CN112446374B - 一种目标检测模型的确定方法及装置 - Google Patents
一种目标检测模型的确定方法及装置 Download PDFInfo
- Publication number
- CN112446374B CN112446374B CN201910804233.XA CN201910804233A CN112446374B CN 112446374 B CN112446374 B CN 112446374B CN 201910804233 A CN201910804233 A CN 201910804233A CN 112446374 B CN112446374 B CN 112446374B
- Authority
- CN
- China
- Prior art keywords
- information
- frame
- determining
- prediction
- prediction frame
- 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
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
公开了一种目标检测模型的确定方法、装置、计算机可读存储介质及电子设备,该方法包括:获取目标检测模型中预测框的预测框信息及标记框的标记框信息;根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息;根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息;根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比;根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比;根据所述第二交并比,确定优化的目标检测模型。根据本公开得到的目标检测模型可更为准确的进行目标检测。
Description
技术领域
本申请涉及机器视觉技术领域,且更具体地,涉及一种目标检测模型的确定方法及装置。
背景技术
目标检测是机器视觉的一项重要技术,通常需要目标检测模型将图像中把目标对象检测出来。交并比是目标检测模型中最常用的评价标准之一,具体指的是目标检测算法产生的预测框与原来的标记框之间的交叠率,即预测框与标记框的交集与并集的比值。目前的方法,主要通过交并比确定目标检测模型。
但是,交并比一样的情况下,预测框与标记框可以对应多种重叠情况,导致通过上述方法确定的目标检测模型对目标检测的准确性可能较低。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种目标检测模型的确定方法、装置、计算机可读存储介质及电子设备,确定出的目标检测模型可更为准确的进行目标检测。
根据本申请的一个方面,提供了一种目标检测模型的确定方法,包括:
获取目标检测模型中预测框的预测框信息及标记框的标记框信息;
根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息;
根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息;
根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比;
根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比;
根据所述第二交并比,确定优化的目标检测模型。
根据本申请的第二方面,提供了一种目标检测模型的确定装置,包括:
获取模块,用于获取目标检测模型中预测框的预测框信息及标记框的标记框信息;
第一信息确定模块,用于根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息;
第二信息确定模块,用于根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息;
第一交并比确定模块,用于根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比;
第二交并比确定模块,用于根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比;
优化模块,用于根据所述第二交并比,确定优化的目标检测模型。
根据本申请的第三方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述第一方面中所述的位姿信息确定方法。
根据本申请的第四方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现上述第一方面中所述的位姿信息确定方法。
与现有技术相比,本申请提供的一种目标检测模型的确定方法、装置、计算机可读存储介质及电子设备,至少包括如下有益效果:
本实施例基于预测框及标记框未重叠区域参考信息,对预测框及标记框的重叠区域与并集区域的交并比进行改进,使得改进后的交并比能够反映出预测框及标记框的相交方式,进而根据改进的交并比,确定目标检测模型,该目标检测模型可更为准确的进行目标检测。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的目标检测模型的确定方法的流程示意图。
图2是本申请一示例性实施例提供的目标检测模型的确定方法中步骤103的流程示意图。
图3是本申请一示例性实施例提供的目标检测模型的确定方法中步骤102的第一流程示意图。
图4是本申请一示例性实施例提供的目标检测模型的确定方法中步骤102的第二流程示意图。
图5是本申请一示例性实施例提供的目标检测模型的确定方法中步骤1021的流程示意图。
