CN113963193A - 车身颜色分类模型生成的方法、装置以及存储介质 - Google Patents
车身颜色分类模型生成的方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113963193A CN113963193A CN202111109539.7A CN202111109539A CN113963193A CN 113963193 A CN113963193 A CN 113963193A CN 202111109539 A CN202111109539 A CN 202111109539A CN 113963193 A CN113963193 A CN 113963193A
- Authority
- CN
- China
- Prior art keywords
- vehicle body
- color classification
- classification model
- image
- body color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种车身颜色分类模型生成的方法、装置以及存储介质,所述方法包括:获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;获取根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。本发明能够提高车身颜色分类的效果。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种车身颜色分类模型生成的方法、装置以及存储介质。
背景技术
车身识别是车辆识别***中的一个重要的辅助手段。车身颜色识别在交通调查和交通管理方面也起着重要的作用。目前,车身识别方法主要包括以下三种现有技术:
现有技术1主要是提取有效感兴趣区域,通过仿射变换得到图像映射Lab色彩空间结合RGB空间的值,使用神经网络模型进行训练,结合支持向量机进行车辆颜色分类。然而,发明人发现,现有技术1这种方法由于未考虑到Lab空间内的色彩是建模于物理设备的输出,而不是人类的视觉感知,因此通过RGB转换后其颜色标注依赖于设备以及人眼主观性,没有相对标准的绝对参考值,不同的设备显示处理同一种颜色的结果可能会被标定为不同的颜色。
现有技术2主要是对整车的不同区域进行标注区域,分为主线索区域、辅助识别区域和无法识别区域,然后使用CNN模型进行训练,检测不同的区域分配不同的权重进行颜色分类。然而,发明人发现现有技术2这种方法未考虑到由于大角度拍摄,或不同场景条件下拍摄,很多车身图像无法获得主线索区域、辅助识别区域和无法识别区域,且在不同的条件下,同一车辆的某个区域有可能是无法识别区域也有可能是主线索区域。
现有技术3主要包括获取车辆待识别的全部区域,包括至少一个子ROI区域,利用预设的分类器进行分类,使用ROI提取到的特征与预设的进行匹配,选择置信度最高的作为分类结果。然而,发明人发现,现有技术3是使用提取到的ROI特征融合,并与预设分类器进行匹配,选择置信度高,但忽略了受到灰尘等干扰,颜色变换呈非线性关系,分类时误判较大。
发明内容
本发明实施例提供一种车身颜色分类模型生成的方法、装置以及存储介质,以解决现有技术出现同一种颜色变换后标注为多种颜色、依赖于特定的车身子区域、没有考虑干扰环境造成车身颜色分类效果差的技术问题,本发明实施例能够获得更好的分类效果。
第一方面,本发明实施例提供一种车身颜色分类模型生成的方法,包括:
获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;
获取根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;
将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;
按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;
采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。
优选地,在得到所述车身颜色分类模型后,还包括:
获取标准测试集;其中,所述标准测试集为对有效样本进行时频转换得到;
采用所述标准测试集对所述车身颜色分类模型进行测试,得到测试结果;
根据所述测试结果和实际结果计算所述车身颜色分类模型的分类精度;
若所述分类精度不满足预设的要求,则获取所述测试集,利用所述测试集对所述车身颜色分类模型中的部分权重进行矫正,重新生成车身颜色分类模型。
优选地,在获得所述重新生成的车身颜色分类模型后,还包括:
采用所述标准测试集对所述重新生成的车身颜色分类模型进行测试;
若所述重新生成的车身颜色分类模型的分类精度不满足所述预设的要求,则输出请求修改模型架构的信息。
优选地,将一张车身图像对应的图像数据转换为频域数据的方法包括:
将所述车身图像化为3*H*W的多维矩阵;其中,H、W分别表示所述车身图像的高和宽;
采用离散傅里叶变换将所述多维矩阵转换到频域空间,得到离散的复数矩阵;其中,所述离散的复数矩阵即为所述车身图像对应的频域数据。
优选地,将一张车身图像对应的图像数据转换为频域数据的方法包括
采用小波变换将所述车身图像对应的图像数据转换为频域数据。
优选地,所述多种场景包括但不限于雪天、灰尘和清洁场景。
第二方面,本发明实施例提供一种车身颜色分类模型生成装置,其特征在于,包括:
第一获取单元,用于获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;
第二获取单元,用于获根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;
时频转换单元,用于将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;
划分单元,用于按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;
训练单元,用于采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。
优选地,所述的车身颜色分类模型生成装置,包括:
第三获取单元,用于获取标准测试集;其中,所述标准测试集为对有效样本进行时频转换得到;
测试单元,用于采用所述标准测试集对所述车身颜色分类模型进行测试,得到测试结果;
分类精度计算单元,用于根据所述测试结果和实际结果计算所述车身颜色分类模型的分类精度;
矫正单元,用于若所述分类精度不满足预设的要求,则获取所述测试集,利用所述测试集对所述车身颜色分类模型中的部分权重进行矫正,重新生成车身颜色分类模型。
第三方面,本发明实施例还提供一种电子设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的车身颜色分类模型生成的方法。
第四方面,本发明实施例还提供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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的车身颜色分类模型生成的方法。
与现有技术相比,本发明实施例公开的车身颜色分类模型生成的方法,包括:获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;获取根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。本发明实施例通过在时域的RGB色彩空间上拟定一种用于指示各种环境下车身实际的颜色的颜色分类标准,从而使得不会出现同一种颜色变换后标注为多种颜色的情况,且所有的车辆图像都可以实现实际的颜色归类,从而提高了车身颜色分类效果。另外,本发明实施例将原图从时域转换到频域,能够将环境因素造成的干扰信号和颜色特征信号分离,从而降低了干扰环境对车身颜色分类效果的影响,进而提高了车身颜色分类效果。另外,本发明实施例采用卷积神经网络模型,可以实现车窗、车牌等绝对无效区域的排除,从而降低了无效区域对车身颜色分类效果的影响,进而提高了车身颜色分类效果。
附图说明
图1是本发明一实施例提供的一种车身颜色分类模型生成的方法的详细流程示意图;
图2是本发明一实施例提供的一种车身颜色分类模型生成的方法的简单流程示意图;
图3是卷积神经网络的训练过程;
图4是本发明一实施例提供的一种车身颜色分类模型生成装置的结构示意图。
具体实施方式
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作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。
参见图1和图2,本发明一实施例提供的一种车身颜色分类模型生成的方法包括步骤S1-S5:
S1、获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像.
在本发明实施例中,所述车身图像样本集中的车身图像是在多种场景下、例如,雪天、灰尘、清洁场景等,多个角度拍摄的车身图像,例如,只见车脸、俯视全车身等。
S2、获取根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色。
在本发明实施例中,需要说明的是,车身实际的颜色并不会随着环境的变化和变化,然而,环境可能会引起人对车身颜色的辨别。由于车辆实际的颜色在交通调查、交通管理起着重要的作用,因此,为能够识别出各种环境下车辆实际的车身颜色,本发明实施例设定了一种用于指示各种环境下车身的实际颜色的分类标准。具体地,所述预先设定好的颜色分类标准,包括无干扰、雪尘光等干扰情况下的统一标准。
S3、将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据。
需要说明的是,频域不是真实存在的,而是数学理论构造出来的一个映射空间,通常是描述信号在频率方面特性所应用的坐标空间,而时域是唯一客观存在的域。很多信号在时域中很相似,但是映射到一个频域空间后,差别则很大,可以很容易分辨出来。时域转换到频域主要应用方式为傅里叶变换,即将任何一个离散的信号,通过离散傅里叶变换,转换为数学构造的领域中的信号,以频率轴为坐标进行表达。
除了利用离散傅里叶变换将图像时域数据转换为频域数据,应用较多的方式为小波变换。小波变换可以将信号数据分为高频和低频,便于进行各种滤波处理,例如对于车身颜色信息,车身的主体颜色属于低频信息,而其他干扰噪声信息则属于高频振动信息,这种滤掉高频干扰信息的方式可以代替传统图像处理中的平滑处理滤波方式。
S4、按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集。
S5、采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。
在本发明实施例中,应当理解的时,所述训练样本集对应的标签即为所述训练样本集中每一车辆图像对应的标签,所述标签标识车辆图像车身颜色。
在本发明实施例中,卷积神经网络(CNN)的训练过程是一个单向网络。主要包括将频域的特征数据放大扩增,然后通过一般卷积、池化等操作进行ROI区域提取,排除掉无效区域后的其他区域即为ROI区域。对ROI区域的特征进行融合,然后使用分类器进行分类。若分类结果与标签不匹配,则反向计算下降梯度,重新迭代训练,直至模型拟合能力较强,实现对车身颜色正确分类,然后输出结果作为测试模型。具体流程如图3所示。
本发明实施例通过在时域的RGB色彩空间上拟定一种用于指示各种环境下车身实际的颜色的颜色分类标准,从而使得不会出现同一种颜色变换后标注为多种颜色的情况,且所有的车辆图像都可以实现实际的颜色归类,从而提高了车身颜色分类效果。另外,本发明实施例将原图从时域转换到频域,能够将环境因素造成的干扰信号和颜色特征信号分离,从而降低了干扰环境对车身颜色分类效果的影响,进而提高了车身颜色分类效果。另外,本发明实施例采用卷积神经网络模型,可以实现车窗、车牌等绝对无效区域的排除,从而降低了无效区域对车身颜色分类效果的影响,进而提高了车身颜色分类效果。
作为本发明实施例的一种举例,在得到所述车身颜色分类模型后,还包括:
S6、获取标准测试集;其中,所述标准测试集为对有效样本进行时频转换得到。
在本发明实施例中,需要说明的时,所述标准测试集中的每个样本均被人工正确分类,以便于验证车身颜色分类模型的分类精度。
S7、采用所述标准测试集对所述车身颜色分类模型进行测试,得到测试结果;
S8、根据所述测试结果和实际结果计算所述车身颜色分类模型的分类精度;
S9、若所述分类精度不满足预设的要求,则获取所述测试集,利用所述测试集对所述车身颜色分类模型中的部分权重进行矫正,重新生成车身颜色分类模型。
本发明实施例通过当初始生成的车身颜色分类模型分类精度不满足预设的要求时,采用测试集对所述初始生成的车身颜色分类模型的部分权重进行矫正,能够获得分类精度更高的车身颜色分类模型。
作为本发明实施例的一种举例,在获得所述重新生成的车身颜色分类模型后,还包括:
采用所述标准测试集对所述重新生成的车身颜色分类模型进行测试;
若所述重新生成的车身颜色分类模型的分类精度不满足所述预设的要求,则输出请求修改模型架构的信息。
本发明实施例通过当重新生成的车身颜色分类模型的分类精度仍然不满足所述预设的要求时,输出修改模型架构的信息,能够提醒相应的研发人员及时修改模型架构。
作为本发明实施例的一种举例,将一张车身图像对应的图像数据转换为频域数据的方法包括:
将所述车身图像化为3*H*W的多维矩阵;其中,H、W分别表示所述车身图像的高和宽;
采用离散傅里叶变换将所述多维矩阵转换到频域空间,得到离散的复数矩阵;其中,所述离散的复数矩阵即为所述车身图像对应的频域数据。
作为本发明实施例的一种举例,将一张车身图像对应的图像数据转换为频域数据的方法包括
采用小波变换将所述车身图像对应的图像数据转换为频域数据。
实施例2:
请参阅图4,本发明实施例提供一种车身颜色分类模型生成装置,包括:
第一获取单元1,用于获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;
第二获取单元2,用于根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;;
时频转换单元3,用于将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;
划分单元4,用于按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;
训练单元5,用于采用所述训练样本集和对应的标签对所述待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。
作为本发明实施例的一种举例,所述的车身颜色分类模型生成装置,还包括:
第三获取单元,用于获取标准测试集;其中,所述标准测试集为对有效样本进行时频转换得到;
测试单元,用于采用所述标准测试集对所述车身颜色分类模型进行测试,得到测试结果;
分类精度计算单元,用于根据所述测试结果和实际结果计算所述车身颜色分类模型的分类精度;
矫正单元,用于若所述分类精度不满足预设的要求,则获取所述测试集,利用所述测试集对所述车身颜色分类模型中的部分权重进行矫正,重新生成车身颜色分类模型。
实施例3:
本发明实施例提供一种电子设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例所述的车身颜色分类模型生成的方法。
实施例4:
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的车身颜色分类模型生成的方法。
需要说明的是,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车身颜色分类模型生成的方法,其特征在于,包括:
获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;
获取根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;
将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;
按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;
采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。
2.根据权利要求1所述的车身颜色分类模型生成的方法,其特征在于,在得到所述车身颜色分类模型后,还包括:
获取标准测试集;其中,所述标准测试集为对有效样本进行时频转换得到;
采用所述标准测试集对所述车身颜色分类模型进行测试,得到测试结果;
根据所述测试结果和实际结果计算所述车身颜色分类模型的分类精度;
若所述分类精度不满足预设的要求,则获取所述测试集,利用所述测试集对所述车身颜色分类模型中的部分权重进行矫正,重新生成车身颜色分类模型。
3.根据权利要求2所述的车身颜色分类模型生成的方法,其特征在于,在获得所述重新生成的车身颜色分类模型后,还包括:
采用所述标准测试集对所述重新生成的车身颜色分类模型进行测试;
若所述重新生成的车身颜色分类模型的分类精度不满足所述预设的要求,则输出请求修改模型架构的信息。
4.根据权利要求1~3任一项所述的车身颜色分类模型生成的方法,其特征在于,将一张车身图像对应的图像数据转换为频域数据的方法包括:
将所述车身图像化为3*H*W的多维矩阵;其中,H、W分别表示所述车身图像的高和宽;
采用离散傅里叶变换将所述多维矩阵转换到频域空间,得到离散的复数矩阵;其中,所述离散的复数矩阵即为所述车身图像对应的频域数据。
5.根据权利要求1~3任一项所述的车身颜色分类模型生成的方法,其特征在于,将一张车身图像对应的图像数据转换为频域数据的方法包括:
采用小波变换将所述车身图像对应的图像数据转换为频域数据。
6.根据权利要求1所述的车身颜色分类模型生成的方法,其特征在于,所述场景包括但不限于雪天、灰尘和清洁场景。
7.一种车身颜色分类模型生成装置,其特征在于,包括:
第一获取单元,用于获取车身图像样本集;其中,所述车身图像样本集包括在多种场景下,从多个角度拍摄得到的车身图像;
第二获取单元,用于获取根据预设的颜色分类标准对每一所述车身图像进行标注的标签;其中,所述预设的颜色分类标准用于指示各种环境下车身实际的颜色;
时频转换单元,用于将每一所述车身图像对应的图像数据转换为频域数据;其中,所述车身图像对应的图像数据为时域数据;
划分单元,用于按照每种车身颜色类别一定的比例将所述车身图像样本集对应的频域数据划分为训练集和测试集;
训练单元,用于采用所述训练样本集和所述训练样本集对应的标签对待训练的卷积神经网络模型进行训练,直至分类精度和损失值趋于稳定时停止训练,得到所述车身颜色分类模型。
8.根据权利要求7所述的车身颜色分类模型生成装置,其特征在于,还包括:
第三获取单元,用于获取标准测试集;其中,所述标准测试集为对有效样本进行时频转换得到;
测试单元,用于采用所述标准测试集对所述车身颜色分类模型进行测试,得到测试结果;
分类精度计算单元,用于根据所述测试结果和实际结果计算所述车身颜色分类模型的分类精度;
矫正单元,用于若所述分类精度不满足预设的要求,则获取所述测试集,利用所述测试集对所述车身颜色分类模型中的部分权重进行矫正,重新生成车身颜色分类模型。
9.一种电子设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的车身颜色分类模型生成的方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的车身颜色分类模型生成的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109539.7A CN113963193A (zh) | 2021-09-22 | 2021-09-22 | 车身颜色分类模型生成的方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109539.7A CN113963193A (zh) | 2021-09-22 | 2021-09-22 | 车身颜色分类模型生成的方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963193A true CN113963193A (zh) | 2022-01-21 |
Family
ID=79462163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111109539.7A Pending CN113963193A (zh) | 2021-09-22 | 2021-09-22 | 车身颜色分类模型生成的方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963193A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410048A (zh) * | 2022-09-29 | 2022-11-29 | 昆仑芯(北京)科技有限公司 | 图像分类模型的训练及图像分类方法、装置、设备及介质 |
CN116665138A (zh) * | 2023-08-01 | 2023-08-29 | 临朐弘泰汽车配件有限公司 | 一种汽车配件冲压加工视觉检测方法及*** |
-
2021
- 2021-09-22 CN CN202111109539.7A patent/CN113963193A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410048A (zh) * | 2022-09-29 | 2022-11-29 | 昆仑芯(北京)科技有限公司 | 图像分类模型的训练及图像分类方法、装置、设备及介质 |
CN115410048B (zh) * | 2022-09-29 | 2024-03-19 | 昆仑芯(北京)科技有限公司 | 图像分类模型的训练及图像分类方法、装置、设备及介质 |
CN116665138A (zh) * | 2023-08-01 | 2023-08-29 | 临朐弘泰汽车配件有限公司 | 一种汽车配件冲压加工视觉检测方法及*** |
CN116665138B (zh) * | 2023-08-01 | 2023-11-07 | 临朐弘泰汽车配件有限公司 | 一种汽车配件冲压加工视觉检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986140B (zh) | 基于相关滤波和颜色检测的目标尺度自适应跟踪方法 | |
CN110353675B (zh) | 基于图片生成的脑电信号情感识别方法及装置 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN114998695B (zh) | 一种提高图像识别速度的方法及*** | |
CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
CN111126481A (zh) | 一种神经网络模型的训练方法及装置 | |
CN110879982A (zh) | 一种人群计数***及方法 | |
CN103839042A (zh) | 人脸识别方法和人脸识别*** | |
CN112842348B (zh) | 一种基于特征提取与深度学习的心电信号自动分类方法 | |
CN113780106A (zh) | 一种基于无线电波形数据输入的深度学习信号检测方法 | |
CN113486752A (zh) | 基于心电信号的情感识别方法及*** | |
JP2017102622A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN110704662A (zh) | 一种图像分类方法及*** | |
CN110874576A (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN113627391A (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN110490210A (zh) | 一种基于紧致通道间t采样差分的彩色纹理分类方法 | |
Zhang et al. | A combined approach to single-camera-based lane detection in driverless navigation | |
CN109598262A (zh) | 一种儿童人脸表情识别方法 | |
CN114912492A (zh) | 基于脑电信号深度学习的跨时间个体识别方法及*** | |
CN113221736A (zh) | 基于多特征协同非负矩阵分解的心电身份识别方法及*** | |
CN111898531A (zh) | 卫星通信信号识别方法、装置及电子设备 | |
CN112613341A (zh) | 训练方法及装置、指纹识别方法及装置、电子设备 | |
CN116434243B (zh) | 一种笔迹练习***的练习笔迹自动评测方法 |
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 |