Nothing Special   »   [go: up one dir, main page]

CN110968199A - 一种基于手势识别的交通灯的控制方法、系统及电子设备 - Google Patents

一种基于手势识别的交通灯的控制方法、系统及电子设备 Download PDF

Info

Publication number
CN110968199A
CN110968199A CN201911258083.3A CN201911258083A CN110968199A CN 110968199 A CN110968199 A CN 110968199A CN 201911258083 A CN201911258083 A CN 201911258083A CN 110968199 A CN110968199 A CN 110968199A
Authority
CN
China
Prior art keywords
video image
gesture
training
traffic light
gesture recognition
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
CN201911258083.3A
Other languages
English (en)
Inventor
丁绪星
李志祥
金毅
刘娅妮
黄瑞
陈斌
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.)
Anhui Normal University
Original Assignee
Anhui Normal University
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 Anhui Normal University filed Critical Anhui Normal University
Priority to CN201911258083.3A priority Critical patent/CN110968199A/zh
Publication of CN110968199A publication Critical patent/CN110968199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于手势识别的交通灯的控制方法、系统及电子设备，所述基于手势识别的交通灯的控制方法包括：获取手势视频图像，对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓，将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型，对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果，将所述实时预测结果发送至处理器，以实时控制交通灯。本发明的所述基于手势识别的交通灯的控制方法通过人工智能算法与手势识别相结合，使得人与交通灯能够有效的交互，更加智能化的对交通灯进行实时且准确的控制，能够根据车流量的变化来调节交通灯。

Description

一种基于手势识别的交通灯的控制方法、系统及电子设备
技术领域
本发明涉及交通灯的控制技术领域，特别是涉及一种基于手势识别的交通灯的控制方法、系统及电子设备。
背景技术
随着科技的发展，人工智能算法已应用在各个领域。而对于交通灯的控制，目前还停留在利用固定时间转换的控制方法，由于各方向红绿灯的时间是事先设定的，所以不能根据车流量的变化来进行调节。因此，现有的交通灯控制方法不能根据车流量的变化来调节交通灯，智能化较低，迫切需要改进。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于手势识别的交通灯的控制方法、系统及电子设备，用于解决现有技术中的交通灯控制方法不能根据车流量的变化来调节交通灯，智能化较低问题。
为实现上述目的及其他相关目的，本发明提供一种基于手势识别的交通灯的控制方法，所述基于手势识别的交通灯的控制方法包括：
获取手势视频图像；
对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓；
将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型；
对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果；
将所述实时预测结果发送至处理器，以实时控制交通灯。
在本发明的一实施例中，通过背景阈值算法对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓。
在本发明的一实施例中，所述通过背景阈值算法对所述手势视频图像进行处理的步骤包括：
利用移动平均值方法获取背景模型；
利用背景差值化方法，获取差值化图像，所述差值化图像即为背景模型和前景模型之间的差值；
对所述差值化图像中的手部轮廓进行提取，以提取所述手势视频图像的轮廓。
在本发明的一实施例中，所述卷积神经网络包括输入层、卷积层、线性整流层、池化层以及全连接层。
在本发明的一实施例中，所述基于手势识别的交通灯的控制方法还包括保存所述实时预测结果。
在本发明的一实施例中，所述手势视频图像以0.1秒～2秒的时间间隔进行获取。
在本发明的一实施例中，所述将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型的步骤包括：
向所述卷积神经网络输入所述测试集和训练集，以及定义输出目标；
所述卷积神经网络输出实际输出量；
判断所述输出目标与所述实际输出量之间的偏差量是否在设定阈值之内，若是，则所述卷积神经网络训练结束；若否，则计算所述卷积神经网络的神经元的误差，并更新权值，继续执行所述向所述卷积神经网络输入所述测试集和训练集的操作。
本发明还提供了一种基于手势识别的交通灯的控制系统，所述基于手势识别的交通灯的控制系统包括：
图像获取单元，用于获取手势视频图像；
轮廓获取单元，用于对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓；
模型训练单元，用于将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型；
预测单元，用于对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果；
控制单元，用于将所述实时预测结果发送至处理器，以实时控制交通灯。
本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现上述的基于手势识别的交通灯的控制方法。
如上所述，本发明的基于手势识别的交通灯的控制方法、系统及电子设备，具有以下有益效果：
本发明的所述基于手势识别的交通灯的控制方法包括：对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓，将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型，对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果，将所述实时预测结果发送至处理器，以实时控制交通灯。本发明的所述基于手势识别的交通灯的控制方法通过人工智能算法与手势识别相结合，使得人与交通灯能够有效的交互，更加智能化的对交通灯进行实时且准确的控制，能够根据车流量的变化来调节交通灯。
本发明的所述基于手势识别的交通灯的控制方法由于在深度卷积神经网络训练图片之前，加入了背景阈值算法来进行视频图像的处理，因此大大缩短了神经网络训练所需要的时间，并且利用背景阈值算法可以在实时手势预测阶段，有效降低实地背景的干扰效果，从而增加了系统的鲁棒性。
本发明的所述基于手势识别的交通灯的控制方法由于加入了人工智能的算法，使得训练的结果更加可靠性。本发明的控制方法所依据的硬件电路实现简单。而且由于硬件电路的设计加入了串口的通信，可以扩展其应用到其他领域，大大增加了本发明应用的灵活性。
附图说明
图1为本申请实施例提供的一种基于手势识别的交通灯的控制方法的工作原理图。
图2为本申请实施例提供的图1中的一种基于手势识别的交通灯的控制方法的步骤S2的工作原理图。
图3为本申请实施例提供的图1中的一种基于手势识别的交通灯的控制方法的步骤S3的工作原理图。
图4为本申请实施例提供的一种基于手势识别的交通灯的控制系统的结构框图。
图5为本申请实施例提供的一种电子设备的结构框图。
元件标号说明
10、图像获取单元
20、轮廓获取单元
30、模型训练单元
40、预测单元
50、控制单元
60、处理器
70、存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1、图2、图3，图1为本申请实施例提供的一种基于手势识别的交通灯的控制方法的工作原理图。图2为本申请实施例提供的图1中的一种基于手势识别的交通灯的控制方法的步骤S2的工作原理图。图3为本申请实施例提供的图1中的一种基于手势识别的交通灯的控制方法的步骤S3的工作原理图。
本发明提供一种基于手势识别的交通灯的控制方法，所述基于手势识别的交通灯的控制方法包括：S1、获取手势视频图像。S2、对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓。S3、将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型。S4、对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果。S5、将所述实时预测结果发送至处理器，以实时控制交通灯。具体的，所述通过背景阈值算法对所述手势视频图像进行处理的步骤包括：S21、利用移动平均值方法获取背景模型。S22、利用背景差值化方法，获取差值化图像，所述差值化图像即为背景模型和前景模型之间的差值。S23、对所述差值化图像中的手部轮廓进行提取，以提取所述手势视频图像的轮廓。所述将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型的步骤包括：S31、向所述卷积神经网络输入所述测试集和训练集，以及定义输出目标。S32、所述卷积神经网络输出实际输出量。S33、判断所述输出目标与所述实际输出量之间的偏差量是否在设定阈值之内，若所述输出目标与所述实际输出量之间的偏差量在设定阈值之内，则所述卷积神经网络训练结束。若所述输出目标与所述实际输出量之间的偏差量不在设定阈值之内，则计算所述卷积神经网络的神经元的误差，并更新权值，继续执行所述向所述卷积神经网络输入所述测试集和训练集的操作。具体的，可以利用Python语言和Opencv等软件的结合，来获取手势视频图像。所述手势视频图像可以为任意的手势视频图像，可以但不限于为“石头、剪刀、布”的手势，以对应后续的三种交通灯状态的控制。而且所述手势视频图像以0.1秒～2秒的时间间隔进行获取，例如，所述手势视频图像以0.1秒、0.5秒、0.8秒、1秒、1.5秒、2秒的时间间隔进行获取。所述卷积神经网络包括输入层、卷积层、线性整流层、池化层以及全连接层。所述卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。所述线性整流层的活性化函数(Activation function)使用线性整流(Rectified Linear Units,ReLU)，f(x)＝max(0,x)。对于激活函数的选取，主要选取了以Relu函数作为激活函数，通过激活函数的作用，就可以很好的将卷积运算中的线性运算，转化为非线性运算。所述池化层通过卷积操作，完成对输入图像的降维和特征抽取，但特征图像的维数还是很高。维数高不仅计算耗时，而且容易导致过拟合。利用最大值池化降低图片尺寸，得到池化后的图像。所述全连接层连接所有的特征，将输出值送给分类器，主要是利用Softmax分类器，实现手势的分类。分割手部区域的方法可以包括以下步骤：背景消除，设定特定场景50帧图像，计算当前帧和先前帧的运动平均值，找出背景模型。背景差值化，利用背景消除找到背景模型后，计算背景模型(随时间更新)与当前帧(手)之间的绝对差值，以获取包含新添加的前景对象(手)的差值图像。阈值化处理，对通过背景差值化获得的差值图像进行阈值化处理，滤除非相关区域，进行手部轮廓提取。
请参阅图4、图5，图4为本申请实施例提供的一种基于手势识别的交通灯的控制系统的结构框图。图5为本申请实施例提供的一种电子设备的结构框图。本发明还提供一种基于手势识别的交通灯的控制系统，所述基于手势识别的交通灯的控制系统包括：图像获取单元10、轮廓获取单元20、模型训练单元30、预测单元40、控制单元50，所述图像获取单元10用于获取手势视频图像。所述轮廓获取单元20用于对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓。所述模型训练单元30用于将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型。所述预测单元40用于对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果。所述控制单元50用于将所述实时预测结果发送至处理器，以实时控制交通灯。本发明还提供一种电子设备，包括处理器60和存储器70，所述存储器80存储有程序指令，所述处理器60运行程序指令实现上述的基于手势识别的交通灯的控制方法。
综上所述，本发明的所述基于手势识别的交通灯的控制方法包括：对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓，将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型，对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果，将所述实时预测结果发送至处理器，以实时控制交通灯。本发明的所述基于手势识别的交通灯的控制方法通过人工智能算法与手势识别相结合，使得人与交通灯能够有效的交互，更加智能化的对交通灯进行实时且准确的控制，能够根据车流量的变化来调节交通灯。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种基于手势识别的交通灯的控制方法，其特征在于，所述基于手势识别的交通灯的控制方法包括：
获取手势视频图像；
对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓；
将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型；
对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果；
将所述实时预测结果发送至处理器，以实时控制交通灯。
2.根据权利要求1所述的一种基于手势识别的交通灯的控制方法，其特征在于：通过背景阈值算法对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓。
3.根据权利要求2所述的一种基于手势识别的交通灯的控制方法，其特征在于，所述通过背景阈值算法对所述手势视频图像进行处理的步骤包括：
利用移动平均值方法获取背景模型；
利用背景差值化方法，获取差值化图像，所述差值化图像即为背景模型和前景模型之间的差值；
对所述差值化图像中的手部轮廓进行提取，以提取所述手势视频图像的轮廓。
4.根据权利要求1所述的一种基于手势识别的交通灯的控制方法，其特征在于：所述卷积神经网络包括输入层、卷积层、线性整流层、池化层以及全连接层。
5.根据权利要求1所述的一种基于手势识别的交通灯的控制方法，其特征在于：所述基于手势识别的交通灯的控制方法还包括保存所述实时预测结果。
6.根据权利要求1所述的一种基于手势识别的交通灯的控制方法，其特征在于：所述手势视频图像以0.1秒～2秒的时间间隔进行获取。
7.根据权利要求1所述的一种基于手势识别的交通灯的控制方法，其特征在于，所述将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型的步骤包括：
向所述卷积神经网络输入所述测试集和训练集，以及定义输出目标；
所述卷积神经网络输出实际输出量；
判断所述输出目标与所述实际输出量之间的偏差量是否在设定阈值之内，若是，则所述卷积神经网络训练结束；若否，则计算所述卷积神经网络的神经元的误差，并更新权值，继续执行所述向所述卷积神经网络输入所述测试集和训练集的操作。
8.一种基于手势识别的交通灯的控制系统，其特征在于，所述基于手势识别的交通灯的控制系统包括：
图像获取单元(10)，用于获取手势视频图像；
轮廓获取单元(20)，用于对所述手势视频图像进行处理，以提取所述手势视频图像的轮廓；
模型训练单元(30)，用于将所述手势视频图像的轮廓作为测试集和训练集，利用卷积神经网络对所述测试集和训练集进行训练，以得到训练模型；
预测单元(40)，用于对所述训练模型进行加载，对所述手势视频图像进行实时预测，以得到实时预测结果；
控制单元(50)，用于将所述实时预测结果发送至处理器，以实时控制交通灯。
9.一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，其特征在于：所述处理器运行程序指令实现如权利要求1至权利要求7任一项所述的基于手势识别的交通灯的控制方法。
CN201911258083.3A 2019-12-10 2019-12-10 一种基于手势识别的交通灯的控制方法、系统及电子设备 Pending CN110968199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911258083.3A CN110968199A (zh) 2019-12-10 2019-12-10 一种基于手势识别的交通灯的控制方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911258083.3A CN110968199A (zh) 2019-12-10 2019-12-10 一种基于手势识别的交通灯的控制方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN110968199A true CN110968199A (zh) 2020-04-07

Family

ID=70033483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911258083.3A Pending CN110968199A (zh) 2019-12-10 2019-12-10 一种基于手势识别的交通灯的控制方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN110968199A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN106600625A (zh) * 2016-12-13 2017-04-26 广东沅朋网络科技有限公司 检测小型生物的图像处理方法及装置
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar系统手势识别方法
CN108846387A (zh) * 2018-07-12 2018-11-20 北京航空航天大学 一种交警手势识别方法及装置
CN109635750A (zh) * 2018-12-14 2019-04-16 广西师范大学 一种复杂背景下的复合卷积神经网络手势图像识别方法
CN110415268A (zh) * 2019-06-24 2019-11-05 台州宏达电力建设有限公司 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN106600625A (zh) * 2016-12-13 2017-04-26 广东沅朋网络科技有限公司 检测小型生物的图像处理方法及装置
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar系统手势识别方法
CN108846387A (zh) * 2018-07-12 2018-11-20 北京航空航天大学 一种交警手势识别方法及装置
CN109635750A (zh) * 2018-12-14 2019-04-16 广西师范大学 一种复杂背景下的复合卷积神经网络手势图像识别方法
CN110415268A (zh) * 2019-06-24 2019-11-05 台州宏达电力建设有限公司 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法

Similar Documents

Publication Publication Date Title
CN107529650B (zh) 闭环检测方法、装置及计算机设备
Raju et al. A fast and efficient color image enhancement method based on fuzzy-logic and histogram
CN106127120B (zh) 姿势估计方法和装置、计算机系统
WO2020103647A1 (zh) 物体关键点的定位方法、图像处理方法、装置及存储介质
WO2022199583A1 (zh) 图像处理方法、装置、计算机设备和存储介质
CN110532897B (zh) 零部件图像识别的方法和装置
CN105550678B (zh) 基于全局显著边缘区域的人体动作特征提取方法
JP7263216B2 (ja) ワッサースタイン距離を使用する物体形状回帰
US10332312B2 (en) Shape prediction model compression for face alignment
CN112258528A (zh) 图像处理方法和装置、电子设备
CN108764143B (zh) 图像处理方法、装置、计算机设备和存储介质
CN110827304B (zh) 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统
CN111931654B (zh) 一种人员跟踪智能监测方法、系统和装置
JP2021108039A (ja) モデル圧縮装置及びプログラム
CN111695590B (zh) 约束优化类激活映射的深度神经网络特征可视化方法
CN108776834A (zh) 系统增强学习方法和装置、电子设备、计算机存储介质
CN110751212A (zh) 一种移动设备上高效的细粒度图像识别方法
CN116917940A (zh) 在被跟踪网格序列中保持几何细节
CN108830782A (zh) 图像处理方法、装置、计算机设备和存储介质
WO2018118099A1 (en) Shape prediction for face alignment
CN114463223A (zh) 一种图像增强的处理方法、装置、计算机设备及介质
CN113096023A (zh) 神经网络的训练方法、图像处理方法及装置、存储介质
CN110969110A (zh) 一种基于深度学习的人脸跟踪方法及系统
CN109345559A (zh) 基于样本扩充和深度分类网络的运动目标跟踪方法
CN113808275A (zh) 一种基于gcn与拓扑修改的单图像三维重建方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407

RJ01 Rejection of invention patent application after publication