摘要：本申请公开了一种车辆再识别的方法、装置、训练方法、电子设备以及存储介质，涉及人工智能领域，具体涉及计算机视觉、深度学习以及智慧交通技术。具体实现方案为：获取待再识别的目标车辆的图片，基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的，对目标二维图像进行再识别，生成并输出识别结果，由于样本三维信息包括可以用于从立体三维的角度对各车辆的各维度的相关信息进行描述，因此，当基于初始三维模型确定目标二维图像时，可以实现使得目标二维图像对目标车辆的相关信息进行较为详细的描述，从而就可以实现基于目标二维图像确定的识别结果的准确性和可靠性的技术效果。

摘要：本公开涉及一种图像深度补全方法和装置，涉及人工智能领域，具体为计算机视觉和深度学习技术。该方法包括：将场景的可见光图像和所述场景的第一密度的深度点云输入到编码解码网络，以得到图像特征图和初始深度估计图；基于所述图像特征图，利用自注意力机制得到所述可见光图像中各个像素点的相应邻接矩阵，其中，所述可见光图像中每个像素点的邻接矩阵表示该像素点的邻域像素点对应的邻域特征相似度；并且利用所述相应邻接矩阵对所述初始深度估计图进行深度补全，以得到所述场景的第二密度的深度点云，其中所述第二密度大于所述第一密度。本公开还提供了一种用于图像深度补全的计算机设备、计算机可读存储介质和计算机程序产品。

摘要：本公开公开了深度图的生成方法、装置、电子设备和存储介质，涉及人工智能技术领域，具体为计算机视觉、智能交通和深度学习技术领域。实现方案为：根据获取到的点云图和视觉图像，生成视觉图像中各个像素点的第一深度值，根据视觉图像中各个像素点的坐标位置和第一深度值，确定各个像素点在世界坐标系中的三维坐标位置，将各个像素点的三维坐标位置和像素信息输入至深度修正模型，以生成各个像素点的第二深度值，以生成场景的深度图。本公开中将视觉图像中各个像素点和第一深度值投影回三维空间中，基于各个像素点的三维坐标位置和包含的像素信息，在三维空间中进行深度修正，得到最终的深度图，提高了深度估计的准确性。

摘要：本公开提供了一种车牌数据样本生成方法，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术，可应用于智慧城市场景下。实现方案为：检测原始图像中的车牌区域；修改所检测到的车牌区域的至少一部分区域的图像内容，以使得经修改的图像内容对识别车牌区域中的车牌信息形成干扰；以及至少部分地补全经修改的图像内容，以用于生成车牌数据样本。

摘要：本申请公开了一种图像深度信息获取模型的训练方法、装置及电子设备，涉及人工智能领域，具体为计算机视觉、智能交通和深度学习技术领域。该方案为：获取样本图像及样本点云信息；将样本图像和样本点云信息输入图像深度信息获取模型中，获取初始深度信息和特征信息；根据初始深度信息和特征信息，识别出深度信息不稳定的目标像素点；根据目标像素点的深度信息，确定损失函数中的权重值；根据权重值对损失函数进行调整，直至模型训练结束，生成目标图像深度信息获取模型，充分利用了模型训练过程中深度信息不稳定的目标像素点的深度信息，使得训练好的模型输出的深度信息能够更加接近真实值，点云信息更加稠密。

摘要：本公开提供了一种深度补全网络的训练方法、装置、电子设备及存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于3D视觉场景下。具体实施方案为，将第一样本图像和第一样本图像的第一点云数据输入第一深度补全网络中进行深度补全，以输出第一样本图像的第一补全点云数据，并将第一样本图像和第一样本图像的第二点云数据，以及第一样本图像的第一补全点云数据，确定为第二深度补全网络的第一训练样本，而后基于第一训练样本对第二深度补全网络进行训练，以生成目标第二深度补全网络。从而能够利用大量无标注数据和少量标注数据，优化目标第二深度补全网络，有效降低深度补全的误差，提高深度补全精度。

摘要：本公开提供了车辆识别方法、装置、电子设备及存储介质，涉及人工智能领域，尤其涉及计算机视觉、深度学习等技术领域，具体可用于智慧城市和智能交通的场景下。具体实现方案为：获取待识别车辆的图像，并提取图像的第一全局特征信息；基于第一全局特征信息获取至少一个候选车辆；从图像中提取待识别车辆的第一姿态特征信息；从至少一个候选车辆中，基于第一姿态特征信息获取与待识别车辆匹配的目标车辆。本公开实施例中基于全局特征和姿态特征，对待识别车辆进行精准识别，从而能够从外观和/或姿态上筛选出相似性高的车辆作为目标车辆，提高车辆识别的准确性。

摘要：本公开提供了车辆识别方法、装置、电子设备及存储介质，涉及人工智能领域，尤其涉及计算机视觉、深度学习等技术领域，具体可用于智慧城市和智能交通的场景下。具体实现方案为：获取待识别车辆的图像，并提取图像的第一全局特征信息；基于第一全局特征信息获取至少一个候选车辆；从图像中提取待识别车辆的第一部件特征信息；从至少一个候选车辆中，基于第一部件特征信息获取与待识别车辆匹配的目标车辆。本公开实施例中基于全局特征和部件特征，对待识别车辆进行精准识别，从而能够从外观和/或姿态上筛选出相似性高的车辆作为目标车辆，提高车辆识别的准确性。

摘要：本公开提供了一种车道线分割的方法、装置、电子设备以及存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于智慧城市和智能交通场景下。具体实现方案为：对待识别图像进行特征提取，得到待识别图像的至少一个特征块；确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；根据每个特征块与每个车道线实例特征之间的相似度，确定与每个车道线实例特征分别对应的车道线分割结果。

摘要：本公开提供了一种检测模型训练方法、装置及电子设备，涉及计算机领域，尤其涉及计算机视觉技术领域。具体实现方案为：利用第一检测模型检测第一样本图像中存在的对象，得到所述第一样本图像中各个潜在对象所处的第一位置；根据各个所述潜在对象所处的第一位置，利用分类模型对每个所述潜在对象进行分类，得到每个所述潜在对象的预测类别；从所述潜在对象中确定所述预测类别为目标类别的目标对象；根据所述目标对象所处的第一位置和所述第一样本图像，对第一原始检测模型进行训练，得到用于检测所述目标类别的对象的第二检测模型。可以提高训练得到的检测模型的准确性。