摘要：本公开实施例提出了一种图像处理方法、装置、电子设备和计算机存储介质中，该方法包括：获取第一视频数据和第二视频数据；对所述第一视频数据中的每帧图像的人体关键点的坐标进行归一化处理，得到所述第一视频数据中每帧图像的归一化坐标信息；对所述第二视频数据中的每帧图像的人体关键点的坐标进行归一化处理，得到所述第二视频数据中每帧图像的归一化坐标信息；根据所述第一视频数据中每帧图像的归一化坐标信息、以及所述第二视频数据中每帧图像的归一化坐标信息，确定所述第一视频数据和第二视频数据的人体动作相似度。

摘要：本申请实施例公开了一种时序动作提名生成方法和相关产品，该方法包括：提名生成装置利用第一局部全局编码器对原始特征序列做局部全局依赖关系提取处理，得到目标特征序列；所述目标特征序列利用多个特征向量之间的局部依赖关系和全局依赖关系得到，所述多个特征向量包含于所述原始特征序列；所述提名生成装置利用所述目标特征序列，生成目标时序动作提名；通过提取出局部的依赖关系和全局的依赖关系，能够提高生成时序动作提名的质量。

摘要：本申请公开了一种课堂状态的评估方法和相关装置、设备，其中，课堂状态的评估方法包括：获取到图像数据；对图像数据中的目标对象进行识别，确定目标对象的身份信息以及目标对象的表情信息；基于表情信息与预设的分析标准评估目标对象的课堂状态。上述方案，能够在目标对象无感的情况下，通过目标对象的表情信息分析出其在课堂上的课堂状态，减少外界环境干扰，以在一定程度上保证课堂状态检测结果的客观性和可靠性。

摘要：本说明书实施例提供一种目标对象的定位方法、装置、电子设备及可读存储介质。在训练神经网络时，可以根据神经网络输出的指示样本图像中的像素点为目标对象的关键点的第二预测概率的第二预测概率图以及指示该第二预测概率的置信度的不确定性图训练得到神经网络，然后采用训练得到的神经网络预测目标图像对应的第一预测概率图，并基于第一预测概率图确定目标对象在目标图像中的位置。由于在训练神经网络的过程中，结合神经网络确定的样本图像中像素点为目标对象的关键点的第二预测概率的置信度调整神经网络的网络参数，减小了样本图像中用户标注的关键点存在误差对神经网络的影响，从而可以提升训练的神经网络的预测结果的准确度。

摘要：本申请公开了一种兴趣分析方法和相关装置、设备，其中，兴趣分析方法包括：响应于目标区域中存在目标对象，获取目标区域的图像数据；利用图像数据确定目标对象的身份信息以及目标对象位于目标区域内的位置信息；其中，目标区域包含位于不同位置且具有不同功能类型的子区域；确定位置信息所属的子区域的功能类型；基于子区域的功能类型，确定目标对象的兴趣类别。上述方案，能够在目标对象无感的情况下，通过目标对象在目标区域的位置信息即可获知目标对象的兴趣爱好，在一定程度上保证兴趣分析结果的可靠性。

摘要：本公开提供一种车辆所在车道检测方法、装置、设备及存储介质，其中方法包括：获取待测图像；其中，所述待测图像中包括至少一个车道区域；对所述待测图像进行检测，确定所述待测图像中的车辆；从所述待测图像中确定出所述车辆的车辆区域；其中，所述车辆区域用于表示所述车辆所占据的路面区域；根据所述车辆区域与所述待测图像中车道区域的相对位置，确定所述车辆所在的车道。

摘要：本申请实施例提供一种匹配筛选方法、装置、电子设备和计算机可读存储介质，该匹配筛选方法包括：电子设备获取初始匹配集合，初始匹配集合来源于图像对之间的初始匹配结果；通过至少一个裁剪模块从初始匹配集合中筛选出匹配子集，匹配子集中的正确匹配比例高于初始匹配集合中的正确匹配比例，至少一个裁剪模块用于获取初始匹配集合中每条初始匹配的一致性信息；该匹配子集用于处理与图像对相关的图像任务。本申请实施例可以提高参数化变换模型处理图像任务的处理效果。

摘要：本公开提供了一种网络训练及人脸活体检测方法、装置、设备及存储介质，该网络训练方法包括：获取训练好的第一网络；第一网络包括第一特征提取网络以及第一全连接网络；第一特征提取网络用于在训练第一网络的过程中对图像样本集合中的图像样本进行特征提取，得到第一特征提取结果；基于第一网络，构建待训练的第二网络，第二网络包括第二特征提取网络及第二全连接网络；其中，第二全连接网络通过加载第一全连接网络获得，且第二网络的规模小于第一网络的规模；基于图像样本集合，依次对第二特征提取网络、第二全连接网络进行训练，得到训练好的第二网络；训练好的第二网络用于对图像进行处理。

摘要：公开了一种系统追踪方法、装置、设备及存储介质，所述方法包括：确定追踪对象在源程序中的第一位置；根据所述追踪对象的配置文件生成第一脚本，并根据所述第一脚本和预先生成的探针脚本生成追踪程序代码；将所述追踪程序代码插入所述源程序中的所述第一位置；接收执行所述追踪程序代码时生成的追踪事件并记录所述追踪事件。在不改变源系统代码以及源系统的状态的情况下，保证了追踪程序代码所对应的程序不影响系统的逻辑正确性，达到追踪程序代码与系统的分离，实现系统运行时的动态插桩，且简化了探测的复杂度，易于实现。

摘要：本公开涉及一种深度学习模型生产系统、电子设备和存储介质，所述系统包括用户开发平台，所述用户开发平台包括：生产线选择模块，用于响应于针对生产线列表中模型生产线的选择操作，展示选中的模型生产线的设置列表；设置模块，用于响应于针对设置列表中第一设置项的设置操作，确定用于实现目标任务的目标深度学习模型、目标深度学习模型的训练方式以及用于训练目标深度学习模型的数据集；训练模块，用于响应于针对目标深度学习模型的训练触发操作，根据数据集以及训练方式，对目标深度学习模型进行训练，得到待部署的目标深度学习模型。本公开实施例可实现高效地基于流程化的设置操作，实现自动化生成待部署的目标深度学习模型。