CN116363641A - 一种图像处理方法、装置及电子设备 - Google Patents
一种图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116363641A CN116363641A CN202310318085.7A CN202310318085A CN116363641A CN 116363641 A CN116363641 A CN 116363641A CN 202310318085 A CN202310318085 A CN 202310318085A CN 116363641 A CN116363641 A CN 116363641A
- Authority
- CN
- China
- Prior art keywords
- feature
- dimensional
- feature points
- image
- module
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (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
本申请提供了一种图像处理方法、装置及电子设备,该方法包括:基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量;根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图;至少对二维特征图进行特征融合处理得到待使用二维图像;将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种图像处理方法、装置及电子设备。
背景技术
目前,在图像识别场景中,需要结合对象的图像数据,针对对象进行图像识别。
但是,基于对象的图像数据,如何进行图像识别成为问题。
发明内容
本申请提供如下技术方案:
本申请一方面提供一种图像处理方法,包括:
基于待识别对象的多个特征点对应的三维点云数据,确定各所述特征点的特征向量;
根据所述三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的二维特征图;
至少对所述二维特征图进行特征融合处理得到待使用二维图像;
将所述待使用二维图像中提取的二维特征输入识别模块,以基于所述识别模块对所述待识别对象进行图像识别。
基于多个特征点对应的三维点云数据,确定各所述特征点的特征向量,包括:
将待识别对象的多个特征点对应的三维点云数据输入几何编码模块,得到所述几何编码模块确定的各所述特征点的特征向量,所述特征向量至少用于表征所述特征点的三维空间属性及所述特征点与其它特征点之间的三维空间关系。
所述几何编码模块包括:第一特征提取子模块、局部特征计算子模块、特征融合子模块和第二特征提取子模块;
所述将所述多个特征点对应的三维点云数据输入几何编码模块,得到所述几何编码模块确定的各所述特征点的特征向量,包括:
将所述多个特征点对应的三维点云数据输入所述第一特征提取子模块,得到所述第一特征提取子模块确定的各所述特征点的第一特征向量;
基于所述局部特征计算子模块确定各所述特征点各自对应的目标特征点,基于所述目标特征点的第一特征向量确定所述特征点对应的第二特征向量,所述目标特征点与所述特征点之间相似度满足相似度条件,所述第二特征向量用于表征所述目标特征点和所述特征点之间的三维空间关系;
基于所述特征融合子模块对所述特征点的第一特征向量和其对应的第二特征向量进行特征融合处理,得到第三特征向量;
将所述第三特征向量输入所述第二特征提取子模块,得到所述第二特征提取子模块确定的所述特征点的特征向量。
根据所述三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的二维特征图,包括:
通过比较各所述特征点的二维空间坐标,确定各二维空间坐标所对应的特征点;
基于各二维空间坐标所对应特征点的特征向量,确定各二维空间坐标对应的特征向量;
基于各二维空间坐标对应的特征向量进行投影,确定所述多个特征点对应的二维特征图。
至少对所述二维特征图进行特征融合处理得到待使用二维图像,包括:
将所述二维特征图输入第一卷积神经网络进行特征融合处理,得到RGB三通道待使用二维图像。
所述方法还包括:
获取所述待识别对象的多个特征点对应的二维灰度图;
至少对所述二维特征图进行特征融合处理得到待使用二维图像,包括:
提取所述二维灰度图中各所述特征点的二维特征;
基于特征融合网络对所述二维特征图和所述二维灰度图中各所述特征点的二维特征进行融合处理,得到融合处理后的二维特征图;
将所述融合处理后的二维特征图输入第二卷积神经网络,得到所述第二卷积神经网络确定的RGB三通道数待使用二维图像。
所述几何编码模块通过以下方式进行训练:
获得样本对象的多个特征点对应的样本三维点云数据;
将所述样本三维点云数据输入几何编码模块,获得所述几何编码模块确定的各所述特征点的特征向量,所述特征点的特征向量至少用于表征所述特征点的三维空间属性及所述特征点与其它特征点之间的三维空间关系;
根据所述样本三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的样本二维特征图;
至少对所述样本二维特征图进行特征融合处理得到样本待使用二维图像;
将所述样本待使用二维图像中提取的二维特征输入识别模块,得到所述识别模块对所述样本对象进行图像识别得到的结果;
若所述识别模块的损失函数值未收敛,调整所述几何编码模块的参数,返回执行所述获取样本对象的多个特征点的样本三维点云数据的步骤,所述识别模块的损失函数值表征所述识别模块对所述样本对象进行图像识别得到的结果与所述样本对象对应的实际结果之间的差异;
若所述识别模块的损失函数值收敛,结束训练步骤。
所述将所述待使用二维图像中提取的二维特征输入识别模块,以基于所述识别模块对所述待识别对象进行图像识别,包括:
将所述待使用二维图像中提取的二维特征输入识别模块进行图像识别;
根据所述图像识别的结果,确定所述待识别对象对应的尺寸信息或者确定所述待识别对象的缺陷类型。
本申请另一方面提供一种图像处理装置,包括:
第一确定单元,用于基于待识别对象的多个特征点对应的三维点云数据,确定各所述特征点的特征向量;
投影单元,用于根据所述三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的二维特征图;
特征融合单元,用于至少对所述二维特征图进行特征融合处理得到待使用二维图像;
识别单元,用于将所述待使用二维图像中提取的二维特征输入识别模块,以基于所述识别模块对所述待识别对象进行图像识别。
本申请第三方面提供一种电子设备,包括:
存储器和处理器;
所述存储器,用于至少存储一组指令集;
所述处理器,用于调用并执行所述存储器中的所述指令集,通过执行所述指令集执行如权利要求1-8任意一项所述的图像处理方法。
在本申请中,基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量,根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图,至少对二维特征图进行特征融合处理得到待使用二维图像,使得待使用二维图像包含能表达待识别对象的三维空间属性的信息,在此基础上,将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别,实现基于表征待识别对象的三维空间属性的二维特征对待识别对象进行图像识别。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施方式提供的一种图像处理方法的流程示意图;
图2是本申请第二实施方式提供的一种图像处理方法的流程示意图;
图3是本申请第三实施方式提供的一种图像处理方法的流程示意图;
图4是本申请第三实施方式提供的一种图像处理方法的实施场景示意图;
图5是本申请第四实施方式提供的一种图像处理方法的流程示意图;
图6是本申请第五实施方式提供的一种图像处理方法的流程示意图;
图7是本申请第五实施方式提供的一种图像处理方法的实施场景示意图;
图8是本申请第六实施方式提供的一种图像处理方法的流程示意图;
图9是本申请第六实施方式提供的一种图像处理方法的一种实施场景示意图;
图10是本申请第六实施方式提供的一种图像处理方法的另一种实施场景示意图;
图11是本申请提供的一种图像处理装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,为本申请第一实施方式提供的一种图像处理方法的流程示意图,该方法可以应用于电子设备,本申请对电子设备的产品类型不做限定,如图1所示,该方法可以包括但并不局限于以下步骤:
步骤S101、基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量。
本实施方式中,待识别对象的多个特征点对应的三维点云数据可以包括但不局限于:待识别对象的多个特征点对应的三维坐标。
当然,待识别对象的多个特征点对应的三维点云数据也可以包括但不局限于:待识别对象的多个特征点对应的三维坐标。
可以理解的是,待识别对象的多个特征点对应的三维点云数据越丰富,基于三维点云数据确定的各特征点的特征向量表征的三维空间属性越准确。
待识别对象可以根据需要进行设置,在本申请中不做限制。具体地,待识别对象可以包括但不局限于:产品或产品中至少一个组成部分。例如,待识别对象可以包括:笔记本电脑中A壳(即,显示屏背部的壳)、B壳(即,显示屏的边框)、C壳(即,掌托)和D壳(即,底壳)中至少一种;待识别对象可以包括:螺丝及笔记本电脑中与螺丝对应的安置槽;待识别对象可以包括:手机壳体边缘和手机壳体边缘胶路;或,笔记本电脑内部多个组件。
步骤S102、根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图。
三维点云数据中的投影关系,可以表征各特征点的特征向量与三维空间坐标系的XY平面上二维空间坐标之间的对应关系。
基于各特征点的特征向量与三维空间坐标系的XY平面上二维空间坐标之间的对应关系,可以将各特征点的特征向量投影到三维空间坐标系的XY平面上,得到多个特征点对应的二维特征图。二维特征图中各二维空间坐标的坐标值为特征向量。
多个特征点对应的二维特征图至少可以表征待识别对象的三维空间属性。
步骤S103、至少对二维特征图进行特征融合处理得到待使用二维图像。
对应多个特征点对应的二维特征图至少可以表征待识别对象的三维空间属性的实施方式,至少对二维特征图进行特征融合处理得到的待使用二维图像中至少可以包含能表达待识别对象的三维空间属性的信息。
步骤S104、将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别。
本实施方式中,对应待使用二维图像中至少可以包含能表达待识别对象的三维空间属性的信息的实施方式,从待使用二维图像中提取的二维特征至少可以表征待识别对象的三维空间属性。
本实施方式中,从待使用二维图像中提取二维特征的过程,可以包括但不局限于:
基于预训练好的特征提取模型提取待使用二维图像的二维特征,所述特征提取模型通过二维样本图像进行预训练得到。
可以理解的是,二维样本图像的数量越多,预训练得到的特征提取模块能从待使用二维图像中提取质量更高和更鲁棒的二维特征。
对应从待使用二维图像中提取的二维特征可以表征待识别对象的三维空间属性的实施方式,识别模块可以基于待识别对象的三维空间属性对待识别对象进行图像识别。
在本实施方式中,基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量,根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图,至少对二维特征图进行特征融合处理得到待使用二维图像,使得待使用二维图像包含能表达待识别对象的三维空间属性的信息,在此基础上,将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别,实现基于表征待识别对象的三维空间属性的二维特征对待识别对象进行图像识别。
并且,在预训练得到的特征提取模块能从待使用二维图像中提取质量更高和更鲁棒的二维特征的基础上,可以提高识别模块对待识别对象进行图像识别的精度。
作为本申请另一可选实施例,参照图2,为本申请第二实施方式提供的一种图像处理方法的流程示意图,本实施例主要是对上述第一实施方式中步骤S101的细化方案,如图2所示,步骤S101可以包括但不局限于以下步骤:
步骤S1011、将待识别对象的多个特征点对应的三维点云数据输入几何编码模块,得到几何编码模块确定的各特征点的特征向量。
本实施方式中,特征向量可以用于表征特征点的三维空间属性。
特征向量也可以至少用于表征特征点的三维空间属性及特征点与其它特征点之间的三维空间关系。
对应特征向量可以用于表征特征点的三维空间属性的实施方式,几何编码模块可以包括但不局限于:第一特征提取子模块和第二特征提取子模块。
对应几何编码模块包括:第一特征提取子模块和第二特征提取子模块的实施方式,步骤S1011可以包括但不局限于:
S11、将多个特征点对应的三维点云数据输入第一特征提取子模块,得到第一特征提取子模块确定的各特征点的第一特征向量。
S12、将各特征点的第一特征向量输入第二特征提取子模块,得到第二特征提取子模块确定的特征点的特征向量,特征向量用于表征特征点的三维空间属性。
本实施方式中,第二特征提取子模块和第一特征提取子模块不同。第二特征提取子模块提取的特征向量相比于第一特征提取子模块提取的第一特征向量能更准确地表达特征点。
对应特征向量也可以至少用于表征特征点的三维空间属性及特征点与其它特征点之间的三维空间关系的实施方式,几何编码模块可以包括但不局限于:第一特征提取子模块、局部特征计算子模块、特征融合子模块和第二特征提取子模块。
对应几何编码模块包括:第一特征提取子模块、局部特征计算子模块、特征融合子模块和第二特征提取子模块的实施方式,步骤S1011可以包括但不局限于:
S21、将多个特征点对应的三维点云数据输入第一特征提取子模块,得到第一特征提取子模块确定的各特征点的第一特征向量。
第一特征提取子模块可以但不局限于基于一维卷积神经网络确定各特征点的第一特征向量。
S22、基于局部特征计算子模块确定各特征点各自对应的目标特征点,基于目标特征点的第一特征向量确定特征点对应的第二特征向量。
目标特征点与特征点之间相似度满足相似度条件。
第二特征向量可以用于表征目标特征点和特征点之间的三维空间关系。
基于目标特征点的第一特征向量确定特征点对应的第二特征向量,可以包括但不局限于:
确定目标特征点的第一特征向量与特征点的第一特征向量之间的差异表征值,将差异表征值确定为特征点对应的第二特征向量。其中,差异表征值表征目标特征点的第一特征向量与特征点的第一特征向量之间的差异。
本实施方式中,基于局部特征计算子模块确定各特征点各自对应的目标特征点,可以包括但不局限于:
S221、确定特征点与其它各特征点之间的距离。
S222、基于K最近邻(KNN,k-Nearest Neighbor)分类算法,从其它各特征点中选取出与特征点之间距离最近的K个目标特征点。
S23、基于特征融合子模块对特征点的第一特征向量和其对应的第二特征向量进行特征融合处理,得到第三特征向量。
步骤S23可以包括但不局限于:基于特征融合子模块对特征点的第一特征向量和其对应的第二特征向量进行拼接处理,得到第三特征向量。例如,若特征点的第一特征向量表示为xi,特征点对应的第二特征向量表示为xj-xi,xj表示为目标特征点的第一特征向量,第三特征向量表示为Concat(xi,xj-xi)。
S24、将第三特征向量输入第二特征提取子模块,得到第二特征提取子模块确定的特征点的特征向量,特征向量至少用于表征特征点的三维空间属性及特征点与其它特征点之间的三维空间关系。
可以理解的,第二特征提取子模块和第一特征提取子模块不同。第二特征提取子模块提取的特征向量相比于第一特征提取子模块提取的第一特征向量能更准确地表达特征点及特征点与其它特征点之间的三维空间关系。
本实施方式中,第二特征提取子模块,可以但不局限于基于二维卷积神经网络、批标准化(Batch Normalization)层、激活函数和Max聚合函数,确定特征点的特征向量。
上述几何编码模块可以但不局限于通过以下方式训练:
S31、获取样本对象的多个特征点对应的样本三维点云数据。
S32、将样本三维点云数据输入几何编码模块,获得几何编码模块确定的各特征点的三维特征,样本特征点的三维特征至少用于表征样本特征点的三维空间属性及样本特征点与其它样本特征点之间的三维空间关系。
S33、根据样本三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的样本二维特征图。
样本三维点云数据中的投影关系,可以表征样本对象的各特征点的特征向量与二维平面上二维空间坐标之间的对应关系。
基于样本对象的各特征点的特征向量与二维平面上二维空间坐标之间的对应关系,可以将样本对象的各特征点的特征向量投影到二维平面上,得到样本对象的多个特征点对应的样本二维特征图。
样本对象的多个特征点对应的样本二维特征图至少可以表征样本对象的三维空间属性。
S34、至少对样本二维特征图进行特征融合处理得到样本待使用二维图像。
对应样本对象的多个特征点对应的样本二维特征图至少可以表征样本对象的三维空间属性的实施方式,至少对样本二维特征图进行特征融合处理得到的样本待使用二维图像中至少可以包含能表达样本对象的三维空间属性的信息。
S35、将样本待使用二维图像中提取的二维特征输入识别模块,得到识别模块对样本对象进行图像识别得到的结果。
从样本待使用二维图像中提取二维特征的过程,可以包括但不局限于:
S351、基于预训练好的特征提取模块提取样本待使用二维图像的二维特征,特征提取模块通过二维样本图像进行预训练得到。
从样本待使用二维图像中提取的二维特征至少可以表征样本对象的三维空间属性。
S36、若识别模块的损失函数值未收敛,调整几何编码模块的参数,返回执行步骤S31。
识别模块的损失函数值表征识别模块对样本对象进行图像识别得到的结果与样本对象对应的实际结果之间的差异。
S37、若识别模块的损失函数值收敛,结束训练步骤。
本实施方式中,在训练几何编码模块的过程中,可以使用预训练好的特征提取模型提取样本待使用二维图像的二维特征,不需要训练特征提取模型,可以减少需要调整的参数,提高对几何编码模块进行训练的效率。
识别模块对待识别对象进行图像识别的准确度依赖于待使用二维图像的二维特征的准确度,待使用二维图像的二维特征的准确度依赖于特征提取模块的训练精度,特征提取模块的训练精度越高,识别模块对待识别对象进行图像识别的准确度越高。
本实施方式中,通过将待识别对象的多个特征点对应的三维点云数据输入几何编码模块,得到几何编码模块确定的各特征点的特征向量,特征向量至少用于表征特征点的三维空间属性及特征点与其它特征点之间的三维空间关系,保证各特征点的特征向量能更准确地表达各特征点,进而保证对各特征点的特征向量进行投影,得到的多个特征点对应的二维特征图能更准确地表达待识别对象,保证基于识别模块对待识别对象进行图像识别的准确性。
作为本申请另一可选实施例,参照图3,为本申请第三实施方式提供的一种图像处理方法的流程示意图,本实施例主要是对上述第一实施方式中步骤S102的细化方案,如图3所示,步骤S102可以包括但不局限于以下步骤:
步骤S1021、通过比较各特征点的二维空间坐标,确定各二维空间坐标所对应的特征点。
本实施方式中,通过比较各特征点的二维空间坐标,若多个特征点的二维空间坐标一致,则可以确定该二维空间坐标所对应的特征点有多个;
若特征点的二维空间坐标与其它特征点的二维空间坐标均不一致,则可以确定该二维空间坐标所对应的特征点有一个。
步骤S1022、基于各二维空间坐标所对应特征点的特征向量,确定各二维空间坐标对应的特征向量。
若二维空间坐标所对应的特征点有一个,则可以将二维空间坐标所对应的特征点的特征向量确定为二维空间坐标对应的特征向量;
若二维空间坐标所对应的特征点有多个,则可以对多个特征点的特征向量进行融合处理,得到融合处理后的特征向量,将融合处理后的特征向量确定为二维空间坐标对应的特征向量。
对多个特征点的特征向量进行融合处理可以包括但不局限于:对多个特征点的特征向量进行相加运算处理,得到相加运算处理后的特征向量。相加运算处理后的特征向量的维度与各特征点的特征向量的维度一致。例如,若各特征点的特征向量为维度为2K的特征向量,相加运算处理后的特征向量的维度仍为2K。
步骤S1023、基于各二维空间坐标对应的特征向量进行投影,确定多个特征点对应的二维特征图。
基于各二维空间坐标对应的特征向量进行投影,将各二维空间坐标对应的特征向量投影到三维空间坐标系的XY平面上,得到预设尺寸的二维特征图。
本实施方式中,可以将预设尺寸的二维特征图确定为多个特征点对应的二维特征图。
本实施方式中,也可以对预设尺寸的二维特征图进行插值处理,将插值处理后的二维特征图确定为多个特征点对应的二维特征图。例如,若待识别对象为螺丝及笔记本电脑中与螺丝对应的安置槽,如图4所示,将螺丝及笔记本电脑中与螺丝对应的安置槽的N个特征点对应的三维点云数据输入几何编码模块,得到N个特征点的特征向量,各特征点的特征向量为2K维度,对N个特征点的2K维度的特征向量进行投影,得到m*n尺寸的二维特征图,对m*n尺寸的二维特征图进行插值处理,得到m*n*2K的二维特征图(即,多个特征点对应的二维特征图)。
本实施方式中,通过比较各特征点的二维空间坐标,确定各二维空间坐标所对应的特征点,基于各二维空间坐标所对应特征点的特征向量,确定各二维空间坐标对应的特征向量,实现对各特征点的特征向量进行重新排列,在此基础上,基于各二维空间坐标对应的特征向量进行投影,确定多个特征点对应的二维特征图,保证二维特征图表征待识别对象的三维空间属性的准确性。
作为本申请另一可选实施例,参照图5,为本申请第四实施方式提供的一种图像处理方法的流程示意图,本实施例主要是对上述第一实施方式中步骤S103的细化方案,如图5所示,步骤S103可以包括但不局限于以下步骤:
步骤S1031、将二维特征图输入第一卷积神经网络进行特征融合处理,得到RGB三通道待使用二维图像。
本实施方式中,可以根据对待使用二维图像的设定要求,设置第一卷积神经网络的卷积核的个数,对第一卷积神经网络进行训练,使得训练好的第一卷积神经网络对二维特征图进行卷积运算得到的待使用二维图像满足设定要求。例如,对待使用二维图像的设定要求为待使用二维图像为RGB三通道,可以设置第一卷积神经网络的卷积核的个数为3,将二维特征图输入第一卷积神经网络,得到第一卷积神经网络确定的RGB三通道待使用二维图像。
在本实施方式中,基于待识别对象的多个特征点对应的三维点云数据,确定各所述特征点的特征向量,根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图,将二维特征图输入第一卷积神经网络进行特征融合处理,得到RGB三通道待使用二维图像,使得待使用二维图像包含能表达待识别对象的三维空间属性的信息,在此基础上,将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别,实现基于表征待识别对象的三维空间属性的二维特征对待识别对象进行图像识别。
作为本申请另一可选实施例,参照图6,为本申请第五实施方式提供的一种图像处理方法的流程示意图,本实施例主要是对上述第一实施方式提供的一种图像处理方法的扩展方案,如图6所示,该方法可以包括但不局限于以下步骤:
步骤S201、基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量。
步骤S202、根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图。
步骤S201-S202的详细过程可以参见第一实施方式中步骤S101-S102的相关介绍,在此不再赘述。
步骤S203、获取待识别对象的多个特征点对应的二维灰度图。
待识别对象的多个特征点对应的二维灰度图包含待识别对象的纹理信息。
步骤S204、提取二维灰度图中各特征点的二维特征。
本实施方式中,可以基于预训练好的特征提取模块提取二维灰度图中各特征点的二维特征。
二维灰度图中各特征点的二维特征可以表征各特征点的纹理。
步骤S205、基于特征融合网络对二维特征图和二维灰度图中各特征点的二维特征进行融合处理,得到融合处理后的二维特征图。
本步骤可以包括但不局限于:
S2051、基于连接模块对二维特征图和二维灰度图中各特征点的二维特征进行第一融合处理,得到第一融合处理后的二维特征图。
第一融合处理后的二维特征图相比于二维特征图,增加了能表征待识别对象的纹理的特征向量。
S2052、基于目标卷积神经网络对第一融合处理后的二维特征图进行第二融合处理,得到融合处理后的二维特征图。
基于目标卷积神经网络对第一融合处理后的二维特征图进行第二融合处理,融合处理后的二维特征图更加抽象,能更加准确地表达待识别对象。
目标卷积神经网络可以包括但不局限于:残差网络。
步骤S206、将融合处理后的二维特征图输入第二卷积神经网络,得到第二卷积神经网络确定的RGB三通道数待使用二维图像。
基于残差网络得到的融合处理后的二维特征图可以基于激活函数,输入第二卷积神经网络,得到第二卷积神经网络确定的RGB三通道数待使用二维图像。
本实施方式中,可以根据对待使用二维图像的设定要求,设置第二卷积神经网络的卷积核的个数,对第二卷积神经网络进行训练,使得训练好的第二卷积神经网络对融合处理后的二维特征图进行融合处理得到的待使用二维图像满足设定要求。例如,对待使用二维图像的设定要求为待使用二维图像为RGB三通道,可以设置第二卷积神经网络的卷积核的个数为3,将融合处理后的二维特征图输入第二卷积神经网络,得到第二卷积神经网络确定的RGB三通道待使用二维图像。例如,若待识别对象为将螺丝及笔记本电脑中与螺丝对应的安置槽,获取螺丝及笔记本电脑中与螺丝对应的安置槽的N个特征点对应的二维灰度图,提取二维灰度图中各特征点的二维特征,如图7所示,通过几何编码模块得到m*n*2K的二维特征图,基于连接模块(Concat)对二维特征图和二维灰度图中各特征点的二维特征进行第一融合处理,得到第一融合处理后的二维特征图,基于残差网络对第一融合处理后的二维特征图进行第二融合处理,得到融合处理后的二维特征图,融合处理后的二维特征图通过激活函数输入第二卷积神经网络,得到第二卷积神经网络确定的3*m*n的二维图像(即,RGB三通道数待使用二维图像)。
步骤S204-S206为第一实施方式中步骤S103的一种具体实施方式。
步骤S207、将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别。
步骤S207的详细过程可以参见第一实施方式中步骤S104的相关介绍,在此不再赘述。
本实施方式中,通过获取待识别对象的多个特征点对应的二维灰度图,提取二维灰度图中各特征点的二维特征,基于特征融合网络对二维特征图和二维灰度图中各特征点的二维特征进行融合处理,得到融合处理后的二维特征图,融合处理后的二维特征图可以更加丰富、更加准确地表达待识别对象,在此基础上,将融合处理后的二维特征图输入第二卷积神经网络,得到第二卷积神经网络确定的RGB三通道数待使用二维图像,使得待使用二维图像包含能表达待识别对象的三维空间属性和纹理的信息,进而将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别,提高对待识别对象进行图像识别的准确性。
作为本申请另一可选实施例,参照图8,为本申请第六实施方式提供的一种图像处理方法的流程示意图,本实施例主要是对上述第一实施方式中步骤S104的细化方案,如图8所示,步骤S104可以包括但不局限于以下步骤:
步骤S1041、将待使用二维图像中提取的二维特征输入识别模块进行图像识别。
识别模块可以基于能表征待识别对象的三维空间属性的二维特征,对待识别对象进行图像识别,以识别待识别对象对应的尺寸或缺陷。
识别模块可以但不局限于:基于MLP(Multi-Layer Perceptron)网络对待识别对象进行图像识别。
步骤S1042、根据图像识别的结果,确定待识别对象对应的尺寸信息或者确定待识别对象的缺陷类型。
本实施方式中,通过识别待识别对象对应的尺寸或缺陷得到的图像识别的结果,确定待识别对象对应的尺寸信息或者确定待识别对象的缺陷类型。例如,若待识别对象为将螺丝及笔记本电脑中与螺丝对应的安置槽,入图9所示,基于螺丝及笔记本电脑中与螺丝对应的安置槽的N个特征点对应的三维点云数据,得到3*m*n的二维图像,将3*m*n的二维图像中提取的二维特征输入识别模块进行图像识别,基于图像识别的结果确定待识别对象的缺陷类型。
现举例对根据图像识别的结果可以确定待识别对象的缺陷类型进行说明,例如,若待识别对象包括螺丝及笔记本电脑中键盘上与螺丝对应的安置槽,识别模型可以基于能表征螺丝及笔记本电脑中键盘上与螺丝对应的安置槽的三维空间属性的二维特征,确定螺丝和安置槽对应的缺陷类型为浮高缺陷或缺失缺陷等。
相比于图10中(a)部分所示的螺丝和安置槽不存在安装缺陷,浮高缺陷如图10中(b)部分所示,出现浮高缺陷可以说明螺丝安装不到位。
相比于图10中(a)部分所示的螺丝和安置槽不存在安装缺陷,缺失缺陷如图10中(c)部分所示,出现缺失缺陷可以说明安置槽中未安装螺丝。
在本实施方式中,基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量,根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图,至少对二维特征图进行特征融合处理得到待使用二维图像,使得待使用二维图像包含能表达待识别对象的三维空间属性的信息,在此基础上,将待使用二维图像中提取的二维特征输入识别模块进行图像识别,根据图像识别的结果,确定待识别对象对应的尺寸信息或者确定待识别对象的缺陷类型,实现基于表征待识别对象的三维空间属性的二维特征确定待识别对象对应的尺寸信息或缺陷类型。
与上述本申请提供的一种图像处理方法实施方式相对应的,本申请还提供了一种图像处理装置的实施方式。
请参见图9,图像处理装置包括:确定单元100、投影单元200、特征融合单元300和识别单元400。
确定单元100,用于基于待识别对象的多个特征点对应的三维点云数据,确定各特征点的特征向量。
投影单元200,用于根据三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的二维特征图。
特征融合单元300,用于至少对二维特征图进行特征融合处理得到待使用二维图像。
识别单元400,用于将待使用二维图像中提取的二维特征输入识别模块,以基于识别模块对待识别对象进行图像识别。
本实施方式中,确定单元100,具体可以用于:
将待识别对象的多个特征点对应的三维点云数据输入几何编码模块,得到几何编码模块确定的各所述特征点的特征向量,特征向量至少用于表征特征点的三维空间属性及特征点与其它特征点之间的三维空间关系。
几何编码模块可以包括:第一特征提取子模块、局部特征计算子模块、特征融合子模块和第二特征提取子模块;
相应地,确定单元将多个特征点对应的三维点云数据输入几何编码模块,得到几何编码模块确定的各特征点的特征向量的过程,具体可以包括:
将多个特征点对应的三维点云数据输入第一特征提取子模块,得到第一特征提取子模块确定的各特征点的第一特征向量;
基于局部特征计算子模块确定各特征点各自对应的目标特征点,基于目标特征点的第一特征向量确定特征点对应的第二特征向量,目标特征点与特征点之间相似度满足相似度条件,第二特征向量用于表征目标特征点和特征点之间的三维空间关系;
基于特征融合子模块对特征点的第一特征向量和其对应的第二特征向量进行特征融合处理,得到第三特征向量;
将第三特征向量输入第二特征提取子模块,得到第二特征提取子模块确定的特征点的特征向量。
本实施方式中,投影单元200,具体可以用于:
通过比较各特征点的二维空间坐标,确定各二维空间坐标所对应的特征点;
基于各二维空间坐标所对应特征点的特征向量,确定各二维空间坐标对应的特征向量;
基于各二维空间坐标对应的特征向量进行投影,确定多个特征点对应的二维特征图。
本实施方式中,特征融合单元300,具体可以用于:
将二维特征图输入第一卷积神经网络进行特征融合处理,得到RGB三通道待使用二维图像。
本实施方式中,图像处理装置还可以包括:
获取单元,用于获取待识别对象的多个特征点对应的二维灰度图。
特征融合单元300,具体可以用于:
提取二维灰度图中各所述特征点的二维特征;
基于特征融合网络对二维特征图和二维灰度图中各特征点的二维特征进行融合处理,得到融合处理后的二维特征图;
将融合处理后的二维特征图输入第二卷积神经网络,得到第二卷积神经网络确定的RGB三通道数待使用二维图像。
本实施方式中,图像处理装置还可以包括:
训练单元,用于:
获得样本对象的多个特征点对应的样本三维点云数据;
将样本三维点云数据输入几何编码模块,获得几何编码模块确定的各特征点的特征向量,特征点的特征向量至少用于表征特征点的三维空间属性及特征点与其它特征点之间的三维空间关系;
根据样本三维点云数据中的投影关系,对各特征点的特征向量进行投影,得到多个特征点对应的样本二维特征图;
至少对样本二维特征图进行特征融合处理得到样本待使用二维图像;
将样本待使用二维图像中提取的二维特征输入识别模块,得到识别模块对样本对象进行图像识别得到的结果;
若识别模块的损失函数值未收敛,调整几何编码模块的参数,返回执行获取样本对象的多个特征点的样本三维点云数据的步骤,识别模块的损失函数值表征识别模块对样本对象进行图像识别得到的结果与样本对象对应的实际结果之间的差异;
若识别模块的损失函数值收敛,结束训练步骤。
本实施方式中,识别单元400,具体可以用于:
将待使用二维图像中提取的二维特征输入识别模块进行图像识别;
根据所述图像识别的结果,确定待识别对象对应的尺寸信息或者确定待识别对象的缺陷类型。
与上述本申请提供的一种图像处理方法实施方式相对应的,本申请还提供了应用该图像处理方法的电子设备实施例。
该电子设备可以包括以下结构:
存储器和处理器。
存储器,用于至少存储一组指令集;
处理器,用于调用并执行存储器中的指令集,通过执行指令集执行第一实施方式-第六实施方式中任意一个实施方式所介绍的图像处理方法。
与上述本申请提供的一种图像处理方法实施方式相对应的,本申请还提供了一种存储介质的实施例。
本实施例中,存储介质存储有实现如前述任意一个实施方式所介绍的图像处理方法的计算机程序,计算机程序被处理器执行,实现如前述任意一个实施方式所介绍的图像处理方法。
需要说明的是,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种图像处理方法、装置及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种图像处理方法,包括:
基于待识别对象的多个特征点对应的三维点云数据,确定各所述特征点的特征向量;
根据所述三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的二维特征图;
至少对所述二维特征图进行特征融合处理得到待使用二维图像;
将所述待使用二维图像中提取的二维特征输入识别模块,以基于所述识别模块对所述待识别对象进行图像识别。
2.根据权利要求1所述的方法,基于多个特征点对应的三维点云数据,确定各所述特征点的特征向量,包括:
将待识别对象的多个特征点对应的三维点云数据输入几何编码模块,得到所述几何编码模块确定的各所述特征点的特征向量,所述特征向量至少用于表征所述特征点的三维空间属性及所述特征点与其它特征点之间的三维空间关系。
3.根据权利要求2所述的方法,所述几何编码模块包括:第一特征提取子模块、局部特征计算子模块、特征融合子模块和第二特征提取子模块;
所述将所述多个特征点对应的三维点云数据输入几何编码模块,得到所述几何编码模块确定的各所述特征点的特征向量,包括:
将所述多个特征点对应的三维点云数据输入所述第一特征提取子模块,得到所述第一特征提取子模块确定的各所述特征点的第一特征向量;
基于所述局部特征计算子模块确定各所述特征点各自对应的目标特征点,基于所述目标特征点的第一特征向量确定所述特征点对应的第二特征向量,所述目标特征点与所述特征点之间相似度满足相似度条件,所述第二特征向量用于表征所述目标特征点和所述特征点之间的三维空间关系;
基于所述特征融合子模块对所述特征点的第一特征向量和其对应的第二特征向量进行特征融合处理,得到第三特征向量;
将所述第三特征向量输入所述第二特征提取子模块,得到所述第二特征提取子模块确定的所述特征点的特征向量。
4.根据权利要求1所述的方法,根据所述三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的二维特征图,包括:
通过比较各所述特征点的二维空间坐标,确定各二维空间坐标所对应的特征点;
基于各二维空间坐标所对应特征点的特征向量,确定各二维空间坐标对应的特征向量;
基于各二维空间坐标对应的特征向量进行投影,确定所述多个特征点对应的二维特征图。
5.根据权利要求1所述的方法,至少对所述二维特征图进行特征融合处理得到待使用二维图像,包括:
将所述二维特征图输入第一卷积神经网络进行特征融合处理,得到RGB三通道待使用二维图像。
6.根据权利要求1所述的方法,所述方法还包括:
获取所述待识别对象的多个特征点对应的二维灰度图;
至少对所述二维特征图进行特征融合处理得到待使用二维图像,包括:
提取所述二维灰度图中各所述特征点的二维特征;
基于特征融合网络对所述二维特征图和所述二维灰度图中各所述特征点的二维特征进行融合处理,得到融合处理后的二维特征图;
将所述融合处理后的二维特征图输入第二卷积神经网络,得到所述第二卷积神经网络确定的RGB三通道数待使用二维图像。
7.根据权利要求2所述的方法,所述几何编码模块通过以下方式进行训练:
获得样本对象的多个特征点对应的样本三维点云数据;
将所述样本三维点云数据输入几何编码模块,获得所述几何编码模块确定的各所述特征点的特征向量,所述特征点的特征向量至少用于表征所述特征点的三维空间属性及所述特征点与其它特征点之间的三维空间关系;
根据所述样本三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的样本二维特征图;
至少对所述样本二维特征图进行特征融合处理得到样本待使用二维图像;
将所述样本待使用二维图像中提取的二维特征输入识别模块,得到所述识别模块对所述样本对象进行图像识别得到的结果;
若所述识别模块的损失函数值未收敛,调整所述几何编码模块的参数,返回执行所述获取样本对象的多个特征点的样本三维点云数据的步骤,所述识别模块的损失函数值表征所述识别模块对所述样本对象进行图像识别得到的结果与所述样本对象对应的实际结果之间的差异;
若所述识别模块的损失函数值收敛,结束训练步骤。
8.根据权利要求1所述的方法,所述将所述待使用二维图像中提取的二维特征输入识别模块,以基于所述识别模块对所述待识别对象进行图像识别,包括:
将所述待使用二维图像中提取的二维特征输入识别模块进行图像识别;
根据所述图像识别的结果,确定所述待识别对象对应的尺寸信息或者确定所述待识别对象的缺陷类型。
9.一种图像处理装置,包括:
确定单元,用于基于待识别对象的多个特征点对应的三维点云数据,确定各所述特征点的特征向量;
投影单元,用于根据所述三维点云数据中的投影关系,对各所述特征点的特征向量进行投影,得到所述多个特征点对应的二维特征图;
特征融合单元,用于至少对所述二维特征图进行特征融合处理得到待使用二维图像;
识别单元,用于将所述待使用二维图像中提取的二维特征输入识别模块,以基于所述识别模块对所述待识别对象进行图像识别。
10.一种电子设备,包括:
存储器和处理器;
所述存储器,用于至少存储一组指令集;
所述处理器,用于调用并执行所述存储器中的所述指令集,通过执行所述指令集执行如权利要求1-8任意一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310318085.7A CN116363641A (zh) | 2023-03-28 | 2023-03-28 | 一种图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310318085.7A CN116363641A (zh) | 2023-03-28 | 2023-03-28 | 一种图像处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116363641A true CN116363641A (zh) | 2023-06-30 |
Family
ID=86919263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310318085.7A Pending CN116363641A (zh) | 2023-03-28 | 2023-03-28 | 一种图像处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363641A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152083A (zh) * | 2023-08-31 | 2023-12-01 | 哈尔滨工业大学 | 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法 |
-
2023
- 2023-03-28 CN CN202310318085.7A patent/CN116363641A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152083A (zh) * | 2023-08-31 | 2023-12-01 | 哈尔滨工业大学 | 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法 |
CN117152083B (zh) * | 2023-08-31 | 2024-04-09 | 哈尔滨工业大学 | 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108898186B (zh) | 用于提取图像的方法和装置 | |
CN109146892B (zh) | 一种基于美学的图像裁剪方法及装置 | |
WO2021036059A1 (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
CN108256479B (zh) | 人脸跟踪方法和装置 | |
CN109815770B (zh) | 二维码检测方法、装置及*** | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
CN111310800B (zh) | 图像分类模型生成方法、装置、计算机设备和存储介质 | |
CN111340866A (zh) | 深度图像生成方法、装置及存储介质 | |
CN110516598B (zh) | 用于生成图像的方法和装置 | |
CN110956131B (zh) | 单目标追踪方法、装置及*** | |
CN112614110B (zh) | 评估图像质量的方法、装置及终端设备 | |
CN116580257A (zh) | 特征融合模型训练及样本检索方法、装置和计算机设备 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
CN116363641A (zh) | 一种图像处理方法、装置及电子设备 | |
CN113837965B (zh) | 图像清晰度识别方法、装置、电子设备及存储介质 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
CN114240770A (zh) | 一种图像处理方法、装置、服务器及存储介质 | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN116266387A (zh) | 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及*** | |
CN113361384A (zh) | 人脸识别模型压缩方法、设备、介质及计算机程序产品 | |
GB2587833A (en) | Image modification styles learned from a limited set of modified images | |
CN113139540B (zh) | 背板检测方法及设备 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 |
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 |