CN116258906A - 一种对象识别方法、特征提取模型的训练方法及装置 - Google Patents
一种对象识别方法、特征提取模型的训练方法及装置 Download PDFInfo
- Publication number
- CN116258906A CN116258906A CN202310241775.7A CN202310241775A CN116258906A CN 116258906 A CN116258906 A CN 116258906A CN 202310241775 A CN202310241775 A CN 202310241775A CN 116258906 A CN116258906 A CN 116258906A
- Authority
- CN
- China
- Prior art keywords
- level
- feature
- feature map
- low
- feature extraction
- 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
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (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
本发明实施例提供了一种对象识别方法、特征提取模型的训练方法及装置,应用于图像处理技术领域,该对象识别方法包括:利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;基于待利用特征图,确定针对目标图像的对象识别结果。通过本方案可以提高对象识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种对象识别方法、特征提取模型的训练方法及装置。
背景技术
目前,在对图像中的对象进行识别,即确定图像中对象的类型时,由于图像获取场景的复杂性,图像中的对象可能存在模糊、遮挡、形变等质量问题,导致很难准确地对图像中的对象进行识别。上述对象可以包括:商标、水印、商品、人物、台词、服饰等。
因此,如何提高对象识别的准确性,是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种对象识别方法、特征提取模型的训练方法及装置,以提高对象识别的准确性。具体技术方案如下:
在本发明实施的第一方面,首先提供了一种对象识别方法,所述方法包括:
利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;
基于所述待利用特征图,确定针对所述目标图像的对象识别结果。
可选地,所述基于所得到的低层特征图确定目标权重矩阵,包括:
利用多个指定的目标卷积核分别对所得到的低层特征图进行卷积处理,得到多个卷积后的低层特征图;
基于所得到的各个卷积后的低层特征图,确定目标权重矩阵。
可选地,所述基于所得到的各个卷积后的低层特征图,确定目标权重矩阵,包括:
将所得到的各个卷积后的低层特征图进行特征融合,得到目标融合特征;
对所得到的目标融合特征进行归一化处理,得到目标权重矩阵。
可选地,所述低层特征提取网络包含多个顺序连接的特征提取层,所得到的低层特征图包含至少一特征提取层所输出的低层子特征图;
所述基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图,包括:
在所得到的低层特征图包含多个低层子特征图的情况下,针对所得到的每一低层子特征图,基于该低层子特征图确定目标权重矩阵,并将所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到加权处理后的高层特征图;
将所得到的各个加权处理后的高层特征图进行特征融合,得到待利用特征图。
可选地,所得到的低层特征图为经过自注意力机制增强处理后的特征图;和/或所得到的高层特征图为经过自注意力机制增强处理后的特征图。
可选地,所述利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,包括:
确定所述目标图像中待识别对象的位置信息;
利用预设的低层特征提取网络提取所述位置信息所表征位置处的图像特征。
可选地,所述基于所述待利用特征图,确定针对所述目标图像的对象识别结果,包括:
确定预先建立的特征数据库中的各入库特征图中,与所述待利用特征图的特征相似度满足预设条件的目标入库特征图;其中,每一入库特征图为预先针对包含待识别对象的预设图像所提取的特征;
根据预设的所述特征数据库中的各个入库特征图与对象信息的对应关系,确定所述目标入库特征图对应的对象信息作为所述对象识别结果。
可选地,所述确定预先建立的特征数据库中的各入库特征图中,与所述待利用特征图的特征相似度满足预设条件的目标入库特征图,包括:
确定预先建立的特征数据库中的各入库特征图中,与所述待利用特征图的特征相似度最大的入库特征图为目标入库特征图。
在本发明实施的第二方面,还提供了一种特征提取模型的训练方法,所述方法应用于特征提取模型;所述特征提取模型包含所述低层特征提取网络和所述高层特征提取网络;所述特征提取模型被执行时实现上述任一所述的对象识别方法;所述训练方法包括:
获取样本图像;
将所述样本图像输入所述特征提取模型,以使所述特征提取模型利用所述低层特征提取网络对所述样本图像进行特征提取,得到低层特征图;利用所述高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到样本特征图;
基于所述样本特征图,确定针对所述样本图像的对象识别结果,作为预测识别结果;
基于所述预测识别结果和针对所述样本图像所预先标定的真值结果,确定所述特征提取模型的模型损失;
基于所得到的模型损失,调整所述特征提取模型的模型参数。
在本发明实施的又一方面,还提供了一种对象识别装置,所述对象识别装置包括:
低层特征提取模块,用于利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
高层特征提取模块,用于利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
加权处理模块,用于基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;识别结果确定模块,用于基于所述待利用特征图,确定针对所述目标图像的对象识别结果。
在本发明实施的又一方面,还提供了一种特征提取模型的训练装置,所述特征提取模型包含所述低层特征提取网络和所述高层特征提取网络;所述特征提取模型被执行时实现上述对象识别装置的步骤;所述训练装置包括:
获取模块,用于获取样本图像;
输入模块,用于将所述样本图像输入所述特征提取模型,以使所述特征提取模型利用所述低层特征提取网络对所述样本图像进行特征提取,得到低层特征图;利用所述高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到样本特征图;
识别模块,用于基于所述样本特征图,确定针对所述样本图像的对象识别结果,作为预测识别结果;
损失确定模块,用于基于所述预测识别结果和针对所述样本图像所预先标定的真值结果,确定所述特征提取模型的模型损失;
调整模块,用于基于所得到的模型损失,调整所述特征提取模型的模型参数。
在本发明实施的又一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的对象识别方法或特征提取模型的训练方法的步骤。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的对象识别方法。
在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的对象识别方法或特征提取模型的训练方法的步骤。
本发明实施例提供的对象识别方法,利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;基于待利用特征图,确定针对目标图像的对象识别结果。本方案中,利用低层特征提取网络和高层特征提取网络提取目标图像的低层特征图和高层特征图,基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,以得到待利用特征图,可以在融合不同层级的特征图以充分利用特征信息的同时,通过加权处理的方式降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,从而基于所得到待利用特征图确定针对目标图像的对象识别结果,可以提高对象识别的准确性。
并且,本发明实施例提供的特征提取模型的训练方法,通过获取样本图像;将样本图像输入特征提取模型,以使特征提取模型利用低层特征提取网络对样本图像进行特征提取,得到低层特征图;利用高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到样本特征图;基于样本特征图,确定针对样本图像的对象识别结果,作为预测识别结果;基于预测识别结果和针对样本图像所预先标定的真值结果,确定特征提取模型的模型损失;基于所得到的模型损失,调整特征提取模型的模型参数。通过本方案训练得到的特征提取模型,可以在融合不同层级的特征图以充分利用特征信息的同时,通过加权处理的方式降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,从而基于该特征提取模型所输出的待利用特征图确定针对目标图像的对象识别结果,可以提高对象识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例中对象识别方法的第一种流程示意图;
图2为本发明实施例中对象识别方法的第二种流程示意图;
图3为本发明实施例中对象识别方法中确定待利用特征图的一种流程示意图;
图4为本发明实施例中特征提取模型的训练方法的流程示意图;
图5为本发明实施例中对象识别装置的结构示意图;
图6为本发明实施例中特征提取模型的训练装置的结构示意图;
图7为本发明实施例中电子设备的结构示意图。
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描述。
目前,在一些业务场景中存在对图像中的对象进行识别的需求,例如,当需要对图像中指定类型的对象进行遮挡处理时,则需要确定图像中的对象是否为指定类型的对象,若是,则对图像中的对象进行遮挡处理。
在对图像中待识别对象进行识别时,通过人工识别的方式耗时耗力,且图像的获取场景多种多样,图像中的对象可能存在模糊、遮挡、形变等质量问题,人工识别的方式也难以适应不同的场景。而相关技术中通过神经网络模型进行对象识别的方式,在图像中的对象存在质量问题时,也难以准确地对图像中的对象进行识别。
为了提高对图像中的对象进行识别的准确性,本发明实施例提供了一种对象识别方法、特征提取模型的训练方法及装置。在具体应用中,本发明实施例所提供的对象识别方法、特征提取模型的训练方法可以应用于各类电子设备中,例如,个人电脑、服务器、手机以及其他具有数据处理能力的设备。并且,本发明实施例所提供的对象识别方法可以通过软件、硬件或软硬件结合的方式实现。
下面首先对本发明实施例所提供的对象识别方法进行介绍,该方法可以包括:
利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;
基于待利用特征图,确定针对目标图像的对象识别结果。
本实施例中,利用低层特征提取网络和高层特征提取网络提取目标图像的低层特征图和高层特征图,基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,可以在融合不同层级的特征图以充分利用特征信息的同时,通过加权处理的方式降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,从而基于所得到待利用特征图确定针对目标图像的对象识别结果,可以提高对象识别的准确性。
下面结合附图对本发明实施例所提供的对象识别方法进行示例性介绍。如图1所示,本发明实施例所提供的对象识别方法可以包括以下步骤:
S101,利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
上述目标图像可以包含待识别对象,待识别对象可以为商标、水印、商品、人物、台词、服饰等。目标图像可以为针对待识别对象进行图像采集所得到的图像,也可以为任意图像,还可以为视频中的一视频帧图像,或者多个视频帧图像。
上述低层特征提取网络可以是任意卷积神经网络,当获取目标图像之后,可以将该目标图像输入低层特征提取网络中,从而该低层特征提取网络可以对目标图像进行初步的特征提取,输出低层特征图。
为了进一步提高所提取低层特征图的表征能力,还可以先确定目标图像中待识别对象的位置信息,进而利用预设的低层特征提取网络提取位置信息所表征位置处的图像特征。以使所提取的低层特征图中待识别对象的特征信息能够占据更大的比重。确定目标图像中待识别对象的位置信息方式可以为:利用目标检测算法,或语义分割算法确定目标图像中待识别对象的位置信息,当然也可以不限于此。其中,位置信息可以为表征待识别对象位置的掩膜图像,从而利用预设的低层特征提取网络提取位置信息所表征位置处的图像特征的方式可以为,将该掩膜图像和目标图像同时输入低层特征提取网络,从而低层特征提取网络可以提取该位置信息所表征位置处的图像特征,或者根据该位置信息进行裁切处理,将裁切后的目标图像输入低层特征提取网络,这都是可以的。
此外,上述低层特征图还可以为经过自注意力机制增强处理后的特征图,从而所得到的低层特征图,即低层特征提取网络可以先对待进行对象识别的目标图像进行特征提取,再利用自注意力机制对所提取的特征图进行重编码,从而抑制背景噪声干扰,进一步增强特征信息的表征能力。上述自注意力机制也可以利用transformer(一种注意力结构)结构来实现。
在一种实现方式中,低层特征提取网络可以包含多个顺序连接的特征提取层,在该情况下,所得到的低层特征图可以包含至少一特征提取层所输出的低层子特征图。由于特征提取层顺序连接,下一层的特征提取层输出的特征图为对上一层特征提取层输出的特征图进行进一步地特征提取所得到的。例如,该低层特征提取网络可以包含:浅层特征提取层、中层特征提取层和深层特征提取层,该情况下,低层特征图可以包括:浅层子特征图、中层子特征图和深层子特征图;其中,浅层特征提取层对目标图像进行特征提取,输出浅层子特征图;中层特征提取层对浅层子特征图进行进一步的特征提取,输出中层子特征图;深层子特征图对中层子特征图进行进一步的特征提取,输出深层子特征图。
在低层特征提取网络可以包含多个顺序连接的特征提取层的情况下,可以综合利用多个层级的低层特征图,以进一步提高对象识别的准确性。
S102,利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
上述高层特征提取网络也可以为任意卷积神经网络,当得到低层特征图后,高层特征提取网络可以对低层特征图进行进一步的特征提取,得到高层特征图。
在低层特征提取网络可以包含多个顺序连接的特征提取层的情况下,高层特征提取网络可以对低层特征提取网络中的最后一层特征提取层所输出的特征图进行特征提取,得到高层特征图,或者,还可以先将各特征提取层所输出的特征图进行特征融合,再对融合后的特征进行特征提取,得到高层特征图,这都是可以的。
在一种实现方式中所得到的高层特征图也可以为经过自注意力机制增强处理后的特征图。
在具体应用过程中,可以采用一个具有多个特征提取层的神经网络作为骨干网络,例如mobilenet(一种轻量级神经网络),以提取上述低层特征图和高层特征图。
S103,基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;
在一种实现方式中,可以利用池化层,例如全局平均池化层,对所得到低层特征图进行池化处理,再通过sigmoid(S型生长曲线)激活函数对池化处理后的低层特征进行处理得到目标权重矩阵。例如,低层特征图的尺寸为7x7x2048,池化处理后尺寸为7x7x1,经过sigmoid激活函数后,得到目标权重矩阵,尺寸也为7x7x1。
在一种实现方式中,还可以利用预设的参数矩阵对低层特征图进行处理,例如,将低层特征图与该参数矩阵进行叉乘处理,得到目标权重矩阵,其中,该参数矩阵中的各个参数可以是训练得到的。利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理的过程可以为:将目标权重矩阵与高层特征图进行点乘。
一种实现方式中,所得到的低层特征图为单个,则可以直接利用该低层特征图确定目标权重矩阵,进而利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图。
