CN112529009B - 一种图像特征的挖掘方法、装置、存储介质及电子设备 - Google Patents
一种图像特征的挖掘方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112529009B CN112529009B CN202011397785.2A CN202011397785A CN112529009B CN 112529009 B CN112529009 B CN 112529009B CN 202011397785 A CN202011397785 A CN 202011397785A CN 112529009 B CN112529009 B CN 112529009B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- difficulty
- training
- model
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种图像特征的挖掘方法、装置、存储介质及电子设备,包括:获取待查阅图像,并将待查阅图像输入到图像挖掘模型,以得到待查阅图像的关联特征图像;图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签;将难度标签作为对应图像样本的权重,基于图像样本对初始图像挖掘模型进行第一次训练;基于卷积神经网络可视化技术,根据图像样本的难度标签预测目标图像特征,并根据目标图像特征搜寻关联图像样本,并基于搜寻到的多个关联图像样本构建样本数据集;以样本数据集包含的关联图像样本作为训练样本,对第一次训练后的初始图像挖掘模型进行二次训练,得到图像挖掘模型,可以推进模型进化,进而提高输出图像特征的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体地,涉及一种图像特征的挖掘方法、装置、存储介质及电子设备。
背景技术
目前人工智能已经有初步成果,在图像、自然语言、游戏等领域的分析能力已经达到甚至超越人类的水平。其中人工智能技术在图像领域的成功,很大程度上要归功于卷积神经网络模型架构。
若要新建一个神经网络模型完成图像特征识别任务,需要给神经网络模型提供训练样本,以使神经网络模型从中训练样本数据学习,从而完成图像特征识别任务。模型从训练样本中学习的过程等价于一个依赖于图像样本和模型参数的损失函数关于模型参数的最优化过程。
相关场景中,仅仅根据图像本身的图像特征得出相应的图像。由于图像特征的数量较少并且不够准确,往往会花费专家大量的时间去仔细查看辨别特征,造成得出图像的判定结果的效率下降。
发明内容
本发明的目的是提供一种图像特征的挖掘方法、装置、存储介质及电子设备,用以解决上述相关技术问题。
为了实现上述目的,本发明实施例的第一方面,提供一种图像特征的挖掘方法,包括:
获取待查阅图像,并将所述待查阅图像输入到图像挖掘模型,以得到所述待查阅图像的关联特征图像;
其中,所述图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签,其中,所述难度标签用于表征对应图像样本的难度等级;
将所述难度标签作为对应图像样本的权重,基于所述图像样本对初始图像挖掘模型进行第一次训练;
基于卷积神经网络可视化技术,根据所述图像样本的难度标签预测目标图像特征,并根据所述目标图像特征搜寻关联图像样本,并基于搜寻到的多个所述关联图像样本构建样本数据集;
以所述样本数据集包含的关联图像样本作为训练样本,对所述第一次训练后的初始图像挖掘模型进行二次训练,得到所述图像挖掘模型。
可选地,所述根据目标条件对所述图像样本添加难度标签包括:
根据专家行为和/或模型置信度对所述图像样本添加难度标签,其中,所述专家行为根据专家阅览所述图像样本的判定结果以及得出相应判定结果的查阅时长得到,所述目标条件包括所述专家行为和/或模型置信度。
可选地,通过如下辨析式确定所述难度标签D:
D=D[f(t),g(A)];
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据多个所述判定结果确定。
可选地,通过如下辨析式确定所述难度标签D:
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据所述多个判定结果确定,δ为所述模型置信度。
可选地,f(t)是通过如下辨析式得到的:
其中,f(t)∈[0,1],Φ为多个所述查阅时长的标准正态分布分布的分布函数;μ为多个所述查阅时长的时长均值,σ为多个所述查阅时长的标准差。
可选地,g(A)是通过如下辨析式得到的:
B=set{A}
A=(ans1,...,ansn)
其中,g(A)∈[0,1],ans1,Λ,ansn为所述多个专家的判定结果,A为所述多个专家的判定结果组成的判定结果集合,B为所述多个专家的判定结果得到的信息熵,P(x)为相应判定结果在判定结果集合A中出现的概率。
这样,可以根据专家在查阅过程得出每个图像样本相应的难度标签,进而模型能在学习过程中根据难度标签聚焦于较难得出判定结果的部分。
本发明实施例的第二方面,提供一种图像特征的挖掘装置,包括:
获取模块,被配置成获取待查阅图像;
输入模块,被配置成将所述待查阅图像输入到图像挖掘模型,以得到所述待查阅图像的关联特征图像;
其中,所述图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签,其中,所述难度标签用于表征对应图像样本的难度等级;
