JP2020508531A - 画像品質の評価方法及び画像品質の評価システム - Google Patents
画像品質の評価方法及び画像品質の評価システム Download PDFInfo
- Publication number
- JP2020508531A JP2020508531A JP2019546794A JP2019546794A JP2020508531A JP 2020508531 A JP2020508531 A JP 2020508531A JP 2019546794 A JP2019546794 A JP 2019546794A JP 2019546794 A JP2019546794 A JP 2019546794A JP 2020508531 A JP2020508531 A JP 2020508531A
- Authority
- JP
- Japan
- Prior art keywords
- layer
- image quality
- quality evaluation
- image
- network architecture
- 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.)
- Granted
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 106
- 238000011176 pooling Methods 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 61
- 238000005070 sampling Methods 0.000 claims description 46
- 238000002372 labelling Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 13
- 238000012015 optical character recognition Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は、画像処理の技術分野に関し、特に画像品質の評価方法及び画像品質の評価システムに関する。
本発明の一実施例において、ドロップアウト層の階層パラメータは、ドロップアウト率を含む。
本発明の一実施例において、SPP層の階層パラメータは、サンプリング規則と、ピラミッドの層数と、を含む。
なお、画像サンプルの基準品質指標値のラベリングは、コンピュータプログラムなどによって実現される自動ラベリングであってもよく、人工による手動ラベリングであってもよく、さらに他のラベリング方式であってもよく、本発明の実施例ではそれについて統一した限定をしない。
なお、ニューラルネットワークアーキテクチャは、後続の機械学習をサポートするネットワークアーキテクチャであり、入力層、出力層及び中間層を含む。
好ましく、ニューラルネットワークアーキテクチャは、畳み込みニューラルネットワークアーキテクチャである。
b、トレーニングパラメータによって、テキスト画像サンプルを最初のテキスト画像品質評価モデルに入力する。
なお、ニューラルネットワークアーキテクチャは、後続の機械学習をサポートするネットワークアーキテクチャであり、入力層、出力層及び中間層を含む。
テキスト品質ネットワーク設置モジュール85:テキスト画像品質評価モデルのテキスト品質ネットワークを設置する。
テキスト画像品質評価モデル生成サブモジュール866:最終的に生成されるテキスト画像品質評価モデルを取得する。
Claims (27)
- 画像品質の評価方法であって、
画像サンプルを用いて画像品質評価モデルを生成するステップと、
前記画像品質評価モデルによって、評価対象となる画像に対して評価作業を行うステップと、を含む
ことを特徴とする画像品質の評価方法。 - 前記画像サンプルを用いて画像品質評価モデルを生成する前記ステップは、
前記画像サンプルの基準品質指標値をラベリングするステップと、
前記画像サンプルに基づいてニューラルネットワークアーキテクチャを生成するステップと、
前記画像サンプルを用いて前記ニューラルネットワークアーキテクチャの階層パラメータに対して反復トレーニングを行って、画像品質評価モデルを生成するステップと、を含む
ことを特徴とする請求項1に記載の画像品質の評価方法。 - 前記画像サンプルを用いて前記ニューラルネットワークアーキテクチャの階層パラメータに対して反復トレーニングを行って、画像品質評価モデルを生成する前記ステップは、
トレーニングパラメータによって前記画像サンプルを前記ニューラルネットワークアーキテクチャに入力するステップと、
前記ニューラルネットワークアーキテクチャにおける損失層の出力結果と、前記基準品質指標値との間の誤差データを算出するステップと、
前記誤差データに基づいて、前記ニューラルネットワークアーキテクチャにおける階層パラメータを更新し、さらに更新後の前記ニューラルネットワークアーキテクチャに基づいて新たに前記誤差データを反復計算するステップと、
反復計算により算出される前記誤差データが予め設定された誤差範囲に入ると、前記ニューラルネットワークアーキテクチャに基づいて前記画像品質評価モデルを生成するステップと、を含む
ことを特徴とする請求項2に記載の画像品質の評価方法。 - 前記トレーニングパラメータは、反復の総回数と、毎回の反復するサンプル数と、テスト間隔と、学習率と、初期のニューラルネットワークアーキテクチャにおける各階層の重みと、バイアスと、バイアス及び初期のニューラルネットワークアーキテクチャにおける各階層の重みの学習率とのうちの少なくとも1つを含む
ことを特徴とする請求項3に記載の画像品質の評価方法。 - 前記ニューラルネットワークアーキテクチャは、畳み込み層と、活性化関数層と、損失層と、を含む
ことを特徴とする請求項2乃至4のいずれか一項に記載の画像品質の評価方法。 - 前記活性化関数層は、正規化線形ユニット層と、シグモイド曲線層と、を含む
ことを特徴とする請求項5に記載の画像品質の評価方法。 - 前記ニューラルネットワークアーキテクチャにおける階層順序は、順に畳み込み層、正規化線形ユニット層、畳み込み層、正規化線形ユニット層、畳み込み層、正規化線形ユニット層、シグモイド曲線層、損失層となる
ことを特徴とする請求項6に記載の画像品質の評価方法。 - 前記ニューラルネットワークアーキテクチャは、プーリング層と、ドロップアウト層と、SPP層と、を更に含む
ことを特徴とする請求項6に記載の画像品質の評価方法。 - 前記ニューラルネットワークアーキテクチャにおける階層順序は、順に畳み込み層、正規化線形ユニット層、プーリング層、畳み込み層、正規化線形ユニット層、プーリング層、畳み込み層、正規化線形ユニット層、プーリング層、畳み込み層、正規化線形ユニット層、ドロップアウト層、畳み込み層、SPP層、シグモイド曲線層、損失層となる
ことを特徴とする請求項8に記載の画像品質の評価方法。 - 前記畳み込み層の階層パラメータは、畳み込み核の数と、畳み込み核の大きさと、畳み込みウィンドウのスライド距離と、パディングエッジの画素値と、を含む
ことを特徴とする請求項5乃至9のいずれか一項に記載の画像品質の評価方法。 - 前記プーリング層の階層パラメータは、サンプリング規則と、サンプリングウィンドウの大きさと、サンプリングウィンドウのスライド距離と、を含む
ことを特徴とする請求項8又は9に記載の画像品質の評価方法。 - 前記ドロップアウト層の階層パラメータは、ドロップアウト率を含む
ことを特徴とする請求項8又は9に記載の画像品質の評価方法。 - 前記SPP層の階層パラメータは、サンプリング規則と、ピラミッドの層数と、を含む
ことを特徴とする請求項8又は9に記載の画像品質の評価方法。 - 画像品質の評価システムであって、
画像サンプルを用いて画像品質評価モデルを生成する画像品質評価モデル生成モジュールと、
前記画像品質評価モデルによって評価対象となる画像に対して評価作業を行う評価モジュールと、を備える
ことを特徴とする画像品質の評価システム。 - 前記画像品質評価モデル生成モジュールは、
前記画像サンプルの基準品質指標値をラベリングするラベリングユニットと、
前記画像サンプルに基づいてニューラルネットワークアーキテクチャを生成するニューラルネットワークアーキテクチャ生成ユニットと、
前記画像サンプルを用いて前記ニューラルネットワークアーキテクチャの階層パラメータに対して反復トレーニングを行って、画像品質評価モデルを生成する反復トレーニングユニットと、を備える
ことを特徴とする請求項14に記載の画像品質の評価システム。 - 前記反復トレーニングユニットはさらに、
トレーニングパラメータによって前記画像サンプルを前記ニューラルネットワークアーキテクチャに入力することと、
前記ニューラルネットワークアーキテクチャにおける損失層の出力結果と、前記基準品質指標値との間の誤差データを算出することと、
前記誤差データによって前記ニューラルネットワークアーキテクチャにおける階層パラメータを更新し、更新後の前記ニューラルネットワークアーキテクチャに基づいて新たに前記誤差データを反復計算することと、
反復計算により算出される前記誤差データが予め設定された誤差範囲に入ると、前記ニューラルネットワークアーキテクチャに基づいて前記画像品質評価モデルを生成することと、を行う
ことを特徴とする請求項15に記載の画像品質の評価システム。 - 前記トレーニングパラメータは、反復の総回数と、毎回の反復するサンプル数と、テスト間隔と、学習率と、初期のニューラルネットワークアーキテクチャにおける各階層の重みと、バイアスと、バイアス及び初期のニューラルネットワークアーキテクチャにおける各階層の重みの学習率とのうちの少なくとも1つを含む
ことを特徴とする請求項16に記載の画像品質の評価システム。 - 前記ニューラルネットワークアーキテクチャは、畳み込み層と、活性化関数層と、損失層と、を含む
ことを特徴とする請求項15乃至17のいずれか一項に記載の画像品質の評価システム。 - 前記活性化関数層は、正規化線形ユニット層と、シグモイド曲線層と、を含む
ことを特徴とする請求項18に記載の画像品質の評価システム。 - 前記ニューラルネットワークアーキテクチャにおける階層順序は、順に畳み込み層、正規化線形ユニット層、畳み込み層、正規化線形ユニット層、畳み込み層、正規化線形ユニット層、シグモイド曲線層、損失層となる
ことを特徴とする請求項19に記載の画像品質の評価システム。 - 前記ニューラルネットワークアーキテクチャは、プーリング層と、ドロップアウト層と、SPP層と、を更に含む
ことを特徴とする請求項19に記載の画像品質の評価システム。 - 前記ニューラルネットワークアーキテクチャにおける階層順序は、順に畳み込み層、正規化線形ユニット層、プーリング層、畳み込み層、正規化線形ユニット層、プーリング層、畳み込み層、正規化線形ユニット層、プーリング層、畳み込み層、正規化線形ユニット層、ドロップアウト層、畳み込み層、SPP層、シグモイド曲線層、損失層となる
ことを特徴とする請求項21に記載の画像品質の評価システム。 - 前記畳み込み層の階層パラメータは、畳み込み核の数と、畳み込み核の大きさと、畳み込みウィンドウのスライド距離と、パディングエッジの画素値と、を含む
ことを特徴とする請求項18乃至22のいずれか一項に記載の画像品質の評価システム。 - 前記プーリング層の階層パラメータは、サンプリング規則と、サンプリングウィンドウの大きさと、サンプリングウィンドウのスライド距離と、を含む
ことを特徴とする請求項21又は22に記載の画像品質の評価システム。 - 前記ドロップアウト層の階層パラメータは、ドロップアウト率を含む
ことを特徴とする請求項21又は22に記載の画像品質の評価システム。 - 前記SPP層の階層パラメータは、サンプリング規則と、ピラミッドの層数と、を含む
ことを特徴とする請求項21又は22に記載の画像品質の評価システム。 - コンピュータ読取可能な記憶媒体であって、
前記コンピュータ読取可能な記憶媒体には、画像品質の評価プログラムが記憶されており、
前記画像品質の評価プログラムがプロセッサにより実行されると、請求項1乃至13のいずれか一項に記載の画像品質の評価方法の作業を実現する
ことを特徴とするコンピュータ読取可能な記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710804804.0A CN107644415B (zh) | 2017-09-08 | 2017-09-08 | 一种文本图像质量评估方法及设备 |
CN201710804804.0 | 2017-09-08 | ||
PCT/CN2018/104842 WO2019047949A1 (zh) | 2017-09-08 | 2018-09-10 | 图像质量评估方法及图像质量评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020508531A true JP2020508531A (ja) | 2020-03-19 |
JP6866495B2 JP6866495B2 (ja) | 2021-04-28 |
Family
ID=61110396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019546794A Active JP6866495B2 (ja) | 2017-09-08 | 2018-09-10 | 画像品質の評価方法及び画像品質の評価システム |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP6866495B2 (ja) |
CN (1) | CN107644415B (ja) |
SG (1) | SG11201912457PA (ja) |
WO (1) | WO2019047949A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421237A (zh) * | 2021-06-18 | 2021-09-21 | 西安电子科技大学 | 基于深度特征迁移学习的无参考图像质量评价方法 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644415B (zh) * | 2017-09-08 | 2019-02-22 | 众安信息技术服务有限公司 | 一种文本图像质量评估方法及设备 |
CN110175990A (zh) * | 2019-05-17 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像质量判定方法、装置及计算机设备 |
CN111127386B (zh) * | 2019-07-08 | 2023-04-18 | 杭州电子科技大学 | 一种基于深度学习的图像质量评价方法 |
CN110517237B (zh) * | 2019-08-20 | 2022-12-06 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
US11157783B2 (en) * | 2019-12-02 | 2021-10-26 | UiPath, Inc. | Training optical character detection and recognition models for robotic process automation |
CN111128355B (zh) * | 2019-12-20 | 2024-04-26 | 创业慧康科技股份有限公司 | 一种目标事件评估方法及装置 |
CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
CN111291794A (zh) * | 2020-01-21 | 2020-06-16 | 上海眼控科技股份有限公司 | 字符识别方法、装置、计算机设备和计算机可读存储介质 |
CN111753873A (zh) * | 2020-05-12 | 2020-10-09 | 北京捷通华声科技股份有限公司 | 一种图像检测方法和装置 |
CN111583259B (zh) * | 2020-06-04 | 2022-07-22 | 南昌航空大学 | 一种文档图像质量评价方法 |
CN111739617B (zh) * | 2020-06-15 | 2023-07-11 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN111914898B (zh) * | 2020-06-30 | 2022-06-28 | 电子科技大学 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
CN111932500B (zh) * | 2020-07-10 | 2023-10-13 | 泰康保险集团股份有限公司 | 一种图像处理方法及装置 |