图6是本申请一示例性实施例提供的目标检测模型的确定方法中预测框与标记框的角点坐标的示意图。
图7是本申请一示例性实施例提供的目标检测模型的确定装置的结构示意图。
图8是本申请一示例性实施例提供的目标检测模型的确定装置中第二信息确定模块703的结构示意图。
图9是本申请一示例性实施例提供的目标检测模型的确定装置中第一信息确定模块702的结构示意图。
图10是本申请一示例性实施例提供的目标检测模型的确定装置中第一集合确定单元7021的结构示意图。
图11是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
交并比是目标检测算法中最常用的评价标准之一,指示了目标检测算法产生的预测框与原来的标记框之间的交叠率。在对目标检测模型进行测试时,目标检测模型会预测出一系列的预测框,预测框与标记框的交集与其并集的比值即为交并比,交并比可以反映出目标检测模型的性能优劣,当交并比较小时,则说明目标检测模型的准确性较低,此时,需要根据交并比确定优化的目标检测模型。
交并比是比值概念,当预测框与标记框不相交时,交并比为零,导致交并比无法衡量预测框和标记框之间的距离远近。同时,交并比无法反映出预测框与标记框的相交方式,导致预测框与标记框对应的多种相交方式对应同一交并比,但是预测框与标记框对应的不同的相交方式对应的目标检测模型的优化方向不同,导致通过上述交并比确定优化的目标检测模型时,可能会降低目标检测模型的准确性。
本发明实施例充分考虑到了预测框与标记框的相交方式,通过考虑预测框与标记框的未重叠区域,结合预测框与标记框的重叠区域、外接包围区域、标记框区域及预测框区域,确定出可反映预测框与标记框相交方式的交并比,之后,通过该交并比确定优化的目标检测模型,得到的目标检测模型可更为准确的进行目标检测。
示例性方法
图1是本申请一示例性实施例提供的目标检测模型的确定方法的流程示意图。本实施例可应用在电子设备上,具体可以应用于服务器或一般计算机上。如图1所示,本申请一示例性实施例提供的目标检测模型的确定方法至少包括如下步骤:
步骤101,获取目标检测模型中预测框的预测框信息及标记框的标记框信息。
具体地,通过为图像样本中的目标对象设置标记框,图像样本指的是训练目标检测模型用到的图像,目标对象为目标检测模型需要检测的图样样本中的对象,目标对象可以包括若干个不同类别的物体,比如,车辆和猫就是两个不同类别的物体,然后,利用这些图像样本训练模型从而确定目标检测模型,在这里,训练的模型可以是神经网络,之后,当对目标检测模型进行测试时,目标检测模型会对图像样本中的目标对象进行检测,从而输出预测框,具体地,标记框是人工预先标注在图像样本中的,可完全包围目标对象,标记框信息包括标记框在图像样本中的位置及大小,预测框指的是目标检测模型检测时的输出框,预测框信息包括预测框在图像样本中的位置及大小。
需要说明的是,预测框及标记框是针对同一图像样本中的同一目标对象的,对于目标检测模型测试时用到的图像样本,图像样本包含多个目标对象,每个目标对象对应有标记框及预测框。预测框及标记框为二维框或三维框,当预测框及标记框为二维框时,预测框及标记框通常都是多边形,通常是长方形;当预测框及标记框为三维框时,预测框及标记框通常都是多边体,通常是长方体,预测框和标记框的大小通常是相同的。
步骤102,根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息。
根据预测框信息中的预测框的位置及大小,标记框信息中的标记框的位置及大小,可确定预测框及标记框的外接包围区域信息及重叠区域信息。外接包围区域信息指示了预测框及标记框的外接包围区域的大小,也可以包括位置,外接包围区域的形状与预测框相同或者相似,外接包围区域指的是完全包围预测框及标记框的最小区域。重叠区域信息指示了预测框及标记框的重叠区域的大小,也可以包括位置。举例来说,外接包围区域信息包括预测框及标记框的最小外接包围区域的面积或体积,重叠区域信息包括预测框及标记框重叠区域的面积或体积。
步骤103,根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息。为了更为准确的反映出预测框与标记框之间的重合度,在考虑重叠区域信息的基础上,通常需要考虑未重叠区域信息对预测框及标记框的相交方式的影响,这里,采用未重叠区域参考信息说明未重叠区域信息对预测框及标记框相交方式的影响。具体地,通过预测框信息、标记框信息及重叠区域信息可确定未重叠区域信息,未重叠区域信息包括但不限于未重叠区域的大小、位置、***轮廓及内围轮廓,未重叠区域指的是预测框与标记框并集区域的轮廓与重叠区域的轮廓之间的区域,通常预测框与标记框的并集区域的轮廓也是未重叠区域的***轮廓,预测框与标记框的重叠区域的轮廓也是未重叠区域的内围轮廓。在预测框、标记框及重叠区域的大小不变的前提下,未重叠区域的大小也是不变的,但是未重叠区域的***轮廓是随着预测框与标记框的相交方式的变化而变化的,同时考虑到预测框与标记框的相交方式的变化会导致外接包围区域信息的变化,因此,外接包围区域信息与未重叠区域信息之间存在可反映预测框及标记框的相交方式的信息,之后,基于该信息确定未重叠区域参考信息,从而使得未重叠区域参考信息能够指示预测框及标记框的相交方式。不同的未重叠区域参考信息反映出预测框与标记框不同的相交方式。步骤104,根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比。
当预测框及标记框为二维框时,第一交并比指的是预测框及标记框的交集的面积与并集的面积的比值。当预测框及标记框为三维框时,第一交并比指的是预测框及标记框的交集的体积与并集的体积的比值。显而易见的,当预测框与标记框的大小不变,同时预测框与标记框的重叠区域信息中的重叠区域的大小相同的情况下,预测框与标记框的相交方式对第一交并比没有影响,即交并比不能反映出预测框与标记框的相交方式。
