CN112785567B - 地图检测方法、装置、电子设备和存储介质 - Google Patents
地图检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112785567B CN112785567B CN202110059261.0A CN202110059261A CN112785567B CN 112785567 B CN112785567 B CN 112785567B CN 202110059261 A CN202110059261 A CN 202110059261A CN 112785567 B CN112785567 B CN 112785567B
- Authority
- CN
- China
- Prior art keywords
- map
- image
- target map
- target
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种地图检测方法,涉及人工智能领域,尤其涉及图像处理领域。具体实现方案为:从视频中提取多个第一图像并确定多个第一图像在视频中的位置;使用地图分类模型从多个第一图像中确定包含目标地图的第一图像作为第二图像;使用地图检测模型确定包含错误目标地图的第二图像作为目标图像;确定目标图像在视频中的位置作为错误目标地图的位置。本公开还公开了一种地图检测装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及图像处理技术。更具体地,本公开提供了一种地图检测方法、装置、电子设备和存储介质。
背景技术
随着互联网的快速发展,每天都有用户在互联网上发布视频和图像,人们在享受获取信息便捷的同时,也随时会受到互联网上的错误信息的误导,造成不好的影响。
例如,近年来互联网上出现问题地图的事件频发,对社会造成了负面的影响。因此,对视频和图像中的地图的合规性进行审核是必不可少的任务。
发明内容
本公开提供了一种地图检测方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种地图检测方法,包括:从视频中提取多个第一图像并确定多个第一图像在视频中的位置;使用地图分类模型从多个第一图像中确定包含目标地图的第一图像作为第二图像;使用地图检测模型确定包含错误目标地图的第二图像作为目标图像;确定目标图像在视频中的位置作为错误目标地图的位置。
根据本公开的另一方面,提供了一种地图检测装置,包括:提取模块,用于从视频中提取多个第一图像并确定多个第一图像在视频中的位置;第一确定模块,用于使用地图分类模型从多个第一图像中确定包含目标地图的第一图像作为第二图像;第二确定模块,用于使用地图检测模型确定包含错误目标地图的第二图像作为目标图像;第三确定模块,用于确定目标图像在视频中的位置作为错误目标地图的位置。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例的可以应用地图检方法和装置的示例性***架构示意图;
图2是根据本公开的一个实施例的地图检测方法的流程图;
图3是根据本公开的一个实施例的地图分类模型的网络结构示意图;
图4是根据本公开的一个实施例的使用地图检测模型确定包含错误目标地图的第二图像作为目标图像的方法的流程示意图;
图5是根据本公开的一个实施例的使用地图检测模型在第二图像中的目标地图中标定多个特征区域的方法的示意图;
图6是根据本公开的一个实施例的根据所标定的特征区域确定第二图像中的目标地图是否为错误目标地图的方法的流程示意图;
图7是根据本公开的一个实施例的地图检测模型的网络结构示意图;
图8是根据本公开的一个实施例的地图检测装置的框图;
图9是根据本公开的一个实施例的地图检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
近年来,一些企业和组织在公开场合下使用不符合规范的地图,对社会公众产生不良影响,管理部门更是公布和处罚了多起未使用完整、准确地图的企业。互联网企业用户多、社会关注度高,若问题地图流传到互联网上则造成的负面影响更加明显,因此如何在海量图像中识别出不合规的地图成为需要迫切解决的实际问题。识别问题地图的技术可在图片视频网站、视频软件、以及安防等领域应用,对问题地图进行识别并采取措施避免其互联网流传,是降低产品安全风险和保证产品安全的重要一环。
问题地图一般是存在边界线绘制不完整、部分关键地区或岛屿缺失等情况的错误地图,本公开实施例可以检测的地图可以包括国家级的地图、行政区域级的地图、世界地图、亚洲地图和欧洲地图等。
目前,对视频中的地图进行审核往往依赖人工,存在耗时大、容易遗漏的问题。具体来说,由于错误地图在海量地图图像中的占比较小,人工审核的关注度可能会随着标准时间增加而下降,标注的结果还会随审核员、审核环境的不同而存在差异,受主观因素干扰严重。此外,人工审核首先需要对审核人员进行标准地图的培训,之后由审核人员完成对全量图像及视频的识别和处理,耗费大量人力物力,造成很大的人工成本压力。
