CN114708543B - 一种考场监控视频图像中考生定位方法 - Google Patents

一种考场监控视频图像中考生定位方法 Download PDF

Info

Publication number
CN114708543B
CN114708543B CN202210629393.7A CN202210629393A CN114708543B CN 114708543 B CN114708543 B CN 114708543B CN 202210629393 A CN202210629393 A CN 202210629393A CN 114708543 B CN114708543 B CN 114708543B
Authority
CN
China
Prior art keywords
image data
monitoring video
examination room
video image
examinee
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
Application number
CN202210629393.7A
Other languages
English (en)
Other versions
CN114708543A (zh
Inventor
刘说
潘帆
李翔
赵启军
黄珂
杨玲
杨智鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210629393.7A priority Critical patent/CN114708543B/zh
Publication of CN114708543A publication Critical patent/CN114708543A/zh
Application granted granted Critical
Publication of CN114708543B publication Critical patent/CN114708543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种考场监控视频图像中考生定位方法，主要包括，首先根据考场监控视频图像数据中考生的耳朵可见情况、对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记，建立考生头顶部头发区域数据集，在此基础上进行基于高虚警率的目标检测的初步筛选，最后建立基于SSD深度学习目标检测的模型，对考生头发区域定位，最终实现考生的定位，该方法提高了对考场监控视频图像中考生定位的准确性、可靠性及泛化能力。

Description

一种考场监控视频图像中考生定位方法
技术领域
本发明属于图像处理领域，具体涉及一种考场监控视频图像中考生定位方法。
背景技术
在世界范围内，考试一直作为重要的检验、选拔手段广泛使用，这是由于其在一定程度上能确保公平、公正。然而为了顺利通过考试，存在各种各样作弊手段，为了保证考试的公平、公正原则，考试监控***大量应用于***中。然而，考场拥有了视频监控***，却并不意味着能很好的解决作弊问题。
这是由于视频监控虽然能较为完整的记录考场信息，但是是否存在***行为，仍然需要相关部门投入大量的人力去对这些视频数据进行后期的处理和审查，其中很大比例的视频中是没有作弊行为的，但每一段视频都需要经过相关人员的仔细审查，由此产生了大量的工作量，由此产生了对考场监控视频中考生的行为进行自动识别的需求，而如何对考场监控视频中考生进行定位，则成为了一个必须解决的关键问题。
对于考场监控视频检测定位方法大致可以分为基于背景差分的方法、基于模板匹配的方法、基于图像特征的方法，这些方法存在检测范围有限，对于考场布局的依赖性较大等问题。
发明内容
本发明针对上述现有技术的不足，提出了一种考场监控视频图像中考生定位方法，包括以下步骤：
步骤1：对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记，然后建立考场监控视频图像数据的考生头顶部头发区域数据集；
步骤2：建立针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型，首先对考场监控视频图像数据中的可能为头发的像素点进行筛选，得到预处理图像数据，然后在预处理图像数据上进行基于SSD的深度学习目标检测；
步骤3：将建立的考场监控视频图像数据的考生头顶部头发区域数据集按比例进行划分，分别生成训练数据集和测试数据集，对建立的针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型进行训练和测试，得到最终目标检测模型
Figure DEST_PATH_IMAGE001
；
步骤4：将考场监控视频初始图像数据输入到最终目标检测模型
Figure DEST_PATH_IMAGE002
中，然后得到对考场监控视频图像数据中的考生定位结果。
进一步的，步骤1：对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记，具体方法为：对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况及基于近似图像的方框标记。
进一步的，对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况方框标记，耳朵显露情况分为：两个耳朵显露，一个耳朵显露，没有显露耳朵。
进一步的，对考场监控视频图像数据中的考生的头顶部头发区域进行基于近似图像的方框标记，具体为生成的边框的水平和垂直边都平行于图像数据边缘。
进一步的，视频图像数据中考生两个耳朵显露，则框选区域为：以边缘检测所得头发与额头交界的最低点为框选区域底部，以框选区域底部到边缘检测所得头发最顶部距离的
Figure DEST_PATH_IMAGE003
倍为框选高度，以头发左右两侧与背景交界最长距离的
Figure DEST_PATH_IMAGE004
倍为框选宽度，组成框选区域，变量
Figure DEST_PATH_IMAGE005
和
Figure DEST_PATH_IMAGE006
为加权系数。
进一步的，视频图像数据中考生一个耳朵显露，则框选区域为：以头发与额头交界的最高点和最低点之间的中间值点为框选区域底部，以框选区域底部到头发最顶部距离的
Figure DEST_PATH_IMAGE007
倍为框选高度，以显露的一个耳朵与头发交界的边缘与另一侧头发与背景交界的边缘的最长距离的
Figure DEST_PATH_IMAGE008
倍为框选宽度，组成框选区域，变量
Figure DEST_PATH_IMAGE009
和
Figure DEST_PATH_IMAGE010
为加权系数。
进一步的，视频图像数据中考生没有显露耳朵，以头发与额头交界的最高点为框选区域底部，以框选区域底部到头发最顶部的距离为框选高度，以额头在图像数据中显示的水平宽度为框选宽度，组成框选区域。
进一步的，步骤2：对考场监控视频图像数据中的可能为头发的像素点进行筛选，得到预处理图像数据，具体方法为：首先对图像数据进行灰度化处理，得到灰度图像数据
Figure DEST_PATH_IMAGE011
；然后对灰度图像数据中的每个像素点的像素值按照
Figure DEST_PATH_IMAGE012
进行取反，得到灰度取反图像数据
Figure DEST_PATH_IMAGE013
，其中
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
为图像数据
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
中的横坐标为
Figure DEST_PATH_IMAGE018
，纵坐标为
Figure DEST_PATH_IMAGE019
的像素点的灰度值；对灰度取反图像数据
Figure 606426DEST_PATH_IMAGE017
进行高虚警率的CFAR目标检测，得到筛选后的图像数据，设置阈值
Figure DEST_PATH_IMAGE020
，对筛选后的图像数据进行二值化处理，得到预处理图像数据
Figure DEST_PATH_IMAGE021
。
进一步的，步骤2：在预处理图像数据上进行基于SSD的深度学习目标检测，具体为：将二值检测结果图像数据
Figure DEST_PATH_IMAGE022
作为索引图像，将索引图像中非0像素值像素点在图像中的坐标映射到相应考场监控视频图像数据上，以映射的像素点作为锚框中心点，基于SSD目标检测框架，建立针对考场监控视频图像数据头发区域定位的目标检测模型。
进一步的，步骤4：将考场监控视频初始图像数据输入到最终目标检测模型
Figure DEST_PATH_IMAGE023
中，然后得到对考场监控视频图像数据中的考生定位结果，具体为：将考场监控视频初始图像数据输入到最终目标检测模型
Figure DEST_PATH_IMAGE024
中，得到头发区域框选结果，将每个框选区域向下扩展自身范围的
Figure DEST_PATH_IMAGE025
倍，得到更新的区域框选结果，将该更新的区域框选结果定为考生定位结果。
本发明解决了以下技术问题：
1、提出一种根据考场监控视频图像数据中考生的耳朵可见情况，对考场监控视频图像数据进行基于考生头发区域的框选标记方法，提高了考生头发区域数据集的准确性和可靠性。
2、通过对考场监控视频图像数据中的可能为头发的像素点进行基于高虚警率的目标检测的初步筛选，有效的提高了考生头发区域检测的准确性。
3、对考场监控视频图像数据的二值检测结果作为索引图像，以索引图像为基础进行锚框选择，在提高了考生头发区域检测的准确性的同时又降低了目标检测模型的复杂度。
附图说明
图1为一种考场监控视频图像中考生定位方法流程图。
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、完整的描述，方法流程图如图1所示，包括以下步骤：
一种考场监控视频图像中考生定位方法，包括：
步骤1：对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记，然后建立考场监控视频图像数据的考生头顶部头发区域数据集；
步骤2：建立针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型，首先对考场监控视频图像数据中的可能为头发的像素点进行筛选，得到预处理图像数据，然后在预处理图像数据上进行基于SSD的深度学习目标检测；
步骤3：将建立的考场监控视频图像数据的考生头顶部头发区域数据集按比例进行划分，分别生成训练数据集和测试数据集，对建立的针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型进行训练和测试，得到最终目标检测模型
Figure DEST_PATH_IMAGE026
；
步骤4：将考场监控视频初始图像数据输入到最终目标检测模型
Figure 163047DEST_PATH_IMAGE002
中，然后得到对考场监控视频图像数据中的考生定位结果。
进一步的，步骤1：对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记，具体方法为：对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况及基于近似图像的方框标记。
进一步的，对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况方框标记，耳朵显露情况分为：两个耳朵显露，一个耳朵显露，没有显露耳朵。
进一步的，对考场监控视频图像数据中的考生的头顶部头发区域进行基于近似图像的方框标记，具体为生成的边框的水平和垂直边都平行于图像数据边缘。
进一步的，视频图像数据中考生两个耳朵显露，则框选区域为：以边缘检测所得头发与额头交界的最低点为框选区域底部，以框选区域底部到边缘检测所得头发最顶部距离的
Figure 867086DEST_PATH_IMAGE005
倍为框选高度，以头发左右两侧与背景交界最长距离的
Figure DEST_PATH_IMAGE027
倍为框选宽度，组成框选区域，变量
Figure 918087DEST_PATH_IMAGE005
和
Figure 466880DEST_PATH_IMAGE006
为加权系数。
进一步的，视频图像数据中考生一个耳朵显露，则框选区域为：以头发与额头交界的最高点和最低点之间的中间值点为框选区域底部，以框选区域底部到头发最顶部距离的
Figure DEST_PATH_IMAGE028
倍为框选高度，以显露的一个耳朵与头发交界的边缘与另一侧头发与背景交界的边缘的最长距离的
Figure DEST_PATH_IMAGE029
倍为框选宽度，组成框选区域，变量
Figure 86080DEST_PATH_IMAGE009
和
Figure DEST_PATH_IMAGE030
为加权系数。
进一步的，视频图像数据中考生没有显露耳朵，以头发与额头交界的最高点为框选区域底部，以框选区域底部到头发最顶部的距离为框选高度，以额头在图像数据中显示的水平宽度为框选宽度，组成框选区域。
进一步的，步骤2：对考场监控视频图像数据中的可能为头发的像素点进行筛选，得到预处理图像数据，具体方法为：首先对图像数据进行灰度化处理，得到灰度图像数据
Figure 274485DEST_PATH_IMAGE016
；然后对灰度图像数据中的每个像素点的像素值按照
Figure DEST_PATH_IMAGE031
进行取反，得到灰度取反图像数据
Figure 120389DEST_PATH_IMAGE017
，其中
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
为图像数据
Figure 382743DEST_PATH_IMAGE016
、
Figure 297478DEST_PATH_IMAGE017
中的横坐标为
Figure DEST_PATH_IMAGE034
，纵坐标为
Figure DEST_PATH_IMAGE035
的像素点的灰度值；对灰度取反图像数据
Figure 442020DEST_PATH_IMAGE017
进行高虚警率的CFAR目标检测，得到筛选后的图像数据，设置阈值
Figure DEST_PATH_IMAGE036
，对筛选后的图像数据进行二值化处理，得到预处理图像数据
Figure 585557DEST_PATH_IMAGE022
。
进一步的，步骤2：在预处理图像数据上进行基于SSD的深度学习目标检测，具体为：将二值检测结果图像数据
Figure 33243DEST_PATH_IMAGE022
作为索引图像，将索引图像中非0像素值像素点在图像中的坐标映射到相应考场监控视频图像数据上，以映射的像素点作为锚框中心点，基于SSD目标检测框架，建立针对考场监控视频图像数据头发区域定位的目标检测模型。
进一步的，步骤4：将考场监控视频初始图像数据输入到最终目标检测模型
Figure 197508DEST_PATH_IMAGE023
中，然后得到对考场监控视频图像数据中的考生定位结果，具体为：将考场监控视频初始图像数据输入到最终目标检测模型
Figure 360505DEST_PATH_IMAGE024
中，得到头发区域框选结果，将每个框选区域向下扩展自身范围的
Figure DEST_PATH_IMAGE037
倍，得到更新的区域框选结果，将该更新的区域框选结果定为考生定位结果。
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其他实施例，都属于本发明保护的范围。

Claims (9)

1.一种考场监控视频图像中考生定位方法，其特征在于：
步骤1：对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记，具体方法为：对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况及基于近似图像的方框标记；然后建立考场监控视频图像数据的考生头顶部头发区域数据集；
步骤2：建立针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型，首先对考场监控视频图像数据中的可能为头发的像素点进行筛选，得到预处理图像数据，然后在预处理图像数据上进行基于SSD的深度学习目标检测；
步骤3：将建立的考场监控视频图像数据的考生头顶部头发区域数据集按比例进行划分，分别生成训练数据集和测试数据集，对建立的针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型进行训练和测试，得到最终目标检测模型Mssd；
步骤4：将考场监控视频初始图像数据输入到最终目标检测模型Mssd中，然后得到对考场监控视频图像数据中的考生定位结果。
2.如权利要求1所述的一种考场监控视频图像中考生定位方法，其特征在于对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况方框标记，耳朵显露情况分为：两个耳朵显露，一个耳朵显露，没有显露耳朵。
3.如权利要求1所述的一种考场监控视频图像中考生定位方法，其特征在于对考场监控视频图像数据中的考生的头顶部头发区域进行基于近似图像的方框标记，具体为生成的边框的水平和垂直边都平行于图像数据边缘。
4.如权利要求2所述的一种考场监控视频图像中考生定位方法，其特征在于视频图像数据中考生两个耳朵显露，则框选区域为：以边缘检测所得头发与额头交界的最低点为框选区域底部，以框选区域底部到边缘检测所得头发最顶部距离的α1倍为框选高度，以头发左右两侧与背景交界最长距离的β1倍为框选宽度，组成框选区域，变量α1和β1为加权系数。
5.如权利要求2所述的一种考场监控视频图像中考生定位方法，其特征在于视频图像数据中考生一个耳朵显露，则框选区域为：以头发与额头交界的最高点和最低点之间的中间值点为框选区域底部，以框选区域底部到头发最顶部距离的α2倍为框选高度，以显露的一个耳朵与头发交界的边缘与另一侧头发与背景交界的边缘的最长距离的β2倍为框选宽度，组成框选区域，变量α2和β2为加权系数。
6.如权利要求2所述的一种考场监控视频图像中考生定位方法，其特征在于视频图像数据中考生没有显露耳朵，以头发与额头交界的最高点为框选区域底部，以框选区域底部到头发最顶部的距离为框选高度，以额头在图像数据中显示的水平宽度为框选宽度，组成框选区域。
7.如权利要求1所述的一种考场监控视频图像中考生定位方法，其特征在于步骤2：对考场监控视频图像数据中的可能为头发的像素点进行筛选，得到预处理图像数据，具体方法为：首先对图像数据进行灰度化处理，得到灰度图像数据Ig；然后对灰度图像数据中的每个像素点的像素值按照Ic(i，j)＝255-Ig(i，j)进行取反，得到灰度取反图像数据Ic，其中Ig(i，j)、Ic(i，j)为图像数据Ig、Ic中的横坐标为i，纵坐标为j的像素点的灰度值；对灰度取反图像数据Ic进行高虚警率的CFAR目标检测，得到筛选后的图像数据，设置阈值th，对筛选后的图像数据进行二值化处理，得到预处理图像数据It。
8.如权利要求1所述的一种考场监控视频图像中考生定位方法，其特征在于步骤2：在预处理图像数据上进行基于SSD的深度学习目标检测，具体为：将二值检测结果图像数据It作为索引图像，将索引图像中非0像素值像素点在图像中的坐标映射到相应考场监控视频图像数据上，以映射的像素点作为锚框中心点，基于SSD目标检测框架，建立针对考场监控视频图像数据头发区域定位的目标检测模型。
9.如权利要求1所述的一种考场监控视频图像中考生定位方法，其特征在于步骤4：将考场监控视频初始图像数据输入到最终目标检测模型Mssd中，然后得到对考场监控视频图像数据中的考生定位结果，具体为：将考场监控视频初始图像数据输入到最终目标检测模型Mssd中，得到头发区域框选结果，将每个框选区域向下扩展自身范围的Q倍，得到更新的区域框选结果，将该更新的区域框选结果定为考生定位结果。
CN202210629393.7A 2022-06-06 2022-06-06 一种考场监控视频图像中考生定位方法 Active CN114708543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210629393.7A CN114708543B (zh) 2022-06-06 2022-06-06 一种考场监控视频图像中考生定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210629393.7A CN114708543B (zh) 2022-06-06 2022-06-06 一种考场监控视频图像中考生定位方法

Publications (2)

Publication Number Publication Date
CN114708543A CN114708543A (zh) 2022-07-05
CN114708543B true CN114708543B (zh) 2022-08-30

Family

ID=82177605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210629393.7A Active CN114708543B (zh) 2022-06-06 2022-06-06 一种考场监控视频图像中考生定位方法

Country Status (1)

Country Link
CN (1) CN114708543B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310806B (zh) * 2023-02-28 2023-08-29 北京理工大学珠海学院 一种基于图像识别的智慧农业一体化管理***及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5430809A (en) * 1992-07-10 1995-07-04 Sony Corporation Human face tracking system
CN105678213A (zh) * 2015-12-20 2016-06-15 华南理工大学 基于视频特征统计的双模式蒙面人事件自动检测方法
CN106991360A (zh) * 2016-01-20 2017-07-28 腾讯科技（深圳）有限公司 人脸识别方法及人脸识别***
CN107451555A (zh) * 2017-07-27 2017-12-08 安徽慧视金瞳科技有限公司 一种基于梯度方向的头发分向判断方法
CN108260918A (zh) * 2018-02-09 2018-07-10 武汉技兴科技有限公司 一种人体头发信息采集方法、装置及智能修剪装置
CN109711377A (zh) * 2018-12-30 2019-05-03 陕西师范大学 标准化考场监控的单帧图像中考生定位和计数方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686965A (zh) * 2020-12-25 2021-04-20 百果园技术(新加坡)有限公司 一种肤色检测方法、装置、移动终端和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5430809A (en) * 1992-07-10 1995-07-04 Sony Corporation Human face tracking system
CN105678213A (zh) * 2015-12-20 2016-06-15 华南理工大学 基于视频特征统计的双模式蒙面人事件自动检测方法
CN106991360A (zh) * 2016-01-20 2017-07-28 腾讯科技（深圳）有限公司 人脸识别方法及人脸识别***
CN107451555A (zh) * 2017-07-27 2017-12-08 安徽慧视金瞳科技有限公司 一种基于梯度方向的头发分向判断方法
CN108260918A (zh) * 2018-02-09 2018-07-10 武汉技兴科技有限公司 一种人体头发信息采集方法、装置及智能修剪装置
CN109711377A (zh) * 2018-12-30 2019-05-03 陕西师范大学 标准化考场监控的单帧图像中考生定位和计数方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Teaching Assistant and Class Attendance Analysis Using Surveillance Camera;Xiaofei Peng等;《IFTC 2018: Digital TV and Multimedia Communication》;20190511;413–422 *
基于视频的人体检测与计数技术研究;王红梅;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20120515(第05期);I138-1385 *

Also Published As

Publication number Publication date
CN114708543A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
US20230260108A1 (en) Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
US11551433B2 (en) Apparatus, method and computer program for analyzing image
US9977966B2 (en) System and method for identifying, analyzing, and reporting on players in a game from video
CN107240047B (zh) 一种教学视频的学分评估方法和装置
CN102622508B (zh) 图像处理装置和图像处理方法
CN108229526A (zh) 网络训练、图像处理方法、装置、存储介质和电子设备
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN104202547B (zh) 投影画面中提取目标物体的方法、投影互动方法及其***
WO2022001571A1 (zh) 一种基于超像素图像相似度的计算方法
CN111325739A (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN110837795A (zh) 基于课堂监控视频的教学情况智能监测方法、装置及设备
CN110689000B (zh) 一种基于生成复杂环境下车牌样本的车辆车牌识别方法
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及***
WO2021068781A1 (zh) 一种疲劳状态识别方法、装置和设备
CN106611160A (zh) 一种基于卷积神经网络的图像头发识别方法及其装置
CN114708543B (zh) 一种考场监控视频图像中考生定位方法
CN111709914A (zh) 一种基于hvs特性的无参考图像质量评价方法
CN111339902A (zh) 一种数显仪表的液晶屏示数识别方法及装置
WO2023160666A1 (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN113782184A (zh) 一种基于面部关键点与特征预学习的脑卒中辅助评估***
CN113705349A (zh) 一种基于视线估计神经网络的注意力量化分析方法及***
KR100998630B1 (ko) 폐질환 자동 분류 방법
Kovalev et al. Biomedical image recognition in pulmonology and oncology with the use of deep learning
CN113743378A (zh) 一种基于视频的火情监测方法和装置
CN117252867A (zh) 一种基于图像识别的vr设备生产产品质量监测分析方法

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