步骤105,根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比。
考虑到未重叠区域参考信息对预测框及标记框的相交方式的影响,通过未重叠区域参考信息对第一交并比进行改进,以确定第二交并比,该第二交并比的大小能够反映出预测框及标记框的相交方式的优劣。
步骤106,根据所述第二交并比,确定优化的目标检测模型。
一般来说,进行机器学习任务时,使用的每一个模型都有一个目标函数,模型的优化便是对这个目标函数进行优化,在目标检测任务中,目标检测模型使用损失函数(LossFunction)作为其目标函数,又称为代价函数(Cost Function)。损失函数是用来评价模型的预测值与真实值的不一致程度,它是一个非负实值函数,同时通过损失函数能够调整模型的内部参数以提高模型的性能,损失函数越小,模型的性能就越好。交并比是目标检测模型的评价指标,当目标检测模型的性能较差时,需要优化目标检测模型。第二交并比能够反映出预测框及标记框的相交方式的优劣,通过建立第二交并比对应的损失函数,优化该损失函数以对目标检测模型进行优化,从而确定出预测框及标记框的相交方式较好的目标检测模型,从而提高目标检测模型对目标检测的准确性。
本实施例基于预测框及标记框的未重叠区域参考信息,对预测框及标记框的第一交并比进行改进以确定第二交并比,使得第二交并比能够反映出预测框及标记框的相交方式,进而根据第二交并比确定预测框与标记框的相交方式相对较好的目标检测模型,从而使得目标检测模型可更为准确的进行目标检测。
图2示出了如图1所示的实施例中根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息步骤的流程示意图。
如图2所示,在上述图1所示实施例的基础上,本申请一个示例性实施例中,步骤103所示根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息步骤,具体可以包括如下步骤:
步骤1031,根据所述标记框信息、预测框信息及重叠区域信息,确定所述预测框及标记框的并集区域信息。
当预测框及标记框为二维框时,并集区域信息指的是预测框及标记框并集区域的面积。当预测框及标记框为三维框时,并集区域信息指的是预测框及标记框并集区域的体积。并集区域指的是预测框及标记框相交的区域。
步骤1032,根据所述并集区域信息及外接包围区域信息,确定外接包围区域与并集区域之间的未覆盖区域信息。
当预测框及标记框为二维框时,未覆盖区域信息指的是预设框与标记框的外接包围区域与并集区域之间的未覆盖区域的面积。当预测框及标记框为三维框时,未覆盖区域信息指的是预测框与标记框的外接包围区域与并集区域之间的未覆盖区域的体积。未覆盖区域指的是预测框及标记框的并集区域的轮廓与外接包围区域的轮廓之间的区域,即外接包围区域的轮廓与未重叠区域的***轮廓之间的区域。在预测框及标记框的大小不变的前提下,未覆盖区域信息能够反映出预测框与标记框之间的相交方式,即不同的未覆盖区域信息能够指示不同的相交方式,但是,预测框及标记框的大小变化时,未覆盖区域信息则不能准确的指示预测框与标记框之间的相交方式。
步骤1033,根据所述未覆盖区域信息及外接包围信息,确定未覆盖区域占所述外包围区域的比重值,并将所述比重值确定为所述预测框及标记框的未重叠区域参考信息。
在预测框与标记框的大小不变,同时预测框与标记框的重叠区域信息中的重叠区域的大小相同的情况下,预测框与标记框的未重叠区域大小是不变的,但是预测框与标记框的相交方式是变化的,同时预测框与标记框的外接包围区域的大小也是变化的,相应的,未覆盖区域的大小也是变化的,因此,外接包围区域信息与未重叠区域信息之间存在可反映预测框及标记框的相交方式的信息包括未覆盖区域的大小及外接包围区域的大小,考虑到预测框及标记框的大小对未覆盖区域的大小及外接包围区域的大小的影响较大,导致未覆盖区域的大小及外接包围区域的大小不能准确的反映出预测框与标记框的相交方式,但是预测框及标记框的大小对未覆盖区域的大小及外接包围区域的大小的比值的影响较小,因此,通过确定未覆盖区域的大小占外接包围的大小的比重值,以确保该比重值可更为准确的反映预测框与标记框的相交方式,同时不受预测框及标记框的大小的影响,具有尺度不变性,该比重值越小越能说明预测框与标记框的相交方式越好。需要说明的是,当预测框与标记框不相交时,预测框与标记框不同的距离对应有不同的比重值,从而保证第二交并比能够衡量预测框与标记框之间的距离,进而得到准确性较高的目标检测模型。
当预测框及标记框为二维框时,比重值指示了未覆盖区域的面积占外接包围区域的面积的比值。当预测框及标记框为三维框时,比重值指示了未覆盖区域的体积占外接包围区域的体积的比值。
本实施例通过确定预测框与标记框的并集区域与外接包围区域之间的未覆盖区域信息,进而确定出未覆盖区域占外接包围区域的比重值,该比重值具有尺度不变性,之后,将该比重值确定为未重叠区域参考信息,确定的未重叠区域参考信息可反映出预测框与标记框相交方式的优劣。
图3示出了如图1所示的实施例中根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息步骤的流程示意图。
如图3所示,在上述图1所示实施例的基础上,本申请一个示例性实施例中,步骤102所示根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息步骤,具体可以包括如下步骤:
步骤1021,根据所述预测框信息,确定所述预测框的第一边界线坐标集合。
第一边界线坐标集合指示了预测框的边界线的两个端点分别对应的坐标值,边界线为形成预测框的线段。举例来说,当预测框为长方形时,长方形包括4条边界线,则第一边界线坐标集合包括组成预测框的长方形的每条边界线的两个端点分别对应的坐标值。当预测框为长方体时,长方体包括12条边界线,则第一边界线坐标集合包括组成预测框的长方体的每条边界线的两个端点分别对应的坐标值。需要说明的是,这些坐标值均为一维坐标值,一维坐标值指的是在一个坐标轴上的值。
步骤1022,根据所述标记框信息,确定所述标记框的第二边界线坐标集合。
第二边界线坐标集合指示了标记框的边界线的两个端点分别对应的坐标值,边界线为形成标记框的线段。举例来说,当标记框为长方形时,长方形包括4条边界线,则第二边界线坐标集合包括组成标记框的长方形的每条边界线的两个端点分别对应的坐标值。当标记框为长方体时,长方体包括12条边界线,则第二边界线坐标集合包括组成标记框的长方体的每条边界线的两个端点分别对应的坐标值。需要说明的是,这些坐标值均为一维坐标值。
步骤1023,根据所述第一边界线坐标集合及所述第二边界线坐标集合,确定外接包围区域信息,所述外接包围区域信息包括外接包围区域的第一中心坐标值、第一边界值及第一偏转角度值。
外接包围区域的形状与预测框的形状相似或者相同,第一中心坐标值的维度与预测框的维度相同,第一边界值包括组成外接包围区域的若干个边界线的长度值。第一偏转角度值为外接包围区域在坐标轴的旋转角度值,坐标轴的选择需要结合具体的场景确定,具体的,第一偏转角度值满足预设值,预设值通常为0,即外接包围区域在坐标轴上的旋转角度为零。
举例来说,当预测框及标记框为长方形时,外接包围区域的形状也是长方形,第一中心坐标值为二维坐标值,即外接包围区域中心在横轴及纵轴上的坐标值,第一边界值包括组成外接包围区域的长度值及宽度值,第一偏转角度值为外接包围区域在横轴和/或纵轴的旋转角度值。当预测框及标记框为长方体时,外接包围区域也是长方体,第一中心坐标值为三维坐标值,即外接包围区域的中心在横轴、纵轴及竖轴上的坐标值,第一边界值包括组成外接包围区域的长度值、宽度值及高度值,第一偏转角度值为外接包围区域在坐标轴上的旋转角度值,坐标轴为横轴、纵轴及竖轴中的任意一个或多个。
本实施例通过第一边界线坐标集合及第二边界线坐标集合,确定外接包围区域信息,外接包围区域信息指示了预测框与标记框的外接包围区域的位置及大小。
图4示出了如图1所示的实施例中根据所述预测框信息及标记框信息,确定所述预测框及标记框的重叠区域信息步骤的流程示意图。
如图4所示,在上述图1及图3所示实施例的基础上,本申请一个示例性实施例中,步骤102所示根据所述预测框信息及标记框信息,确定所述预测框及标记框的重叠区域信息步骤,具体可以包括如下步骤:
步骤1024,根据所述第一边界线坐标集合及所述第二边界线坐标集合,确定重叠区域信息,所述重叠区域信息包括重叠区域的边界值对应的坐标值。
预测框与标记框的重叠部分的形状与预测框不同时,对于重叠部分的面积或者体积的计算是复杂的,为了加速运算,将重叠部分的最小外接包围区域确定为重叠区域,在这里,重叠区域的最小外接包围区域的形状与预测框的形状相似或相同。举例来说,预测框为长方形时,预测框与标记框的重叠部分不是长方形时,确定重叠部分的最小外接包围区域,并将其确定为重叠区域,重叠区域的形状为长方形。
重叠区域的边界值指的是组成重叠区域的边界线的长度值。重叠区域包括若干个边界线,每个边界线对应有边界值,每个边界线的两个端点分别对应有坐标值,即每个边界值对应有两个坐标值,这些坐标值为一维坐标值。
需要说明的是,第一交并比为预测框与标记框的重叠区域的大小与并集区域的大小的比值,在这里,当预测框与标记框的重叠部分的形状与预测框相同或者相似时,第一交并比是准确的,当预测框与标记框的重叠部分的形状与预测框不同时,第一交并比通常是偏大的,进而导致了第二交并比出现误差,当利用第二交并比进行目标检测模型优化时,会导致目标检测模型的优化方向出现偏差,但是这个偏差在可接受的范围内,不会对确定的优化的目标检测模型的准确性造成过大的影响。
步骤1025,当所述重叠区域信息不满足预设条件时,利用预设信息替换所述重叠区域信息。
预设条件为预测框与标记框重叠。重叠区域信息不满足预设条件则说明预测框与标记框未重叠,在这里,预设信息为重叠区域的面积或体积为0,从而用0统一表示预测框与标记框未重叠。
本实施例中根据第一边界线坐标集合及第二边界线坐标集合,确定重叠区域信息,并利用预设信息替换不满足预设条件的重叠区域信息,从而确保重叠区域信息的准确性。
图5示出了如图3所示的实施例中根据所述预测框的预测框信息,确定所述预测框的第一边界线坐标集合步骤的流程示意图。
如图5所示,在上述图3所示实施例以及所述预测框信息包括预测框的第二中心坐标值、第二边界值及第二偏转角度值的基础上,本申请一个示例性实施例中,步骤1021所示根据所述预测框信息,确定所述预测框的第一边界线坐标集合步骤,具体可以包括如下步骤:
步骤10211,根据所述预测框的第二中心坐标值、第二边界值及第二偏转角度值,确定所述预测框的角点坐标集合。
角点坐标集合包括若干个角点坐标,角点坐标指的是两个边界线交点的坐标值,该坐标值的维度与第二中心坐标值的维度相同,第二中心坐标值的维度与预测框的维度相同。第二偏转角度值为预测框在坐标轴的旋转角度值,坐标轴的选择需要结合具体的场景确定。
举例来说,当预测框为长方形时,第二边界值为形成长方形的长度值及宽度值,角点坐标集合包括形成长方体的4个角点的坐标值,第二偏转角度值为预测框在横轴和/或纵轴上的旋转角度值。当预测框为长方体时,第二边界值为形成长方体的长度值、宽度值及高度值,角点坐标集合包括形成长方体的8个角点的坐标值,第二偏转角度值为预测框的在横轴、纵轴及竖轴中的任意一个或多个坐标轴上的旋转角度值。
步骤10212,根据所述角点坐标集合,确定所述第二边界值对应的坐标值,并利用所述第二边界值对应的坐标值形成第一边界线坐标集合。
举例来说,当预测框为长方形时,第二边界值为形成长方形的4条边界线的长度值,则第二边界值对应的坐标值包括4条边界线分别对应的两个端点的坐标值,坐标值为一维坐标值。
标记框信息和预测框信息包含的内容是类似的,即标记框信息包括标记框的中心坐标值、边界值及偏转角度值,相应的,第二边界线坐标集合的确定过程和第一边界线坐标集合的确定过程相似。当标记框及预测框均为二维框时,上述实施例中涉及的坐标值均在由横轴及纵轴形成的平面坐标系下确定。当标记框及预测框均为三维框时,上述实施例中涉及的坐标值均在由横轴、纵轴及竖轴形成的空间坐标系下确定的。
本实施例通过预测框信息的中心坐标值、边界值及偏转角度值,确定第一边界线坐标集合。
为了方便理解,请参考图6,图6中预测框与旋转框在横轴、纵轴及竖轴上均没有旋转角度值,下面将结合示例进行说明。
预测框信息包括:
xp,yp,zp,hp,wp,lp,Yawp,rollp,Pitchp;
Vp=hp×wp×lp。
标记框信息包括:
xg,yg,zg,hg,wg,lg,Yawg,rollg,Pitchg;
Vg=hg×wg×lg。
其中,Bp表示预测框;xp表示预测框中心在横轴上的坐标值;yp表示预测框中心在纵轴上的坐标值;zp表示预测框中心在竖轴上的坐标值;hp表示预测框的高度值;wp表示预测框的宽度值;lp表示预测框的长度值;Yawp表示预测框在竖轴上的旋转角度值;rollp表示预测框在纵轴上的旋转角度值;Pitchp表示预测框在横轴上的旋转角度值;Vp表示预测框的面积;标记框信息的表示含义类同,这里不做赘述。
预测框的角点坐标集合包括:
xp 1,yp 1,zp 1,……,xp 8,yp 8,zp 8。
标记框的角点坐标集合包括:
xg 1,yg 1,zg 1,……,xg 8,yg 8,zg 8。
请参考图6,其中,xp 1表示图6中预测框中的角点在横轴上的坐标值,xp 1=xp-(lg×cosYawg×cosrollp)/2,考虑到图6中预测框与旋转框在横轴、纵轴及竖轴上均没有旋转角度值,即Yawp,rollp,Pitchp均为0,则cosYawg=cosrollp=1,因此,xp 1=xp-lg/2;yp 1表示图6中预测框中的角点在纵轴上的坐标值,yp 1=yp+(wg×cosYawg×cosPitchp)/2,cosYawg=cosPitchp=1,因此,yp 1=yp+wg/2;zp 1表示图6中预测框中的角点在竖轴上的坐标值,zp 1=zp+(hg×cosrollp×cosPitchp)/2,cosrollp=cosPitchp=1,因此,zp 1=zp+hg/2;其他各个项以及标记框的角点坐标集合的内容表示含义类同,这里不做赘述。
预测框的第一边界线坐标集合包括:
xp min=min{xp 1,xp 2,xp 3,xp 4,xp 5,xp 6,xp 7,xp 8};
yp min=min{yp 1,yp 2,yp 3,yp 4,yp 5,yp 6,yp 7,yp 8};
zp min=min{zp 1,zp 2,zp 3,zp 4,zp 5,zp 6,zp 7,zp 8};
xp max=max{xp 1,xp 2,xp 3,xp 4,xp 5,xp 6,xp 7,xp 8};
yp max=max{yp 1,yp 2,yp 3,yp 4,yp 5,yp 6,yp 7,yp 8};
zp max=max{zp 1,zp 2,zp 3,zp 4,zp 5,zp 6,zp 7,zp 8}。
标记框的第二边界线坐标集合包括:
xg min=min{xg 1,xg 2,xg 3,xg 4,xg 5,xg 6,xg 7,xg 8};
yg min=min{yg 1,yg 2,yg 3,yg 4,yg 5,yg 6,yg 7,yg 8};
zg min=min{zg 1,zg 2,zg 3,zg 4,zg 5,zg 6,zg 7,zg 8};
xg max=max{xg 1,xg 2,xg 3,xg 4,xg 5,xg 6,xg 7,xg 8};
yg max=max{yg 1,yg 2,yg 3,yg 4,yg 5,yg 6,yg 7,yg 8};
zg max=max{zg 1,zg 2,zg 3,zg 4,zg 5,zg 6,zg 7,zg 8}。
其中,xp min表示{xp 1,xp 2,xp 3,xp 4,xp 5,xp 6,xp 7,xp 8}中的最小的坐标值,即预测框的角点在横轴上的最小坐标值,xp min是一维坐标值;xp max表示{xp 1,xp 2,xp 3,xp 4,xp 5,xp 6,xp 7,xp 8}中的最大的坐标值,即预测框的角点在横轴上的最大坐标值,xp max是一维坐标值;其他各个项以及标记框的边界线坐标集合的内容表示含义类同,这里不做赘述。
外接包围区域信息包括:
xc=(min(xp min,xg min)+max(xp max,xg max))/2;
yc=(min(yp min,yg min)+max(yp max,yg max))/2;
zc=(min(zp min,zg min)+max(zp max,zg max))/2;
hc=max(zp max,zg max)-min(zp min,zg min);
wc=max(yp max,yg max)-min(yp min,yg min);
lc=max(xp max,xg max)-min(xp min,xg min);
Yawc=0,rollc=0,Pitchc=0
Vc=hc×wc×lc
其中,xc表示外接包围区域中心在横轴上的坐标值;yc表示外接包围区域中心在纵轴上的坐标值;zc表示外接包围区域中心在竖轴上的坐标值;hc表示外接包围区域的高度值;wc表示外接包围区域的宽度值;lc表示外接包围区域的长度值;Yawc表示外接包围区域在竖轴上的旋转角度值;rollc表示外接包围区域在纵轴上的旋转角度值;Pitchc表示外接包围区域在横轴上的旋转角度值;Vc表示外接包围区域的体积。
重叠区域信息包括:
xinter min=min{xp max,xg max};
yinter min=min{yp max,yg max};
zinter min=min{zp max,zg max};
xinter max=max{xp min,xg min};
yinter max=max{yp min,yg min};
zinter max=max{zp min,zg min};
Vintra=(xinter max-xinter min)×(yinter max-yinter min)×(zinter max-zinter min)。
预设条件包括:
xinter max>xinter min&yinter max>yinter min&zinter max>zinter min。
其中,xinter min表示重叠区域在横轴上的最小坐标值;xinter max表示重叠区域在横轴上的最大坐标值;yinter min表示重叠区域在纵轴上的最小坐标;yinter max表示重叠区域在纵轴上的最大坐标值;zinter max表示重叠区域在竖轴上的最小坐标值;zinter max表示重叠区域在竖轴上的最大坐标值;Vintra表示重叠区域的体积;&表示和的意思。
IoU=Vintra/(Vp+Vg-Vintra)–(Vc-(Vp+Vg-Vintra))/Vc
其中,IoU表示第二交并比,Vintra/(Vp+Vg-Vintra)表示第一交并比,(Vc-(Vp+Vg-Vintra))/Vc表示比重值。
该示例中,第二交并比的取值范围为[-1,1],当预测框与标记框不相交且距离较远时,IoU趋向于-1,当预测框与标记框重叠的部分越多时,IoU趋向于1,当预测框与标记框完全重叠时,IoU为1。根据第二交并比构建的损失函数更易优化,比如,损失函数可以是1-IoU。第二交并比对物体大小不敏感,不仅关注重叠区域,还关注未重叠区域,能更好的反映预测框与标记框的重合度,可在预测框与标记框重叠的情况下确保与第二交并比的强相关性,即第二交并比可以较为准确的反映出预测框与标记框之间是如何发生重叠的。
示例性装置
基于与本申请方法实施例相同的构思,本申请实施例还提供了一种运动轨迹确定装置。
图7示出了本申请一示例性实施例提供的一种运动轨迹确定装置的结构示意图。
获取模块701,用于获取目标检测模型中预测框的预测框信息及标记框的标记框信息;
第一信息确定模块702,用于根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息;
第二信息确定模块703,用于根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息;
第一交并比确定模块704,用于根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比;
第二交并比确定模块705,用于根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比;
优化模块706,用于根据所述第二交并比,确定优化的目标检测模型。
如图8所示,在一个示例性实施例中,所述第二信息确定模块703,包括:
第一信息确定单元7031,用于根据所述标记框信息、预测框信息及重叠区域信息,确定所述预测框及标记框的并集区域信息;
第二信息确定单元7032,用于根据所述并集区域信息及外接包围区域信息,确定外接包围区域与并集区域之间的未覆盖区域信息;
第三信息确定单元7033,用于根据所述未覆盖区域信息及外接包围信息,确定未覆盖区域占所述外包围区域的比重值,并将所述比重值确定为所述预测框及标记框的未重叠区域参考信息。
如图9所示,在一个示例性实施例中,所述第一信息确定模块702,包括:
第一集合确定单元7021,用于根据所述预测框信息,确定所述预测框的第一边界线坐标集合;
第二集合确定单元7022,用于根据所述标记框信息,确定所述标记框的第二边界线坐标集合;
第四信息确定单元7023,用于根据所述第一边界线坐标集合及所述第二边界线坐标集合,确定外接包围区域信息,所述外接包围区域信息包括外接包围区域的第一中心坐标值、第一边界值及第一偏转角度值。
第五信息确定单元7024,用于根据所述第一边界线坐标集合及所述第二边界线坐标集合,确定重叠区域信息,所述重叠区域信息包括重叠区域的边界值对应的坐标值;
第六信息确定单元7025,用于当所述重叠区域信息不满足预设条件时,利用预设信息替换所述重叠区域信息。
如图10所示,所述预测框信息包括预测框的第二中心坐标值、第二边界值及第二偏转角度值,在一个示例性实施例中,所述第一集合确定单元7021,包括:
第一集合确定子单元70211,用于根据所述预测框的第二中心坐标值、第二边界值及第二偏转角度值,确定所述预测框的角点坐标集合;
第二集合确定子单元70212,用于根据所述角点坐标集合,确定所述第二边界值对应的坐标值,并利用所述第二边界值对应的坐标值形成第一边界线坐标集合。
示例性电子设备
图11图示了根据本申请实施例的电子设备的框图。
如图11所示,电子设备110包括一个或多个处理器111和存储器112。
处理器111可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备110中的其他组件以执行期望的功能。
存储器112可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器111可以运行所述程序指令,以实现上文所述的本申请的各个实施例的目标检测模型的确定方法及/或者其他期望的功能。
在一个示例中,电子设备110还可以包括:输入装置113和输出装置114,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
当然,为了简化,图11中仅示出了该电子设备110中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备110还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的目标检测模型的确定方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的目标检测模型的确定方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种目标检测模型的确定方法,包括:
