CN115170536B - 图像检测方法、模型的训练方法和装置 - Google Patents
图像检测方法、模型的训练方法和装置 Download PDFInfo
- Publication number
- CN115170536B CN115170536B CN202210869385.XA CN202210869385A CN115170536B CN 115170536 B CN115170536 B CN 115170536B CN 202210869385 A CN202210869385 A CN 202210869385A CN 115170536 B CN115170536 B CN 115170536B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- training
- region
- 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
- 238000012549 training Methods 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像检测方法、模型的训练方法和装置,涉及人工智能技术领域,具体涉及图像处理、计算机视觉和深度学习等技术领域,尤其涉及智慧城市、智能交通等场景。实现方案为:获取第一图像,第一图像包括与目标对象相应的第一区域;对第一图像执行特征提取,获得第一特征;以及基于第一特征,获得检测结果,检测结果指示目标对象在第一图像中的位置。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及图像处理、计算机视觉和深度学习等技术领域,尤其涉及智慧城市、智能交通等场景,具体涉及一种图像检测方法、模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
基于人工智能的图像检测,通过获得图像,并基于图像进行检测,以获得图像中的对象的类别和位置信息。如何提升所获得的检测结果的精度和准确性是人们永远关注的问题。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种图像检测方法、模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种图像检测方法,包括:获取第一图像,所述第一图像包括与目标对象相应的第一区域;对所述第一图像执行特征提取,获得第一特征,所述第一特征与第二特征的相似度大于预设阈值,所述第二特征是对基于所述第一图像获得的第二图像进行特征提取而获得的,所述第二图像是基于所述第一图像获得的并且具有与所述第一区域相应的第二区域,并且在所述第二图像中所述第二区域与区别于所述第二区域的其他区域之间的对比度大于在所述第一图像中所述第一区域与区别于所述第一区域的其他区域之间的对比度;以及基于所述第一特征,获得检测结果,所述检测结果指示所述目标对象在所述第一图像中的位置。
根据本公开的另一方面,提供了一种图像检测模型的训练方法,包括:获得样本图像,所述样本图像包括与目标对象对应的样本区域;基于所述样本图像,获得训练图像,所述训练图像中与所述第一样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度;将所述样本图像输入至所述图像检测模型,并且将所述训练图像输入至经训练的第一模型;获得所述图像检测模型基于所述样本图像所提取的第一特征,并且基于所述第一模型基于所述训练图像所提取的第二特征;基于所述第一特征和所述第二特征,获得第二损失;以及基于所述第二损失,调整所述图像检测模型的参数。
根据本公开的另一方面,提供了一种图像检测装置,包括:图像获取单元,被配置用于获取第一图像,所述第一图像包括与目标对象相应的第一区域;特征提取单元,被配置用于对所述第一图像执行特征提取,获得第一特征,所述第一特征与第二特征的相似度大于预设阈值,所述第二特征是对基于所述第一图像获得的第二图像进行特征提取而获得的,所述第二图像是基于所述第一图像获得的并且具有与所述第一区域相应的第二区域,并且在所述第二图像中所述第二区域与区别于所述第二区域的其他区域之间的对比度大于在所述第一图像中所述第一区域与区别于所述第一区域的其他区域之间的对比度;以及检测结果获取单元,被配置用于基于所述第一特征,获得检测结果,所述检测结果指示所述目标对象在所述第一图像中的位置。
根据本公开的另一方面,提供了一种图像检测模型的训练装置,包括:样本图像获取单元,被配置用于获得样本图像,所述样本图像包括与目标对象对应的样本区域;训练图像获取单元,被配置用于基于所述样本图像,获得训练图像,所述训练图像中与所述第一样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度;图像输入单元,被配置用于将所述样本图像输入至所述图像检测模型,并且将所述训练图像输入至经训练的第一模型;特征输入单元,被配置用于获得所述图像检测模型基于所述样本图像所提取的第一特征,并且基于所述第一模型基于所述训练图像所提取的第二特征以及损失计算单元,被配置用于基于所述第一特征和所述第二特征,获得第二损失;以及参数调整单元,被配置用于基于所述第二损失,调整所述图像检测模型的参数。
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根据本公开的实施例所述的方法。
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,其中,所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。
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,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。
根据本公开的一个或多个实施例,可以提升对第一图像进行图像检测后获得的检测结果准确性。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开的实施例的图像检测方法的流程图;
图3示出了根据本公开的实施例的图像检测模型的训练方法的流程图;
图4示出了根据本公开的实施例的图像检测模型的训练方法中基于所述样本图像,获得训练图像的过程的流程图;
图5示出了根据本公开的实施例的图像检测装置的结构框图;
图6示出了根据本公开的实施例的图像检测模型的训练装置的结构框图;以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行图像检测方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来接收所获得的检测结果。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一方面,提供一种图像检测方法。如图2所示,根据本公开的一些实施例的图像检测方法200包括:
步骤S210:获取第一图像,所述第一图像包括与目标对象相应的第一区域;
步骤S220:对所述第一图像执行特征提取,获得第一特征,所述第一特征与第二特征的相似度大于预设阈值,所述第二特征是对基于所述第一图像获得的第二图像进行特征提取而获得的,所述第二图像是基于所述第一图像获得的并且具有与所述第一区域相应的第二区域,并且在所述第二图像中所述第二区域与区别于所述第二区域的其他区域之间的对比度大于在所述第一图像中所述第一区域与区别于所述第一区域的其他区域之间的对比度;以及
步骤S230:基于所述第一特征,获得检测结果,所述检测结果指示所述目标对象在所述第一图像中的位置。
在相关技术中,通过将待检测的图像输入至经训练的图像检测模型,使图像检测模型基于该图像的图像特征获得检测结果,其中,图像检测模型仅仅是通过采用训练样本和训练样本的标注标签进行监督训练而来的,模型的泛化能力较差。当待检测的图像较为模糊时,模型基于该图像所提取的特征往往无法获得准确的检测结果。
在根据本公开的实施例中,通过对第一图像进行特征提取获得第一特征,该第一特征与基于第二图像获得第二特征之间的相似度大于相似度阈值,而在第二图像中目标对象的区域与区别于该区域的其他区域之间的对比度较第一图像大,即第二图像中目标对象更加容易区分,使得基于第一图像能够获得更加容易将目标对象区分出来的第二图像的图像特征,更容易获得准确的检测结果。
在一些实施例中,第一图像可以是由任意摄像装置所采集的图像。
在一些实施例中,目标对象可以是第一图像中所包含的任何待检测的对象。
在一些实施例中,第一图像为车载摄像头所采集的图像,目标对象包括下列各项中的至少一项:车道线、车辆和交通锥。
在一些实施例中,所述对所述第一图像执行特征提取,获得第一特征包括:
将所述目标图像输入至第一模型,基于所述第一模型的特征提取网络获得所述第一特征,其中,
所述第一模型是基于第二模型进行训练而获得的,其中,所述第一模型将样本图像作为输入,并且所述第二模型将训练图像作为输入,其中,所述样本图像包含与所述目标对象相应的样本区域,所述训练图像是基于所述样本图像获得的,并且在所述训练图像中与所述样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度。
在基于第二模型训练第一模型的过程中,通过将样本图像输入至第一模型,并且将基于样本图像获得的其中目标对象所在的区域与其他区域之间的对比度大于样本图像的训练图像输入至第二模型,使得经过第二模型指导训练后的第一模型能够基于样本图像提取与第二模型基于训练图像所提取的图像特征,即第一模型能够基于目标对象所在的区域与其他区域之间的对比度较小的图像,能够提取到目标对象所在区域与其他区域之间的对比度较大的图像的图像特征,该图像特征由于是目标对象所在区域与其他区域之间的对比度较大的图像的特征,基于其能够更容易分离图像中的目标对象,因而使得所获得的检测结果更加准确。
在一些实施例中,第一模型的参数数量与第二模型的参数数量相同。
在另一些实施例中,第一模型的参数数量较第二模型的参数数量小。
由于第二模型的参数数量较大,其基于训练图像所获得的特征精度更高,基于该第二模型的指导训练第一模型后,使得第一模型所获得的特征也具有与第二模型所获得的特征的精度,因而能够获得更准确的检测结果。
在一些实施例中,训练图像可以是对样本图像进行凸显所述样本区域的处理后获得的凸显图像。
凸显图像不使样本图像发生实质改变,仅仅改变目标对象所在的区域的亮度,使得目标对象能够被凸显而容易被分辨和检测到。
在一些实施例中,所述对所述样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:
增加所述样本区域的亮度;和
减少所述样本图像中区别于所述样本区域的其他区域的亮度。
在一些实施例中,训练图像包括通过以下方式获得的融合图像:
对所述样本图像进行凸显所述样本区域的处理,以获得第三图像;以及
将所述第三图像和所述样本图像进行融合。
通过将对样本图像进行凸显样本区域的处理后获得的第三图像和样本图像的融合获得训练图像,使得训练图像中目标对象被凸显程度较第三图像低,这样避免在基于第二模型训练第一模型的过程中,第二模型基于训练图像所提取的图像特征与第一模型基于样本图像所提取的图像特征差距过大,避免第一模型无法收敛,并且使训练第一模型的过程平滑,获得泛化性更好的第一模型。
在一些实施例中,所述融合图像包括第一比例的所述样本图像和第二比例的所述第三图像,所述第一比例和所述第二比例之和为1。
例如,通过将第一图像中的各个位置的像素值乘以第一比例后值与第三图像中的相应位置的像素值乘以第二比例后的值相加,获得融合图像中相应位置的像素值。
在一些实施例中,所述第一比例的范围为0.1-0.9。
在一个示例中,第一比例为0.3,第二比例为0.7。
在一些实施例中,通过将第一特征输入分类网络,以获得检测结果。
在一些实施例中,检测结果还指示目标对象的类别。例如,第一图像中包括多个目标对象时,每一个目标对象的类别能够将该目标对象从多个目标对象中进行区分。
在一些实施例中,检测结果以分割结果体现。
根据本公开的另一方面,还提供了一种图像检测模型的训练方法,如图3所示,方法300包括:
步骤S310:获得样本图像,所述样本图像包括与目标对象对应的样本区域;
步骤S320:基于所述样本图像,获得训练图像,所述训练图像中与所述第一样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度;
步骤S330:将所述样本图像输入至所述图像检测模型,并且将所述训练图像输入至经训练的第一模型;以及
步骤S340:获得所述图像检测模型基于所述样本图像所提取的第一特征,并且基于所述第一模型基于所述训练图像所提取的第二特征;
步骤S350:基于所述第一特征和所述第二特征,获得第二损失;以及
步骤S360:基于所述第二损失,调整所述图像检测模型的参数。
在相关技术中,往往基于训练样本和训练样本的样本标签进行监督训练图像检测模型,模型的泛化能力较差。当待检测的图像较为模糊时,图像检测模型基于该图像所提取的特征往往无法获得准确的检测结果。
根据本公开的实施例中,在基于第一模型训练图像检测模型的过程中,通过将样本图像输入至图像检测模型,并且将基于样本图像获得的其中目标对象所在的区域与其他区域之间的对比度大于样本图像的训练图像输入至第一模型,使得在训练图像检测模型的过程中,图像检测模型和第一模型中输入的数据不同。由于训练图像中的目标对象所在的区域与其他区域之间的对比度更大,即目标图像在训练图像中更容易被识别和检测,使得第一模型基于训练图像所提取的图像特征能够更容易获得准确的检测结果。
在经过第一模型指导训练图像检测模型后,图像检测模型能够基于输入的样本图像提取与第一模型基于训练图像所提取的图像特征,即图像检测模型能够基于目标对象所在的区域与其他区域之间的对比度较小的图像,能够提取到第一模型基于其中目标对象所在区域与其他区域之间的对比度较大的图像所提取的图像特征,基于该图像特征更容易获得准确的检测结果,因而使得经训练的图像检测模型能够获得更加准确的检测结果。
在一些实施例中,样本图像可以是由任意摄像装置获得的任意图像。
在一些实施例中,目标对象可以是任意待检测的对象。
在一些实施例中,样本图像为车载摄像头所采集的图像,目标对象包括下列各项中的至少一项:车道线、车辆和交通锥。
在一些实施例中,如图4所示,基于所述样本图像,获得训练图像包括:
步骤S410:对所述样本图像进行凸显所述样本区域的处理,以获得凸显图像;以及
步骤S420:基于所述凸显图像,获得所述训练图像。
凸显图像不使样本图像发生实质改变,仅仅改变目标对象所在的区域的亮度,使得目标对象能够被凸显而容易被分辨和检测到。基于凸显图像获得训练图像,使得基于训练图像所提取的图像特征所获得的检测结果更加准确。
在一些实施例中,所述对所述样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:
增加所述样本区域的亮度;和
减少所述样本图像中区别于所述样本区域的其他区域的亮度。
在一些实施例中,将所述凸显图像作为所述训练图像。
在一些实施例中,所述基于所述凸显图像,获得所述训练图像包括:
将所述凸显图像和所述样本图像进行融合,以获得所述训练图像。
通过将凸显图像和样本图像的融合获得训练图像,使得训练图像中目标对象被凸显程度较凸显图像低,这样避免在基于第一模型训练图像检测模型的过程中,第一模型基于训练图像所提取的图像特征与图像检测模型基于样本图像所提取的图像特征差距过大,避免图像检测模型无法收敛,并且使训练图像检测模型的过程平滑,获得泛化性更好的图像检测模型。
在一些实施例中,所述训练图像包括第一比例的所述样本图像和第二比例的所述凸显图像,所述第一比例和所述第二比例之和为1。
例如,通过将第一图像中的各个位置的像素值乘以第一比例后值与第三图像中的相应位置的像素值乘以第二比例后的值相加,获得融合图像中相应位置的像素值。
在一些实施例中,所述第一比例的范围为0.1-0.9。
在一个示例中,第一比例为0.3,第二比例为0.7。
在一些实施例中,根据本公开的图像检测模型的训练方法还包括:
获得所述样本图像对应的标注标签,并且获得所述图像检测模型输出的预测结果;
基于所述标注标签和所述预测结果,获得第二损失;以及
基于所述第二损失,调整所述图像检测模型的参数。
在一些实施例中,该标注标签指示目标对象在样本图像中的位置或目标对象的类别。
在一些实施例中,根据本公开的图像检测模型的训练方法还包括:
获得所述图像检测模型输出的第一预测结果和所述第一模型输出的第二预测结果;
基于所述第一预测结果和所述第二预测结果,获得第三损失;以及
基于所述第三损失,调整所述图像检测模型的参数。
在一些实施例中,图像检测模型的参数数量与第一模型的参数数量相同。
在另一些实施例中,图像检测模型的参数数量较第一模型的参数数量小。
由于第一模型的参数数量较大,其基于训练图像所获得的特征精度更高,基于该第一模型的指导训练图像检测模型后,使得图像检测模型所获得的特征也具有与第一模型所获得的特征的精度,因而能够获得更准确的检测结果。
在一些实施例中,根据本公开的图像检测模型的方法中,所述第一模型是采用凸显图像进行训练获得的。
根据本公开的另一方面,提供了一种图像检测装置,如图5所示,装置500包括:图像获取单元510,被配置用于获取第一图像,所述第一图像包括与目标对象相应的第一区域;特征提取单元520,被配置用于对所述第一图像执行特征提取,获得第一特征,所述第一特征与第二特征的相似度大于预设阈值,所述第二特征是对基于所述第一图像获得的第二图像进行特征提取而获得的,所述第二图像是基于所述第一图像获得的并且具有与所述第一区域相应的第二区域,并且在所述第二图像中所述第二区域与区别于所述第二区域的其他区域之间的对比度大于在所述第一图像中所述第一区域与区别于所述第一区域的其他区域之间的对比度;以及检测结果获取单元530,被配置用于基于所述第一特征,获得检测结果,所述检测结果指示所述目标对象在所述第一图像中的位置。
在一些实施例中,所述特征提取单元包括:图像输入单元,被配置用于将所述目标图像输入至第一模型,基于所述第一模型的特征提取网络获得所述第一特征,其中,所述第一模型是基于第二模型进行训练而获得的,其中,所述第一模型将样本图像作为输入,并且所述第二模型将训练图像作为输入,其中,所述样本图像包含与所述目标对象相应的样本区域,所述训练图像是基于所述样本图像获得的,并且在所述训练图像中与所述样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度。
在一些实施例中,所述训练图像包括通过以下方式获得的融合图像:对所述样本图像进行凸显所述样本区域的处理,以获得第三图像;以及将所述第三图像和所述样本图像进行融合。
在一些实施例中,所述对样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:增加所述样本区域的亮度;和减少所述样本图像中区别于所述样本区域的其他区域的亮度。
在一些实施例中,所述融合图像包括第一比例的所述样本图像和第二比例的所述第三图像,所述第一比例和所述第二比例之和为1。
在一些实施例中,所述第一比例的范围为0.1-0.9。
在一些实施例中,所述第二模型的参数数量不小于所述第一模型的参数数量。
在一些实施例中,所述第一图像包括由车载摄像头获得的图像,所述目标对象包括下列各项中的至少一项车道线、交通锥。
根据本公开的另一方面,还提供一种图像检测模型的训练装置,如图6所示,装置600包括:样本图像获取单元610,被配置用于获得样本图像,所述样本图像包括与目标对象对应的样本区域;训练图像获取单元620,被配置用于基于所述样本图像,获得训练图像,所述训练图像中与所述第一样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度;图像输入单元630,被配置用于将所述样本图像输入至所述图像检测模型,并且将所述训练图像输入至经训练的第一模型;特征输入单元640,被配置用于获得所述图像检测模型基于所述样本图像所提取的第一特征,并且基于所述第一模型基于所述训练图像所提取的第二特征;损失计算单元650,被配置用于基于所述第一特征和所述第二特征,获得第二损失;以及参数调整单元660,被配置用于基于所述第二损失,调整所述图像检测模型的参数。
在一些实施例中,所述训练图像获取单元包括:凸显处理单元,被配置用于对所述样本图像进行凸显所述样本区域的处理,以获得凸显图像;以及训练图像获取子单元,被配置用于基于所述凸显图像,获得所述训练图像。
在一些实施例中,所述对所述样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:增加所述样本区域的亮度;和减少所述样本图像中区别于所述样本区域的其他区域的亮度。
在一些实施例中,所述训练图像获取子单元包括:融合单元,被配置用于将所述凸显图像和所述样本图像进行融合,以获得所述训练图像。
在一些实施例中,所述训练图像包括第一比例的所述样本图像和第二比例的所述凸显图像,所述第一比例和所述第二比例之和为1。
在一些实施例中,所述第一比例的范围为0.1-0.9。
在一些实施例中,所述样本图像包括由车载摄像头获得的图像,所述目标对象包括下列各项中的至少一项:车道线、交通锥和车辆。
根据本公开的实施例,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。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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)、复杂可编程逻辑设备(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。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (26)
1.一种图像检测方法,包括:
获取第一图像,所述第一图像包括与目标对象相应的第一区域;
对所述第一图像执行特征提取,获得第一特征,所述第一特征与第二特征的相似度大于预设阈值,所述第二特征是对基于所述第一图像获得的第二图像进行特征提取而获得的,所述第二图像是基于所述第一图像获得的并且具有与所述第一区域相应的第二区域,并且在所述第二图像中所述第二区域与区别于所述第二区域的其他区域之间的对比度大于在所述第一图像中所述第一区域与区别于所述第一区域的其他区域之间的对比度;以及
基于所述第一特征,获得检测结果,所述检测结果指示所述目标对象在所述第一图像中的位置;
其中,所述对所述第一图像执行特征提取,获得第一特征包括:
将所述第一图像输入第一模型,基于所述第一模型的特征提取网络获得所述第一特征,其中,
所述第一模型是基于第二模型进行训练而获得的,其中,所述第一模型将样本图像作为输入,并且所述第二模型将训练图像作为输入,其中,所述样本图像包含与所述目标对象相应的样本区域,所述训练图像是基于所述样本图像获得的,并且在所述训练图像中与所述样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度。
2.根据权利要求1所述的方法,其中,所述训练图像包括通过以下方式获得的融合图像:
对所述样本图像进行凸显所述样本区域的处理,以获得第三图像;以及
将所述第三图像和所述样本图像进行融合。
3.根据权利要求2所述的方法,其中,所述对所述样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:
增加所述样本区域的亮度;和
减少所述样本图像中区别于所述样本区域的其他区域的亮度。
4.根据权利要求2所述的方法,其中,所述融合图像包括第一比例的所述样本图像和第二比例的所述第三图像,所述第一比例和所述第二比例之和为1。
5.根据权利要求1所述的方法,其中,所述第二模型的参数数量不小于所述第一模型的参数数量。
6.根据权利要求1所述的方法,其中,所述第一图像包括由车载拍摄装置获得的图像,所述目标对象包括:车道线、车辆或交通锥。
7.一种图像检测模型的训练方法,包括:
获得样本图像,所述样本图像包括与目标对象对应的样本区域;
基于所述样本图像,获得训练图像,所述训练图像中与所述样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度;
将所述样本图像输入至所述图像检测模型,并且将所述训练图像输入至经训练的第一模型;
获得所述图像检测模型基于所述样本图像所提取的第一特征,并且基于所述第一模型基于所述训练图像所提取的第二特征;
基于所述第一特征和所述第二特征,获得第二损失;以及
基于所述第二损失,调整所述图像检测模型的参数。
8.根据权利要求7所述的方法,其中,所述基于所述样本图像,获得训练图像包括:
对所述样本图像进行凸显所述样本区域的处理,以获得凸显图像;以及
基于所述凸显图像,获得所述训练图像。
9.根据权利要求8所述的方法,其中,所述对所述样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:
增加所述样本区域的亮度;和
减少所述样本图像中区别于所述样本区域的其他区域的亮度。
10.根据权利要求8所述的方法,其中,所述基于所述凸显图像,获得所述训练图像包括:
将所述凸显图像和所述样本图像进行融合,以获得所述训练图像。
11.根据权利要求10所述的方法,其中,所述训练图像包括第一比例的所述样本图像和第二比例的所述凸显图像,所述第一比例和所述第二比例之和为1。
12.根据权利要求7所述的方法,其中,样本图像为车载拍摄装置所采集的图像,目标对象包括:车道线、车辆或交通锥。
13.一种图像检测装置,包括:
图像获取单元,被配置用于获取第一图像,所述第一图像包括与目标对象相应的第一区域;
特征提取单元,被配置用于对所述第一图像执行特征提取,获得第一特征,所述第一特征与第二特征的相似度大于预设阈值,所述第二特征是对基于所述第一图像获得的第二图像进行特征提取而获得的,所述第二图像是基于所述第一图像获得的并且具有与所述第一区域相应的第二区域,并且在所述第二图像中所述第二区域与区别于所述第二区域的其他区域之间的对比度大于在所述第一图像中所述第一区域与区别于所述第一区域的其他区域之间的对比度;以及
检测结果获取单元,被配置用于基于所述第一特征,获得检测结果,所述检测结果指示所述目标对象在所述第一图像中的位置;
其中,所述特征提取单元包括:
图像输入单元,被配置用于将所述第一图像输入至第一模型,基于所述第一模型的特征提取网络获得所述第一特征,其中,
所述第一模型是基于第二模型进行训练而获得的,其中,所述第一模型将样本图像作为输入,并且所述第二模型将训练图像作为输入,其中,所述样本图像包含与所述目标对象相应的样本区域,所述训练图像是基于所述样本图像获得的,并且在所述训练图像中与所述样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度。
14.根据权利要求13所述的装置,其中,所述训练图像包括通过以下方式获得的融合图像:
对所述样本图像进行凸显所述样本区域的处理,以获得第三图像;以及
将所述第三图像和所述样本图像进行融合。
15.根据权利要求14所述的装置,其中,所述对样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:
增加所述样本区域的亮度;和
减少所述样本图像中区别于所述样本区域的其他区域的亮度。
16.根据权利要求15所述的装置,其中,所述融合图像包括第一比例的所述样本图像和第二比例的所述第三图像,所述第一比例和所述第二比例之和为1。
17.根据权利要求13所述的装置,其中,所述第二模型的参数数量不小于所述第一模型的参数数量。
18.根据权利要求13所述的装置,其中,所述第一图像包括由车载摄像头获得的图像,所述目标对象包括:车道线、交通锥或车辆。
19.一种图像检测模型的训练装置,包括:
样本图像获取单元,被配置用于获得样本图像,所述样本图像包括与目标对象对应的样本区域;
训练图像获取单元,被配置用于基于所述样本图像,获得训练图像,所述训练图像中与所述样本区域相应的训练图像区域与区别于所述训练图像区域的其他区域之间的对比度大于在所述样本图像中所述样本区域与区别于所述样本区域的其他区域之间的对比度;
图像输入单元,被配置用于将所述样本图像输入至所述图像检测模型,并且将所述训练图像输入至经训练的第一模型;
特征输入单元,被配置用于获得所述图像检测模型基于所述样本图像所提取的第一特征,并且基于所述第一模型基于所述训练图像所提取的第二特征以及
损失计算单元,被配置用于基于所述第一特征和所述第二特征,获得第二损失;以及
参数调整单元,被配置用于基于所述第二损失,调整所述图像检测模型的参数。
20.根据权利要求19所述的装置,其中,所述训练图像获取单元包括:
凸显处理单元,被配置用于对所述样本图像进行凸显所述样本区域的处理,以获得凸显图像;以及
训练图像获取子单元,被配置用于基于所述凸显图像,获得所述训练图像。
21.根据权利要求20所述的装置,其中,所述对所述样本图像进行凸显所述样本区域的处理包括下列各项中的至少一项:
增加所述样本区域的亮度;
减少所述样本图像中区别于所述样本区域的其他区域的亮度。
22.根据权利要求20所述的装置,其中,所述训练图像获取子单元包括:
融合单元,被配置用于将所述凸显图像和所述样本图像进行融合,以获得所述训练图像。
23.根据权利要求22所述的装置,其中,所述训练图像包括第一比例的所述样本图像和第二比例的所述凸显图像,所述第一比例和所述第二比例之和为1。
24.根据权利要求19所述的装置,其中,所述样本图像包括由车载摄像头获得的图像,所述目标对象包括:车道线、交通锥或车辆。
25.一种电子设备,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1-12中任一项所述的方法。
26.一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1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869385.XA CN115170536B (zh) | 2022-07-22 | 2022-07-22 | 图像检测方法、模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869385.XA CN115170536B (zh) | 2022-07-22 | 2022-07-22 | 图像检测方法、模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170536A CN115170536A (zh) | 2022-10-11 |
CN115170536B true CN115170536B (zh) | 2023-05-05 |
Family
ID=83496961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210869385.XA Active CN115170536B (zh) | 2022-07-22 | 2022-07-22 | 图像检测方法、模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170536B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112184635A (zh) * | 2020-09-10 | 2021-01-05 | 上海商汤智能科技有限公司 | 目标检测方法、装置、存储介质及设备 |
CN113869138A (zh) * | 2021-09-06 | 2021-12-31 | 深延科技(北京)有限公司 | 多尺度目标检测方法、装置及计算机可读存储介质 |
CN114494797A (zh) * | 2022-01-27 | 2022-05-13 | 北京百度网讯科技有限公司 | 用于训练图像检测模型的方法和装置 |
CN114511758A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 图像识别方法及装置、电子设备和介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840476B (zh) * | 2018-12-29 | 2021-12-21 | 维沃移动通信有限公司 | 一种脸型检测方法及终端设备 |
JP7344847B2 (ja) * | 2020-06-30 | 2023-09-14 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
CN112749758B (zh) * | 2021-01-21 | 2023-08-11 | 北京百度网讯科技有限公司 | 图像处理方法、神经网络的训练方法、装置、设备和介质 |
CN112949507B (zh) * | 2021-03-08 | 2024-05-10 | 平安科技(深圳)有限公司 | 人脸检测方法、装置、计算机设备及存储介质 |
US20220004801A1 (en) * | 2021-09-20 | 2022-01-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Image processing and training for a neural network |
CN113920307A (zh) * | 2021-09-29 | 2022-01-11 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、设备、存储介质及图像检测方法 |
CN114612872A (zh) * | 2021-12-17 | 2022-06-10 | 广州亚信技术有限公司 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-07-22 CN CN202210869385.XA patent/CN115170536B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112184635A (zh) * | 2020-09-10 | 2021-01-05 | 上海商汤智能科技有限公司 | 目标检测方法、装置、存储介质及设备 |
CN113869138A (zh) * | 2021-09-06 | 2021-12-31 | 深延科技(北京)有限公司 | 多尺度目标检测方法、装置及计算机可读存储介质 |
CN114494797A (zh) * | 2022-01-27 | 2022-05-13 | 北京百度网讯科技有限公司 | 用于训练图像检测模型的方法和装置 |
CN114511758A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 图像识别方法及装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115170536A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
CN116205819B (zh) | 字符图像生成方法、深度学习模型的训练方法和装置 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN114140852B (zh) | 图像检测方法和装置 | |
CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114140547B (zh) | 图像生成方法和装置 | |
CN113139542B (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115100431B (zh) | 目标检测方法、神经网络及其训练方法、设备和介质 | |
CN114511694B (zh) | 图像识别方法、装置、电子设备和介质 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN115620271B (zh) | 图像处理、模型训练方法和装置 |
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 |