将所述难度标签作为对应图像样本的权重,基于所述图像样本对初始图像挖掘模型进行第一次训练;
基于卷积神经网络可视化技术,根据所述图像样本的难度标签预测目标图像特征,并根据所述目标图像特征搜寻关联图像样本,并基于搜寻到的多个所述关联图像样本构建样本数据集;
以所述样本数据集包含的关联图像样本作为训练样本,对所述第一次训练后的初始图像挖掘模型进行二次训练,得到所述图像挖掘模型。
可选地,所述图像挖掘模型训练包括:
根据专家行为和/或模型置信度对所述图像样本添加难度标签,其中,所述专家行为根据专家阅览所述图像样本的判定结果以及得出相应判定结果的查阅时长得到,所述目标条件包括所述专家行为和/或模型置信度。
可选地,通过如下辨析式确定所述难度标签D:
D=D[f(t),g(A)];
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据多个所述判定结果确定。
可选地,通过如下辨析式确定所述难度标签D:
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据所述多个判定结果确定,δ为所述模型置信度。
可选地,f(t)是通过如下辨析式得到的:
其中,f(t)∈[0,1],Φ为多个所述查阅时长的标准正态分布分布的分布函数;μ为多个所述查阅时长的时长均值,σ为多个所述查阅时长的标准差。
可选地,g(A)是通过如下辨析式得到的:
B=set{A}
A=(ans1,...,ansn)
其中,g(A)∈[0,1],ans1,Λ,ansn为所述多个专家的判定结果,A为所述多个专家的判定结果组成的判定结果集合,B为所述多个专家的判定结果得到的信息熵,P(x)为相应判定结果在判定结果集合A中出现的概率。
本发明实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明实施例的第四方面,提供一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面中任一项所述方法的步骤。
上述技术方案中,能够通过获取待查阅图像,并将待查阅图像输入到图像挖掘模型,以得到待查阅图像的关联特征图像;图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签;将难度标签作为对应图像样本的权重,基于图像样本对初始图像挖掘模型进行第一次训练;基于卷积神经网络可视化技术,根据图像样本的难度标签预测目标图像特征,并根据目标图像特征搜寻关联图像样本,并基于搜寻到的多个关联图像样本构建样本数据集;以样本数据集包含的关联图像样本作为训练样本,对第一次训练后的初始图像挖掘模型进行二次训练,得到图像挖掘模型。这样,通过给图像样本添加难度标签并基于难度标签建模及CNN可视化的技术,得到分布覆盖更全面的样本数据集,可以推进模型进化,进而提高输出图像特征的准确性以及提高得出判定结果的效率。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明一示例性实施例所示出的一种图像特征的挖掘方法的流程图。
图2是本发明一示例性实施例所示出的一种特征挖掘模型训练的流程图。
图3是本发明一示例性实施例所示出的一种图像特征的挖掘装置的框图。
图4是本发明一示例性实施例所示出的一种特征染色模型的框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
在介绍本发明所提供的图像特征的挖掘方法、装置、存储介质及电子设备之前,首先对本发明的应用场景进行介绍。本发明所提供的各实施例可以用于对颅脑断层扫描图像进行处理。可以基于患者的颅脑断层扫描图像确定更多的关联特征,并基于图像特征推进模型的进化。
为此,本发明提供一种图像特征的挖掘方法,参照图1所示出的一种图像特征的挖掘方法的流程图,所述方法包括:
S11、获取待查阅图像。
S12、将所述待查阅图像输入到图像挖掘模型,以得到所述待查阅图像的关联特征图像。
具体地,待查阅图像可以是专家未查阅的图像,也可以是专家已经查阅过的图像,关联特征图像可以显示更多的图像特征,以便专家能够根据该图像特征,更加准确定地进行结果判定。
优选地,参照图2所示出的一种图像挖掘模型训练的流程图。如图2所示,所述图像挖掘模型训练包括:
S21、根据目标条件对获取的图像样本添加难度标签,其中,所述难度标签用于表征对应图像样本的难度等级;
S22、将所述难度标签作为对应图像样本的权重,基于所述图像样本对初始图像挖掘模型进行第一次训练;
S23、基于卷积神经网络可视化技术,根据所述图像样本的难度标签预测目标图像特征,并根据所述目标图像特征搜寻关联图像样本,并基于搜寻到的多个所述关联图像样本构建样本数据集;
S24、以所述样本数据集包含的关联图像样本作为训练样本,对所述第一次训练后的初始图像挖掘模型进行二次训练,得到所述图像挖掘模型。
采用上述技术方案通过给图像样本添加难度标签并基于难度标签建模及CNN可视化的技术,得到分布覆盖更全面的样本数据集,可以推进模型进化。
可选地,所述根据目标条件对所述图像样本添加难度标签包括:
根据专家行为和/或模型置信度对所述图像样本添加难度标签,其中,所述专家行为根据专家阅览所述图像样本的判定结果以及得出相应判定结果的查阅时长得到,所述目标条件包括所述专家行为和/或模型置信度。
可选地,通过如下辨析式确定所述难度标签D:
D=D[f(t),g(A)];
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据多个所述判定结果确定。
可选地,通过如下辨析式确定所述难度标签D:
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据所述多个判定结果确定,δ为所述模型置信度。
可选地,f(t)是通过如下辨析式得到的:
其中,f(t)∈[0,1],Φ为多个所述查阅时长的标准正态分布分布的分布函数;μ为多个所述查阅时长的时长均值,σ为多个所述查阅时长的标准差。
专家得出判定结果所用的时间越长,可以表征得出该图像样本的判定结果的难度越大,可以在不影响专家的正常操作的情况下采集到图像样本的难度标签。
可选地,g(A)是通过如下辨析式得到的:
B=set{A}
A=(ans1,...,ansn)
其中,g(A)∈[0,1],ans1,Λ,ansn为所述多个专家的判定结果,A为所述多个专家的判定结果组成的判定结果集合,B为所述多个专家的判定结果得到的信息熵,P(x)为相应判定结果在判定结果集合A中出现的概率。
具体地,可以根据不同的专家对同一图像作出的判定结果的信息熵,确定判定结果的一致度,A包括了可能出现判定结果的所有情况,不同专家对同一图像样本的一致度越低,可以表征得出该图像样本的判定结果的难度越大这样。
上述技术方案中,能够通过获取待查阅图像,并将待查阅图像输入到图像挖掘模型,以得到待查阅图像的关联特征图像;图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签;将难度标签作为对应图像样本的权重,基于图像样本对初始图像挖掘模型进行第一次训练;基于卷积神经网络可视化技术,根据图像样本的难度标签预测目标图像特征,并根据目标图像特征搜寻关联图像样本,并基于搜寻到的多个关联图像样本构建样本数据集;以样本数据集包含的关联图像样本作为训练样本,对第一次训练后的初始图像挖掘模型进行二次训练,得到图像挖掘模型。这样,通过给图像样本添加难度标签并基于难度标签建模及CNN可视化的技术,得到分布覆盖更全面的样本数据集,可以推进模型进化,进而提高输出图像特征的准确性以及提高得出判定结果的效率。
基于相同的发明构思,参阅图3所示,本发明还提供一种图像特征的挖掘装置300,所述装置300包括:获取模块310和输入模块320。
其中,获取模块310,被配置成获取待查阅图像;
输入模块320,被配置成将所述待查阅图像输入到图像挖掘模型,以得到所述待查阅图像的关联特征图像;
其中,参阅图4所示,所述图像挖掘模型包括:添加模块410,第一训练模块420,预测模块430和第二训练模块440。
添加模块410,被配置成根据目标条件对获取的图像样本添加难度标签,其中,所述难度标签用于表征对应图像样本的难度等级;
第一训练模块420,被配置成将所述难度标签作为对应图像样本的权重,基于所述图像样本对初始图像挖掘模型进行第一次训练;
预测模块430,被配置成基于卷积神经网络可视化技术,根据所述图像样本的难度标签预测目标图像特征,并根据所述目标图像特征搜寻关联图像样本,并基于搜寻到的多个所述关联图像样本构建样本数据集;
第二训练模块440,被配置成以所述样本数据集包含的关联图像样本作为训练样本,对所述第一次训练后的初始图像挖掘模型进行二次训练,得到所述图像挖掘模型。
上述装置,通过给图像样本添加难度标签并基于难度标签建模及CNN可视化的技术,得到分布覆盖更全面的样本数据集,可以推进模型进化,进而提高输出图像特征的准确性以及提高得出判定结果的效率。
可选地,所述图像挖掘模型训练包括:
根据专家行为和/或模型置信度对所述图像样本添加难度标签,其中,所述专家行为根据专家阅览所述图像样本的判定结果以及得出相应判定结果的查阅时长得到,所述目标条件包括所述专家行为和/或模型置信度。
可选地,通过如下辨析式确定所述难度标签D:
D=D[f(t),g(A)];
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据多个所述判定结果确定。
可选地,通过如下辨析式确定所述难度标签D:
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据所述多个判定结果确定,δ为所述模型置信度。
可选地,f(t)是通过如下辨析式得到的:
其中,f(t)∈[0,1],Φ为多个所述查阅时长的标准正态分布分布的分布函数;μ为多个所述查阅时长的时长均值,σ为多个所述查阅时长的标准差。
可选地,g(A)是通过如下辨析式得到的:
B=set{A}
A=(ans1,...,ansn)
其中,g(A)∈[0,1],ans1,Λ,ansn为所述多个专家的判定结果,A为所述多个专家的判定结果组成的判定结果集合,B为所述多个专家的判定结果得到的信息熵,P(x)为相应判定结果在判定结果集合A中出现的概率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
本发明实施例还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现任一项所述方法的步骤。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所发明的内容。
Claims (4)
1.一种图像特征的挖掘方法,其特征在于,包括:
获取待查阅图像,并将所述待查阅图像输入到图像挖掘模型,以得到所述待查阅图像的关联特征图像;
其中,所述图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签,其中,所述难度标签用于表征对应图像样本的难度等级;
将所述难度标签作为对应图像样本的权重,基于所述图像样本对初始图像挖掘模型进行第一次训练;
基于卷积神经网络可视化技术,根据所述图像样本的难度标签预测目标图像特征,并根据所述目标图像特征搜寻关联图像样本,并基于搜寻到的多个所述关联图像样本构建样本数据集;
以所述样本数据集包含的关联图像样本作为训练样本,对所述第一次训练后的初始图像挖掘模型进行二次训练,得到所述图像挖掘模型;
所述根据目标条件对所述图像样本添加难度标签包括:
根据专家行为和/或模型置信度对所述图像样本添加难度标签,其中,所述专家行为根据专家阅览所述图像样本的判定结果以及得出相应判定结果的查阅时长得到,所述目标条件包括所述专家行为和/或模型置信度;
通过如下辨析式确定所述难度标签D:
D=D[f(t),g(A)];
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据多个所述判定结果确定;
通过如下辨析式确定所述难度标签D:
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据所述多个判定结果确定,δ为所述模型置信度;
f(t)是通过如下辨析式得到的:
其中,f(t)∈[0,1],Φ为多个所述查阅时长的标准正态分布的分布函数;μ为多个所述查阅时长的时长均值,σ为多个所述查阅时长的标准差;
g(A)是通过如下辨析式得到的:
B=set{A}
A=(ans1,...,ansn)
其中,g(A)∈[0,1],ans1,…,ansn为所述多个专家的判定结果,A为所述多个专家的判定结果组成的判定结果集合,B为所述多个专家的判定结果得到的信息熵,P(x)为相应判定结果在判定结果集合A中出现的概率。
2.一种图像特征的挖掘装置,其特征在于,包括:
获取模块,被配置成获取待查阅图像;
输入模块,被配置成将所述待查阅图像输入到图像挖掘模型,以得到所述待查阅图像的关联特征图像;
其中,所述图像挖掘模型训练包括:根据目标条件对获取的图像样本添加难度标签,其中,所述难度标签用于表征对应图像样本的难度等级;
将所述难度标签作为对应图像样本的权重,基于所述图像样本对初始图像挖掘模型进行第一次训练;
基于卷积神经网络可视化技术,根据所述图像样本的难度标签预测目标图像特征,并根据所述目标图像特征搜寻关联图像样本,并基于搜寻到的多个所述关联图像样本构建样本数据集;
以所述样本数据集包含的关联图像样本作为训练样本,对所述第一次训练后的初始图像挖掘模型进行二次训练,得到所述图像挖掘模型;
所述图像挖掘模型训练包括:
根据专家行为和/或模型置信度对所述图像样本添加难度标签,其中,所述专家行为根据专家阅览所述图像样本的判定结果以及得出相应判定结果的查阅时长得到,所述目标条件包括所述专家行为和/或模型置信度;
通过如下辨析式确定所述难度标签D:
D=D[f(t),g(A)];
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据多个所述判定结果确定;
通过如下辨析式确定所述难度标签D:
其中,f(t)根据所述判定结果的查阅时长确定,g(A)根据所述多个判定结果确定,δ为所述模型置信度;
f(t)是通过如下辨析式得到的:
其中,f(t)∈[0,1],Φ为多个所述查阅时长的标准正态分布的分布函数;μ为多个所述查阅时长的时长均值,σ为多个所述查阅时长的标准差;
g(A)是通过如下辨析式得到的:
B=set{A}
A=(ans1,...,ansn)
其中,g(A)∈[0,1],ans1,…,ansn为所述多个专家的判定结果,A为所述多个专家的判定结果组成的判定结果集合,B为所述多个专家的判定结果得到的信息熵,P(x)为相应判定结果在判定结果集合A中出现的概率。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1所述方法的步骤。
4.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397785.2A CN112529009B (zh) | 2020-12-07 | 2020-12-07 | 一种图像特征的挖掘方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397785.2A CN112529009B (zh) | 2020-12-07 | 2020-12-07 | 一种图像特征的挖掘方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529009A CN112529009A (zh) | 2021-03-19 |
CN112529009B true CN112529009B (zh) | 2023-09-12 |
Family
