CN111181574A - 一种基于多层特征融合的端点检测方法、装置以及设备 - Google Patents
一种基于多层特征融合的端点检测方法、装置以及设备 Download PDFInfo
- Publication number
- CN111181574A CN111181574A CN201911403096.5A CN201911403096A CN111181574A CN 111181574 A CN111181574 A CN 111181574A CN 201911403096 A CN201911403096 A CN 201911403096A CN 111181574 A CN111181574 A CN 111181574A
- Authority
- CN
- China
- Prior art keywords
- endpoint detection
- encoder
- sample data
- inputting
- data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 230000004927 fusion Effects 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/25—Error detection or forward error correction by signal space coding, i.e. adding redundancy in the signal constellation, e.g. Trellis Coded Modulation [TCM]
- H03M13/256—Error detection or forward error correction by signal space coding, i.e. adding redundancy in the signal constellation, e.g. Trellis Coded Modulation [TCM] with trellis coding, e.g. with convolutional codes and TCM
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多层特征融合的端点检测方法、装置、设备及计算机可读存储介质，包括：将带标签的样本数据集分别输入至初始端点检测网络的编码器中，将编码器的输出输入至解码器中；将编码器提取的特征与解码器提取的分辨率相同的特征进行融合，得到各个样本数据的融合特征；利用各个样本数据的融合特征确定各个样本数据的端点预测值，利用损失函数计算各个样本数据的端点预测值与标签值的误差；利用反向传播算法对初始端点检测网络的参数进行优化直至达到预设精度，得到目标端点检测网络；将待检测数据输入至目标端点检测网络中，输出端点检测结果。本发明所提供的方法、装置、设备及计算机可读存储介质，提高了端点检测的适应性及鲁棒性。
Description
技术领域
本发明涉及信号检测技术领域，特别是涉及一种基于多层特征融合的端点检测方法、装置、设备以及计算机可读存储介质。
背景技术
端点检测技术是指从连续采样信号中检测出实际信号的起始点及终止点的方法与技术。端点检测一方面可以进行信号有效提取及检测，排除噪声等其他信号的干扰，提供高质量信号供后续信号处理；另一方面可以去除不必要的信号片段，即从连续信息流中分离出有效信号，有效降低存储或传输的数据量，减少处理时间。目前，端点检测技术在语音编码、语音识别等方面取得了广泛应用。
目前，端点检测技术依据特征提取方式大致分为两类：一种是基于人工特征提取的端点检测方法，另一种为基于深度学习的端点检测算法。
基于特征提取的端点检测算法是指从以人为基础，从数据信号中提取时域或频域上的特征参数，根据信号在特征参数上的分布规律，建立区分性模型来进行检测识别，时域特征主要包括能量、分形维等，频域特征参数主要包括倒谱距离、频带方差等。
相比基于人工方式进行特征提取的端点检测算法，深度学习算法具有从原始数据中学习特征的能力，避免人工设计特征。深度学习算法的一个显著优势是其层次性学习能力，在较低层次上学习通用模式，在较高层次上学习复杂模式。基于这一特性，可以利用深度学习算法从低层网络特征中学习区分性特征(能量、基频等)，通过深层特征多层非线性的特性学习多种噪声模式，从而实现端点检测的目的。但现有端点检测算法在低信噪比情况下端点检测效果不理想，难以取得理想结果。且现有端点检测算法多需要人为根据具体场景设计具体特征，特征间差异大，因此算法自适应能力较差。
综上所述可以看出，如何提高端点检测的适应性及鲁棒性是目前有待解决的问题。
发明内容
本发明的目的是提供一种基于多层特征融合的端点检测方法、装置、设备以及计算机可读存储介质，已解决现有端点检测算法自适应能力差、检测效果不理想的问题。
为解决上述技术问题，本发明提供一种基于多层特征融合的端点检测方法，包括：将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。
优选地，所述编码器包括多个卷积层与多个池化层。
优选地，所述解码器包括多个上采样层与多个反卷积层。
优选地，所述将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中包括：
将带初至时间标签的地震波数据样本集分别输入所述初始初至拾取网络的编码器中，通过所述编码器中多个卷积层与池化层的逐层组合，提取每道地震波数据的不同分辨率特征；
将所述编码器的输出输入至所述解码器中，通过所述解码器中多个上采样层与反卷积层的逐层组合，对所述编码器提取的所述每道地震波数据的不同分辨率特征进行放大还原。
优选地，所述将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果包括：
将待检测地震波数据输入至所述目标初至拾取网络中，输出所述待检测地震波数据的初至时间。