在另一实现方式中,所得到的低层特征图包含多个低层子特征图,则可以针对所得到的每一低层子特征图,基于该低层子特征图确定目标权重矩阵;并将所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到加权处理后的高层特征图;将所得到的各个加权处理后的高层特征图进行特征融合,得到待利用特征图。
在低层特征图包含多个低层子特征图的情况下,还可以采用以下方式得到待利用特征图:
首先,选取低层特征提取网络中第一层的特征提取层所输出的子特征图,基于该子特征图确定目标权重矩阵,将所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到该层特征提取层对应的加权特征图;之后,选取下一层的特征提取层所输出的子特征图,基于该子特征图确定目标权重矩阵,将所确定的目标权重矩阵对上一层的特征提取层对应的加权特征图进行加权处理,得到该层特征提取层对应的加权特征图;重复执行上述过程,直至选取最后一层的特征提取层所输出的子特征图,并基于该子特征图确定目标权重矩阵,将所确定的目标权重矩阵对上一层的特征提取层对应的加权特征图进行加权处理,得到待利用特征图。
可以理解的,当利用多个层级的特征提取模型对目标图像进行特征提取时,越浅层的特征图会更多关注图像的细粒度信息,如图像的颜色、纹理、边缘信息等,越高层的特征图会更多关注图像深层的抽象信息,即图像整体的语意信息。因此,本方案基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理所得到的待利用特征图,可以在关注深层的抽象信息的同时更多地关注图像浅层的细粒度信息,并且利用加权处理的方式处理高层特征图,降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,因此,所得到的待利用特征图能够具备更强的表征能力。
S104,基于待利用特征图,确定针对目标图像的对象识别结果。
在通过上述步骤得到待利用特征图后,可以利用该待利用特征图确定针对目标图像的对象识别结果。一种实现方式中,可以将该待利用特征图输入预先训练的分类模型中,输出目标图像的对象识别结果,该分类模型可以是二分类模型,也可以是多分类模型。
本步骤中,所确定的对象识别结果可以为目标图像中的待识别对象的类型。例如,对象识别结果可以为指示是否为指定对象类型的结果,其中,指定对象类型可以是商标、水印、商品、人物、台词、服饰、建筑等中的至少一种。具体的,在一种实现方式中,所确定的对象识别结果可以是二分类结果,例如,当需要识别目标图像中的商标时,所要确定的待识别对象的类型可以包括:商标类、非商标类;当需要识别目标图像中的服饰时,所要确定的待识别对象的类型可以包括:服饰类、非服饰类。在另一种实现方式中,所确定的对象识别结果还可以是多分类结果,其可以为确定待识别对象的大类结果,例如,将待识别对象识别为商标、水印、服饰等中的一种;或者,对象识别结果可以为细类结果,例如,商标的细类结果,即,将待识别对象识别为商标类型1、商标类型2、商标类型3等中的一种。
本方案中,利用低层特征提取网络和高层特征提取网络提取目标图像的低层特征图和高层特征图,基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,以得到待利用特征图,可以在融合不同层级的特征图以充分利用特征信息的同时,通过加权处理的方式降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,从而基于所得到待利用特征图确定针对目标图像的对象识别结果,可以提高对象识别的准确性。
可选地,在本发明的一种实现方式中,上述基于所得到的低层特征图确定目标权重矩阵包括:
利用多个指定的目标卷积核分别对所得到的低层特征图进行卷积处理,得到多个卷积后的低层特征图;基于所得到的各个卷积后的低层特征图,确定目标权重矩阵;
上述卷积核可以为1×1卷积核,通过采用不同的卷积核分别对低层特征图进行卷积处理,可得到多个卷积后的低层特征图,进而可以基于所得到的各个卷积后的低层特征图,确定目标权重矩阵。例如,可以将所得到的各个卷积后的低层特征图进行特征融合,得到目标融合特征;并对所得到的目标融合特征进行归一化处理,得到目标权重矩阵。上述对各个卷积后的低层特征图进行特征融合的方式可以为矩阵相乘或者矩阵拼接的方式,当然也可以不限于此。
示例性的,在目标卷积核的数量为2的情况下,可以采用如下方式对低层特征图进行特征融合得到目标融合特征:先利用2个目标卷积核对低层特征图进行处理,得到2个卷积后的低层特征图,将其中一卷积后的低层特征图进行转置处理,即矩阵转置的处理过程,再将转置后所得到的特征图与另一卷积后的低层特征图进行相乘处理,得到目标融合特征,进而对目标融合特征进行归一化处理,得到目标权重矩阵。
综合以上过程,可以得到本发明实施例所提供的对象识别的具体实现方式,如图2所示,本发明实施例所提供的对象识别可以包括如下步骤:
S201,利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
S202,利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
S203,利用多个指定的目标卷积核分别对所得到的低层特征图进行卷积处理,得到多个卷积后的低层特征图;
S204,将所得到的各个卷积后的低层特征图进行特征融合,得到目标融合特征,并对所得到的目标融合特征进行归一化处理,得到目标权重矩阵;
S205,利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;
S206,基于待利用特征图,确定针对目标图像的对象识别结果。
以上步骤S201-S206在上文有所阐述,在此不再赘述。
本实施例中,可以提高对象识别的准确性。进一步的,利用多个指定的目标卷积核分别对所得到的低层特征图进行卷积处理,得到多个卷积后的低层特征图;基于所得到的各个卷积后的低层特征图,确定目标权重矩阵,为确定目标权重矩阵提供了实现基础。
可选地,在另一实施例中,上述基于待利用特征图,确定针对目标图像的对象识别结果,可以包括:
步骤A1,确定预先建立的特征数据库中的各入库特征图中,与待利用特征图的特征相似度满足预设条件的目标入库特征图;其中,每一入库特征图为预先针对包含待识别对象的预设图像所提取的特征;
在建立上述特征数据库的过程中,可以针对多个预设图像中的每一预设图像,采用上述步骤S101-S104的方式进行特征提取,得到该预设图像对应的入库特征图,其中,预设图像可以为包含待识别对象的图像,多个预设图像可以是经过挑选的多种类型图像,例如不同分辨率的图像,不同场景下采集得到的图像等,为了进一步保证确定针对目标图像的对象识别结果的准确性,预设图像还可以是经过挑选的清晰图像。
在获取目标图像的待利用特征图后,可以将针对待进行对象识别的目标图像所提取的待利用特征图与该特征数据库中的各入库特征图进行相似度的匹配,若存在入库特征图与该待利用特征图的特征相似度满足预设条件,则认为匹配成功,进而将与待利用特征图的特征相似度满足预设条件的入库特征图,作为目标入库特征图。其中,确定目标入库特征图的方式可以为:确定预先建立的特征数据库中的各入库特征图中,与待利用特征图的特征相似度最大的,或者达到预设阈值的入库特征图为目标入库特征图,计算特征相似度的方式可以为计算欧式距离,余弦距离等。
步骤A2,根据预设的特征数据库中的各个入库特征图与对象信息的对应关系,确定与目标入库特征图对应的对象信息作为对象识别结果。
在建立上述特征数据库的过程中,还可以针对每一预设图像,建立该预设图像对应的入库特征图与针对该预设图像所预设的对象信息的对应关系。其中,预设的对象信息可以为该待识别对象的类型,或者还可以包含其他描述信息,以增加所确定的对象识别结果的信息丰富程度,例如其他描述信息可以是与该待识别对象关联的网络地址信息等。示例性的,当待识别对象为商品时,对象信息可以为商品的类型,以及对该商品的介绍等信息。
本实施例中,可以提高对象识别的准确性。进一步的,通过确定预先建立的特征数据库中的各入库特征图,与待利用特征图的特征相似度满足预设条件的目标入库特征图,并根据预设的特征数据库中的各个入库特征图与对象信息的对应关系,确定与目标入库特征图对应的对象信息作为对象识别结果,可以进一步提高对象识别的准确性,并提高所确定的对象识别结果的信息丰富程度。
为了方便理解,下面结合附图对本发明实施例所提供的对象识别方法中确定待利用特征图的过程进行示例性介绍。
如图3所示,首先将输入目标图像至骨干网络中,可以将骨干网络分为低层特征提取网络和高层特征提取网络,其中,低层特征提取网络可以包括浅层特征提取层、中层特征提取层和深层特征提取层。
其中,浅层特征提取层对目标图像进行初步的特征提取,输出浅层子特征图A1,浅层子特征图A1经过自注意力机制增强,得到增强后的浅层子特征图B1;中层特征提取层对增强后的浅层子特征图B1进行进一步的特征提取,得到中层子特征图A2;中层子特征图B1经过自注意力机制增强,得到增强后的中层子特征图B2;深层特征提取层对增强后的中层子特征图B2进行进一步的特征提取,得到深层子特征图A3;深层子特征图A3经过自注意力机制增强得到增强后的深层子特征图B3;将增强后的深层子特征图B3输入高层特征提取网络,输出高层特征图A4,并利用自注意力机制将高层特征图A4进行增强处理,得到增强后的高层特征图B4。若选取mobilenet作为骨干网络进行特征提取,则上述特征图A1、A2、A3、A4的维度分别可以为128维、256维、512维和1024维。
将上述特征图B1、B2、B3和B4输入融合层,以使融合层针对每一子特征图B1、B2、B3确定目标权重矩阵,并将所确定的目标权重矩阵对所得到的高层特征图B4进行加权处理,若目标权重矩阵的维度与高层特征图不一致,可以将目标权重矩阵升维至与高层特征图一致的维度,再进行加权处理,得到加权处理后的高层特征图,最后,将所得到的各个加权处理后的高层特征图进行特征融合,得到待利用特征图,最终的待利用特征图的维度与高层特征图的维度保持一致。
本方案中,利用低层特征提取网络和高层特征提取网络提取目标图像的低层特征图和高层特征图,基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,以得到待利用特征图,可以在融合不同层级的特征图以充分利用特征信息的同时,通过加权矩阵降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,从而基于所得到待利用特征图确定针对目标图像的对象识别结果,可以提高对象识别的准确性。
在本发明的另一实施例中,还提供了一种特征提取模型的训练方法,上述对象识别方法可以应用于特征提取模型,一种实现方式中,训练完成的特征提取模型可以部署于电子设备中,从而利用该训练完成的特征提取模型来执行上述位置信息确定方法的各个步骤,该特征提取模型可以包含低层特征提取网络和高层特征提取网络;如图4所示,该特征提取模型的训练方法可以包括如下步骤:
S401,获取样本图像;
其中,样本图像可以为包含待识别对象的图像,其也可以为视频中的图像帧,还可以为预先创建的样本集中的图像。每一次所获取的样本图像的数量可以根据需求确定,例如每次可以获取单张,也可以获取多张。
S402,将样本图像输入特征提取模型,以使特征提取模型利用低层特征提取网络对样本图像进行特征提取,得到低层特征图;利用高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到样本特征图;
该步骤中,特征提取模型对样本图像的处理过程与上述步骤S101-S103类似,在此不再赘述。
S403,基于样本特征图,确定针对样本图像的对象识别结果,作为预测识别结果;
本步骤中,可以将样本特征图输入分类模型中,输出针对样本图像的对象识别结果,得到预测识别结果,该分类模型可以是二分类模型,也可以是多分类模型,且该分类模型可以与特征提取模型联合训练。
S404,基于预测识别结果和针对样本图像所预先标定的真值结果,确定特征提取模型的模型损失;
本步骤中,可以将预测识别结果和真值结果输入预设的损失函数中,从而计算该特征提取模型的模型损失。该预设的损失函数可以为任意损失函数,例如交叉熵损失函数等。
S405,基于所得到的模型损失,调整特征提取模型的模型参数。
本步骤中,可以采用梯度下降法调整模型参数,并且在训练模型时,可以多次执行获取样本图像的步骤,以采用上述方法调整特征提取模型中的模型参数,直至该特征提取模型收敛,得到训练完成的特征提取模型。其中,模型参数可以包括上述参数矩阵或卷积核中的参数。
本实施例中,训练得到的特征提取模型可以利用低层特征提取网络和高层特征提取网络提取目标图像的低层特征图和高层特征图,基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,以输出待利用特征图,可以在融合不同层级的特征图以充分利用特征信息的同时,通过加权处理的方式降低对识别结果无用的特征信息的占比,提高对识别结果有益的特征信息的占比,从而基于该特征提取模型所输出的待利用特征图确定针对目标图像的对象识别结果,可以提高对象识别的准确性。
本发明实施例还提供了一种对象识别装置,如图5所示,该对象识别装置可以包括:
低层特征提取模块501,用于利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
高层特征提取模块502,用于利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
加权处理模块503,用于基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;
识别结果确定模块504,用于基于所述待利用特征图,确定针对所述目标图像的对象识别结果。
可选地,所述加权处理模块基于所得到的低层特征图确定目标权重矩阵包括:
利用多个指定的目标卷积核分别对所得到的低层特征图进行卷积处理,得到多个卷积后的低层特征图;基于所得到的各个卷积后的低层特征图,确定目标权重矩阵。
可选地,所述加权处理模块基于所得到的各个卷积后的低层特征图,确定目标权重矩阵,包括:
将所得到的各个卷积后的低层特征图进行特征融合,得到目标融合特征;并对所得到的目标融合特征进行归一化处理,得到目标权重矩阵。
可选地,所述低层特征提取网络包含多个顺序连接的特征提取层,所得到的低层特征图包含至少一特征提取层所输出的低层子特征图;
所述加权处理模块基于所得到的低层特征图确定目标权重矩阵,并利用确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图,包括:
针对所得到的每一低层子特征图,基于该低层子特征图确定目标权重矩阵;并将所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到加权处理后的高层特征图;将所得到的各个加权处理后的高层特征图进行特征融合,得到待利用特征图。
可选地,所得到的低层特征图为经过自注意力机制增强处理后的特征图;和/或所得到的高层特征图为经过自注意力机制增强处理后的特征图。
可选地,低层特征提取模块,包括:
位置信息确定子模块,用于确定所述目标图像中待识别对象的位置信息;
低层特征提取子模块,用于利用预设的低层特征提取网络提取所述位置信息所表征位置处的图像特征。
可选地,所述识别结果确定模块包括:
匹配子模块,用于确定预先建立的特征数据库中的各入库特征图,与所述待利用特征图的特征相似度满足预设条件的目标入库特征图;其中,每一入库特征图为预先针对包含待识别对象的预设图像所提取的特征;
识别结果确定子模块,用于根据预设的所述特征数据库中的各个入库特征图与对象信息的对应关系,确定与所述目标入库特征图对应的对象信息作为所述对象识别结果。
本发明实施例还提供了一种对象识别模型的训练装置,所述对象识别模型被执行时实现上述位置信息确定装置的步骤,如图6所示,该训练装置包括:
获取模块601,用于获取样本图像;
输入模块602,用于将所述样本图像输入待训练的神经网络模型,以使所述待训练的神经网络模型对所述样本图像进行特征预提取,得到所述样本图像的第三初始特征图;利用所述第三初始特征图,识别所述样本图像中待识别对象所处的区域,作为第三区域;从所述第三初始特征图中,提取所述第三区域所对应的第三区域特征图;利用所述第三初始特征图和所述第三区域特征图,预测所述样本图像中待识别对象的位置预测信息;
损失确定模块603,用于基于所述位置预测信息与所述样本图像预先标定的对象位置真值确定所述待训练的神经网络模型的模型损失;
调参模块604,用于基于所得到的模型损失,调整所述待训练的神经网络模型中的模型参数。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现上述对象识别方法或特征提取模型的训练方法的步骤。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一所述的对象识别方法或特征提取模型的训练方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的对象识别方法或特征提取模型的训练方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (13)
1.一种对象识别方法,其特征在于,所述方法包括:
利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;
基于所述待利用特征图,确定针对所述目标图像的对象识别结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所得到的低层特征图确定目标权重矩阵,包括:
利用多个指定的目标卷积核分别对所得到的低层特征图进行卷积处理,得到多个卷积后的低层特征图;
基于所得到的各个卷积后的低层特征图,确定目标权重矩阵。
3.根据权利要求2所述的方法,其特征在于,所述基于所得到的各个卷积后的低层特征图,确定目标权重矩阵,包括:
将所得到的各个卷积后的低层特征图进行特征融合,得到目标融合特征;
对所得到的目标融合特征进行归一化处理,得到目标权重矩阵。
4.根据权利要求1所述的方法,其特征在于,所述低层特征提取网络包含多个顺序连接的特征提取层,所得到的低层特征图包含至少一特征提取层所输出的低层子特征图;
所述基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图,包括:
在所得到的低层特征图包含多个低层子特征图的情况下,针对所得到的每一低层子特征图,基于该低层子特征图确定目标权重矩阵,并将所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到加权处理后的高层特征图;
将所得到的各个加权处理后的高层特征图进行特征融合,得到待利用特征图。
5.根据权利要求1所述的方法,其特征在于,所得到的低层特征图为经过自注意力机制增强处理后的特征图;和/或所得到的高层特征图为经过自注意力机制增强处理后的特征图。
6.根据权利要求1所述的方法,其特征在于,所述利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,包括:
确定所述目标图像中待识别对象的位置信息;
利用预设的低层特征提取网络提取所述位置信息所表征位置处的图像特征。
7.根据权利要求1所述的方法,其特征在于,所述基于所述待利用特征图,确定针对所述目标图像的对象识别结果,包括:
确定预先建立的特征数据库中的各入库特征图中,与所述待利用特征图的特征相似度满足预设条件的目标入库特征图;其中,每一入库特征图为预先针对包含待识别对象的预设图像所提取的特征;
根据预设的所述特征数据库中的各个入库特征图与对象信息的对应关系,确定所述目标入库特征图对应的对象信息作为所述对象识别结果。
8.根据权利要求7所述的方法,其特征在于,所述确定预先建立的特征数据库中的各入库特征图中,与所述待利用特征图的特征相似度满足预设条件的目标入库特征图,包括:
确定预先建立的特征数据库中的各入库特征图中,与所述待利用特征图的特征相似度最大的入库特征图为目标入库特征图。
9.一种特征提取模型的训练方法,其特征在于,所述方法应用于特征提取模型;所述特征提取模型包含所述低层特征提取网络和所述高层特征提取网络;所述特征提取模型被执行时实现权利要求1-8任一所述的方法步骤;所述训练方法包括:
获取样本图像;
将所述样本图像输入所述特征提取模型,以使所述特征提取模型利用所述低层特征提取网络对所述样本图像进行特征提取,得到低层特征图;利用所述高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到样本特征图;
基于所述样本特征图,确定针对所述样本图像的对象识别结果,作为预测识别结果;
基于所述预测识别结果和针对所述样本图像所预先标定的真值结果,确定所述特征提取模型的模型损失;
基于所得到的模型损失,调整所述特征提取模型的模型参数。
10.一种对象识别装置,其特征在于,所述对象识别装置包括:
低层特征提取模块,用于利用预设的低层特征提取网络对待进行对象识别的目标图像进行特征提取,得到低层特征图;
高层特征提取模块,用于利用预设的高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;
加权处理模块,用于基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到待利用特征图;识别结果确定模块,用于基于所述待利用特征图,确定针对所述目标图像的对象识别结果。
11.一种特征提取模型的训练装置,其特征在于,所述特征提取模型包含所述低层特征提取网络和所述高层特征提取网络;所述特征提取模型被执行时实现权利要求10所述的装置步骤;所述训练装置包括:
获取模块,用于获取样本图像;
输入模块,用于将所述样本图像输入所述特征提取模型,以使所述特征提取模型利用所述低层特征提取网络对所述样本图像进行特征提取,得到低层特征图;利用所述高层特征提取网络对所得到的低层特征进行特征提取,得到高层特征图;基于所得到的低层特征图确定目标权重矩阵,并利用所确定的目标权重矩阵对所得到的高层特征图进行加权处理,得到样本特征图;
识别模块,用于基于所述样本特征图,确定针对所述样本图像的对象识别结果,作为预测识别结果;
损失确定模块,用于基于所述预测识别结果和针对所述样本图像所预先标定的真值结果,确定所述特征提取模型的模型损失;
调整模块,用于基于所得到的模型损失,调整所述特征提取模型的模型参数。
12.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一所述的方法步骤或权利要求9所述的方法步骤。
13.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤或权利要求9所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241775.7A CN116258906A (zh) | 2023-03-14 | 2023-03-14 | 一种对象识别方法、特征提取模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241775.7A CN116258906A (zh) | 2023-03-14 | 2023-03-14 | 一种对象识别方法、特征提取模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258906A true CN116258906A (zh) | 2023-06-13 |
Family
ID=86684240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310241775.7A Pending CN116258906A (zh) | 2023-03-14 | 2023-03-14 | 一种对象识别方法、特征提取模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258906A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706058A (zh) * | 2024-02-04 | 2024-03-15 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
-
2023
- 2023-03-14 CN CN202310241775.7A patent/CN116258906A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706058A (zh) * | 2024-02-04 | 2024-03-15 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
CN117706058B (zh) * | 2024-02-04 | 2024-05-10 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990432B (zh) | 目标识别模型训练方法、装置及电子设备 | |
CN110969066B (zh) | 直播视频的识别方法、装置及电子设备 | |
CN109829506B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN107835496B (zh) | 一种垃圾短信的识别方法、装置和服务器 | |
CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112766279B (zh) | 一种基于联合注意力机制的图像特征提取方法 | |
CN110956080B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
CN112348117A (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN110245714B (zh) | 图像识别方法、装置及电子设备 | |
CN111325067B (zh) | 违规视频的识别方法、装置及电子设备 | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN111178364A (zh) | 一种图像识别方法和装置 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN111339884A (zh) | 图像识别方法以及相关设备、装置 | |
CN111597937B (zh) | 鱼姿势识别方法、装置、设备及存储介质 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
CN113837257A (zh) | 一种目标检测方法及装置 | |
CN116258906A (zh) | 一种对象识别方法、特征提取模型的训练方法及装置 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN114821823A (zh) | 图像处理、人脸防伪模型的训练及活体检测方法和装置 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113378609B (zh) | 代理商代签名的识别方法及装置 | |
CN117315310A (zh) | 一种图像识别方法、图像识别模型训练方法及装置 | |
CN113129298A (zh) | 文本图像的清晰度识别方法 |
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 |