ID=74997328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011397785.2A Active CN112529009B (zh) | 2020-12-07 | 2020-12-07 | 一种图像特征的挖掘方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529009B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808144A (zh) * | 2017-11-10 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于视频时空关系进行自我监督嵌入姿态学习方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN111210024A (zh) * | 2020-01-14 | 2020-05-29 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-07 CN CN202011397785.2A patent/CN112529009B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808144A (zh) * | 2017-11-10 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于视频时空关系进行自我监督嵌入姿态学习方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN111210024A (zh) * | 2020-01-14 | 2020-05-29 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
迁移学习结合难分样本挖掘的机场目标检测;许悦雷 等;西安电子科技大学学报(05);第196-202页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529009A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509411B (zh) | 语义分析方法和装置 | |
CN112256828B (zh) | 医学实体关系抽取方法、装置、计算机设备及可读存储介质 | |
CN111741330B (zh) | 一种视频内容评估方法、装置、存储介质及计算机设备 | |
CN110046706B (zh) | 模型生成方法、装置及服务器 | |
CN109919183B (zh) | 一种基于小样本的图像识别方法、装置、设备及存储介质 | |
CN110795913B (zh) | 一种文本编码方法、装置、存储介质及终端 | |
CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
CN111428448B (zh) | 文本生成方法、装置、计算机设备及可读存储介质 | |
CN111369535B (zh) | 一种细胞检测方法 | |
CN111078847A (zh) | 电力用户意图识别方法、装置、计算机设备和存储介质 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
CN116719520B (zh) | 代码生成方法及装置 | |
CN112668608B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
US20220083580A1 (en) | Information processing apparatus and information processing method | |
CN114547267A (zh) | 智能问答模型的生成方法、装置、计算设备和存储介质 | |
CN116089708A (zh) | 农业知识推荐方法及装置 | |
CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN112801217B (zh) | 文本相似度判断方法、装置、电子设备以及可读存储介质 | |
CN111783473B (zh) | 医疗问答中最佳答案的识别方法、装置和计算机设备 | |
CN117828024A (zh) | 一种插件检索方法、装置、存储介质及设备 | |
CN112529009B (zh) | 一种图像特征的挖掘方法、装置、存储介质及电子设备 | |
CN112396092A (zh) | 一种众包开发者推荐方法和装置 | |
CN109582802B (zh) | 一种实体嵌入方法、装置、介质及设备 | |
CN111460206B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230811 Address after: Room 501, building 1, intelligent car center, No.2 Yunshen Road, Dongnan street, Changshu City, Suzhou City, Jiangsu Province Applicant after: SUZHOU LVDIAN INFORMATION TECHNOLOGY Co.,Ltd. Address before: No.1 Xianshi Road, Changshu high tech Industrial Development Zone, Suzhou City, Jiangsu Province Applicant before: Suzhou Zhongde Shuangzhi Technology Innovation Development Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |