CN115439692A - 一种图像处理方法、装置、电子设备及介质 - Google Patents

一种图像处理方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN115439692A
CN115439692A CN202211106978.7A CN202211106978A CN115439692A CN 115439692 A CN115439692 A CN 115439692A CN 202211106978 A CN202211106978 A CN 202211106978A CN 115439692 A CN115439692 A CN 115439692A
Authority
CN
China
Prior art keywords
image
expansion coefficient
feature map
processed
target
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
Application number
CN202211106978.7A
Other languages
English (en)
Inventor
夏春龙
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.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Apollo Zhixing Technology Guangzhou Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Apollo Zhixing Technology Guangzhou Co Ltd
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 Apollo Intelligent Connectivity Beijing Technology Co Ltd, Apollo Zhixing Technology Guangzhou Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority to CN202211106978.7A priority Critical patent/CN115439692A/zh
Publication of CN115439692A publication Critical patent/CN115439692A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V10/70—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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图像处理方法、装置、电子设备及介质，涉及人工智能技术领域，尤其涉及计算机视觉技术领域。具体实现方案为：获取待处理图像，然后利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对待处理图像进行特征提取，得到特征提取网络输出的包括待处理图像特征的目标特征图。其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图。之后基于目标特征图确定待处理图像的识别结果。可以提高图像识别的准确性。

Description

一种图像处理方法、装置、电子设备及介质
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉技术领域。
背景技术
在计算机视觉领域中，一般使用计算机视觉算法对图像进行图像检测或图像分类，在图像检测或图像分类的过程中需要先对图像进行特征提取，再根据提取到的特征图进一步检测图像中的目标，或确定图像的类别。
发明内容
本公开实施例提供了一种图像处理方法、装置、电子设备及介质。
本公开实施例的第一方面，提供了一种图像处理方法，包括：
获取待处理图像；
利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对所述待处理图像进行特征提取，得到所述特征提取网络输出的包括所述待处理图像特征的目标特征图；其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照所述动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；
基于所述目标特征图确定所述待处理图像的识别结果。
本公开实施例的第二方面，提供了一种图像处理装置，包括：
获取模块，用于获取待处理图像；
特征提取模块，用于利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对所述获取模块获取的所述待处理图像进行特征提取，得到所述特征提取网络输出的包括所述待处理图像特征的目标特征图；其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照所述动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；
识别模块，用于基于所述特征提取模块提取的所述目标特征图确定所述待处理图像的识别结果。
本公开实施例的第三方面，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第一方面任一项所述的方法。
本公开实施例的第四方面，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第一方面中任一项所述的方法。
本公开实施例的第五方面，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第一方面中任一项所述的方法。
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为本公开实施例提供的一种卷积操作的示例性示意图；
图2为本公开实施例提供的第一种图像处理方法的流程图；
图3为本公开实施例提供的感受野大小的示例性示意图；
图4为本公开实施例提供的一种动态卷积算子处理过程的示例性示意图；
图5为本公开实施例提供的第二种图像处理方法的流程图；
图6为本公开实施例提供的第三种图像处理方法的流程图；
图7为本公开实施例提供的一种特征提取网络训练方法的流程图；
图8为本公开实施例提供的第四种图像处理方法的流程图；
图9为本公开实施例提供的第五种图像处理方法的流程图；
图10为本公开实施例提供的一种图像处理装置的结构示意图；
图11是用来实现本公开实施例的图像处理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。
目前，在计算机视觉领域中，可通过人工提取图像特征来进行计算机视觉算法建模，但人工提取特征依赖人的经验和知识面，因此提取精度难以保证，且效率低不利于算法迭代。因此使用该算法对图像进行图像分类或图像检测的准确度低。
或者，可通过卷积神经网络提取图像特征来进行计算机视觉算法建模，但是卷积神经网络对图像提取特征时感受野是固定的，而由于不同图像中所需识别的目标的大小不同，使得固定的感受野不能适用于不同大小的目标，因此该方式提取特征的准确度低，导致利用该算法对图像进行图像分类或图像检测的准确度低。
以下首先对本公开实施例涉及的感受野进行说明：
感受野指的是卷积神经网络每一层输出的特征图(feature map)中每个特征点在原始输入图像上映射的区域大小。
结合图1，图1中左边的图像为原始输入图像，原始输入图像中的虚线框表示第一次卷积处理的卷积核，将原始输入图像经过卷积核尺寸为3×3且卷积步长为2的卷积处理后，得到图1的中间图像。中间图像中的每个特征点由原始输入图像上的3×3个像素点得到，因此经过第一次卷积处理后，得到的特征图感受野大小为3×3。
图1中间图像中的虚线框表示第二次卷积处理的卷积核，将图1的中间图像经过卷积核尺寸为2×2且卷积步长为1的卷积处理后，得到图1的右边图像。右边图像中的每个特征点由中间图像的2×2个特征点得到，且中间图像的每个特征点由原始输入图像上的3×3个像素点得到，因此经过第二次卷积处理后，得到的特征图的感受野大小为5×5。
由此可以看出，特征图的感受野越大，特征图中每个特征点在原始输入图像上对应的区域越大，所以更有利于识别尺寸较大的目标；相反，特征图的感受野越小，特征图中每个特征点在原始输入图像上对应的区域越小，所以更有利于识别尺寸较小的目标。例如，房子在图像中的尺寸一般大于人在图像中的尺寸，因此识别房子需要更大的感受野，而识别人需要更小的感受野。
在自动驾驶和车路协同的场景中，可以通过采集的道路图像对道路图像中的障碍物进行分类，或者对道路中的障碍物进行定位，以辅助驾驶决策。可以理解的是，受拍摄角度或障碍物实际大小的影响，道路图像中的各类障碍物的大小不同，比如，道路图像中包括汽车图像和行人图像，汽车图像所占的像素面积往往大于行人图像所占的像素面积。固定的感受野不能同时与汽车图像的大小和行人图像的大小匹配，导致对道路中的障碍物分类不准确，或者不能准确识别出道路中的障碍物。
为了解决上述问题，本公开实施例提供了一种图像处理方法，该方法应用于电子设备，例如电子设备可以为台式计算机、手机或者服务器等具备图像处理能力的设备。如图2所示，该方法包括如下步骤：
S201、获取待处理图像。
可选的，待处理图像可以是车辆中的摄像头采集的视频帧、或路侧安装的摄像头采集的视频帧、或用户输入的道路图像，或用户指定的道路图像，或用户指定的道路图像集中的道路图像，本公开实施例对待处理图像的来源不作具体限定。
S202、利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对待处理图像进行特征提取，得到特征提取网络输出的包括待处理图像特征的目标特征图。
其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图。动态卷积算子在卷积操作时基于的卷积核尺寸为默认尺寸，卷积步长为默认步长，卷积核数量为默认数量，填充(Padding)个数为默认个数。
每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图。静态卷积算子在卷积操作时基于的卷积核尺寸为默认尺寸，卷积步长为默认步长，卷积核数量为默认数量，Padding个数为默认个数。
S203、基于目标特征图确定待处理图像的识别结果。
得到目标特征图后，可以基于目标特征图识别待处理图像的类别，和/或待处理图像中的目标区域位置等。
本公开实施例使用特征提取网络对待处理图像进行特征提取，得到包括待处理图像特征的目标特征图，并基于目标特征图确定待处理图像的识别结果。由于特征提取网络包括至少一层动态卷积算子，而动态卷积算子能够针对接收到的特征图预测动态膨胀系数，并使用动态膨胀系数对接收到的特征图进行卷积操作。即实现了根据接收到的特征图的不同，对膨胀系数进行自适应调整。由于膨胀系数被调整后，感受野的大小也得到相应的调整，即本公开实施例能够根据待处理图像的不同，自适应地调节特征提取的感受野的大小，不仅不依赖于人工操作，还提高了对图像进行特征提取的准确度，进而提高了图像识别的准确度。
由于卷积的膨胀系数能够表示卷积核中相邻的卷积点之间的间隔，即相邻的卷积点之间的间隔＝膨胀系数-1。本公开实施例通过调节卷积操作的膨胀系数，从而动态调节特征提取的感受野，膨胀系数越大，感受野也越大，反之，膨胀系数越小，感受野也越小。
例如，参见图3，图3包括的三张图像中，大小为7×7的区域均表示输入图像或特征图，深色方块表示卷积核。图3的左边图像表示K＝3且S＝1的卷积操作，即卷积核尺寸(kernel size，K)为3×3，且膨胀系数(S)为1的卷积操作，在7×7的区域表示输入图像的情况下，感受野的大小为3×3。
图3的中间图像表示K＝3且S＝2的卷积操作，此时卷积核中各相邻的卷积点之间的间隔为2-1＝1，即相邻的卷积点之间相隔1个像素点或1个特征点。在7×7的区域表示输入图像的情况下，等效卷积核单边尺寸为2*(3-1)+1＝5，因此感受野的大小为5×5。其中，单边尺寸是指一条边的尺寸。
图3的右边图像表示K＝3且S＝3的卷积操作，此时卷积核中各相邻的卷积点之间的间隔为3-1＝2，即相邻的卷积点之间相隔2个像素点或2个特征点。在7×7的区域表示输入图像的情况下，等效卷积核单边尺寸为3*(3-1)+1＝7，因此感受野的大小为7×7。
可以看出，卷积核尺寸相同的情况下，膨胀系数越大，等效卷积核的尺寸越大，因此感受野越大。
在本公开的一个实施例中，上述动态卷积算子基于接收到的特征图预测动态膨胀系数，具体包括以下三种实现方式：
方式一、具体包括以下三个步骤：
步骤1、对接收到的特征图进行全局池化操作。
本公开实施例中，在动态卷积算子为特征提取网络的第一个算子的情况下，动态卷积算子接收到的特征图为待处理图像。
在动态卷积算子不为特征提取网络的第一个算子的情况下，动态卷积算子接收到的特征图包括上一个算子输出的特征图。例如，上一个算子可以是动态卷积算子、静态卷积算子或者池化算子等。即特征提取网络还可以包括池化算子等其他类型的算子。
或者，在动态卷积算子不为特征提取网络的第一个算子的情况下，动态卷积算子接收到的特征图可以包括上一个算子输出的特征图，以及上一个算子之前的算子输出的特征图。例如，将残差网络18(residual network，Resnet18)中的特征提取网络包括的一个残差块的第一个静态卷积算子替换为动态卷积算子，将替换后的特征提取网络作为上述S202使用的特征提取网络的情况下，该动态卷积算子接收到的特征图包括上一个残差块输出的特征图、以及输入上一个残差块特征图。
动态卷积算子接收到的特征图与特征提取网络的具体结构相关，本公开实施例对此不作具体限定。
可选的，全局池化操作可以是全局平均池化(Global Average Pooling，GAP)、全局最大池化(Global Max Pooling)或者全局最小池化(Global Min Pooling)等。
步骤2、对全局池化结果进行全连接处理，得到接收到的特征图与各预设膨胀系数匹配的概率。
各预设膨胀系数可以根据卷积操作处理的特征图尺寸、卷积核尺寸和/或所需识别的目标的尺寸范围确定。
例如，可以按照对卷积核添加预设膨胀系数后，卷积核的等效尺寸不超过卷积操作处理的特征图尺寸的原则，设置多个预设膨胀系数。
又例如，当所需识别的目标为道路图像中的车辆车牌时，由于车牌的尺寸一般比较小，因此可以设置较小的多个预设膨胀系数。
各预设膨胀系数的具体数值可根据实际情况设置，本公开实施例对此不作具体限定。
步骤3、选择概率最大的预设膨胀系数作为动态膨胀系数。
由于概率最大的预设膨胀系数，与接收到的特征图的匹配度最高，因此可以将该预设膨胀系数作为动态膨胀系数。
通过上述方法，本公开实施例可以通过全局池化操作和全连接操作，预测各预设膨胀系数匹配接收到的特征图的概率，并选择概率最大的预设膨胀系数，从而使用最合适的膨胀系数对接收到的特征图进行卷积操作，使得卷积操作的感受野更适合接收到的特征图，进而提高图像识别的准确性。
方式二、对接收到的特征图进行深度可分离卷积操作，然后对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率。之后选择概率最大的预设膨胀系数作为动态膨胀系数。
由于深度可分离卷积操作与普通的卷积操作相比，减少了卷积所需的参数量，使得动态卷积算子的处理效率更高。而且通过深度可分离卷积操作和全连接操作，能够预测各预设膨胀系数匹配接收到的特征图的概率，并选择概率最大的预设膨胀系数，从而使用最合适的膨胀系数对接收到的特征图进行卷积操作，使得卷积操作的感受野更适合接收到的特征图，进而提高图像识别的准确性。
方式三、对接收到的特征图进行全局池化操作，然后对全局池化操作结果进行深度可分离卷积操作，再对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率。之后选择概率最大的预设膨胀系数作为动态膨胀系数。
由于全局池化操作能够降低动态卷积算子接收到的特征图的数据量，从而降低了深度可分离操作所需处理的数据量，因此降低了深度可分离操作的计算量，使得动态卷积算子的处理效率更高。而且通过通过全局池化操作、深度可分离卷积操作和全连接操作，能够预测各预设膨胀系数匹配接收到的特征图的概率，并选择概率最大的预设膨胀系数，从而使用最合适的膨胀系数对接收到的特征图进行卷积操作，使得卷积操作的感受野更适合接收到的特征图、进而提高图像识别的准确性。
方式二和方式三中相关步骤的描述可参考方式一，此处不再赘述。
结合图4，以下以方式一为例，对动态卷积算子的处理过程进行说明：
如图4所示，动态卷积算子首先接收特征图，接收到的特征图尺寸为C×H×W，其中，C表示通道数，H表示特征图的高度，W表示特征图的宽度。动态卷积算子对接收到的特征图进行全局池化处理，得到尺寸为C×1×1的池化特征向量。然后对池化特征向量进行全连接处理，得到尺寸为N×1×1的全连接特征向量，其中，N表示预设膨胀系数的数量，且全连接特征向量中，每个数值表示一个预设膨胀系数与接收到的特征图匹配的概率。然后选择概率最大的预设膨胀系数作为动态膨胀系数，之后按照动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图。
本公开实施例提供的图像处理方法可以应用在图像分类场景，此时上述特征提取网络属于预先训练的图像分类模型，且图像分类模型还包括分类子网络。
图像分类模型可以基于Resnet18、稠密卷积网络(Densenet)、谷歌发布的深度神经网络(Googlenet)、轻量化网络(Mobilenet)、或者压缩和激活网络(Sequeeze-and-Excitation network，Senet)等模型构建得到。
参见图5，上述S203中基于目标特征图确定待处理图像的识别结果的方式，包括以下步骤：
S2031、将目标特征图输入分类子网络的全局池化层，得到待处理图像的池化特征图。
可选的，全局池化层对目标特征图的操作可以是：全局平均池化、全局最大池化或者全局最小池化等。
S2032、将池化特征图输入分类子网络的全连接层，得到待处理图像属于各预设类别的概率。
预设类别可以根据实际应用场景下的需求确定。
例如，在智能驾驶领域，预设类别可以包括车辆图像、树木图像、路缘石图像、红绿灯图像和行人图像等。
在公共交通的交通管理领域，预设类别可以包括公交车图像、货车图像、出租车图像、自行车图像、电动自行车图像和摩托车图像等。
在智能家居领域，预设类别可以包括电视机图像、电冰箱图像、洗衣机图像、音响图像和洗碗机图像等。
S2033、选择概率最大的预设类别作为待处理图像的类别。
概率最大的预设类别表示待处理图像最可能所属的类别，因此将该预设类别作为待处理图像的类别。
本公开实施例可以应用于图像分类场景，从而识别出待处理图像所属的类别，而且由于本公开实施例在对待处理图像进行特征提取时，使用了动态卷积算子，使得特征提取的感受野更适合待处理图像，因此特征提取得到的目标特征图的准确性更高。后续利用目标特征图进行图像分类的准确性更高，即能够更准确地确定待处理图像的类别。
本公开实施例提供的图像处理方法可以应用在图像检测场景，此时上述特征提取网络属于预先训练的图像检测模型，且图像检测模型还包括目标检测子网络。
图像检测模型可以基于区域卷积神经网络(Region-Convolutional NeuralNetwork，RCNN)、单激发多盒探测器(Single Shot MultiBox Detector，SSD)、目标检测算法(You Only Look Once，YOLO)或者特征金字塔网络(feature pyramid networks，FPN)等模型构建得到。
参见图6，上述S203中基于目标特征图确定待处理图像的识别结果的方式，可以包括以下步骤：
S2034、对目标特征图进行特征融合(feature fusion)，得到目标特征图的多尺度特征。
例如，可采用特征金字塔网络(Feature Pyramid Networks)对目标特征图进行特征融合，得到目标特征图的多尺度特征。
S2035、基于目标特征图的多尺度特征，检测待处理图像中的目标区域位置以及目标区域中的目标。
目标区域位置可以是目标所在的包围盒(bounding box)位置，例如可通过包围盒的中心点位置以及包围盒尺寸表示。
或者，目标区域位置可以是目标所占的每个像素点的位置。
检测目标区域中的目标，可以得到目标属于各预设类别的概率，并选择概率最大的预设类别作为目标的类别。
本公开实施例可以应用于图像检测场景，从而识别出待处理图像中的目标区域位置以及目标区域中的目标。而且由于本公开实施例在对待处理图像进行特征提取时，使用了动态卷积算子，使得特征提取的感受野更适合待处理图像，因此特征提取得到的目标特征图的准确性更高。后续利用目标特征图进行图像检测的准确性更高，即能够更准确地确定待处理图像中的目标区域位置以及目标区域中的目标。
参见图7，本公开实施例中的特征提取网络可通过以下步骤训练获得：
S701、获取样本图像和样本图像的标注结果。
本公开实施例应用在不同的领域的情况下，选择的样本图像可以不同。
例如，在智能驾驶领域，样本图像可以是车载摄像头采集的图像，例如安装于车辆中的行车记录仪拍摄的视频的视频帧，其中包括各种类型的障碍物，例如，车辆、树木、路缘石、红绿灯和行人等。
在公共交通的交通管理领域，样本图像可以是路侧单元拍摄的道路图像，其中包括各种类型的车辆，例如，公交车、货车、出租车、自行车、电动自行车和摩托车等。
在智能家居领域，样本图像可以为扫地机器人或者家用摄像头采集的图像，其中包括各种类型的家电，例如，电视机、电冰箱、洗衣机、音响和洗碗机等。
本公开实施例还可以应用在其他领域，相应的，样本图像所需包括的目标的类型也可根据实际需求确定，本公开实施例对此不作具体限定。
本公开实施例训练图像分类模型的情况下，样本图像的标注结果表示样本图像的实际类别。训练图像检测模型的情况下，样本图像的标注结果表示样本图像中的实际目标区域位置以及目标区域中的目标的实际类别。
S702、利用特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对样本图像进行特征提取，得到特征提取网络输出的包括样本图像特征的目标特征图。
训练图像分类模型的情况下，特征提取网络可以是将Resnet18、Densenet、Googlenet、Mobilenet、或者Senet中特征提取网络的至少一个静态卷积算子替换为动态卷积算子后得到。
训练图像检测模型的情况下，特征提取网络可以是将RCNN、SSD、YOLO或者FPN中特征提取网络的至少一个静态卷积算子替换为动态卷积算子后得到。
可选的，所需替换的静态卷积算子的位置和数量可以根据实际需求设置，例如根据准确性需求以及计算效率需求设置，本公开实施例对此不作具体限定。
替换后的动态卷积算子中卷积操作的卷积核大小和数量，可以与被替换的静态卷积算子的卷积核大小和数量相同，或者可以不同，本公开实施例对此不作具体限定。
特征提取网络对样本图像的处理过程，与对待处理图像的处理过程相同，可参考上述描述，此处不再赘述。
S703、基于目标特征图确定样本图像的识别结果。
确定样本图像的识别结果的过程，与确定待处理图像的识别结果的过程相同，可参考上述描述，此处不再赘述。
S704、基于标注结果和识别结果计算损失函数值。
损失函数值表示标注结果和识别结果之间的误差，可以体现识别结果的准确性。
可以基于预设的损失函数，计算标注结果和识别结果计算损失函数值。例如，预设的损失函数可以是：均方误差损失函数、平均绝对误差损失函数或者交叉熵损失函数等。
S705、利用损失函数值对特征提取网络进行训练，得到训练完成的特征提取网络。
本公开实施例中，特征提取网络属于图像检测模型或图像分类模型，因此可以基于损失函数值调整图像检测模型或图像分类模型的网络参数。然后判断当前的模型是否满足保存条件，若满足则保存当前的模型，并使用下一批样本图像继续对当前的模型进行迭代训练，直至训练结束后，针对保存的每个模型，将检测图像输入该模型，得到该模型输出的识别结果。确定检测图像的标注结果与该模型输出的识别结果之间的损失函数值，选择损失函数值最小的模型，作为图像检测模型或图像分类模型，并将选择的模型包括的特征提取网络作为训练完成的特征提取网络。
其中，预设保存条件表示模型的识别准确度较高。例如，预设保存条件包括：损失函数值小于预设阈值、或者损失函数值为迭代过程中的极小值等，本公开实施例对此不作具体限定。
可选的，可以设置最大迭代次数，当训练的迭代次数达到最大迭代次数时，确定训练结束。或者，还可以设置预设阈值，当损失函数值小于预设阈值时，确定训练结束。本公开实施例对模型的收敛条件不作具体限定。
损失函数值最小的模型，即为识别准确度最高的模型，因此将损失函数最小的模型作为图像分类模型或图像检测模型，能够使得后续利用图像分类模型进行图像分类的准确度更高，或者利用图像检测模型进行图像检测的准确度更高。
参见图8，以下以应用在智能驾驶领域为例，对本公开实施例中的图像分类过程进行说明：
S801、获取车载摄像头采集的道路图像。
S802、利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对道路图像进行特征提取，得到特征提取网络输出的包括道路图像特征的目标特征图。其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图。
S803、将目标特征图输入图像分类模型中分类子网络的全局池化层，得到道路图像的池化特征图。
S804、将池化特征图输入分类子网络的全连接层，得到道路图像属于各预设障碍物类别的概率。
其中，预设障碍物类别包括车辆、树木、路缘石、红绿灯和行人等。
S805、选择概率最大的预设障碍物类别作为道路图像的类别。
通过上述方法，本公开实施例可以更准确地对道路图像进行特征提取，从而基于更准确的目标特征图，识别出道路图像包括的道路图像的障碍物类别。因此能够在智能驾驶场景中，更准确地识别道路上的车辆和行人等障碍物。
参见图9，以下以应用在智能驾驶领域为例，对本公开实施例中的图像检测过程进行说明：
S901、获取车载摄像头采集的道路图像。
S902、利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对道路图像进行特征提取，得到特征提取网络输出的包括道路图像特征的目标特征图。其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图。
S903、对目标特征图进行特征融合，得到目标特征图的多尺度特征。
S904、基于目标特征图的多尺度特征，检测道路图像中的障碍物区域位置以及障碍物区域中的障碍物。
通过上述方法，本公开实施例可以更准确地对道路图像进行特征提取，从而基于更准确的目标特征图，识别出道路图像的障碍物区域位置以及障碍物区域中的障碍物。因此能够在智能驾驶场景中，更准确地识别道路上的车辆和行人等障碍物，以及车辆和行人等障碍物的位置。
基于相同的发明构思，对应于上述方法实施例，本公开实施例提供了一种图像处理装置，如图10所示，该装置包括：获取模块1001、特征提取模块1002和识别模块1003；
获取模块1001，用于获取待处理图像；
特征提取模块1002，用于利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对获取模块1001获取的待处理图像进行特征提取，得到特征提取网络输出的包括待处理图像特征的目标特征图；其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；
识别模块1003，用于基于特征提取模块1002提取的目标特征图确定待处理图像的识别结果。
可选的，特征提取模块1002，具体用于：
对接收到的特征图进行全局池化操作；
对全局池化结果进行全连接处理，得到接收到的特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为动态膨胀系数。
可选的，特征提取模块1002，具体用于：
对接收到的特征图进行深度可分离卷积操作；
对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为动态膨胀系数。
可选的，特征提取模块1002，具体用于：
对接收到的特征图进行全局池化操作；
对全局池化操作结果进行深度可分离卷积操作；
对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为动态膨胀系数。
可选的，特征提取网络属于预先训练的图像分类模型，图像分类模型还包括分类子网络；
识别模块1003，具体用于：
将目标特征图输入分类子网络的全局池化层，得到待处理图像的池化特征图；
将池化特征图输入分类子网络的全连接层，得到待处理图像属于各预设类别的概率；
选择概率最大的预设类别作为待处理图像的类别。
可选的，特征提取网络属于预先训练的图像检测模型，图像检测模型还包括目标检测子网络；
识别模块1003，具体用于：
对目标特征图进行特征融合，得到目标特征图的多尺度特征；
基于目标特征图的多尺度特征，检测待处理图像中的目标区域位置以及目标区域中的目标。
本公开的技术方案中，所涉及的图像的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
需要说明的是，本实施例中的样本图像可以来自于公开数据集。
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11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
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)、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 (15)

1.一种图像处理方法，包括：
获取待处理图像；
利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对所述待处理图像进行特征提取，得到所述特征提取网络输出的包括所述待处理图像特征的目标特征图；其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照所述动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；
基于所述目标特征图确定所述待处理图像的识别结果。
2.根据权利要求1所述的方法，其中，所述基于接收到的特征图预测动态膨胀系数，包括：
对接收到的特征图进行全局池化操作；
对全局池化结果进行全连接处理，得到接收到的特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为所述动态膨胀系数。
3.根据权利要求1所述的方法，其中，所述基于接收到的特征图预测动态膨胀系数，包括：
对接收到的特征图进行深度可分离卷积操作；
对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为所述动态膨胀系数。
4.根据权利要求1所述的方法，其中，所述基于接收到的特征图预测动态膨胀系数，包括：
对接收到的特征图进行全局池化操作；
对全局池化操作结果进行深度可分离卷积操作；
对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为所述动态膨胀系数。
5.根据权利要求1-4任一项所述的方法，其中，所述特征提取网络属于预先训练的图像分类模型，所述图像分类模型还包括分类子网络；
所述基于所述目标特征图确定所述待处理图像的识别结果，包括：
将所述目标特征图输入所述分类子网络的全局池化层，得到所述待处理图像的池化特征图；
将所述池化特征图输入所述分类子网络的全连接层，得到所述待处理图像属于各预设类别的概率；
选择概率最大的预设类别作为所述待处理图像的类别。
6.根据权利要求1-4任一项所述的方法，其中，所述特征提取网络属于预先训练的图像检测模型，所述图像检测模型还包括目标检测子网络；
所述基于所述目标特征图确定所述待处理图像的识别结果，包括：
对所述目标特征图进行特征融合，得到所述目标特征图的多尺度特征；
基于所述目标特征图的多尺度特征，检测所述待处理图像中的目标区域位置以及目标区域中的目标。
7.一种图像处理装置，包括：
获取模块，用于获取待处理图像；
特征提取模块，用于利用预先训练的特征提取网络中的至少一层动态卷积算子和多层静态卷积算子对所述获取模块获取的所述待处理图像进行特征提取，得到所述特征提取网络输出的包括所述待处理图像特征的目标特征图；其中，每层动态卷积算子的处理包括：基于接收到的特征图预测动态膨胀系数，按照所述动态膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；每层静态卷积算子的处理包括：按照默认膨胀系数对接收到的特征图进行卷积操作，得到输出特征图；
识别模块，用于基于所述特征提取模块提取的所述目标特征图确定所述待处理图像的识别结果。
8.根据权利要求7所述的装置，其中，所述特征提取模块，具体用于：
对接收到的特征图进行全局池化操作；
对全局池化结果进行全连接处理，得到接收到的特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为所述动态膨胀系数。
9.根据权利要求7所述的装置，其中，所述特征提取模块，具体用于：
对接收到的特征图进行深度可分离卷积操作；
对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为所述动态膨胀系数。
10.根据权利要求7所述的装置，其中，所述特征提取模块，具体用于：
对接收到的特征图进行全局池化操作；
对全局池化操作结果进行深度可分离卷积操作；
对深度可分离卷积操作的结果进行全连接处理，得到输入特征图与各预设膨胀系数匹配的概率；
选择概率最大的预设膨胀系数作为所述动态膨胀系数。
11.根据权利要求7-10任一项所述的装置，其中，所述特征提取网络属于预先训练的图像分类模型，所述图像分类模型还包括分类子网络；
所述识别模块，具体用于：
将所述目标特征图输入所述分类子网络的全局池化层，得到所述待处理图像的池化特征图；
将所述池化特征图输入所述分类子网络的全连接层，得到所述待处理图像属于各预设类别的概率；
选择概率最大的预设类别作为所述待处理图像的类别。
12.根据权利要求7-10任一项所述的装置，其中，所述特征提取网络属于预先训练的图像检测模型，所述图像检测模型还包括目标检测子网络；
所述识别模块，具体用于：
对所述目标特征图进行特征融合，得到所述目标特征图的多尺度特征；
基于所述目标特征图的多尺度特征，检测所述待处理图像中的目标区域位置以及目标区域中的目标。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品，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权利要求1-6中任一项所述的方法。
CN202211106978.7A 2022-09-09 2022-09-09 一种图像处理方法、装置、电子设备及介质 Pending CN115439692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211106978.7A CN115439692A (zh) 2022-09-09 2022-09-09 一种图像处理方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211106978.7A CN115439692A (zh) 2022-09-09 2022-09-09 一种图像处理方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN115439692A true CN115439692A (zh) 2022-12-06

Family

ID=84247585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211106978.7A Pending CN115439692A (zh) 2022-09-09 2022-09-09 一种图像处理方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115439692A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151355A (zh) * 2023-04-19 2023-05-23 之江实验室 一种模型训练和业务执行的方法、装置、介质及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151355A (zh) * 2023-04-19 2023-05-23 之江实验室 一种模型训练和业务执行的方法、装置、介质及设备

Similar Documents

Publication Publication Date Title
CN113902897B (zh) 目标检测模型的训练、目标检测方法、装置、设备和介质
CN112417953B (zh) 道路状况检测和地图数据更新方法、装置、***及设备
CN114118124B (zh) 图像检测方法和装置
CN113936256A (zh) 一种图像目标检测方法、装置、设备以及存储介质
CN113299073B (zh) 识别车辆违章停车的方法、装置、设备和存储介质
CN114332977A (zh) 关键点检测方法、装置、电子设备及存储介质
CN115861380A (zh) 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置
CN116310993A (zh) 目标检测方法、装置、设备及存储介质
CN115439692A (zh) 一种图像处理方法、装置、电子设备及介质
CN114005095A (zh) 车辆属性识别方法、装置、电子设备和介质
CN113569912A (zh) 车辆识别方法、装置、电子设备及存储介质
CN113920158A (zh) 跟踪模型的训练与交通对象跟踪方法、装置
CN113569911A (zh) 车辆识别方法、装置、电子设备及存储介质
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
CN114549961B (zh) 目标对象的检测方法、装置、设备以及存储介质
CN115995075A (zh) 一种车辆自适应导航方法、装置、电子设备及存储介质
CN115527187A (zh) 一种障碍物的分类方法以及装置
CN115909253A (zh) 一种目标检测、模型训练方法、装置、设备及存储介质
CN115761698A (zh) 一种目标检测方法、装置、设备及存储介质
CN110634155A (zh) 一种基于深度学习的目标检测方法和装置
CN113989300A (zh) 车道线分割的方法、装置、电子设备和存储介质
CN114708498A (zh) 图像处理方法、装置、电子设备以及存储介质
CN114267021A (zh) 对象识别方法和装置、存储介质及电子设备
CN113344121A (zh) 训练招牌分类模型和招牌分类的方法
CN111753960A (zh) 模型训练及图像处理方法、装置、电子设备、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