图1是根据本公开一个实施例的可以应用地图检测方法和装置的示例性***架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括多个终端设备101、网络102、服务器103和服务器104。网络102用以在终端设备101和服务器103、104之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
终端设备101可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。服务器103可以是提供地图分类服务的电子设备,服务器104可以是提供问题地图检测服务的电子设备。
示例性地,服务器103可以采集大量的目标地图正样本和目标地图负样本,其中,目标地图正样本可以是绘制正确的目标地图,目标地图负样本可以是非目标地图。使用目标地图正样本和目标地图负样本进行神经网络模型的训练,可以得到地图分类模型,该地图分类模型可以检测出待分类的地图是目标地图,还是非目标地图。
示例性地,服务器104可以采集大量的目标地图样本,使用目标地图样本进行神经网络模型的训练,得到地图检测模型,该地图检测模型可以检测出待审核的地图中是否存在绘制错误的边界线、缺失的地区等问题。
根据本公开的实施例,经训练的地图分类模型和地图检测模型可以对互联网上存在的或待发布的图像进行分类和检测,还可以对互联网上存在的或待发布的视频进行分类和检测。示例性地,用户通过终端设备101发布一段视频,终端设备101将该视频发送给服务器103,服务器103可以对视频进行切帧,提取出视频中的每帧图像,然后识别每帧图像上是够包含地图,针对包含地图的图像,使用经训练的地图分类模型识别出是否包括目标地图,对于识别出的包含目标地图的图像,可以标记各个图像的帧位置。然后将识别出的包含目标地图的图像和帧位置发送给服务器104。
服务器104可以使用地图检测模型对各个包含目标地图的图像进行检测,识别出目标地图是否存在错绘、漏绘等问题,如果存在,则将该图像的帧位置信息发送给终端设备101,以提示用户该视频中的在某一帧位置处出现的错误地图,达到自动审核错误地图的目的。具体地,使用地图检测模型还可以标记出错误地图中具体绘制错误的地方,例如在缺失的区域做标记等等。
需要说明的是,地图分类模型和地图检测模型可以在不同服务器中进行训练和使用,也可以在同一服务器中进行训练和使用,本公开对此不做限定。
图2是根据本公开的一个实施例的地图检测方法的流程图。
如图2所示,该地图检测方法200可以包括操作S210~操作S240。
在操作S210,从视频中提取多个第一图像并确定多个第一图像在视频中的位置。
根据本公开的实施例,可以对视频进行切帧,提取出视频中的多帧图像作为第一图像,每帧第一图像可以是1秒。还可以标记每个第一图像的帧位置作为第一图像在视频中的位置。
在操作S220,使用地图分类模型从多个第一图像中确定包含目标地图的第一图像作为第二图像。
根据本公开的实施例,地图分类模型可以是使用大量的目标地图正样本和目标地图负样本进行训练得到的。使用经训练的地图分类模型可以识别出每个第一图像中是否包含目标地图,并将包含目标地图的第一图像作为第二图像,还可以根据各个第一图像的帧位置确定各个第二图像的帧位置。
具体地,可以将多个第一图像输入到经训练的地图分类模型中,该地图分类模型可以输出每个第一地图中包含目标地图的概率,如果输出的第一图像中包含目标地图的概率大于第一阈值(例如0.3),则可以确定该第一图像为包含目标地图的第一图像。
可以理解,如果包含目标地图的第一图像的个数大于等于1,则确定该视频中包含目标地图,需要对该视频进行审核。
在操作S230,使用地图检测模型确定包含错误目标地图的第二图像作为目标图像。
根据本公开的实施例,地图检测模型可以是使用大量的目标地图样本进行训练得到的,使用地图检测模型可以识别出第二图像中的目标地图是否为错误地图。并将包含错误目标地图的第二图像作为目标图像,还可以根据各个第二图像的帧位置确定各个目标图像的帧位置。
具体地,可以将多个第二图像输入到经训练的地图检测模型中,该地图检测模型可以在各个第二图像中标定多个特征区域,每个特征区域可以对应目标地图中容易绘制错误或者漏绘的地区或岛屿等。该地图检测模型可以在输出每个标定出的特征区域的分数,该分数表征该特征区域绘制正确性的概率。
根据本公开的实施例,如果标定出的目标地图中的特征区域的个数与标准目标地图中特征区域的个数相同,且每个特征区域的得分均大于一定阈值(例如0.3),则说明该目标地图绘制正确。示例性地,如果使用地图检测模型例如在第二图像中标定出了目标地图的区域A、区域B、区域C和区域D,并且输出区域A的分数为0.4,区域B的分数为0.5,区域C的分数为0.6,区域D的分数为0.9。并且在标准目标地图中也包括区域A、区域B、区域C和区域D,则说明第二图像中的目标地图绘制正确。
