辆车门完全关闭的第二图像进行融合,从而获得融合图像1;还可以将第一样本数据集中的包括车辆车门完全打开的第一图像,和与第一图像中车型相同但车体颜色不同的第二样本数据集中的包括车辆车门完全关闭的第二图像进行融合,从而获得融合图像2,当然还可以是其它的融合方式,本发明实施例中不做限制。
步骤304:基于融合样本集、第一样本数据集以及第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
在本发明实施例中,可以将融合样本集、第一样本数据集以及第二样本数据集输入到预设模型中进行训练,获得多个输出结果;其中,多个输出结果进行多次训练所获得的;然后确定整体损失函数,其中,整体损失函数为对第一样本数据集进行状态识别处理确定的第一损失函数和对第二样本数据集进行状态识别处理确定的第二损失函数进行加权计算所获得的。
在本发明实施例中,整体损失函数通过以下方式进行计算:
loss=λ*loss1+(1-λ)loss2;其中,loss用于表征整体损失函数,loss1用于表征第一损失函数,loss2用于表征第二损失函数,λ用于表征权值。
在本发明实施例中,第一损失函数为使用预设模型对第一样本数据集中的图像进行训练时所确定损失函数,第二损失函数为使用预设模型对第二样本数据集中的图像进行训练时所确定的损失函数。此外,λ可以和前述的w权值取相同值,也可以取不同值,本发明实施例中不做限制。
进一步地,可以基于多个输出结果和整体损失函数对预设模型进行训练,若整体损失函数对应的值小于预定阈值,则确定训练后的识别状态模型已收敛,从而获得训练后的识别状态模型。
基于同一发明构思,本发明实施例提供了一种识别状态模型的训练装置,该一种识别状态模型的训练装置能够实现前述的一种识别状态模型的训练方法对应的功能。该识别状态模型的训练装置可以是硬件结构、软件模块、或硬件结构加软件模块。该识别状态模型的训练装置可以由芯片***实现,芯片***可以由芯片构成,也可以包含芯片和其他分立器件。请参见图4所示,该识别状态模型的训练装置包括:
确定单元401,用于确定待训练的第一样本数据集和第二样本数据集,其中,所述第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,所述第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像;
处理单元402,用于对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集;以及,
所述处理单元402,还用于将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,所述融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像;
获得单元403,用于基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过所述训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
在一种可能的实施方式中,所述处理单元402,还用于:
确定所述第一样本数据集和所述第二样本数据集中的每个图像均包括的关键特征点的位置,并基于预设规则筛选关键点,其中,所述预设规则为所述关键点包括在从预设角度或方向拍摄车辆时所采集到的图像中;
对所述第一样本数据集和所述第二样本数据集中的每个图像中的关键点进行标注,获得处理后的第一样本数据集和处理后的第二样本数据集。
在一种可能的实施方式中,所述处理单元402还用于:
确定所述处理后的第一样本数据集中的第一图像中的关键点,并确定所述处理后的第二样本数据集中的第二图像中的关键点;
将所述第一图像中的关键点的横坐标对应的第一处理值,与所述第二图像中与所述横坐标相同的关键点的横坐标对应的第二处理值进行相加处理,获得融合图像中关键点的横坐标;以及,
将所述第一图像中的关键点的纵坐标对应的第三处理值,与所述第二图像中与所述纵坐标相同的关键点的纵坐标对应的第四处理值进行相加处理,获得所述融合图像中关键点的纵坐标;
将所述第一图像中的关键点对应的色彩数值信息和所述第二图像中的关键点对应的色彩数值信息进行融合,确定所述融合图像中关键点的色彩数值信息;
基于所述融合图像中的关键点的横坐标和纵坐标,确定所述融合图像中关键点所处的位置,并基于所述融合图像中关键点的色彩数值信息和所述关键点所处的位置,获得对应的融合图像,以获得融合样本数据集。
在一种可能的实施方式中,所述获得单元403还用于:
将融合样本集、所述第一样本数据集以及所述第二样本数据集输入到预设模型中进行训练,获得多个输出结果;其中,所述多个输出结果进行多次训练所获得的;
确定整体损失函数,其中,所述整体损失函数为对所述第一样本数据集进行状态识别处理确定的第一损失函数和对所述第二样本数据集进行所述状态识别处理确定的第二损失函数进行加权计算所获得的;
基于所述多个输出结果和所述整体损失函数对所述预设模型进行训练,若所述整体损失函数对应的值小于预定阈值,则确定所述训练后的所述识别状态模型已收敛,获得所述训练后的识别状态模型。
在一种可能的实施方式中,所述获得单元403还用于:
所述整体损失函数通过以下方式进行计算:
loss=λ*loss1+(1-λ)loss2;
其中,loss用于表征整体损失函数,loss1用于表征第一损失函数,loss2用于表征第二损失函数,λ用于表征权值。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个控制器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于同一发明构思,本发明实施例提供一种计算机设备,请参见图5所示,该计算机设备包括至少一个处理器501,以及与至少一个处理器连接的存储器502,本发明实施例中不限定处理器501与存储器502之间的具体连接介质,图5中是以处理器501和存储器502之间通过总线500连接为例,总线500在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线500可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。此外,一种识别状态模型的训练装置还包括通信接口503,用于接收发送的图像信息。
在本发明实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述的一种识别状态模型的训练方法中所包括的步骤。
其中,处理器501是计算机设备的控制中心,可以利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。
可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本发明实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对处理器501进行设计编程,可以将前述实施例中介绍的一种识别状态模型的训练方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行前述的一种识别状态模型的训练方法的步骤,如何对处理器501进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
基于同一发明构思,本发明实施例还提供一种存储介质,该存储介质存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的一种识别状态模型的训练方法的步骤。
在一些可能的实施方式中,本发明提供的一种识别状态模型的训练方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在控制计算机设备上运行时,所述程序代码用于使该控制计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的一种识别状态模型的训练方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种识别状态模型的训练方法,其特征在于,所述方法包括:
确定待训练的第一样本数据集和第二样本数据集,其中,所述第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,所述第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像;
对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集;以及,
将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,所述融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像;
基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过所述训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
2.如权利要求1所述的方法,其特征在于,对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集,包括:
确定所述第一样本数据集和所述第二样本数据集中的每个图像均包括的关键特征点的位置,并基于预设规则筛选关键点,其中,所述预设规则为所述关键点包括在从预设角度或方向拍摄车辆时所采集到的图像中;
对所述第一样本数据集和所述第二样本数据集中的每个图像中的关键点进行标注,获得处理后的第一样本数据集和处理后的第二样本数据集。
3.如权利要求1或2所述的方法,其特征在于,将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,包括:
确定所述处理后的第一样本数据集中的第一图像中的关键点,并确定所述处理后的第二样本数据集中的第二图像中的关键点;
将所述第一图像中的关键点的横坐标对应的第一处理值,与所述第二图像中与所述横坐标相同的关键点的横坐标对应的第二处理值进行相加处理,获得融合图像中关键点的横坐标;以及,
将所述第一图像中的关键点的纵坐标对应的第三处理值,与所述第二图像中与所述纵坐标相同的关键点的纵坐标对应的第四处理值进行相加处理,获得所述融合图像中关键点的纵坐标;
将所述第一图像中的关键点对应的色彩数值信息和所述第二图像中的关键点对应的色彩数值信息进行融合,确定所述融合图像中关键点的色彩数值信息;
基于所述融合图像中的关键点的横坐标和纵坐标,确定所述融合图像中关键点所处的位置,并基于所述融合图像中关键点的色彩数值信息和所述关键点所处的位置,获得对应的融合图像,以获得融合样本数据集。
4.如权利要求3所述的方法,其特征在于,基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,包括:
将融合样本集、所述第一样本数据集以及所述第二样本数据集输入到预设模型中进行训练,获得多个输出结果;其中,所述多个输出结果进行多次训练所获得的;
确定整体损失函数,其中,所述整体损失函数为对所述第一样本数据集进行状态识别处理确定的第一损失函数和对所述第二样本数据集进行所述状态识别处理确定的第二损失函数进行加权计算所获得的;
基于所述多个输出结果和所述整体损失函数对所述预设模型进行训练,若所述整体损失函数对应的值小于预定阈值,则确定所述训练后的所述识别状态模型已收敛,获得所述训练后的识别状态模型。
5.如权利要求4所述的方法,其特征在于,确定整体损失函数,包括:
所述整体损失函数通过以下方式进行计算:
loss=λ*loss1+(1-λ)loss2;
其中,loss用于表征整体损失函数,loss1用于表征第一损失函数,loss2用于表征第二损失函数,λ用于表征权值。
6.一种识别状态模型的训练装置,其特征在于,所述装置包括:
确定单元,用于确定待训练的第一样本数据集和第二样本数据集,其中,所述第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像,所述第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像;
处理单元,用于对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理,获得处理后的第一样本数据集和处理后的第二样本数据集;以及,
所述处理单元,还用于将所述处理后的第一样本数据集中的每个图像中的关键点,与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理,获得融合样本数据集,所述融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像;
获得单元,用于基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练,获得训练后的识别状态模型,以通过所述训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。
7.如权利要求6所述的装置,其特征在于,所述处理单元,还用于:
确定所述第一样本数据集和所述第二样本数据集中的每个图像均包括的关键特征点的位置,并基于预设规则筛选关键点,其中,所述预设规则为所述关键点包括在从预设角度或方向拍摄车辆时所采集到的图像中;
对所述第一样本数据集和所述第二样本数据集中的每个图像中的关键点进行标注,获得处理后的第一样本数据集和处理后的第二样本数据集。
8.如权利要求6所述的装置,其特征在于,所述处理单元还用于:
确定所述处理后的第一样本数据集中的第一图像中的关键点,并确定所述处理后的第二样本数据集中的第二图像中的关键点;
将所述第一图像中的关键点的横坐标对应的第一处理值,与所述第二图像中与所述横坐标相同的关键点的横坐标对应的第二处理值进行相加处理,获得融合图像中关键点的横坐标;以及,
将所述第一图像中的关键点的纵坐标对应的第三处理值,与所述第二图像中与所述纵坐标相同的关键点的纵坐标对应的第四处理值进行相加处理,获得所述融合图像中关键点的纵坐标;
将所述第一图像中的关键点对应的色彩数值信息和所述第二图像中的关键点对应的色彩数值信息进行融合,确定所述融合图像中关键点的色彩数值信息;
基于所述融合图像中的关键点的横坐标和纵坐标,确定所述融合图像中关键点所处的位置,并基于所述融合图像中关键点的色彩数值信息和所述关键点所处的位置,获得对应的融合图像,以获得融合样本数据集。
9.一种计算机设备,其特征在于,所述计算机设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的识别状态模型的训练方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的识别状态模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307328.XA CN112418303B (zh) | 2020-11-20 | 2020-11-20 | 一种识别状态模型的训练方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307328.XA CN112418303B (zh) | 2020-11-20 | 2020-11-20 | 一种识别状态模型的训练方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418303A true CN112418303A (zh) | 2021-02-26 |
CN112418303B CN112418303B (zh) | 2024-07-12 |
Family
ID=74774304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011307328.XA Active CN112418303B (zh) | 2020-11-20 | 2020-11-20 | 一种识别状态模型的训练方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418303B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907982A (zh) * | 2021-04-09 | 2021-06-04 | 济南博观智能科技有限公司 | 一种车辆违停行为的检测方法、装置和介质 |
CN116189098A (zh) * | 2023-04-23 | 2023-05-30 | 四川弘和通讯集团有限公司 | 识别车辆引擎盖是否打开的方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105909116A (zh) * | 2016-04-28 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 控制车门的方法、装置及*** |
CN108665441A (zh) * | 2018-03-30 | 2018-10-16 | 北京三快在线科技有限公司 | 一种近似重复图像检测方法及装置,电子设备 |
WO2019119505A1 (zh) * | 2017-12-18 | 2019-06-27 | 深圳云天励飞技术有限公司 | 人脸识别的方法和装置、计算机装置及存储介质 |
CN110188613A (zh) * | 2019-04-28 | 2019-08-30 | 上海鹰瞳医疗科技有限公司 | 图像分类方法及设备 |
CN110633751A (zh) * | 2019-09-17 | 2019-12-31 | 上海眼控科技股份有限公司 | 车标分类模型的训练方法、车标识别方法、装置及设备 |
CN111242199A (zh) * | 2020-01-07 | 2020-06-05 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像分类模型的训练方法及分类方法 |
CN111368893A (zh) * | 2020-02-27 | 2020-07-03 | Oppo广东移动通信有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN111382758A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 训练图像分类模型、图像分类方法、装置、设备及介质 |
CN111553428A (zh) * | 2020-04-30 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于训练判别模型的方法、装置、设备及可读存储介质 |
CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及*** |
-
2020
- 2020-11-20 CN CN202011307328.XA patent/CN112418303B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105909116A (zh) * | 2016-04-28 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 控制车门的方法、装置及*** |
WO2019119505A1 (zh) * | 2017-12-18 | 2019-06-27 | 深圳云天励飞技术有限公司 | 人脸识别的方法和装置、计算机装置及存储介质 |
CN108665441A (zh) * | 2018-03-30 | 2018-10-16 | 北京三快在线科技有限公司 | 一种近似重复图像检测方法及装置,电子设备 |
CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及*** |
CN111382758A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 训练图像分类模型、图像分类方法、装置、设备及介质 |
CN110188613A (zh) * | 2019-04-28 | 2019-08-30 | 上海鹰瞳医疗科技有限公司 | 图像分类方法及设备 |
CN110633751A (zh) * | 2019-09-17 | 2019-12-31 | 上海眼控科技股份有限公司 | 车标分类模型的训练方法、车标识别方法、装置及设备 |
CN111242199A (zh) * | 2020-01-07 | 2020-06-05 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像分类模型的训练方法及分类方法 |
CN111368893A (zh) * | 2020-02-27 | 2020-07-03 | Oppo广东移动通信有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN111553428A (zh) * | 2020-04-30 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于训练判别模型的方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
顾思思;扈乐华;: "基于VGGNet颜色识别的车辆检索***设计", 电脑与电信, no. 07, 10 July 2020 (2020-07-10), pages 21 - 24 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907982A (zh) * | 2021-04-09 | 2021-06-04 | 济南博观智能科技有限公司 | 一种车辆违停行为的检测方法、装置和介质 |
CN112907982B (zh) * | 2021-04-09 | 2022-12-13 | 济南博观智能科技有限公司 | 一种车辆违停行为的检测方法、装置和介质 |
CN116189098A (zh) * | 2023-04-23 | 2023-05-30 | 四川弘和通讯集团有限公司 | 识别车辆引擎盖是否打开的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112418303B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358157B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
Hsu et al. | Robust license plate detection in the wild | |
CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
WO2019149071A1 (zh) | 目标检测的方法、装置及*** | |
CN112560999A (zh) | 一种目标检测模型训练方法、装置、电子设备及存储介质 | |
CN108038176B (zh) | 一种路人库的建立方法、装置、电子设备及介质 | |
CN109740517A (zh) | 一种确定待识别对象的方法及装置 | |
CN109993031A (zh) | 一种畜力车目标违章行驶行为检测方法、装置及相机 | |
CN106250838A (zh) | 车辆识别方法及*** | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
CN112418303A (zh) | 一种识别状态模型的训练方法、装置及计算机设备 | |
CN110263864A (zh) | 车辆的匹配方法、装置、计算机设备及存储介质 | |
CN114882437A (zh) | 一种识别模型的训练方法、装置、电子设备和存储介质 | |
CN110245673A (zh) | 车位检测方法及装置 | |
CN114511589A (zh) | 一种人体跟踪方法和*** | |
CN109800675A (zh) | 一种确定人脸对象的识别图像的方法及装置 | |
CN111783654A (zh) | 车辆重识别方法、装置及电子设备 | |
CN112541394A (zh) | 黑眼圈及鼻炎识别方法、***及计算机介质 | |
CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
CN109727268A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN110648314B (zh) | 一种识别翻拍图像的方法、装置及设备 | |
CN109034171B (zh) | 视频流中的无牌车辆检测方法和装置 | |
CN113470009B (zh) | 违规撑伞检测和识别方法、装置、电子设备及存储介质 | |
CN111914671A (zh) | 一种安全带检测方法、装置、电子设备及存储介质 | |
CN112825116A (zh) | 监控视频图像人脸检测和追踪方法、装置、介质及设备 |
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 | ||
GR01 | Patent grant |