获取目标检测模型中预测框的预测框信息及标记框的标记框信息;
根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息;
根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息;
根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比;
根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比;
根据所述第二交并比,确定优化的目标检测模型。
2.根据权利要求1所述的方法,其中,所述根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息包括:
根据所述标记框信息、预测框信息及重叠区域信息,确定所述预测框及标记框的并集区域信息;
根据所述并集区域信息及外接包围区域信息,确定外接包围区域与并集区域之间的未覆盖区域信息;
根据所述未覆盖区域信息及外接包围信息,确定未覆盖区域占所述外接包围区域的比重值,并将所述比重值确定为所述预测框及标记框的未重叠区域参考信息。
3.根据权利要求1所述的方法,其中,所述根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息包括:
根据所述预测框信息,确定所述预测框的第一边界线坐标集合;
根据所述标记框信息,确定所述标记框的第二边界线坐标集合;
根据所述第一边界线坐标集合及所述第二边界线坐标集合,确定外接包围区域信息,所述外接包围区域信息包括外接包围区域的第一中心坐标值、第一边界值及第一偏转角度值。
4.根据权利要求3所述的方法,其中,所述第一偏转角度值满足预设值。
5.根据权利要求3所述的方法,其中,所述根据所述预测框信息及标记框信息,确定所述预测框及标记框的重叠区域信息包括:
根据所述第一边界线坐标集合及所述第二边界线坐标集合,确定重叠区域信息,所述重叠区域信息包括重叠区域的边界值对应的坐标值;
当所述重叠区域信息不满足预设条件时,利用预设信息替换所述重叠区域信息。
6.根据权利要求3至5中任一项所述的方法,其中,所述预测框信息包括预测框的第二中心坐标值、第二边界值及第二偏转角度值;
所述根据所述预测框的预测框信息,确定所述预测框的第一边界线坐标集合包括:
根据所述预测框的第二中心坐标值、第二边界值及第二偏转角度值,确定所述预测框的角点坐标集合;
根据所述角点坐标集合,确定所述第二边界值对应的坐标值,并利用所述第二边界值对应的坐标值形成第一边界线坐标集合。
7.根据权利要求6所述的方法,其中,所述第二边界值对应的坐标值为一维坐标值。
8.一种目标检测模型的确定装置,包括:
获取模块,用于获取目标检测模型中预测框的预测框信息及标记框的标记框信息;
第一信息确定模块,用于根据所述预测框信息及标记框信息,确定所述预测框及标记框的外接包围区域信息及重叠区域信息;
第二信息确定模块,用于根据所述重叠区域信息、预测框信息、标记框信息及外接包围区域信息,确定所述预测框及标记框的未重叠区域参考信息;
第一交并比确定模块,用于根据所述重叠区域信息、预测框信息及标记框信息,确定所述预测框及标记框的第一交并比;
第二交并比确定模块,用于根据所述第一交并比及所述未重叠区域参考信息,确定所述预测框及标记框的第二交并比;
优化模块,用于根据所述第二交并比,确定优化的目标检测模型。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的目标检测模型的确定方法。
10.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一所述的目标检测模型的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910804233.XA CN112446374B (zh) | 2019-08-28 | 2019-08-28 | 一种目标检测模型的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910804233.XA CN112446374B (zh) | 2019-08-28 | 2019-08-28 | 一种目标检测模型的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446374A CN112446374A (zh) | 2021-03-05 |
CN112446374B true CN112446374B (zh) | 2023-08-29 |
Family
ID=74742154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910804233.XA Active CN112446374B (zh) | 2019-08-28 | 2019-08-28 | 一种目标检测模型的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446374B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880672B (zh) * | 2023-02-08 | 2023-06-02 | 中国第一汽车股份有限公司 | 目标检测方法、装置、存储介质及设备 |
CN115810042B (zh) * | 2023-02-14 | 2023-05-05 | 成都数联云算科技有限公司 | 基于目标检测的图像iou获取方法、装置、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012128638A (ja) * | 2010-12-15 | 2012-07-05 | Canon Inc | 画像処理装置、位置合わせ方法及びプログラム |
CN108875577A (zh) * | 2018-05-11 | 2018-11-23 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN109697460A (zh) * | 2018-12-05 | 2019-04-30 | 华中科技大学 | 对象检测模型训练方法、目标对象检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475351B2 (en) * | 2017-11-15 | 2022-10-18 | Uatc, Llc | Systems and methods for object detection, tracking, and motion prediction |
-
2019
- 2019-08-28 CN CN201910804233.XA patent/CN112446374B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012128638A (ja) * | 2010-12-15 | 2012-07-05 | Canon Inc | 画像処理装置、位置合わせ方法及びプログラム |
CN108875577A (zh) * | 2018-05-11 | 2018-11-23 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN109697460A (zh) * | 2018-12-05 | 2019-04-30 | 华中科技大学 | 对象检测模型训练方法、目标对象检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112446374A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763575B2 (en) | Object detection for distorted images | |
US9552514B2 (en) | Moving object detection method and system | |
US20200143557A1 (en) | Method and apparatus for detecting 3d object from 2d image | |
CN112446374B (zh) | 一种目标检测模型的确定方法及装置 | |
CN112014845A (zh) | 一种车辆障碍物定位方法、装置、设备及存储介质 | |
CN110782517A (zh) | 点云标注方法、装置、存储介质及电子设备 | |
US20180290300A1 (en) | Information processing apparatus, information processing method, storage medium, system, and article manufacturing method | |
CN113741472B (zh) | 一种基于多图像采集的障碍回避方法及装置 | |
US10146331B2 (en) | Information processing system for transforming coordinates of a position designated by a pointer in a virtual image to world coordinates, information processing apparatus, and method of transforming coordinates | |
CN112967347A (zh) | 位姿标定方法、装置、机器人及计算机可读存储介质 | |
CN111832347B (zh) | 动态选取感兴趣区域的方法及装置 | |
CN112381873A (zh) | 一种数据标注方法及装置 | |
CN114140608B (zh) | 一种光伏板标记方法、装置、电子设备及存储介质 | |
CN112115739A (zh) | 一种车辆状态量信息获取方法及装置 | |
CN112348874B (zh) | 一种车道线的结构化参数表示确定方法及装置 | |
EP4020400A2 (en) | Image processing method and image processing device for generating 3d content by means of 2d images | |
CN112446229B (zh) | 一种标志杆的像素坐标获取方法及装置 | |
CN115656991A (zh) | 车辆外参标定方法、装置、设备以及存储介质 | |
KR102302790B1 (ko) | 전자 장치 및 그 제스처 감지 방법 | |
CN111742349B (zh) | 信息处理装置、信息处理方法以及信息处理存储介质 | |
JPH10128686A (ja) | ロボットマニピュレータの制御方法およびロボットマニピュレータの制御装置 | |
CN112241675A (zh) | 物体检测模型训练方法及装置 | |
CN109410304B (zh) | 一种投影确定方法、装置及设备 | |
CN113128541B (zh) | 一种标志物的匹配方法及装置 | |
JP2021043141A (ja) | 物体距離推定装置及び物体距離推定方法 |
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 | ||
GR01 | Patent grant |