本文涉及人工智能领域，具体而言，涉及一种图像分类方法、装置、电子设备和存储介质，可应用于广告视频的封面选取。本申请实施例提供的图像分类方法，包括:获取待分类图像；对待分类图像进行特征提取，获得初始特征图，初始特征图包括多个初始特征像素；根据多个初始特征像素之间的相关性，对初始特征图进行增强处理，获得目标特征图；基于目标特征图，获得待分类图像的清晰度类别。本申请实施例提供的图像分类方法、装置、电子设备和存储介质，可以提升针对待分类图像的清晰度分类结果的准确性。

本公开实施例提供了一种视频处理方法、装置、设备及存储介质，涉及计算机技术领域，该方法包括:获取待处理视频的第一目标帧序列以及第一目标掩膜序列；进行抽帧处理，得到第一采样帧序列、第一剩余帧序列、第一采样掩膜序列、第一剩余掩膜序列；进行光流传播与图像修复处理，获得第一已修复采样帧序列与第一已修复剩余帧序列；对第一已修复采样帧序列以及第一已修复剩余帧序列进行合并处理，获得待处理视频的已修复视频。本公开可以通过抽帧处理，先处理采样帧序列与第一采样掩膜序列，得到第一已修复采样帧序列。再通过第一已修复采样帧序列对第一剩余帧序列进行处理，获取已修复视频。本公开可以提高视频处理的效率。

 本技术提供一种基于SAM模型的扫描电镜矿物识别方法及设备，涉及矿物识别领域，包括:对样本图像集合进行矿物与孔隙的标注，获得标签图像集合；通过样本图像集合和标签图像集合对SAM2模型进行训练，获得训练好的SAM2模型；获取待识别的扫描电镜图像，对扫描电镜图像进行图像增强处理，获得增强后的扫描电镜图像；将增强后的扫描电镜图像输入训练好的SAM2模型，获得矿物与孔隙的分割结果。本发明在SAM2模型的训练过程中，通过Boundary损失、交叉熵损失和IOU损失计算总损失，通过总损失调整SAM2模型的参数，使SAM2模型在边界细节、类别区分和分割覆盖率上实现良好的平衡，提高矿物识别的精度和边界清晰度，最终提高矿物与孔隙的分割结果的精确度。

本文公开了一种视频数据处理方法、装置、程序产品、计算机设备和介质，该方法包括:获取样例对和样本关联对；样例对按照包含的视频片段与文本间的内容差异被分为正样例对和负样例对；样本关联对包含文本和该文本在样本视频数据中所属的视频片段；样本视频数据具有视频描述标签；调用生成网络对样例对进行对比学习得到学习偏差；调用生成网络基于样本关联对预测样本视频数据的样本视频描述信息，基于视频描述标签和样本视频描述信息得到预测偏差；根据学习偏差和预测偏差训练生成网络，得到训练好的生成网络。采用本申请，可提高训练得到的生成网络的准确性，进而采用训练好的生成网络也可以准确地生成视频数据的视频描述信息。

本文适用于目标跟踪技术领域，提供了一种平面目标跟踪方法、装置、终端设备及存储介质。本申请实施例中获取当前视频各个帧的变换矩阵，计算所述当前帧的变换矩阵和所述上一帧的变换矩阵的均值，得到待测变换矩阵；根据待测变换矩阵确定待测特征点集和待测外接矩形，并获取第一帧的初始特征点集和初始外接矩形；根据上一帧的光流点集进行光流计算，得到当前帧的光流点集，并对当前帧的光流点集进行匹配处理，从匹配后的当前帧的光流点集中选取符合预设条件的校准光流点集，从校准光流点集和初始特征点集中选取相同ID的四个点对，根据所述四个点对确定校准矩阵，根据校准矩阵确定当前帧的平面目标，该过程提高了整体目标跟踪算法的准确性。

本公开揭示了一种控制内部环境的方法及装置，包括:获取所述内部环境中的生物感知信息，所述生物感知信息用于表征活体感知所述内部环境而进行的反馈；融合所述生物感知信息和相应传感器设备采集的环境信息，生成信息融合结果，所述传感器设备对应于融合的所述生物感知信息；根据所述信息融合结果与所述执行器的关联，控制所述执行器执行相应动作，通过执行的所述动作使得为所述活体再次获取的所述生物感知信息发生动态变化。从而提高了为活体所进行内部环境控制的准确性，保证了内部环境对于不同活体的适应性。

 本技术涉及计算机视觉和自然语言处理技术领域，尤其涉及一种基于渐进式交互和多模态对齐的视频片段句子定位算法。步骤如下:首先将与视频相关的所有查询句子根据该查询句子对应的视频片段在视频中的顺序进行排序后与视频特征和在特征维度进行拼接，再将其经过多模态对齐模块提取视频与查询句子特征各自的模态内信息以及两个模态之间的信息，随后根据与查询句子交互后的视频特征生成多个候选片段，通过分组候选片段交互模块学习候选片段之间的关系，然后通过度量学习缩小对应的候选片段特征与查询句子特征对的差异，最后将所有候选片段特征与单个查询句子特征计算匹配分数，分数高的作为预测结果。本发明可以精准地对视频片段进行定位。

 本技术公开了一种轮廓与纹理特征协同驱动的耕地地块遥感提取方法，本发明采用编码器‑解码器结构构建CFPENet模型，首先在编码器中引入深度残差收缩网络模块对妨碍农田体块提取任务的冗余信息进行消除，然后构建特征搜索模块、轮廓‑纹理注意模块、以及轮廓纹理引导模块，充分提取农田地块的轮廓与纹理特征，最后构建层级信息融合的解码器，强化各个尺度特征的交互能力，减少有用信息损失，提升农田地块的提取能力；本发明的方法有效解决了因耕地地块的面积不一、形状各异导致提取结果粘连、漏提现象严重的问题，本发明的方法不仅能够较好地提取耕地地块的边界，而且增强了地块提取结果的完整性，显著提升了提取精度，具有较好的鲁棒性。

 本方案属于医疗辅助诊断技术领域，具体涉及基于细胞形态学的人工智能诊断辅助系统及方法。基于细胞形态学的人工智能诊断辅助方法包括以下步骤:将图像数据按照预设倍数放大后转化为数字图像，对数字图像进行灰度处理；对数字图像中各个细胞的轮廓特征对红细胞识别为第一细胞，将其他细胞识别为定位对象，将轮廓被另一个细胞轮廓封闭包围或封闭包围另一个细胞轮廓的第一细胞作为重叠细胞，将轮廓与另一个细胞轮廓相接的第一细胞作为重叠细胞，将重叠细胞和与重叠细胞间具有封闭包围关系或相接关系的细胞合并为细胞团，删除细胞团中存在的定位对象标记。本方案解决了人工智能对血细胞进行细胞形态学的识别和划分时正确率低的问题。

 本技术涉及医学图像处理技术领域，具体涉及一种基于融合医学影像学习的图像检测方法及系统，包括以下步骤:获取医学影像；基于所述医学影像，利用深度神经网络训练出用于在医学影像中检测医学目标的医学图像检测模型；对医学图像检测模型进行轻量化处理，得到用于在医学影像中快速检测医学目标的医学图像检测轻量化模型。本发明利用深度神经网络训练出用于在医学影像中检测医学目标的医学图像检测模型，能够获得高精度的医学图像检测模型，再对医学图像检测模型进行轻量化处理，得到医学图像检测轻量化模型，实现有效的保证医学目标的检测识别效果的同时，模型结构轻量化，面对庞大数量的医学影像规避凸显效率不足的缺陷。