本发明还提供了一种基于多层特征融合的端点检测装置，包括：
输入模块，用于将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；
特征融合模块，用于将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；
误差计算模块，用于利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；
参数优化模块，用于利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；
检测模块，用于将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。
优选地，所述编码器包括多个卷积层与多个池化层。
优选地，所述解码器包括多个上采样层与多个反卷积层。
本发明还提供了一种基于多层特征融合的端点检测设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于多层特征融合的端点检测方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于多层特征融合的端点检测方法的步骤。
本发明所提供的基于多层特征融合的端点检测方法，将带标签的数据集分别输入至预先构建的初始端点检测网络的编码器中，提取样本数据不同分辨率特征。所述编码器的网络层数越低，提取特征分辨率越高，相反，所述编码器的网络层数越高，提取特征分辨率越低。将所述编码器输出的所述样本数据不同分辨率特征输入至所述解码器中进行特征放大还原。与所述编码器相反，所述解码器较低网络层数输出的特征分辨率越低，网络层数越高输出的特征分辨率越高。将所述编码器输出的特征与所述解码器输出的相同分辨率特征进行通道维度拼接融合，得到所述样本数据的融合特征。由于需要将相同分辨率特征进行融合，因此需将所述编码器低层特征与所述解码器高层特征融合，将所述编码器高层特征与所述解码器低层特征进行融合。通过融合不同层级特征，构建合理损失函数，选择合理优化器及超参进行模型训练及测试，最终完成端点检测任务。由于高分辨率特征具有原始信号的大量信息表达，低分辨率特征相反对噪声具有良好的过滤能力，本发明通过将编码器提取的高低分辨率特征与解码器获得的特征进行融合，能够有效提升端点检测的适应性及鲁棒性，对不同信噪比的数据信号都有较好的端点检测能力。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于多层特征融合的端点检测方法的第一种具体实施例的流程图；
图2为本发明所述提供的端点检测网络架构示意图；
图3为特征融合过程示意图；
图4为每个检波点检测到的单道地震振幅波形示意图；
图5为本发明所提供的基于多层特征融合的端点检测方法的第二种具体实施例的流程图；
图6为单道地震波形训练标签示意图；
图7为本发明实施例所提供的初至拾取网络模型结构示意图；
图8为初至拾取网络模型第1层特征图可视化；
图9为初至拾取网络模型第4层特征图可视化；
图10为初至拾取误差分布柱状图；
图11为本发明实施例提供的一种基于多层特征融合的端点检测装置的结构框图。
具体实施方式
本发明的核心是提供一种基于多层特征融合的端点检测方法、装置、设备以及计算机可读存储介质，可以有效提升端点检测的适应性及鲁棒性，对不同信噪比的数据信号都有较好的端点检测能力。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的基于多层特征融合的端点检测方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；
本发明实施例提供的端点检测网络架构如图2所示，该网络使用编码器逐层卷积神经网络进行不同分辨率特征提取，然后使用解码器通过上采样、反卷积等方式将低分辨率特征的分辨率进行放大还原，进而将编码器与解码器相同分辨率特征进行通道维度拼接从而实现特征融合，最后通过构建合理损失函数、选择合理优化器及超参数完成模型训练及实现端点检测目标。
所述编码器主要通过卷积层、池化层等卷积神经网络单元进行逐层组合完成不同分辨率特征提取；固定输入维度(H,W,C)的数据信息，通过大小为(k,l,c)的卷积核，输出特征图维度为：
其中，H1、W1、D1分别为特征图的高度、宽度、深度，ZP为填充方式，ZS为步长大小。对于特征图维度为(H1,W1,D1)的数据信息，经过大小为(k,l)、步长大小为ZS的池化运算，其输出特征图维度为：
通过上述两种方式可以完成不同分辨率特征图转换。不同层输出的特征图中，低层特征图分辨率高，包含更多位置、细节信息，但是由于经过的卷积或池化次数较少，其语义性更低、包含噪声更多。高层特征分辨率低，具有更强的语义信息，对细节感知能力差。
所述编码器最后一层输出特征图通常为较低分辨率的特征图，通过解码器对其进行特征分辨率提升，提升方式主要包括上采样、转置卷积等方式。对于特征图维度为(H2,W2,D2)的数据信息，通过大小为(k,l,c)的反卷积核，其输出特征图维度为：
Dim(H3,W3,D3)＝(H2-1)×ZS-2×ZP+k,(W2-1)×ZS-2×ZP+l,c
其中，ZP为填充方式，ZS为步长大小，通过上述方式完成增大特征图分辨率目的。
步骤S102：将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；
采用融合多层特征方法，将编码器与解码器中相同分辨率的特征在通道维度上进行拼接，即若两个输入特征的维数分别为(H,W,D1)与(H,W,D2)，则进行特征融合后的特征维数为(H,W,D1+D2)，特征融合方式如图3所示。假设两路输入的特征图通道分别为XC与YC(C＝1,2,…N)经过特征融合后，单个输出通道表示为：
其中，*表示卷积操作。
特征融合后，一方面高分辨率特征具有原始信号的大量信息表达，低分辨率特征相反对噪声具有良好的过滤能力，通过将所述编码器提取的高低分辨率特征与所述解码器获得的特征进行融合，能够有效提升端点检测的适应性及鲁棒性，对不同信噪比的数据信号都有较好的端点检测能力。