CN111986157B (zh) * | 2020-07-21 | 2024-02-09 | 万达信息股份有限公司 | 一种数字病理图像质量评价*** |
CN112017171B (zh) * | 2020-08-27 | 2021-10-26 | 四川云从天府人工智能科技有限公司 | 一种图像处理指标评估方法、***、设备和介质 |
CN112151179B (zh) * | 2020-09-29 | 2023-11-14 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
CN112700425B (zh) * | 2021-01-07 | 2024-04-26 | 云南电网有限责任公司电力科学研究院 | 一种用于电力设备x射线图像质量的判定方法 |
CN112950567A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评价方法、装置、电子设备及存储介质 |
CN114549429B (zh) * | 2022-01-29 | 2024-06-25 | 清华大学 | 基于超图结构的深度数据质量评价方法及装置 |
CN114820515A (zh) * | 2022-04-26 | 2022-07-29 | 渭南日报社印刷厂 | 基于通道注意力的无参考型图像质量评价方法 |
CN117953508A (zh) * | 2022-10-21 | 2024-04-30 | 华为技术有限公司 | 文本图像的ocr识别方法、电子设备及介质 |
CN117788461B (zh) * | 2024-02-23 | 2024-05-07 | 华中科技大学同济医学院附属同济医院 | 一种基于图像分析的磁共振图像质量评估*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08314879A (ja) * | 1995-05-16 | 1996-11-29 | Sanyo Electric Co Ltd | ニュ−ラルネットの学習方法及びニュ−ラルネット型パターン認識装置 |
JPH08329032A (ja) * | 1995-05-31 | 1996-12-13 | Sanyo Electric Co Ltd | ニュ−ラルネット型パターン認識装置及びニュ−ラルネットの学習方法 |
JP2001094711A (ja) * | 1999-09-20 | 2001-04-06 | Toshiba Corp | ドキュメント画像処理装置及びドキュメント画像処理方法 |
JP2004171326A (ja) * | 2002-11-21 | 2004-06-17 | Hitachi Ltd | ソフトウェアの使用方法 |
JP2006178543A (ja) * | 2004-12-20 | 2006-07-06 | Canon Marketing Japan Inc | 画像処理方法、画像処理装置 |
WO2013088707A1 (ja) * | 2011-12-16 | 2013-06-20 | 日本電気株式会社 | 辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体 |
JP2017049996A (ja) * | 2015-09-02 | 2017-03-09 | 富士通株式会社 | 画像認識に用いられるニューラルネットワークの訓練方法及び訓練装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9082047B2 (en) * | 2013-08-20 | 2015-07-14 | Xerox Corporation | Learning beautiful and ugly visual attributes |
CN105488515B (zh) * | 2014-09-17 | 2019-06-25 | 富士通株式会社 | 一种对图像进行分类的图像处理方法和图像处理装置 |
US9741107B2 (en) * | 2015-06-05 | 2017-08-22 | Sony Corporation | Full reference image quality assessment based on convolutional neural network |
CN105046277B (zh) * | 2015-07-15 | 2019-06-14 | 华南农业大学 | 特征显著性在图像质量评价中的鲁棒机理研究方法 |
CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
CN106326886B (zh) * | 2016-11-07 | 2019-05-10 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法 |
CN107644415B (zh) * | 2017-09-08 | 2019-02-22 | 众安信息技术服务有限公司 | 一种文本图像质量评估方法及设备 |
-
2017
- 2017-09-08 CN CN201710804804.0A patent/CN107644415B/zh active Active
-
2018
- 2018-09-10 SG SG11201912457PA patent/SG11201912457PA/en unknown
- 2018-09-10 JP JP2019546794A patent/JP6866495B2/ja active Active
- 2018-09-10 WO PCT/CN2018/104842 patent/WO2019047949A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08314879A (ja) * | 1995-05-16 | 1996-11-29 | Sanyo Electric Co Ltd | ニュ−ラルネットの学習方法及びニュ−ラルネット型パターン認識装置 |
JPH08329032A (ja) * | 1995-05-31 | 1996-12-13 | Sanyo Electric Co Ltd | ニュ−ラルネット型パターン認識装置及びニュ−ラルネットの学習方法 |
JP2001094711A (ja) * | 1999-09-20 | 2001-04-06 | Toshiba Corp | ドキュメント画像処理装置及びドキュメント画像処理方法 |
JP2004171326A (ja) * | 2002-11-21 | 2004-06-17 | Hitachi Ltd | ソフトウェアの使用方法 |
JP2006178543A (ja) * | 2004-12-20 | 2006-07-06 | Canon Marketing Japan Inc | 画像処理方法、画像処理装置 |
WO2013088707A1 (ja) * | 2011-12-16 | 2013-06-20 | 日本電気株式会社 | 辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体 |
JP2017049996A (ja) * | 2015-09-02 | 2017-03-09 | 富士通株式会社 | 画像認識に用いられるニューラルネットワークの訓練方法及び訓練装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421237A (zh) * | 2021-06-18 | 2021-09-21 | 西安电子科技大学 | 基于深度特征迁移学习的无参考图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
SG11201912457PA (en) | 2020-01-30 |
CN107644415A (zh) | 2018-01-30 |
WO2019047949A1 (zh) | 2019-03-14 |
JP6866495B2 (ja) | 2021-04-28 |
CN107644415B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020508531A (ja) | 画像品質の評価方法及び画像品質の評価システム | |
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
CN110379020B (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN110766050B (zh) | 模型生成方法、文本识别方法、装置、设备及存储介质 | |
CN110956126A (zh) | 一种联合超分辨率重建的小目标检测方法 | |
CN109902662B (zh) | 一种行人重识别方法、***、装置和存储介质 | |
CN111461212A (zh) | 一种用于点云目标检测模型的压缩方法 | |
CN109934095A (zh) | 一种基于深度学习的遥感图像水体提取方法及*** | |
CN112464798A (zh) | 文本识别方法及装置、电子设备、存储介质 | |
CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
CN109345559B (zh) | 基于样本扩充和深度分类网络的运动目标跟踪方法 | |
CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN112528782A (zh) | 水下鱼类目标检测方法及装置 | |
CN114913588A (zh) | 一种应用于复杂场景下的人脸图像修复及识别方法 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN111291761A (zh) | 用于识别文字的方法和装置 | |
CN112634174B (zh) | 一种图像表示学习方法及*** | |
CN111726592B (zh) | 获取图像信号处理器的架构的方法和装置 | |
CN117058716A (zh) | 基于图像预融合的跨域行为识别方法及装置 | |
Uittenbogaard et al. | Conditional transfer with dense residual attention: Synthesizing traffic signs from street-view imagery | |
CN108876853B (zh) | 图像定位方法、装置、***和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190827 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200818 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201110 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210407 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6866495 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |