CN108596836B - 基于顶层生成深度学习的数据转换方法、系统、介质和设备 - Google Patents
基于顶层生成深度学习的数据转换方法、系统、介质和设备 Download PDFInfo
- Publication number
- CN108596836B CN108596836B CN201810436880.5A CN201810436880A CN108596836B CN 108596836 B CN108596836 B CN 108596836B CN 201810436880 A CN201810436880 A CN 201810436880A CN 108596836 B CN108596836 B CN 108596836B
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- concept
- neural network
- layer
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 155
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 119
- 230000019771 cognition Effects 0.000 claims abstract description 27
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 84
- 238000005516 engineering process Methods 0.000 description 8
- 230000002457 bidirectional effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 4
- 241000282887 Suidae Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于顶层生成深度学习的数据转换方法、系统、介质和设备,所述方法包括:建立深度学习神经网络,学习目标分辨率的样本数据;将源分辨率数据转换为第一目标分辨率数据;将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果。本发明能够满足数据转换时对数据细节一致性的需求,便于人们查看细节或全貌,以及有利于计算机更精细化或更省计算资源地处理。
Description
技术领域
本发明涉及一种的数据转换方法,尤其是一种基于顶层生成深度学习的数据转换方法、系统、介质和设备,属于数据转换领域。
背景技术
采集的数据分辨率往往受环境和采集设备的影响而分辨率达不到需求,例如照片由于天气雾霾、光线、摄像机分辨率等因素而分辨率不高,例如扫描出来的图片由于扫描仪的分辨率不高导致得到的扫描图片分辨率不高,这些情况下都需要提高数据的分辨率,现有提高数据分辨率的方式是插值或拟合,插值或拟合一般是根据相邻已知数据值进行加权平均得到需要插入的未知数据值,但实际数据的分布并不是固定的,而是变化的,而插值或拟合的方式只能采用固定的插值或拟合公式,因此以固定的方式对分布变化的数据进行插值或拟合显然会在提高了分辨率的同时造成了数据的失真。另一种是从高分辨率到低分辨率,现有技术往往通过删除一些数据来实现,可能会导致得到的低分辨率数据不连贯,另一种方式是通过高分辨率数据加权平均统计或拟合得到低分辨率数据,但实际数据的分布并不是固定的,而是变化的,而统计或拟合的方式只能采用固定的统计或拟合公式,因此以固定的方式对分布变化的数据进行统计或拟合显然会在降低了分辨率的同时造成了数据的失真。人类往往能根据低分辨率的数据想象出高分辨率的数据,也能根据高分辨率的数据想象出低分辨率的数据。人的大脑类似神经网络。深度学习技术是从神经网络技术发展而来的。
现有深度学习技术能通过输入数据得到输出标签(例如通过头像得到该人身份证号,又如通过语音得到该人身份证号),在自顶向下的监督训练阶段要通过带标签数据的监督训练(例如带有身份证号标签的头像,又如带有身份证号标签的语音)。但是现有深度学习技术中,无法通过输入一类数据得到另一类过于复杂的标签数据输出,因为只有比较简单的标签数据(例如类别标签)才能用于现有深度学习技术,因为过于复杂的标签数据输出会使得深度学习的计算复杂度剧增而无法在有效的时间内完成计算,因此过于复杂的标签数据无法作为现有深度学习神经网络的输出,因此,通过现有深度学习技术不可能实现输入低分辨率数据得到高分辨率数据的输出或输入高分辨率数据得到低分辨率数据的输出。同时,深度学习神经网络的认知过程只能认知出输入数据的特征,而不是无法从输入数据中认知出比输入数据更高低分辨率或更低分辨率的数据,所以通过深度学习神经网络的认知过程也无法实现从低分辨率数据得到高分辨率数据,或从高分辨率数据得到低分辨率数据。
发明内容
本发明的第一个目的是为了解决上述现有技术的缺陷,提供了一种基于顶层生成深度学习的数据转换方法,该方法能够满足数据转换时对数据细节一致性的需求,便于人们查看细节或全貌,以及有利于计算机更精细化或更省计算资源地处理。
本发明的第二个目的在于提供一种基于顶层生成深度学习的数据转换机器人系统。
本发明的第三个目的在于提供一种存储介质。
本发明的第四个目的在于提供一种计算设备。
本发明的第一个目的可以通过采取如下技术方案达到:
基于顶层生成深度学习的数据转换方法,所述方法包括:
建立深度学习神经网络,学习目标分辨率样本数据;
将源分辨率数据转换为第一目标分辨率数据;
将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;
通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果。
进一步的,所述建立深度学习神经网络,学习目标分辨率样本数据,具体包括:
获取源分辨率数据,以及目标分辨率;
获取目标分辨率样本数据;其中,目标分辨率样本数据与源分辨率数据的类别相同;
将目标分辨率样本数据作为深度学习神经网络的输入,进行自下而上的无监督训练。
进一步的,所述通过深度学习的认知过程得到深度学习神经网络的顶层概念,具体包括:
从第一目标分辨率数据认知得到隐层第一层的概念,根据隐层第一层的概念认知得到隐层第二层的概念,依此类推,直到得到隐藏最后一层的概念,将隐藏最后一层的概念作为深度学习神经网络的顶层概念。
进一步的,通过深度学习神经网络生成第二目标分辨率数据,具体包括:
从顶层概念生成得到隐层倒数第二层的概念,根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念,依此类推,直到得到输入层的概念,将输入层的概念作为第二目标分辨率数据。
本发明的第二个目的可以通过采取如下技术方案达到:
基于顶层生成深度学习的数据转换机器人系统,所述系统包括:
深度学习神经网络建立模块,用于建立深度学习神经网络,学习目标分辨率样本数据;
数据转换模块,用于将源分辨率数据转换为第一目标分辨率数据;
顶层概念获取模块,用于将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;
数据生成模块,用于通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果。
进一步的,所述深度学习神经网络建立模块,具体包括:
第一获取单元,用于获取源分辨率数据,以及目标分辨率;
第二获取单元,用于获取目标分辨率样本数据;其中,目标分辨率样本数据与源分辨率数据的类别相同;
无监督训练单元,用于将目标分辨率样本数据作为深度学习神经网络的输入,进行自下而上的无监督训练。
进一步的,所述顶层概念获取模块中,所述通过深度学习的认知过程得到深度学习神经网络的顶层概念,具体包括:
从第一目标分辨率数据认知得到隐层第一层的概念,根据隐层第一层的概念认知得到隐层第二层的概念,依此类推,直到得到隐藏最后一层的概念,将隐藏最后一层的概念作为深度学习神经网络的顶层概念。
进一步的,所述数据生成模块中,所述通过深度学习神经网络生成第二目标分辨率数据,具体包括:
从顶层概念生成得到隐层倒数第二层的概念,根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念,依此类推,直到得到输入层的概念,将输入层的概念作为第二目标分辨率数据。
本发明的第三个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的数据转换方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的数据转换方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明可以在学习阶段通过高分辨率样本数据对应的低分辨率样本数据学习和训练出能认知出低分辨率样本数据的顶层概念的深度学习神经网络,在应用阶段,将待转换的高分辨率数据转换为第一低分辨率数据,然后将第一低分辨率数据作为深度学习神经网络的输入,得到深度学习神经网络的顶层概念,再通过深度学习神经网络的顶层概念,由深度学习神经网络生成第二低分辨率数据,并将第二低分辨率数据作为给定待转换的高分辨率数据的转换结果,能够满足高分辨率数据转换为低分辨率分数时对数据细节一致性的需求。
2、本发明可以在学习阶段通过低分辨率样本数据对应的高分辨率样本数据学习和训练出能认知出高分辨率样本数据的顶层概念的深度学习神经网络,在应用阶段,将待转换的低分辨率数据转换为第一高分辨率数据,然后将第一高分辨率数据作为深度学习神经网络的输入,得到所述深度学习神经网络的顶层概念,再通过深度学习神经网络的顶层概念,由深度学习神经网络生成第二高分辨率数据,并将第二高分辨率数据作为给定待转换的低分辨率数据的转换结果,能够满足低分辨率数据转换为高分辨率分数时对数据细节一致性的需求。
附图说明
图1为本发明实施例1的数据转换方法的流程图。
图2为本发明实施例1的建立深度学习神经网络的流程图。
图3为本发明实施例2的数据转换机器人系统的结构框图。
图4为本发明实施例2的深度学习神经网络建立模块的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1:
深度学习的说明和建立过程如下:
从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示:流向图是一种能够表示计算的图,在这种图中每一个节点表示一个基本的计算以及一个计算的值,计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合,它可以被允许在每一个节点和可能的图结构中,并定义了一个函数族。输入节点没有父节点,输出节点没有子节点。
这种流向图的一个特别属性是深度(depth):从一个输入到一个输出的最长路径的长度。
把学习结构看作一个网络,则深度学习的核心思路如下:
第一步:采用自下而上的无监督训练
1)逐层构建单层神经元。
2)每层采用wake-sleep算法进行调优。每次仅调整一层,逐层调整。
这个过程可以看作是一个feature learning的过程,是和传统神经网络区别最大的部分。wake-sleep算法:1)wake阶段:认知过程,通过下层的输入特征(Input)和向上的认知(Encoder)权重产生每一层的抽象表示(Code),再通过当前的生成(Decoder)权重产生一个重建信息(Reconstruction),计算输入特征和重建信息残差,使用梯度下降修改层间的下行生成(Decoder)权重。也就是“如果现实跟我想象的不一样,改变我的生成权重使得我想象的东西变得与现实一样”。
2)sleep阶段:
生成过程,通过上层概念(Code)和向下的生成(Decoder)权重,生成下层的状态,再利用认知(Encoder)权重产生一个抽象景象。利用初始上层概念和新建抽象景象的残差,利用梯度下降修改层间向上的认知(Encoder)权重。也就是“如果梦中的景象不是我脑中的相应概念,改变我的认知权重使得这种景象在我看来就是这个概念”。
具体的,先用无标定数据训练第一层,训练时先学习第一层的参数(这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层),由于模型capacity的限制以及稀疏性约束,使得得到的模型能够学习到数据本身的结构,从而得到比输入更具有表示能力的特征;在学习得到第n-1层后,将n-1层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数。
第二步:自顶向下的监督训练
这一步是在第一步学习获得各层参数进的基础上,在最顶的编码层添加一个分类器(例如罗杰斯特回归、SVM等),而后通过带标签数据的监督训练,利用梯度下降法去微调整个网络参数。
深度学习的第一步实质上是一个网络参数初始化过程。区别于传统神经网络初值随机初始化,深度学习神经网络是通过无监督训练输入数据的结构得到的,因而这个初值更接近全局最优,从而能够取得更好的效果。
通过双向生成深度学习技术,可以通过双向深度学习来建立第一类输入数据与第二类输入数据之间的预设对应关系,进行可以根据第一类输入数据中的第一输入数据生成第二类输入数据中的第二输入数据或根据第二类输入数据中的第二输入数据生成第一类输入数据中的第一输入数据。但是,现实中往往没有相互对应的高分辨率样本数据和低分辨率样本数据,要么只有高分辨率数据样本,要么只有低分辨率数据样本,因此无法通过现有的双向生成深度学习技术(这个方法必须要有相互对应的高分辨率样本数据和低分辨率样本数据)实现输入低分辨率数据得到高分辨率数据的输出或输入高分辨率数据得到低分辨率数据的输出。同时,在双向生成深度学习技术中,首先根据一类输入数据中的输入数据得到输出标签,然后通过输出标签得到另一类输入数据中的输入数据。不同输出标签一般总是比不同输入数据要少,所以从输入数据到输出标签的认知过程是收敛(多对少)的,而从输出标签到输入数据的生成过程是发散(少对多)的,因此会导致从低分辨率数据到输出标签的认知过程是收敛(多对少)的,而从输出标签到高分辨率的生成过程是发散(少对多)的,会导致,输入一个猪的低分辨率图像,得到的输出标签是猪标签,再通过猪标签得到一个猪的高分辨率图像,但这两个图像中的猪不是同一只猪,因为不同的猪虽然都是猪标签,但长相有细节上的区别。因此,通过现有的双向生成深度学习神经网络,虽然能通过低分辨率数据得到高分辨率数据,或通过高分辨率数据得到低分辨率数据,且两者对应的输出标签一致,但无法保证两者的数据细节也一致,这显然无法满足高低分辨率数据转换时对数据细节一致性的需求。
因此,如将照片、遥感图像、语音、点云数据等数据分辨率提高或降低,便于人们查看细节或全貌,以及有利于计算机更精细化或更省计算资源地处理。
如图1所示,本实施例提供了一种基于顶层生成深度学习的数据转换方法,该方法包括以下步骤:
S101、建立深度学习神经网络,学习目标分辨率样本数据。
该步骤如图2所示,具体包括:
S1011、获取源分辨率数据,以及目标分辨率。
本实施例的一个例子,源分辨率是预设的低分辨率,输入数据是猪图像,目标分辨率是预设的高分辨率。
S1012、获取目标分辨率样本数据;其中,目标分辨率样本数据与源分辨率数据的类别相同。
本实施例的一个例子,源分辨率是预设的低分辨率,输入数据是猪头像,目标分辨率是预设的高分辨率,也需要用猪头像样本学习,而不能用狗图像样本来学习,因此,目标分辨率样本数据是猪图像。
S1013、将目标分辨率样本数据作为深度学习神经网络的输入,进行自下而上的无监督训练。
本实施例的一个例子,将预设的高分辨率的每一个猪图像作为深度学习神经网络的输入,进行自下而上的无监督训练。
S102、将源分辨率数据转换为第一目标分辨率数据。
本实施例采用现有的插值拟合技术将源分辨率数据转换为第一目标分辨率数据,可以理解,也可以采用其它类似的技术源分辨率数据转换为第一目标分辨率数据;第一目标分辨率数据记为第一数据。
本实施例的一个例子,将预设的低分辨率的猪图像转换为第一预设高分辨率数据。
S103、将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念。
本实施例的一个例子,将为第一预设高分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念。
具体地,通过深度学习的认知过程得到深度学习神经网络的顶层概念,包括:
通过下层的概念和向上的认知(Encoder)权重产生上层的概念,上层概念比下层概念更为抽象,最下层的概念是输入数据,最上层的概念是顶层概念。首先是从输入数据认知得到隐层第一层的概念,然后由隐层第一层的概念认知得到隐层第二层的概念,依此类推,直到得到隐藏最后一层的概念,将隐藏最后一层的概念作为深度学习神经网络的顶层概念。
S104、通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果。
本实施例的一个例子,通过深度学习神经网络将第一预设高分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二预设高分辨率数据,将第二预设高分辨率数作为源分辨率数据的转换结果。
具体地,通过深度学习神经网络生成第二目标分辨率数据,包括:
通过上层的概念和向下的生成(Decoder)权重产生下层的概念,下层概念比上层概念更为具体,最上层的概念是顶层概念,最下层的概念是输入数据。首先是从顶层概念(隐藏最后一层)生成得到隐层倒数第二层的概念,然后由隐层倒数第二层的概念认知得到隐层倒数第三层的概念,依此类推,直到得到输入层的概念,将输入层的概念作为第二目标分辨率数据。
可以理解的是:由于这个深度学习神经网络已经学习过很多未失真无缺陷的目标分辨率的样本数据,因此已具备了根据顶层概念生成逼真目标分辨率数据的能力。第一目标分辨率数据采用现有技术转换成的,虽然有失真,但其中主要特征未变,可以被深度学习神经网络获取到顶层概念中,再由深度学习神经网络生成(如同人的想象)出逼真的第二目标分辨率数据,这个逼真的第二目标分辨率数据即作为待转换的源分辨率数据的转换结果。这样就可以将低分辨率图像生成逼真的高分辨率图像了。
同样地,源分辨率也可以是预设的高分辨率,这样目标分辨率就是预设的低分辨率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
实施例2:
如图3所示,本实施例提供了一种基于顶层生成深度学习的数据转换机器人系统,所述系统包括深度学习神经网络建立模块301、数据转换模块302、顶层概念获取模块303和数据生成模块304,各个模块的具体功能如下:
所述深度学习神经网络建立模块301,用于建立深度学习神经网络,学习目标分辨率样本数据;进一步地,该深度学习神经网络建立模块如图4所示,具体包括:
第一获取单元3011,用于获取源分辨率数据,以及目标分辨率;
第二获取单元3012,用于获取目标分辨率样本数据;其中,目标分辨率样本数据与源分辨率数据的类别相同;
无监督训练单元3013,用于将目标分辨率样本数据作为深度学习神经网络的输入,进行自下而上的无监督训练。
所述数据转换模块302,用于将源分辨率数据转换为第一目标分辨率数据;
所述顶层概念获取模块303,用于将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;其中,所述通过深度学习的认知过程得到深度学习神经网络的顶层概念,具体包括:
从第一目标分辨率数据认知得到隐层第一层的概念,根据隐层第一层的概念认知得到隐层第二层的概念,依此类推,直到得到隐藏最后一层的概念,将隐藏最后一层的概念作为深度学习神经网络的顶层概念。
所述数据生成模块304,用于通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,作为源分辨率数据的转换结果;其中,所述通过深度学习神经网络生成第二目标分辨率数据,具体包括:
从顶层概念生成得到隐层倒数第二层的概念,根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念,依此类推,直到得到输入层的概念,将输入层的概念作为第二目标分辨率数据。
在此需要说明的是,上述实施例提供的机器人系统仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
可以理解,上述实施例的机器人系统所使用的术语“第一”、“第二”等可用于描述各种单元,但这些单元不受这些术语限制。这些术语仅用于将第一个单元与另一个单元区分。举例来说,在不脱离本发明的范围的情况下,可以将第一获取单元称为第二获取单元,且类似地,可将第二获取单元称为第一获取单元,第一获取单元和第二获取单元两者都是获取单元,但其不是同一获取单元。
实施例3:
本实施例提供了一种存储介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现上述实施例1的数据转换方法,如下:
建立深度学习神经网络,学习目标分辨率样本数据;
将源分辨率数据转换为第一目标分辨率数据;
将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;
通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果。
本实施例中所述的存储介质可以是ROM、RAM、磁盘、光盘等介质。
实施例4:
本实施例提供了一种计算设备,包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现上述实施例1的数据转换方法,如下:
建立深度学习神经网络,学习目标分辨率样本数据;
将源分辨率数据转换为第一目标分辨率数据;
将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;
通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备。
综上所述,本发明可以在学习阶段通过高分辨率样本数据对应的低分辨率样本数据学习和训练出能认知出低分辨率样本数据的顶层概念的深度学习神经网络,在应用阶段,将待转换的高分辨率数据转换为第一低分辨率数据,然后将第一低分辨率数据作为深度学习神经网络的输入,得到深度学习神经网络的顶层概念,再通过深度学习神经网络的顶层概念,由深度学习神经网络生成第二低分辨率数据,并将第二低分辨率数据作为给定待转换的高分辨率数据的转换结果,能够满足高分辨率数据转换为低分辨率分数时对数据细节一致性的需求;同样地,可以在学习阶段通过低分辨率样本数据对应的高分辨率样本数据学习和训练出能认知出高分辨率样本数据的顶层概念的深度学习神经网络,在应用阶段,将待转换的低分辨率数据转换为第一高分辨率数据,然后将第一高分辨率数据作为深度学习神经网络的输入,得到所述深度学习神经网络的顶层概念,再通过深度学习神经网络的顶层概念,由深度学习神经网络生成第二高分辨率数据,并将第二高分辨率数据作为给定待转换的低分辨率数据的转换结果,能够满足低分辨率数据转换为高分辨率分数时对数据细节一致性的需求。
以上所述,仅为本发明专利优选的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (4)
1.一种基于顶层生成深度学习的数据转换方法,其特征在于:所述方法包括:
建立深度学习神经网络,学习目标分辨率样本数据;
将源分辨率数据转换为第一目标分辨率数据;
将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;
通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果;
所述建立深度学习神经网络,学习目标分辨率样本数据,具体包括:
获取源分辨率数据,以及目标分辨率;其中,所述源分辨率是预设的低分辨率,输入数据是猪图像,目标分辨率是预设的高分辨率,或者所述源分辨率是预设的高分辨率,输入数据是猪图像,目标分辨率是预设的低分辨率;
获取目标分辨率样本数据;其中,所述目标分辨率样本数据与源分辨率数据的类别相同;
将目标分辨率样本数据作为深度学习神经网络的输入,进行自下而上的无监督训练;
所述通过深度学习的认知过程得到深度学习神经网络的顶层概念,具体包括:
从第一目标分辨率数据认知得到隐层第一层的概念,根据隐层第一层的概念认知得到隐层第二层的概念,依此类推,直到得到隐藏最后一层的概念,将隐藏最后一层的概念作为深度学习神经网络的顶层概念;
所述通过深度学习神经网络生成第二目标分辨率数据,具体包括:
从顶层概念生成得到隐层倒数第二层的概念,根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念,依此类推,直到得到输入层的概念,将输入层的概念作为第二目标分辨率数据。
2.一种基于顶层生成深度学习的数据转换机器人系统,其特征在于:所述系统包括:
深度学习神经网络建立模块,用于建立深度学习神经网络,学习目标分辨率样本数据;
数据转换模块,用于将源分辨率数据转换为第一目标分辨率数据;
顶层概念获取模块,用于将第一目标分辨率数据作为深度学习神经网络的输入,通过深度学习的认知过程得到深度学习神经网络的顶层概念;
数据生成模块,用于通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中,通过深度学习神经网络生成第二目标分辨率数据,将第二目标分辨率数据作为源分辨率数据的转换结果;
所述深度学习神经网络建立模块,具体包括:
第一获取单元,用于获取源分辨率数据,以及目标分辨率;其中,所述源分辨率是预设的低分辨率,输入数据是猪图像,目标分辨率是预设的高分辨率,或者所述源分辨率是预设的高分辨率,输入数据是猪图像,目标分辨率是预设的低分辨率;
第二获取单元,用于获取目标分辨率样本数据;其中,所述目标分辨率样本数据与源分辨率数据的类别相同;
无监督训练单元,用于将目标分辨率样本数据作为深度学习神经网络的输入,进行自下而上的无监督训练;
所述顶层概念获取模块中,所述通过深度学习的认知过程得到深度学习神经网络的顶层概念,具体包括:
从第一目标分辨率数据认知得到隐层第一层的概念,根据隐层第一层的概念认知得到隐层第二层的概念,依此类推,直到得到隐藏最后一层的概念,将隐藏最后一层的概念作为深度学习神经网络的顶层概念;
所述数据生成模块中,所述通过深度学习神经网络生成第二目标分辨率数据,具体包括:
从顶层概念生成得到隐层倒数第二层的概念,根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念,依此类推,直到得到输入层的概念,将输入层的概念作为第二目标分辨率数据。
3.一种存储介质,存储有程序,其特征在于:所述程序被处理器执行时,实现权利要求1所述的数据转换方法。
4.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于:所述处理器执行存储器存储的程序时,实现权利要求1所述的数据转换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810436880.5A CN108596836B (zh) | 2018-05-09 | 2018-05-09 | 基于顶层生成深度学习的数据转换方法、系统、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810436880.5A CN108596836B (zh) | 2018-05-09 | 2018-05-09 | 基于顶层生成深度学习的数据转换方法、系统、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596836A CN108596836A (zh) | 2018-09-28 |
CN108596836B true CN108596836B (zh) | 2022-06-28 |
Family
ID=63635968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810436880.5A Active CN108596836B (zh) | 2018-05-09 | 2018-05-09 | 基于顶层生成深度学习的数据转换方法、系统、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596836B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10976412B2 (en) * | 2019-02-01 | 2021-04-13 | GM Global Technology Operations LLC | Deep learning for super resolution in a radar system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787557A (zh) * | 2016-02-23 | 2016-07-20 | 北京工业大学 | 一种计算机智能识别的深层神经网络结构设计方法 |
CN108009636A (zh) * | 2017-11-16 | 2018-05-08 | 华南师范大学 | 深度学习神经网络进化方法、装置、介质和计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8307012B2 (en) * | 2006-02-28 | 2012-11-06 | Sap Ag | Schema mapping and data transformation on the basis of a conceptual model |
US9786036B2 (en) * | 2015-04-28 | 2017-10-10 | Qualcomm Incorporated | Reducing image resolution in deep convolutional networks |
-
2018
- 2018-05-09 CN CN201810436880.5A patent/CN108596836B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787557A (zh) * | 2016-02-23 | 2016-07-20 | 北京工业大学 | 一种计算机智能识别的深层神经网络结构设计方法 |
CN108009636A (zh) * | 2017-11-16 | 2018-05-08 | 华南师范大学 | 深度学习神经网络进化方法、装置、介质和计算机设备 |
Non-Patent Citations (3)
Title |
---|
Deep Learning: Learning Deep Neural Networks on the Fly;Doyen Sahoo et al;《ACM》;20171231;第1-9页 * |
基于贝叶斯网络的概念间语义相似度计算;王涛等;《计算机与现代化》;20120915(第09期);第65-68+133页 * |
深度学习中的无监督学习方法综述;殷瑞刚等;《计算机系统应用》;20160815;第第25卷卷(第08期);第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596836A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875807B (zh) | 一种基于多注意力多尺度的图像描述方法 | |
CN110119703B (zh) | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 | |
US11966839B2 (en) | Auto-regressive neural network systems with a soft attention mechanism using support data patches | |
US10579921B1 (en) | Devices, systems, and methods for learning and using artificially intelligent interactive memories | |
CN109783666B (zh) | 一种基于迭代精细化的图像场景图谱生成方法 | |
CN110909862A (zh) | 基于卷积神经网络的注意力权重计算方法和装置 | |
CN110084281A (zh) | 图像生成方法、神经网络的压缩方法及相关装置、设备 | |
CN113822969A (zh) | 训练神经辐射场模型和人脸生成方法、装置及服务器 | |
CN113039555B (zh) | 在视频剪辑中进行动作分类的方法、系统及存储介质 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN110728203A (zh) | 基于深度学习的手语翻译视频生成方法及系统 | |
WO2022052530A1 (zh) | 人脸矫正模型的训练方法、装置、电子设备及存储介质 | |
CN108491808B (zh) | 用于获取信息的方法及装置 | |
CN106778926A (zh) | 一种基于视觉注意模型的图像文字描述方法 | |
CN111292262B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113994341A (zh) | 面部行为分析 | |
JP7207309B2 (ja) | プログラム、情報処理方法、および情報処理装置 | |
CN111861672A (zh) | 基于多模态的生成式兼容性服装搭配方案生成方法及系统 | |
CN113177572A (zh) | 用于从传感器自动学习的方法和计算机可读介质 | |
CN113704419A (zh) | 对话处理方法及装置 | |
CN110795973A (zh) | 多模态融合的动作识别方法、装置及计算机可读存储介质 | |
CN109740012A (zh) | 基于深度神经网络对图像语义进行理解和问答的方法 | |
Lu | Application of wireless network and machine learning algorithm in entrepreneurship education of remote intelligent classroom | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN109242089B (zh) | 递进监督深度学习神经网络训练方法、系统、介质和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |