CN109934240B - 特征更新方法及装置、电子设备和存储介质 - Google Patents
特征更新方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109934240B CN109934240B CN201910185331.XA CN201910185331A CN109934240B CN 109934240 B CN109934240 B CN 109934240B CN 201910185331 A CN201910185331 A CN 201910185331A CN 109934240 B CN109934240 B CN 109934240B
- Authority
- CN
- China
- Prior art keywords
- feature
- processed
- image
- features
- network
- 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
Images
Abstract
本公开涉及一种特征更新方法及装置、电子设备和存储介质,所述方法包括:将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征;利用所述近似特征替换原始特征,以更新所述特征库。本公开实施例可利用所述近似特征替换原始特征,以更新所述特征库,进而在更新特征库的过程中,在牺牲少量精度的前提下提升了特征库的更新速度,同时利用到了原始特征,合理利用资源。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种特征更新方法及装置、电子设备和存储介质。
背景技术
随着人工智能技术的普及和推广,基于特征进行识别和检索的技术已经逐渐应用于各行各业。例如,人脸识别技术已经广泛应用在安防以及泛安防相关领域,应用场景主要包含人脸布控、静态库检索、路人库轨迹搜索等。
在一些应用场景中,所使用的神经网络模型需要持续不断的迭代,当神经网络模型达到一个更好的性能的时候,就需要对系统进行模型上的更新了,同时,基础特征库中的特征也需要同步更新,以使该神经网络的处理结果更为准确。
发明内容
本公开提出了一种特征更新技术方案。
根据本公开的一方面,提供了一种特征更新方法,包括:将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征;利用所述近似特征替换原始特征,以更新所述特征库。
在一种可能的实现方式中,所述利用所述近似特征替换所述原始特征,以更新所述特征库,包括:根据所述近似特征确定所述近似特征所属的待处理图像;将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征;利用所述迭代特征替换所述近似特征,以更新所述特征库。
在一种可能的实现方式中,所述将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征,包括:在用于执行所述特征更新方法的系统处于空闲状态的情况下,将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征。
在一种可能的实现方式中,所述转化网络包括反卷积子网络和第一卷积子网络,其中,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征,包括:将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;将所述中间特征输入所述第一卷积子网络进行特征提取,得到所述近似特征。
在一种可能的实现方式中,所述转化网络包括反卷积子网络和第二卷积子网络,其中,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征,包括:将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;融合所述原始特征所属的待处理图像和中间特征,得到融合特征;将所述融合特征输入所述第二卷积子网络进行特征提取,得到所述近似特征。
在一种可能的实现方式中,所述方法还包括:根据多个待处理图像的原始特征和迭代特征,训练所述转化网络。
在一种可能的实现方式中,获取待处理图像;确定所述特征库中是否包括所述待处理图像的原始特征;确定所述特征库中包括所述待处理图像的原始特征的情况下,将所述特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征。
在一种可能的实现方式中,确定所述特征库中不存在所述待处理图像的原始特征的情况下,将所述待处理图像输入至第一特征提取网络,得到所述待处理图像的迭代特征;利用所述迭代特征,以更新所述特征库。
根据本公开的另一方面,提供了一种特征更新装置,包括:转化模块,用于将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征;更新模块,用于利用所述近似特征替换原始特征,以更新所述特征库。
在一种可能的实现方式中,所述更新模块包括:确定子模块,用于根据所述近似特征确定所述近似特征所属的待处理图像;特征提取子模块,用于将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征;更新子模块,用于利用所述迭代特征替换所述近似特征,以更新所述特征库。
在一种可能的实现方式中,所述特征提取子模块包括:空闲状态特征提取子模块,在用于执行所述特征更新方法的系统处于空闲状态的情况下,将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征。
在一种可能的实现方式中,所述转化网络包括反卷积子网络和第一卷积子网络,其中,所述转化模块包括:第一特征还原子模块,用于将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;第一特征提取子模块,用于将所述中间特征输入所述第一卷积子网络进行特征提取,得到所述近似特征。
在一种可能的实现方式中,所述转化网络包括反卷积子网络和第二卷积子网络,其中,所述转化模块包括:第二特征还原子模块,将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;融合子模块,用于融合所述原始特征所属的待处理图像和中间特征,得到融合特征;第二特征提取子模块,将所述融合特征输入所述第二卷积子网络进行特征提取,得到所述近似特征。
在一种可能的实现方式中,所述装置还包括:训练模块,用于根据多个待处理图像的原始特征和迭代特征,训练所述转化网络。
在一种可能的实现方式中,所述装置还包括:获取模块,用于获取待处理图像;判断模块,用于确定所述特征库中是否包括所述待处理图像的原始特征;第三特征提取子模块,用于确定所述特征库中包括所述待处理图像的原始特征的情况下,将所述特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征。
在一种可能的实现方式中,所述装置还包括:第四特征提取子模块,用于确定所述在特征库中不包括所述待处理图像的原始特征的情况下,将所述待处理图像输入至第一特征提取网络,得到所述待处理图像的迭代特征。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述特征更新方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述特征更新方法。
在本公开实施例中,通过将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征;利用所述近似特征替换原始特征,以更新所述特征库,进而在更新特征库的过程中,在牺牲少量精度的前提下提升了特征库的更新速度,同时利用到了原始特征,合理利用资源。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的特征更新方法的流程图。
图2示出根据本公开实施例的特征更新方法的流程图。
图3示出根据本公开实施例的特征更新方法中特征转化过程的流程图。
图4示出根据本公开实施例的特征更新方法中特征转化过程的流程图。
图5示出根据本公开实施例的特征更新方法的流程图。
图6示出根据本公开实施例的特征更新方法的使用场景示意图。
图7示出根据本公开实施例的特征更新装置的框图。
图8是根据示例性实施例示出的一种电子设备的框图。
图9是根据示例性实施例示出的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的特征更新方法的流程图。该特征更新方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该特征更新方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述方法包括:
步骤S11,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征。
在一种可能的实现方式中,特征更新方法可以用于更新特征库的使用场景中,例如,可以对用于提取特征的特征提取网络完成升级之后,需要对特征提取网络对应的特征库中的各个特征进行升级的使用场景中,以使得特征库中的特征与升级后的特征提取网络更加匹配。
便于描述,本实现方式可以将与升级之前的特征提取网络所匹配的特征定义为原始特征,将与完成升级之后的特征提取网络(下称第一特征提取网络)所匹配的特征定义为迭代特征。其中,原始特征和迭代特征都可以从待处理图像(例如人脸图像)中获取得到,对于特征库中需要更新的海量原始特征,可以逐一从各个原始特征所述的待处理图像中提取迭代特征,所需要的系统消耗和时间成本极大。
对于近似特征,可以理解为是与所述迭代特征近似的特征,其可以基于特征库中的原始特征转化得到,更新特征库的过程中,在牺牲少量精度的前提下提升了特征库的更新速度,同时利用到了原始特征,合理利用资源。
在一种可能的实现方式中,原始特征、近似特征和迭代特征所属的待处理图像的类别可以是相同的,然而三者的特征强度(所确定的处理结果的准确性)不同;其中,原始特征的特征强度最低,近似特征的特征强度次之、迭代特征的特征强度最高;对应的,将原始特征作为参考所得到处理结果的准确性最低,将近似特征作为参考所得到处理结果的准确性次之,将迭代特征作为参考所得到处理结果的准确性最高。
在一种可能的实现方式中,所述近似特征和迭代特征均可以用于第一特征提取网络,两者的区别在于,相较于迭代特征,近似特征可以由与之对应的原始特征提取得到,提取效率更高;相较于近似特征,迭代特征可以通过由近似特征还原得到的图像提取得到,特征强度更高。
在一种可能的实现方式中,原始特征、近似特征和迭代特征可以用于表示人脸图像中人脸的肤色、轮廓、纹理、人脸结构等特征。本实现方式中,特征库中可以包括多个人脸图像中对象的原始特征,不同对象的原始特征可以通过不同的对象类别标识符来标识。近似特征可以是基于深度学习技术,由原始特征转化而来的,其中,转化原始特征所使用的转化网络的网络结构可以根据具体的使用场景进行设定,本实现方式不会对此进行限定。
在一种可能的实现方式中,所述转化网络的网络结构简单,数据处理量较小,所消耗时间较少,因此可以快速完成将原始特征转化为近似特征的过程,提升了工作效率。
在一种可能的实现方式中,原始特征和近似特征都可以用于确定人脸图像中目标对象的类别。在确定人脸图像中目标对象的类别的过程中,原始特征和近似特征可以被作为参考,例如,通过计算原始特征(或近似特征)与第一特征之间的差距来确定目标对象的类别。
步骤S12,利用所述近似特征替换原始特征,以更新所述特征库。
在一种可能的实现方式中,对于任意一个待处理图像,特征库中可以包括一个与其对应的原始特征,在更新特征库的过程中,可以通过最新得到的特征(例如近似特征)替换原始特征。本实现方式在采用所述近似特征替换所述特征库中对应的原始特征的过程中,可以先获取近似特征的类别标识,并利用与该近似特征替换与该类别标识对应的原始特征。
在一种可能的实现方式中,对于任意一个待处理数据,特征库中可以包括多个与其对应的特征,在更新特征库的过程中,以将最新得到的特征(例如近似特征或迭代特征)添加至特征库中,并利用不同的类别标识来标识同一待处理数据的多个特征。
根据本公开的实施例的特征更新方法,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征;利用所述近似特征替换原始特征,以更新所述特征库,进而在更新特征库的过程中,在牺牲少量精度的前提下提升了特征库的更新速度,同时利用到了原始特征,合理利用资源。
图2示出根据本公开实施例的特征更新方法的流程图。如图2所示,在一种可能的实现方式中,步骤12,所述利用所述近似特征替换所述原始特征,以更新所述特征库,包括:
步骤S21,根据所述近似特征确定所述近似特征所属的待处理图像。
步骤S22,将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征。
步骤S23,利用所述迭代特征替换所述近似特征,以更新所述特征库。
其中,所述待处理图像可以从例如安防领域中的人脸布控场景、静态库检索场景、路人库轨迹场景中采集到的人脸图像,对应的每一张待处理图像中可以包括一个或多个人脸。所述第一提取网络可以是更新后的神经网络,迭代特征可以是与第一提取网络相匹配的特征。
本实现方式中,特征库中存储的多个近似特征,各个近似特征通过不同的类别标识来标识。在确定所述近似特征所属的待处理图像的过程中,可以通过近似特征的类别标识来确定。
在一种可能的实现方式中,所述原始特征、近似特征和迭代特征还可以是从音频、视频等任意格式的数据提取到的,本实施例对此不做限定。
在一种可能的实现方式中,特征提取的方法可以根据具体使用场景而定。例如,在图像处理的使用场景下,特征提取的方法可以包括短时傅里叶变换(STFT,short-timeFourier transform)和梅尔滤波器等特征提取方法。
在一种可能的实现方式中,对于任意一个待处理图像,特征库中可以包括一个与其对应的原始特征,在更新特征库的过程中,可以使用最新得到的特征(例如迭代特征)替换原始特征。本实现方式在采用所述迭代特征替换所述特征库中对应的原始特征的过程中,可以先获取迭代特征的类别标识,并利用与该迭代特征替换与该类别标识对应的原始特征。
在一种可能的实现方式中,对于任意一个待处理数据,特征库中可以包括多个与其对应的特征,在更新特征库的过程中,将最新得到的特征(例如迭代特征)添加至特征库中,并利用不同的类别标识来标识同一待处理数据的不同特征。
在一种可能的实现方式中,所述将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征,包括:在用于执行所述特征更新方法的系统处于空闲状态的情况下,将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征。
在一种可能的实现方式中,所述执行所述特征更新方法的系统,可以是部署有可以运行所述特征更新方法的软件程序的服务,为了不影响该服务中软件程序的正常运行,可以选择在所述系统空闲状态的情况下,将近似特征所属的待处理图像进行特征提取的操作。
图3示出根据本公开实施例的特征更新方法中特征转化过程的流程图。在一种可能的实现方式中,如图3所示,所述转化网络包括反卷积子网络和第一卷积子网络,其中,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征,包括:将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;将所述中间特征输入所述第一卷积子网络进行特征提取,得到所述近似特征。
其中,反卷积子网络用于对原始特征的特征还原操作(可以理解为是特征提取的逆过程),以尽可能的使还原的得到的中间特征与该原始特征对应的待处理图像相似。第一卷积子网络用于对中间特征进行特征提取,以得到所述近似特征。
本实现方式中,第一卷积子网络的网络结构可以根据具体的使用场景设定,本实现方式在此不做限定。
在本公开的实施例中,利用网络结构简单的转化网络可以将原始特征快速转化为近似特征,更新特征库的过程中,在牺牲少量精度的前提下提升了特征库的更新速度,同时利用到了原始特征,合理利用资源。
图4示出根据本公开实施例的特征更新方法中特征转化过程的流程图,在一种可能的实现方式中,如图4所示,所述转化网络包括反卷积子网络和第二卷积子网络,其中,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征,包括:将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;融合所述原始特征所属的待处理图像和中间特征,得到融合特征;将所述融合特征输入所述第二卷积子网络进行特征提取,得到所述转化特征。
在上述实施例的基础上,特征提取时,可以将特征还原得到的中间特征和对应于原始特征的待处理图像进行融合,得到具有待处理图像中全部特征的融合特征,进而对该融合特征进行特征提取,得到特征强度较强的近似特征。
其中,特征融合可以通过拼接所述中间特征和待处理图像实现,本实现方式中,中间特征的通道数可与待处理图像相同,即每一个中间特征都可以具有一个与其对应的待处理图像,并可沿高度或宽度方向进行拼接,即实现融合。中间特征的宽度可与待处理图像相同,两者的高度是否相同不做限制,这样相应的中间特征和待处理图像可以沿宽度方向拼接。或者,中间特征的高度可与待处理图像相同,两者的宽度是否相同不做限制,这样,相应的待处理图像和中间特征可以沿高度方向拼接。
举例来说,待处理图像的维度为X×Y×Z,中间特征的维度为W×Y×Z,在特征融合的过程中,可以沿高度对相应的待处理图像和中间特征进行拼接,得到维度为(X+W)×Y×Z的融合特征。
本实现方式中,第二卷积子网络的网络结构可以根据具体的使用场景设定,本实现方式在此不做限定。
在一种可能的实现方式中,所述方法还包括:根据多个待处理图像的原始特征和迭代特征,训练所述转化网络。
在对所述转化网络的训练过程中,可以将各个待处理图像的原始特征作为输入,将迭代特征作为转化网络的学习目标,更新转化网络的参数,直至符合预设的训练条件。
在一种可能的实现方式中,转化网络可以通过L2损失函数联合随机梯度下降法(Stochastic gradient descent,SGD)训练得到。
图5示出根据本公开实施例的特征更新方法的流程图。在一种可能的实现方式中,如图5所示,所述方法还包括:
步骤S51,获取待处理图像;
步骤S52,确定所述特征库中是否包括所述待处理图像的原始特征。
步骤S53,确定所述特征库中包括所述待处理图像的原始特征的情况下,将所述特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征。
步骤S54,确定所述特征库中不存在所述待处理图像的原始特征的情况下,将所述待处理图像输入至第一特征提取网络,得到所述待处理图像的迭代特征。
步骤S55,利用所述迭代特征,以更新所述特征库。
其中,第一特征提取网络可以是基于原有的特征提取网络更新得到的特征提取网络,用于提取待处理图像的迭代特征。
在一种可能的实现方式中,特征库中包括了多个分别通过不同类别标识所标识的原始特征,各个待处理图像也可以通过不同的图像标识所标识;在确定特征库中是否包括所述待处理图像的原始特征的过程中,可以通过确定特征库中是否具有与所述待处理图像的图像标识对应的类别标识,来确定特征库中是否包括所述待处理图像的原始特征。当特征库中不具有与所述待处理图像的图像标识对应的类别标识的情况下,将所述待处理图像输入至第一特征提取网络,以提取所述迭代特征,进而通过该迭代特征替换与更新前的特征提取网络对应的原始特征,以更新所述特征库。当特征库中具有与所述待处理图像的图像标识对应的类别标识的情况下,将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征。
本实现方式可以用于特征库的更新过程,图6示出根据本公开实施例的特征更新方法的使用场景示意图。具体的应用场景如下:
如图6所示,在实际产品应用中,在对特征提取模型进行升级的同时,还需要对原有的特征库(例如静态库、路人库等)中的参考特征(例如人脸特征)进行更新,才能持续给用户提供相关的算法功能和服务。
以人脸识别系统为例,该系统每天布控产生大量的新增图片以及特征,存储的图片和特征数量随着时间线性增长。当人脸识别系统中的人脸识别模型完成升级后,不仅需要更新特征库中的原始特征,而且还需要提取最近采集到的新增图片的特征。
更新特征库中的原始特征时,通常会利用升级后的人脸识别模型对待处理图像提取迭代特征,并利用该迭代特征替换原始特征,这样会消耗大量的时间和数据处理资源。本实现方式则可以利用转化网络将原始特征转化为特征强度相似于迭代特征的近似特征,所消耗的时间和数据处理资源较少,不影响人脸识别系统的正常运行。同时,利用该近似特征确定的处理结果的准确率较高。
在人脸识别系统处于空闲状态时,可以利用升级后的人脸识别模型对待处理图像重新提取特征得到迭代特征,并利用迭代特征更新特征库。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了数据处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种特征更新方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图7示出根据本公开实施例的特征更新装置的框图,如图7所示,所述特征更新装置包括转化模块71和更新模块72。
其中,转化模块71,用于将特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征;
更新模块72,用于利用所述近似特征替换原始特征,以更新所述特征库。
在一种可能的实现方式中,更新模块包括:确定子模块,用于根据所述近似特征确定所述近似特征所属的待处理图像;特征提取子模块,用于将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征;更新子模块,用于利用所述迭代特征替换所述近似特征,以更新所述特征库。
在一种可能的实现方式中,特征提取子模块包括:空闲状态特征提取子模块,在用于执行所述特征更新方法的系统处于空闲状态的情况下,将近似特征所属的待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述待处理图像的迭代特征。
在一种可能的实现方式中,所述转化网络包括反卷积子网络和第一卷积子网络,其中,转化模块包括:第一特征还原子模块,用于将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;第一特征提取子模块,用于将所述中间特征输入所述第一卷积子网络进行特征提取,得到所述近似特征。
在一种可能的实现方式中,所述转化网络包括反卷积子网络和第二卷积子网络,其中,转化模块包括:第二特征还原子模块,将所述特征库中预存的原始特征输入所述反卷积子网络进行特征还原,得到中间特征;融合子模块,用于融合所述原始特征所属的待处理图像和中间特征,得到融合特征;第二特征提取子模块,将所述融合特征输入所述第二卷积子网络进行特征提取,得到所述近似特征。
在一种可能的实现方式中,所述装置还包括:训练模块,用于根据多个待处理图像的原始特征和迭代特征,训练所述转化网络。
在一种可能的实现方式中,获取待处理图像;确定所述特征库中是否包括所述待处理图像的原始特征;确定所述特征库中包括所述待处理图像的原始特征的情况下,将所述特征库中预存的原始特征输入至转化网络进行特征转化,得到近似特征。
在一种可能的实现方式中,确定所述特征库中不存在所述待处理图像的原始特征的情况下,将所述待处理图像输入至第一特征提取网络,得到所述待处理图像的迭代特征;利用所述迭代特征,以更新所述特征库。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种特征更新方法,其特征在于,包括:
确定特征库中是否包括第一待处理图像的原始特征;
在所述特征库中包括所述第一待处理图像的原始特征的情况下,将所述特征库中预存的所述第一待处理图像的原始特征输入至转化网络进行特征转化,得到所述第一待处理图像的近似特征;其中,所述转化网络是预先根据多个第二待处理图像的原始特征和迭代特征训练的,在所述转化网络的训练过程中,将所述多个第二待处理图像的原始特征作为输入,将所述多个第二待处理图像的迭代特征作为所述转化网络的学习目标,更新所述转化网络的参数,直至符合预设的训练条件;
利用所述第一待处理图像的近似特征替换所述第一待处理图像的原始特征,以更新所述特征库。
2.根据权利要求1所述的方法,其特征在于,在所述得到所述第一待处理图像的近似特征之后,所述方法还包括:
将所述第一待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述第一待处理图像的迭代特征;
利用所述第一待处理图像的迭代特征替换所述第一待处理图像的近似特征,以更新所述特征库,其中,所述特征库采用最新得到的所述第一待处理图像的特征进行更新。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述第一待处理图像的迭代特征,包括:
在用于执行所述特征更新方法的系统处于空闲状态的情况下,将所述第一待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述第一待处理图像的迭代特征。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述转化网络包括反卷积子网络和第一卷积子网络,
其中,将所述特征库中预存的所述第一待处理图像的原始特征输入至转化网络进行特征转化,得到所述第一待处理图像的近似特征,包括:
将所述特征库中预存的所述第一待处理图像的原始特征输入所述反卷积子网络进行特征还原,得到所述第一待处理图像的中间特征;
将所述第一待处理图像的中间特征输入所述第一卷积子网络进行特征提取,得到所述第一待处理图像的近似特征。
5.根据权利要求1-3中任意一项所述的方法,其特征在于,所述转化网络包括反卷积子网络和第二卷积子网络,
其中,将所述特征库中预存的所述第一待处理图像的原始特征输入至转化网络进行特征转化,得到所述第一待处理图像的近似特征,包括:
将所述特征库中预存的所述第一待处理图像的原始特征输入所述反卷积子网络进行特征还原,得到所述第一待处理图像的中间特征;
融合所述第一待处理图像和所述第一待处理图像的中间特征,得到所述第一待处理图像的融合特征;
将所述第一待处理图像的融合特征输入所述第二卷积子网络进行特征提取,得到所述第一待处理图像的近似特征。
6.根据权利要求1-3中任意一项所述的方法,其特征在于,在所述确定特征库中是否包括第一待处理图像的原始特征之后,所述方法还包括:
确定所述特征库中不存在所述第一待处理图像的原始特征的情况下,将所述第一待处理图像输入至第一特征提取网络,得到所述第一待处理图像的迭代特征;
利用所述第一待处理图像的迭代特征,更新所述特征库。
7.一种特征更新装置,其特征在于,包括:
判断模块,用于确定特征库中是否包括第一待处理图像的原始特征;
转化模块,用于在所述特征库中包括所述第一待处理图像的原始特征的情况下,将所述特征库中预存的所述第一待处理图像的原始特征输入至转化网络进行特征转化,得到所述第一待处理图像的近似特征;其中,所述转化网络是预先根据多个第二待处理图像的原始特征和迭代特征训练的,在所述转化网络的训练过程中,将所述多个第二待处理图像的原始特征作为输入,将所述多个第二待处理图像的迭代特征作为所述转化网络的学习目标,更新所述转化网络的参数,直至符合预设的训练条件;
更新模块,用于利用所述第一待处理图像的近似特征替换所述第一待处理图像的原始特征,以更新所述特征库。
8.根据权利要求7所述的装置,其特征在于,所述更新模块包括:
特征提取子模块,用于所述第一待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述第一待处理图像的迭代特征;
更新子模块,用于利用所述第一待处理图像的迭代特征替换所述第一待处理图像的近似特征,以更新所述特征库,其中,所述特征库采用最新得到的所述第一待处理图像的特征进行更新。
9.根据权利要求8所述的装置,其特征在于,所述特征提取子模块包括:
空闲状态特征提取子模块,在用于执行特征更新方法的系统处于空闲状态的情况下,将所述第一待处理图像输入已训练的第一特征提取网络进行特征提取,得到所述第一待处理图像的迭代特征。
10.根据权利要求7-9中任意一项所述的装置,其特征在于,所述转化网络包括反卷积子网络和第一卷积子网络,
其中,所述转化模块包括:
第一特征还原子模块,用于将所述特征库中预存的所述第一待处理图像的原始特征输入所述反卷积子网络进行特征还原,得到所述第一待处理图像的中间特征;
第一特征提取子模块,用于将所述第一待处理图像的中间特征输入所述第一卷积子网络进行特征提取,得到所述第一待处理图像的近似特征。
11.根据权利要求7-9中任意一项所述的装置,其特征在于,所述转化网络包括反卷积子网络和第二卷积子网络,
其中,所述转化模块包括:
第二特征还原子模块,将所述特征库中预存的所述第一待处理图像的原始特征输入所述反卷积子网络进行特征还原,得到所述第一待处理图像的中间特征;
融合子模块,用于融合所述第一待处理图像和所述第一待处理图像的中间特征,得到所述第一待处理图像的融合特征;
第二特征提取子模块,将所述第一待处理图像的融合特征输入所述第二卷积子网络进行特征提取,得到所述第一待处理图像的近似特征。
12.根据权利要求7-9中的任意一项所述的装置,其特征在于,
所述装置还包括:第四特征提取子模块,用于确定所述特征库中不包括所述第一待处理图像的原始特征的情况下,将所述第一待处理图像输入至第一特征提取网络,得到所述第一待处理图像的迭代特征;
所述更新模块还用于:利用所述第一待处理图像的迭代特征,更新所述特征库。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至6中任意一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185331.XA CN109934240B (zh) | 2019-03-12 | 2019-03-12 | 特征更新方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185331.XA CN109934240B (zh) | 2019-03-12 | 2019-03-12 | 特征更新方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934240A CN109934240A (zh) | 2019-06-25 |
CN109934240B true CN109934240B (zh) | 2021-11-26 |
Family
ID=66986936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185331.XA Active CN109934240B (zh) | 2019-03-12 | 2019-03-12 | 特征更新方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934240B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334690A (zh) * | 2019-07-16 | 2019-10-15 | 上海博康易联感知信息技术有限公司 | 人脸特征更新方法及装置 |
CN111062479B (zh) * | 2019-12-19 | 2024-01-23 | 北京迈格威科技有限公司 | 基于神经网络的模型快速升级方法及装置 |
CN112329797A (zh) * | 2020-11-13 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 目标对象的检索方法、装置、服务器和存储介质 |
CN112948402A (zh) * | 2021-01-15 | 2021-06-11 | 浙江大华技术股份有限公司 | 数据库更新方法、装置、电子设备、计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361363A (zh) * | 2014-11-25 | 2015-02-18 | 中国科学院自动化研究所 | 深度反卷积特征学习网络、生成方法及图像分类方法 |
CN108596222A (zh) * | 2018-04-11 | 2018-09-28 | 西安电子科技大学 | 基于反卷积神经网络的图像融合方法 |
-
2019
- 2019-03-12 CN CN201910185331.XA patent/CN109934240B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361363A (zh) * | 2014-11-25 | 2015-02-18 | 中国科学院自动化研究所 | 深度反卷积特征学习网络、生成方法及图像分类方法 |
CN108596222A (zh) * | 2018-04-11 | 2018-09-28 | 西安电子科技大学 | 基于反卷积神经网络的图像融合方法 |
Non-Patent Citations (2)
Title |
---|
《Unsupervised depth estimation using feature matching method》;Jiangzhuo Wang et al.;《IEEE Xplore》;20180709;全文 * |
《基于反卷积特征提取的深度卷积神经网络学习》;吕恩辉等;《控制与决策》;20180331;第33卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934240A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210118112A1 (en) | Image processing method and device, and storage medium | |
CN110348537B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109934240B (zh) | 特征更新方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113743535A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110858924B (zh) | 视频背景音乐的生成方法、装置及存储介质 | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN110781957A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111523346B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN112085097A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN114546460A (zh) | 固件升级方法及装置、电子设备和存储介质 | |
CN113807498B (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
CN112598676B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN113807253A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN110929545A (zh) | 人脸图像的整理方法及装置 |
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 |