本技术提供一种机器人位置识别方法、装置、电子设备及存储介质，属于人工智能技术领域，包括:利用包括局部特征提取器和带有聚类指导注意力模块的全局特征聚合器的全局特征提取模型，获取机器人拍摄图像对应的查询全局特征向量和环境地图中各个参考图像对应的参考全局特征向量，并根据向量之间的相似度确定位置识别结果。本发明通过局部特征提取器提取局部特征以获得特征图，通过带有聚类指导注意力模块的全局特征聚合器聚合特征图中的局部特征得到全局特征，并基于此进行机器人位置识别，使得全局特征提取模型更加关注与场景相关的稳定区域，减弱异常局部特征的干扰，提高图像全局特征对于环境条件变化的适应性，有效提升机器人位置识别的性能。

本技术提供了一种基于深度学习的输电线路绝缘子串识别定位方法，通过结合Faster R‑CNN网络模型和YOLOv3网络模型，能够有效解决绝缘子串识别以及缺陷定位问题。同时，通过数据增强方法并对方法进行定量分析，能够有效解决绝缘子串数据集不足问题。将绝缘子串识别定位任务分为两个阶段，第一阶段利用Faster R‑CNN网络模型进行绝缘子串识别，第二阶段利用YOLOv3网络模型进行缺陷定位，全面考虑任务中的多种因素并设计了基于Faster R‑CNN网络模型的绝缘子串识别网络以及基于YOLOv3网络模型的绝缘子串缺陷定位网络。使方案具有目前更高正确率和更高召回率的优点。

本技术公开了一种基于深度学习多模型融合的用户接打手机行为检测方法，得到人员抬手动作概率、手机位于人体头部的概率；将人员抬手动作判别器和手机判别器结果输入人员接打判别器，根据人员抬手动作概率和手机位于人体头部的概率最终确定目标视频流中是否有人接打手机。本发明综合了手机检测模型、人体关键点检测模型的预测结果，当任意一个模型的计算公式预测概率大于设定的值时，直接判定有人员接打手机，这样可以避免单一模漏检造成降低接打手机检测召回率下降，即使当两个模型的计算公式预测概率都较低时，也可以融合两个模型的检测结果，从而提高整个算法的召回率。

本技术提供了一种对施工现场钢筋管理的监测方法，涉及钢筋管理技术领域，其目的是实现更准确、及时且高效率的钢筋管理，包括采用有色线框对钢筋仓库内的钢筋存放区域进行区域划分，每个钢筋存放区域设置一个种类标识，用于标定对应钢筋存放区域的钢筋种类；设置多个图像采集装置对每个钢筋存放区域进行图像采集；通过采集的图像的俯视视角和侧视视角对每个钢筋堆放区域内的钢筋的摆放位置、钢筋的数量和种类进行识别；判断有无异常情况，所述异常情况包括钢筋的摆放位置超出预设范围、钢筋摆放的区域错误和某种类的钢筋数量低于对应数量阈值。本发明具有智能化高效、高质量且更安全管理钢筋的优点。

 本技术提供了一种基于插值查找的三维模型层高匹配方法，包括S1:读取需要进行层高匹配的三维模型三角面片文件，遍历三角面片文件，获取三角面片的层高列表ZS；S2：通过插值查找算法在ZS中定位每个三角面片的最低点ZMin和最高点ZMax对应的索引；S3：在定位得到的索引范围内，搜索出与当前三角面片相交的所有层高值；S4：将最低层高值作为起始点，以升序方向对该三角面片的相交层高值进行排序；遍历所有三角面片，可以快速得到对应的层高列表ZS中元素取值的上、下限序号start和stop，然后将ZS[start]~ZS[stop]逐个添加至对应面片中，完成三维模型的层高匹配。

本文提供一种图像识别模型训练方法、识别方法及装置。方法包括:获取带标签的第一训练图像集和无标签的第二训练图像集；获取第一训练模型的第一模型参数和F1值；根据第一模型参数和F1值更新第二训练模型；利用第二训练模型对第二训练图像集中的训练图像进行预测，获得训练图像对应的标签；利用第一训练图像集和第二训练图像集及训练图像对应的标签对第一训练模型进行一次迭代训练，若未满足停止迭代条件，则利用迭代训练后的第一模型参数和F1值再次更新第二训练模型，直至满足所述停止迭代条件为止，获得训练好的图像识别模型。本申请提高了模型训练过程中的收敛速度和获得的模型的性能。

 基于语义与显著性知识协同传播的弱监督时序动作定位方法和装置，其方法包括:1)对未裁剪的视频进行时序特征和显著性前景特征提取；2)构建基本分支和显著性感知分支分别处理时序特征、显著性目标特征获得基础类激活序列，运动、外观表示分数以及显著性类激活序列，加权融合四个序列获得融合动作分数序列；3)利用分支蒸馏和分支动作一致性约束交互语义信息和显著性信息，完善融合动作分数序列；4)提取基本分支与显著性感知分支的关键片段与歧义片段，并利用分支间、分支内的关键片段与歧义片段进行对比学习改善特征表示，结合蒸馏结果完善融合动作分数序列并获取动作定位结果。本技术能够在未剪辑的视频中感知细微人体动作与精确的时间动作边界。

 本文实施例提供了一种交互方法、装置、设备、存储介质及计算机程序产品，其中，所述方法包括:显示包括影像显示区域和答题区域的第一交互界面；在影像显示区域显示待分析的医学影像；在答题区域显示医学影像对应的至少一个病征识别题以及疾病诊断题；响应于用户在答题区域进行的作答操作，获取每一病征识别题的第一作答信息和疾病诊断题的第二作答信息，并基于各第一作答信息、第二作答信息和医学影像对应的答案信息，确定用户针对该医学影像的答题结果。根据本申请实施例，有助于提升用户根据医学影像进行病征识别、并根据病征得出诊断结果的能力，可以为医学影像诊断的培训和学生的自主学习提供清晰、可理解的诊断依据和学习案例。

 本技术提供一种多模态融合模型的对抗样本生成方法及装置，所述方法包括:获取多模态图像，将多模态图像输入至多模态融合模型得到初始融合图像，多模态图像包括多张单模态图像；基于多模态图像确定多个初始对抗样本；将各所述初始对抗样本注入各所述单模态图像中得到各单模态扰动图像，基于各所述单模态扰动图像以及各单模态图像通过多模态融合模型得到各单模态扰动图像对应的半扰动融合图像，基于各半扰动融合图像以及初始融合图像确定各所述单模态图像对应的最优初始对抗样本；基于各最优初始对抗样本生成多个子对抗样本，从多个子对抗样本中确定所述多模态融合模型的最优对抗样本。本发明能够提高多模态融合模型在对抗攻击中的鲁棒性和安全性。

 本技术涉及一种胎儿颅脑标准切面检测方法和系统，其中，方法包括:步骤S1：获取胎儿颅脑超声图像；步骤S2：基于YOLOv7模型构建胎儿颅脑标准切面检测网络模型，其中，所述胎儿颅脑标准切面检测网络模型包括依次连接的主干网络、颈部网络和头部网络，对所述主干网络和所述颈部网络进行改进，所述主干网络用于提取图像特征，所述颈部网络用于对主干网络提取的图像特征进行特征融合，所述头部网络用于对颈部网络得到的融合特征进行检测；步骤S3：通过所述胎儿颅脑标准切面检测网络模型识别所述胎儿颅脑超声图像是否为标准切面图像。本发明能够对胎儿颅脑的标准切面图像进行有效检测。