根据本公开的实施例,如果标定出的目标地图中的特征区域的个数与标准目标地图中特征区域的个数不一致,比如小于标准目标地图中的特征区域的个数,则可以确定目标地图漏绘了某个特征区域。示例性地,如果使用地图检测模型例如在第二图像中标定出了目标地图的区域A、区域B和区域C,并且输出区域A的分数为0.4,区域B的分数为0.5,区域C的分数为0.6。而在标准目标地图中包括区域A、区域B、区域C和区域D,则说明第二图像中的目标地图漏绘了区域D。
根据本公开的实施例,如果标定出的目标地图中的特征区域的个数与标准目标地图中特征区域的个数一致,但是,某一特征区域的分数小于阈值(例如0.3),则说明标定出的该特征区域绘制错误的概率较大,可以认为该目标地图为错误地图。示例性地,如果使用地图检测模型例如在第二图像中标定出了目标地图的区域A、区域B、区域C和区域D,并且输出区域A的分数为0.1,区域B的分数为0.5,区域C的分数为0.6,区域D的分数为0.9。并且在标准目标地图中也包括区域A、区域B、区域C和区域D,则说明第二图像中的目标地图没有漏绘特征区域,但是区域A的边界线绘制正确的概率较小,可以认为第二图像中的目标地图为错误地图。
在操作S240,确定目标图像在视频中的位置作为错误目标地图的位置。
根据本公开的实施例,在操作S210可以标记每个提取出的第一图像的帧位置,例如标记为第1至100帧。在操作S220使用地图分类模型识别出了包含目标地图的第一图像作为第二图像,可以根据标记的第一图像的帧位置确定第二图像的帧位置,例如,第5至10帧以及第75至78帧的第一图像包含目标地图,则第二图像的帧位置为第5至10帧以及第75至78帧。在操作S230使用地图检测模型识别出了包含错误目标地图的第二图像作为目标图像,可以根据第二图像的帧位置,确定出目标地图的帧位置,例如第5至10帧的第二图像中的目标地图为正确目标地图,第75至78帧的第二图像中的目标地图为错误目标地图,则第75至78帧的第二图像为目标图像,目标图像的帧位置为第75至78帧。则可以通知审核人员视频中的第75至78帧包含了错误目标地图,提高地图审核效率,节约人力。
根据本公开的实施例,从视频中提取图像,使用地图分类模型确定包含目标地图的图像,使用地图检测模型检测出包含错误目标地图的图像,确定包含错误目标地图的图像在视频中的位置,能够自动检测出视频中是否包含错误目标地图,并确定出现错误目标地图的位置,提高目标地图的审核效率,较少人工成本压力,提高审核正确率。
根据本公开的实施例,在使用地图分类模型对多个第一图像进行分类之前,还可以将第一图像缩放到第一预设尺寸,该第一预设尺寸可以是224*224,第一图像的格式为RGB图像。地图分类模型对尺寸为224*224的第一图像进行分类,得到各第一图像包含目标地图的概率。根据地图分类模型的性能,也可以将第一图像缩放为其他的尺寸。
根据本公开的实施例,在训练地图分类模型的时候,可以使用不同尺寸的目标地图正样本和目标地图负样本进行训练,使得地图分类模型经历多尺寸特征的训练,能够提高地图分类模型的鲁棒性。
根据本公开的实施例,在训练地图分类模型的时候,还可以采取多尺度特征金字塔的方式进行训练,多尺度特征金字塔是指神经网络中包括多个卷积层,图像经不同卷积层处理后呈现的特征图的尺寸不同。地图分类模型经过多尺度特征金字塔的训练后,可以提高模型的鲁棒性。
图3是根据本公开的一个实施例的地图分类模型的网络结构示意图。
如图3所示,地图分类模型的网络结构包括多个卷积层301、多个最大值池化层302、全连接层303和分类层304。下面以视频中的多个第一图像作为地图分类模型的输入图像对地图分类模型的各个处理层进行说明。
如图3所示,卷积层301用于提取出输入图像的特征,每个卷积层301的输出连接一个最大值池化层302,最大值池化层302用于对卷积层301输出的特征进行选择,选择出激活程度最大的特征。地图样本经每个卷积层301进行特征提取后,都会经过一个最大值池化层302选出激活程度最大的特征,经过多个卷基层301和最大值池化层302处理后,全连接层303会将最大值池化层302选取的特征进行整合,整合的特征输出至分类层304,分类层304用于输出符合这些特征的分类结果。其中,每次经过卷基层301和最大值池化层302处理后输出的特征图像的尺寸不同,可以使得经训练的模型可以自适应处理不同尺寸的图像,提高地图分类模型的鲁棒性。
图4是根据本公开的一个实施例的使用地图检测模型确定包含错误目标地图的第二图像作为目标图像的方法的流程图。
如图4所示,该地图检测方法400可以包括操作S431~操作S433。
在操作S431,使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域。
根据本公开的实施例,多个特征区域可以包括第一区域和至少一个第二区域。例如,目标地图可以为国家地图,目标地图中的第一区域可以是国家边境的最南侧边界点与最东侧边界点作为顶点的矩形区域,第二区域可以是国家地图中的多个相同或不同级别的行政区域,例如省A、省B、市C。
具体地,可以在目标地图的边界上的选取最右方的点以及最下方的点,根据该两点确定一个预设形状的区域作为第一区域,该两点在确定的预设形状的边上。其中,该形状可以是矩形、圆形等规则形状,也可以是不规则的形状。标定出第一区域是为了根据标定出的第一区域进一步确定第二图像中的地图是待审核的目标地图。由于该第一区域由第二图像中的地图的边界上的两个点确定的,则该第一区域包含至少部分地图,可以根据该第一区域包含的至少部分地图的特征进一步判断第二图像中的地图是否是待审核的目标地图。
根据本公开的实施例,第二区域对应目标地图中符合预设条件的地理区域,例如将地理区域A在标准目标地图中的位置和轮廓作为第一预设条件,将地理区域B在标准目标地图中的位置和轮廓作为第二预设条件。按照第一预设条件在目标地图中标定地理区域A,按照第二预设条件在目标地图中标定地理区域B。将所标定的地理区域A和地理区域B作为第二区域。通过标定出第二区域,可以判断目标地图是否漏绘了某些地理区域,以及边界线是否错误,在边界线错误的情况下,第二区域可能标定不出来,或者标定错误。
在操作S432,根据所标定的特征区域确定各个第二图像中的目标地图是否为错误目标地图。
根据本公开的实施例,可以根据所标定的第二区域的数量来确定第二图像中的目标地图是否为错误地图。具体地,预设的标准目标地图例如可以标定有第一区域和多个第二区域,多个第二区域例如包括区域A、区域B、区域C和区域D。如果标定出的第二图像中的目标地图中的第二区域的个数与标准目标地图中第二区域的个数不一致,比如小于标准目标地图中的第二区域的个数,则可以确定目标地图漏绘了某个特征区域。示例性地,如果使用地图检测模型在第二图像中标定出了目标地图的第一区域以及第二区域中的区域A、区域B和区域C,由于在标准目标地图中第二区域包括区域A、区域B、区域C和区域D,则说明第二图像中的目标地图漏绘了区域D,则说明第二图像中的目标地图为错误地图。
根据本公开的实施例,地图检测模型在各个第二图像中标定出第一区域和至少一个第二区域的同时,还可以输出标定的每个区域的分数,该分数表征该特征区域绘制正确性的概率。则可以根据所标定的区域的分数来确定第二图像中的目标地图是否为错误地图。
具体地,如果使用地图检测模型在第二图像中标定出了目标地图的第一区域,以及第二区域中的区域A、区域B、区域C和区域D,并且输出区域A的分数为0.1,区域B的分数为0.5,区域C的分数为0.6,区域D的分数为0.9。由于在标准目标地图中第二区域包括区域A、区域B、区域C和区域D,则说明第二图像中的目标地图没有漏绘第二区域,但是区域A的边界线绘制正确的概率较小,可以认为第二图像中的目标地图为错误地图。
在操作S433,将包含错误目标地图的第二图像作为目标图像。
根据本公开的实施例,将包含错误目标地图的第二图像作为目标图像,并确定目标地图的帧位置,以提醒审核人员视频中出现错误目标地图的位置。
图5是根据本公开的一个实施例的使用地图检测模型在第二图像中的目标地图中标定多个特征区域的方法的示意图。
如图5所示,地图检测模型在第二图像中的目标地图500中标定出了五个特征区域,分别是第一区域501、第二区域502、第二区域503、第二区域504以及第二区域505。地图检测模型还可以对每个特征区域的正确性进行打分,每个区域的正确性分数可以表征该区域绘制正确的概率。
如图5所示,第一区域501可以是根据目标地图500边界上的最右方的点以及最下方的点确定的矩形框,而第二区域502~505则可以是根据目标地图中指定区域的边界确定的矩形框。
图6是根据本公开的一个实施例的根据所标定的特征区域确定第二图像中的目标地图是否为错误目标地图的方法的流程图。
如图6所示,该方法包括操作S6321~操作S6327。
在操作S6321,使用地图检测模型在第二图像中的目标地图中标定第一区域和至少一个第二区域,并对第一区域以及每个第二区域的正确性进行打分。
在操作S6322,判断标定出的第一区域的分数是否大于第二阈值(如0.96),在第一区域的分数大于0.96的情况下,执行步骤S6323,否则可以确定第二图像中的地图不是目标地图,则流程结束。
在操作S6323,判断至少一个第二区域的分数是否均大于第三阈值(例如0.3),如果是,则可以确定第二图像中的目标地图是正确目标地图,则流程结束,否则,任一第二区域的分数不大于第三阈值的情况下,则执行操作S6324。
在操作S6324,计算第二图像中的第一区域与第二图像的面积比值。
在操作S6325,判断面积比值是否大于第四阈值(例如0.5),如果是则执行操作S6326,否则执行操作S6327。
在操作S6326,确定第二图像中的目标地图是正确目标地图。
在操作S6327,从第二图像中截取出目标地图,并缩放至预设尺寸(如660*400),并返回操作S6321。
可以理解,如果目标地图在第二图像中的面积占比很小,则第二图像的特征区域的面积会更小,可能影响地图检测模型对第二图像中各个特征区域的标定。因此,本公开实施例在判断出标定出的任一第二区域的分数小于第三阈值(即目标地图绘制错误的概率较大)的情况下,将目标地图从第二图像中截取出来,具体可以是将第一区域的矩形框放大至框住整个目标地图,然后按照放大后的第一区域的矩形框截取出目标地图。针对截取出的第二地图,可以将第二地图缩放至第二预设尺寸,该第二预设尺寸可以是660*400,将第二预设尺寸的目标图像输入到地图检测模型中,地图检测模型可以对目标地图中的第二区域进行标定和打分,根据标定出的第二区域的分数可以进一步判断目标地图是否为错误目标地图。这样能够避免由于目标地图太小,特征区域难以识别导致的检测错误的问题,能够提高检测错误目标地图的正确率。
根据本公开的实施例,在使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域之前,还可以将第二图像缩放到第二预设尺寸,该第一预设尺寸可以是660*400,第二图像的格式为RGB图像。地图检测模型在尺寸为660*400的第二图像中标定出第一区域和至少一个第二区域并进行打分,根据标定出的第一区域和至少一个第二区域的分数判断目标地图是否是错误地图。根据地图检测模型的性能,也可以将第二图像缩放为其他的尺寸。
根据本公开的实施例,在训练地图检测模型的时候,可以使用不同尺寸的目标地图样本进行训练,使得地图检测模型经历多尺寸特征的训练,能够提高地图分类模型的鲁棒性。
根据本公开的实施例,目标地图样本可以标定有第一区域和至少一个第二区域,具体可以通过矩形框标记出第一区域和至少一个第二区域。
图7是根据本公开的一个实施例的地图检测模型的网络结构示意图。
如图7所示,地图检测模型的网络结构包括图像特征提取层701、特征区域标定层702以及错误区域识别层703。下面以包含目标地图的第二图像作为地图检测模型的输入图像对地图检测模型的各个处理层进行说明。
根据本公开的实施例,图像特征提取层701可以包括多个卷积层和最大值池化层,用于提取出输入图像的特征,并选出激活程度最大的特征,生成特征图像。图像特征提取层701将特征图像分别输出至特征区域标定层702和错误区域识别层703,特征区域标定层702用于标定出特征图像中的多个特征区域,得到各个特征区域的标定信息,并对每个特征区域进行打分,其中标定信息可以是用于标记特征区域的矩形框的坐标信息。特征区域标定层702将每个特征区域的标定信息和分数输出至错误区域识别层703,错误区域识别层703用于结合图像特征提取层701输入的特征图像以及特征区域标定层702输入的各个特征区域的标定信息和分数,在特征图像上标定出各个特征区域,并根据标定的特征区域以及各特征区域的分数判断各特征区域是否绘制错误。
图8是根据本公开的一个实施例的地图检测装置的框图。
如图8所示,该地图检测装置800可以包括提取模块801、第一确定模块802、第二确定模块803和第三确定模块804。
提取模块801用于从视频中提取多个第一图像并确定所述多个第一图像在视频中的位置。
第一确定模块802用于使用地图分类模型从所述多个第一图像中确定包含目标地图的第一图像作为第二图像。
第二确定模块803用于使用地图检测模型确定包含错误目标地图的第二图像作为目标图像。
第三确定模块804用于确定目标图像在视频中的位置作为错误目标地图的位置。
根据本公开的实施例,提取模块801具体用于将视频按帧切分,得到多个第一图像,以及确定各个第一图像在视频中的帧位置作为第一图像在视频中的位置。
根据本公开的实施例,第一确定模块802具体用于使用地图分类模型对多个第一图像进行分类,得到各第一图像包含目标地图的概率;确定概率大于第一阈值的第一图像作为第二图像。
根据本公开的实施例,地图检测装置800还包括第一缩放模块。
第一缩放模块用于在第一确定模块802使用地图分类模型对多个第一图像进行分类之前,将第一图像缩放到第一预设尺寸。
根据本公开的实施例,第二确定模块803包括标定单元、第一确定单元和第二确定单元。
标定单元用于使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域。
第一确定单元用于根据所标定的特征区域确定各个第二图像中的目标地图是否为错误目标地图。
第二确定单元用于将包含错误目标地图的第二图像作为目标图像。
根据本公开的实施例,第一确定单元具体用于在所标定的特征区域的数量与预设的标准目标地图中的特征区域的数量不相等的情况下,确定第二图像中的目标地图为错误目标地图。
根据本公开的实施例,第一确定单元具体还用于根据预设的标准目标地图中的特征区域确定错误目标地图中缺失的特征区域。
根据本公开的实施例,多个特征区域包括第一区域和至少一个第二区域,标定单元具体用于基于目标地图的边界上的至少两点在目标地图中标定第一区域,以及在目标地图中标定至少一个符合预设条件地理区域作为第二区域。
根据本公开的实施例,第一确定单元包括:打分子单元、计算子单元和确定子单元。
打分子单元用于对所标定的第一区域和第二区域的正确性进行打分。
计算子单元用于在确定第一区域的正确性分数大于第二阈值且任一第二区域的正确性分数小于或等于第三阈值的情况下,计算第二图像中的第一区域与第二图像的面积比值。
确定子单元用于根据面积比值确定第二图像中的目标地图是否为错误目标地图。
根据本公开的实施例,确定子单元具体用于在确定面积比值大于第四阈值的情况下,确定第二图像中的目标地图为错误目标地图。
根据本公开的实施例,确定子单元具体还用于在确定面积比值小于或等于第四阈值的情况下,从第二图像中截取出目标地图;并返回标定单元。
根据本公开的实施例,地图检测装置800还包括第二缩放模块。
第二缩放模块用于在标定单元使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域之前,将第二图像缩放到第二预设尺寸。
根据本公开的实施例,确定子单元具体还用于在根据第二图像中的各第二区域的正确性分数确定目标地图中错误的第二区域。
根据本公开的实施例,确定子单元具体还用于在确定第一区域的正确性分数大于第二阈值且至少一个第二区域的正确性分数均大于第三阈值的情况下,确定第二图像中的目标地图为正确目标地图。
根据本公开的实施例,地图检测装置800还包括第一训练模块和第二训练模块。
第一训练模块用于使用第一地图样本集对第一神经网络模型进行训练,得到地图检测模型;其中,第一地图样本集包括多个目标地图样本,各目标地图样本具有经标定的第一区域和经标定的至少一个第二区域。
第二训练模块用于使用第二地图样本集对第二神经网络模型进行训练,得到地图分类模型;其中,第二地图样本集包括多个目标地图正样本和多个目标地图负样本。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如地图检测方法。例如,在一些实施例中,地图检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的地图检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地图检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种地图检测方法,包括:
从视频中提取多个第一图像并确定所述多个第一图像在视频中的位置;
使用地图分类模型从所述多个第一图像中确定包含目标地图的第一图像作为第二图像;
使用地图检测模型确定包含错误目标地图的第二图像作为目标图像;
确定所述目标图像在视频中的位置作为错误目标地图的位置;
其中,所述使用地图检测模型确定包含错误目标地图的第二图像作为目标图像包括:
使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域;
根据所标定的特征区域确定各个第二图像中的目标地图是否为错误目标地图;
将包含错误目标地图的第二图像作为目标图像;
其中,所述多个特征区域包括第一区域和至少一个第二区域,所述使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域包括:
基于所述目标地图的边界上的至少两点在所述目标地图中标定第一区域,以及
在所述目标地图中标定至少一个符合预设条件的地理区域作为第二区域;
其中,所述根据所标定的特征区域确定各个第二图像中的目标地图是否为错误目标地图包括:
对所标定的第一区域和第二区域的正确性进行打分;
在确定所述第一区域的正确性分数大于第二阈值且任一第二区域的正确性分数小于或等于第三阈值的情况下,计算所述第二图像中的第一区域与所述第二图像的面积比值;
根据所述面积比值确定所述第二图像中的目标地图是否为错误目标地图。
2. 根据权利要求1所述的方法,其中,所述从视频中提取多个第一图像并确定所述多个第一图像在视频中的位置包括:
将所述视频按帧切分,得到所述多个第一图像;以及
确定各个第一图像在视频中的帧位置作为第一图像在视频中的位置。
3.根据权利要求1所述的方法,其中,所述使用地图分类模型从所述多个第一图像中确定包含目标地图的至少一个第一图像作为第二图像包括:
使用地图分类模型对所述多个第一图像进行分类,得到各第一图像包含目标地图的概率;
确定概率大于第一阈值的第一图像作为所述第二图像。
4.根据权利要求3所述的方法,在使用地图分类模型对所述多个第一图像进行分类之前,还包括:
将所述第一图像缩放到第一预设尺寸。
5.根据权利要求1所述的方法,其中,所述根据所标定的特征区域确定各个第二图像中的目标地图是否为错误目标地图包括:
在所标定的特征区域的数量与预设的标准目标地图中的特征区域的数量不相等的情况下,确定第二图像中的目标地图为错误目标地图。
6.根据权利要求5所述的方法,还包括:根据预设的标准目标地图中的特征区域确定所述错误目标地图中缺失的特征区域。
7.根据权利要求1所述的方法,其中,所述根据所述面积比值确定所述第二图像中的目标地图是否为错误目标地图包括:
在确定所述面积比值大于第四阈值的情况下,确定所述第二图像中的目标地图为错误目标地图。
8.根据权利要求7所述的方法,其中,所述根据所述面积比值确定所述第二图像中的目标地图是否为错误目标地图还包括:
在确定所述面积比值小于或等于第四阈值的情况下,从所述第二图像中截取出所述目标地图;
将所述目标地图放大到第二预设尺寸,并返回在所述目标地图中标定至少一个符合预设条件的地理区域作为第二区域的步骤。
9.根据权利要求8所述的方法,在使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域之前,还包括:
将所述第二图像缩放到所述第二预设尺寸。
10.根据权利要求1所述的方法,还包括:
根据所述第二图像中的各第二区域的正确性分数确定所述目标地图中错误的第二区域。
11.根据权利要求1所述的方法,还包括:
在确定所述第一区域的正确性分数大于第二阈值且所述至少一个第二区域的正确性分数均大于第三阈值的情况下,确定所述第二图像中的目标地图为正确目标地图。
12.根据权利要求1所述的方法,还包括:
使用第一地图样本集对第一神经网络模型进行训练,得到所述地图检测模型;
其中,所述第一地图样本集包括多个目标地图样本,各目标地图样本具有经标定的第一区域和经标定的至少一个第二区域。
13.根据权利要求1所述的方法,还包括:
使用第二地图样本集对第二神经网络模型进行训练,得到所述地图分类模型;
其中,所述第二地图样本集包括多个目标地图正样本和多个目标地图负样本。
14.一种地图检测装置,包括:
提取模块,用于从视频中提取多个第一图像并确定所述多个第一图像在视频中的位置;
第一确定模块,用于使用地图分类模型从所述多个第一图像中确定包含目标地图的第一图像作为第二图像;
第二确定模块,用于使用地图检测模型确定包含错误目标地图的第二图像作为目标图像;
第三确定模块,用于确定所述目标图像在视频中的位置作为错误目标地图的位置;
所述第二确定模块包括:
标定单元,用于使用地图检测模型在各个第二图像中的目标地图中标定多个特征区域;
第一确定单元,用于根据所标定的特征区域确定各个第二图像中的目标地图是否为错误目标地图;
第二确定单元,用于将包含错误目标地图的第二图像作为目标图像;
其中,所述多个特征区域包括第一区域和至少一个第二区域,所述标定单元,用于基于所述目标地图的边界上的至少两点在所述目标地图中标定第一区域,以及在所述目标地图中标定至少一个符合预设条件的地理区域作为第二区域;
其中,所述第一确定单元包括:
打分子单元,用于对所标定的第一区域和第二区域的正确性进行打分;
计算子单元,用于在确定所述第一区域的正确性分数大于第二阈值且任一第二区域的正确性分数小于或等于第三阈值的情况下,计算所述第二图像中的第一区域与所述第二图像的面积比值;
确定子单元,用于根据所述面积比值确定所述第二图像中的目标地图是否为错误目标地图。
15. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至13中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059261.0A CN112785567B (zh) | 2021-01-15 | 2021-01-15 | 地图检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059261.0A CN112785567B (zh) | 2021-01-15 | 2021-01-15 | 地图检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785567A CN112785567A (zh) | 2021-05-11 |
CN112785567B true CN112785567B (zh) | 2023-09-22 |
Family
ID=75756928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110059261.0A Active CN112785567B (zh) | 2021-01-15 | 2021-01-15 | 地图检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785567B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019101021A1 (zh) * | 2017-11-23 | 2019-05-31 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及电子设备 |
CN109977191A (zh) * | 2019-04-01 | 2019-07-05 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
-
2021
- 2021-01-15 CN CN202110059261.0A patent/CN112785567B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019101021A1 (zh) * | 2017-11-23 | 2019-05-31 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及电子设备 |
CN109977191A (zh) * | 2019-04-01 | 2019-07-05 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
Non-Patent Citations (2)
Title |
---|
A Hybird Framework for Fault Detection、Classification、and Location-Part 1:Concept、Structure 、and Methodology;Joe-Air Jiang;《IEEE》;26(3);全文 * |
CNN图像修复区域故障检测的迭代方法;胡德敏;胡钰媛;褚成伟;胡晨;;小型微型计算机***(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785567A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020238054A1 (zh) | Pdf文档中图表的定位方法、装置及计算机设备 | |
WO2020207167A1 (zh) | 文本分类方法、装置、设备及计算机可读存储介质 | |
CN109446061B (zh) | 一种页面检测方法、计算机可读存储介质及终端设备 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN110751043A (zh) | 基于人脸可见性的人脸识别方法、装置及存储介质 | |
CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111666907B (zh) | 一种视频中对象信息的识别方法、装置及服务器 | |
CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
CN109460496B (zh) | 一种实现数据显示的方法及装置 | |
CN116844177A (zh) | 一种表格识别方法、装置、设备及存储介质 | |
CN113361468A (zh) | 一种业务质检方法、装置、设备及存储介质 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN114120071A (zh) | 一种带有对象标注框图像的检测方法 | |
CN112785567B (zh) | 地图检测方法、装置、电子设备和存储介质 | |
CN114120305B (zh) | 文本分类模型的训练方法、文本内容的识别方法及装置 | |
CN113033431B (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 | |
CN112749978B (zh) | 检测方法、装置、设备、存储介质以及程序产品 | |
CN113221519B (zh) | 用于处理表格数据的方法、装置、设备、介质和产品 | |
CN113010721B (zh) | 一种图片审核方法、装置、电子设备及存储介质 | |
CN114067328A (zh) | 识别文本的方法、装置和电子设备 | |
CN113887394A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113313125A (zh) | 图像处理方法和装置、电子设备、计算机可读介质 | |
CN111950354A (zh) | ***归属国识别方法、装置及电子设备 | |
CN111476462A (zh) | 指标数据处理方法、装置、终端及介质 | |
CN115050086B (zh) | 样本图像生成方法、模型训练方法、图像处理方法和装置 |
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 |