步骤S103：利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；
步骤S104：利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；
步骤S105：将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。
本发明实施例所提供的基于多层特征融合的端点检测方法，通过利用不同层卷积神经网络进行多种分辨率的特征提取；通过将不同层的相同分辨率特征进行融合，实现有效信息融合，从而有效提升了端点检测性能。
基于上述实施例，在本实施例中，将本发明所提端点检测算法应用于地震波数据初至拾取。地震波初至拾取中，震源产生地震信号并经地层反射后传播到多个规则排列的检波点，不同检波点对反射波进行记录，得到不同震源及不同检波点下的地震数据，即地震波数据可以表示为xt(bi,rj)，其中，bi(i＝1,2,…,N)为震源标识，rj(j＝1,2,…,M)为检波点标识，xt(t＝1,2,…,T)为单个地震波振幅序列，N,M,T分别为震源数、检波点数、单个地震波采集信号次数。初至拾取是指从记录数据中找到地震波最初到达检波点的时间。每个检波点检测到的单道地震振幅波形如图4所示，对其进行初至拾取即从地震波中找到地震波的首次到达检波器的时间点，即地震波与噪声的边界点。
请参考图5，图5为本发明所提供的基于多层特征融合的端点检测方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S501：将带初至时间标签的地震波数据样本集分别输入初始初至拾取网络的编码器中，通过所述编码器中多个卷积层与池化层的逐层组合，提取每道地震波数据的不同分辨率特征；
将某公司提供的SEG-Y格式地震波数据转换为十进制格式表示。为加速模型收敛，对每一道地震数据进行绝对值最大归一化处理，即振幅变化范围限制在[-1，1]范围内，具体表示如下：
xi与
分别表示归一化前各采样振幅与归一化后各采样振幅，|x|max表示每道地震波振幅取绝对值后的最大值。
表1为经过数据预处理生成的单道地震波数据样本示例，Feature 1-626表示检波点周期采样到的振幅数据。单道地震波初至时间的取值范围为0～2504ms，采样周期为4ms，因此每道地震波形共有626个采样振幅结果。
表1单道地震波数据样本示例
| Feature1 | Feature2 | Feature3 | … | Feature625 | Feature626 |
| 0.304 | 0.574 | -0.368 | … | 0.173 | 0.346 |
| 0.453 | -0.658 | 0.234 | … | 0.763 | -0.547 |
| … | … | … | … | … | … |
| 0.546 | -0.353 | 0.235 | … | -0.532 | 0.453 |
对每道地震波初至时间标签进行转换，即以每道地震波初至时间为期望，以标准差1构建高斯分布，结果如附图6所示，图中横坐标表示1～626采样时刻，纵坐标概率表示其为初至时间点的概率，其中概率最大的点为初至点。
步骤S502：将所述编码器的输出输入至所述解码器中，通过所述解码器中多个上采样层与反卷积层的逐层组合，对所述编码器提取的所述每道地震波数据的不同分辨率特征进行放大还原；
采用如图7所示的网络结构，主要由编码器、解码器、特征融合三部分组成。所述编码器中通过卷积层依次组合连接，可依次提取地震波形的不同分辨率特征，其第一层及第四层的输出特征图可视化结果分别如图8及图9所示。
步骤S503：将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述每道地震波数据的融合特征；
步骤S504：利用所述每道地震波数据的融合特征确定所述每道地震波数据的初至时间的预测结果，利用损失函数计算所述每道地震波数据的初始时间的预测结果与标签值之间的误差；
步骤S505：利用反向传播算法对所述初始初至拾取网络的参数进行优化，直至所述误差达到期望值，得到目标初至拾取网络；
模型训练及测试相关参数如表2所示，测试集预测结果中，将每道地震波预测结果中最大概率所对应的采样点作为当前道地震波的初至时间，统计测试集预测初至时间与真实初至时间误差的不同区间概率分布，如图10所示，结果表明本算法方案可较准确完成地震波的初至拾取。
表2深度学习模型训练相关参数
步骤S506：将待检测地震波数据输入至所述目标初至拾取网络中，输出所述待检测地震波数据的初至时间。
在本实施例中，利用基于多层特征融合的端点检测方法，可以有效对地震波数据的初至时间进行预测。
请参考图11，图11为本发明实施例提供的一种基于多层特征融合的端点检测装置的结构框图；具体装置可以包括：
输入模块100，用于将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；
特征融合模块200，用于将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；
误差计算模块300，用于利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；
参数优化模块400，用于利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；
检测模块500，用于将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。
本实施例的基于多层特征融合的端点检测装置用于实现前述的基于多层特征融合的端点检测方法，因此基于多层特征融合的端点检测装置中的具体实施方式可见前文中的基于多层特征融合的端点检测方法的实施例部分，例如，输入模块100，特征融合模块200，误差计算模块300，参数优化模块400，检测模块500，分别用于实现上述基于多层特征融合的端点检测方法中步骤S101，S102，S103，S104和S105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种基于多层特征融合的端点检测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于多层特征融合的端点检测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于多层特征融合的端点检测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于多层特征融合的端点检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于多层特征融合的端点检测方法，其特征在于，包括：
将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；
将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；
利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；
利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；
将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。
2.如权利要求1所述的方法，其特征在于，所述编码器包括多个卷积层与多个池化层。
3.如权利要求2所述的方法，其特征在于，所述解码器包括多个上采样层与多个反卷积层。
4.如权利要求1所述的方法，其特征在于，所述将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中包括：
将带初至时间标签的地震波数据样本集分别输入所述初始初至拾取网络的编码器中，通过所述编码器中多个卷积层与池化层的逐层组合，提取每道地震波数据的不同分辨率特征；
将所述编码器的输出输入至所述解码器中，通过所述解码器中多个上采样层与反卷积层的逐层组合，对所述编码器提取的所述每道地震波数据的不同分辨率特征进行放大还原。
5.如权利要求4所述的方法，其特征在于，所述将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果包括：
将待检测地震波数据输入至所述目标初至拾取网络中，输出所述待检测地震波数据的初至时间。
6.一种基于多层特征融合的端点检测装置，其特征在于，包括：
输入模块，用于将带标签的样本数据集分别输入至预先构建的初始端点检测网络的编码器中，将所述编码器的输出输入至所述初始端点检测网络的解码器中；
特征融合模块，用于将所述编码器提取的特征与所述解码器提取的分辨率相同的特征进行融合，得到所述样本数据集中各个样本数据的融合特征；
误差计算模块，用于利用所述各个样本数据的融合特征确定所述各个样本数据的端点预测值，利用损失函数计算所述各个样本数据的端点预测值与标签值之间的误差；
参数优化模块，用于利用反向传播算法对所述初始端点检测网络的参数进行优化，直至所述误差达到期望值，得到目标端点检测网络；
检测模块，用于将待检测数据输入至所述目标端点检测网络中，输出所述待检测数据的端点检测结果。
7.如权利要求6所述的装置，其特征在于，所述编码器包括多个卷积层与多个池化层。
8.如权利要求7所述的装置，其特征在于，所述解码器包括多个上采样层与多个反卷积层。
9.一种基于多层特征融合的端点检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述一种基于多层特征融合的端点检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于多层特征融合的端点检测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911403096.5A CN111181574A (zh) | 2019-12-30 | 2019-12-30 | 一种基于多层特征融合的端点检测方法、装置以及设备 |
| PCT/CN2020/110977 WO2021135281A1 (zh) | 2019-12-30 | 2020-08-25 | 一种基于多层特征融合的端点检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911403096.5A CN111181574A (zh) | 2019-12-30 | 2019-12-30 | 一种基于多层特征融合的端点检测方法、装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111181574A true CN111181574A (zh) | 2020-05-19 |
Family
ID=70649035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911403096.5A Pending CN111181574A (zh) | 2019-12-30 | 2019-12-30 | 一种基于多层特征融合的端点检测方法、装置以及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111181574A (zh) |
| WO (1) | WO2021135281A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021135281A1 (zh) * | 2019-12-30 | 2021-07-08 | 浪潮(北京)电子信息产业有限公司 | 一种基于多层特征融合的端点检测方法、装置、设备及介质 |
| CN113345423A (zh) * | 2021-06-24 | 2021-09-03 | 科大讯飞股份有限公司 | 语音端点检测方法、装置、电子设备和存储介质 |
| CN114937194A (zh) * | 2022-05-11 | 2022-08-23 | 北京百度网讯科技有限公司 | 图像模型的训练方法、图像降噪方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
| CN108921066A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于特征融合卷积网络的光学遥感图像舰船检测方法 |
| CN109410219A (zh) * | 2018-10-09 | 2019-03-01 | 山东大学 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
| CN109840584A (zh) * | 2017-11-24 | 2019-06-04 | 腾讯科技（深圳）有限公司 | 卷积神经网络模型、数据处理方法及装置 |
| CN109919013A (zh) * | 2019-01-28 | 2019-06-21 | 浙江英索人工智能科技有限公司 | 视频图像中基于深度学习的人脸检测方法及装置 |
| CN109996023A (zh) * | 2017-12-29 | 2019-07-09 | 华为技术有限公司 | 图像处理方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008069519A1 (en) * | 2006-12-04 | 2008-06-12 | Electronics And Telecommunications Research Institute | Gesture/speech integrated recognition system and method |
| CN109685127A (zh) * | 2018-12-17 | 2019-04-26 | 郑州云海信息技术有限公司 | 一种并行深度学习初至拾取的方法和系统 |
| CN109801646B (zh) * | 2019-01-31 | 2021-11-16 | 嘉楠明芯(北京)科技有限公司 | 一种基于融合特征的语音端点检测方法和装置 |
| CN111181574A (zh) * | 2019-12-30 | 2020-05-19 | 浪潮(北京)电子信息产业有限公司 | 一种基于多层特征融合的端点检测方法、装置以及设备 |
-
2019
- 2019-12-30 CN CN201911403096.5A patent/CN111181574A/zh active Pending
-
2020
- 2020-08-25 WO PCT/CN2020/110977 patent/WO2021135281A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
| CN109840584A (zh) * | 2017-11-24 | 2019-06-04 | 腾讯科技（深圳）有限公司 | 卷积神经网络模型、数据处理方法及装置 |
| CN109996023A (zh) * | 2017-12-29 | 2019-07-09 | 华为技术有限公司 | 图像处理方法和装置 |
| CN108921066A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于特征融合卷积网络的光学遥感图像舰船检测方法 |
| CN109410219A (zh) * | 2018-10-09 | 2019-03-01 | 山东大学 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
| CN109919013A (zh) * | 2019-01-28 | 2019-06-21 | 浙江英索人工智能科技有限公司 | 视频图像中基于深度学习的人脸检测方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021135281A1 (zh) * | 2019-12-30 | 2021-07-08 | 浪潮(北京)电子信息产业有限公司 | 一种基于多层特征融合的端点检测方法、装置、设备及介质 |
| CN113345423A (zh) * | 2021-06-24 | 2021-09-03 | 科大讯飞股份有限公司 | 语音端点检测方法、装置、电子设备和存储介质 |
| CN113345423B (zh) * | 2021-06-24 | 2024-02-13 | 中国科学技术大学 | 语音端点检测方法、装置、电子设备和存储介质 |
| CN114937194A (zh) * | 2022-05-11 | 2022-08-23 | 北京百度网讯科技有限公司 | 图像模型的训练方法、图像降噪方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021135281A1 (zh) | 2021-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782462B (zh) | 一种基于双流特征融合的语义分割方法 | |
| CN111181574A (zh) | 一种基于多层特征融合的端点检测方法、装置以及设备 | |
| CN111047551A (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及系统 | |
| CN112597985B (zh) | 一种基于多尺度特征融合的人群计数方法 | |
| CN112364699B (zh) | 基于加权损失融合网络的遥感图像分割方法、装置及介质 | |
| CN110610717B (zh) | 复杂频谱环境混合信号的分离方法 | |
| CN111160171A (zh) | 一种联合两域多特征的辐射源信号识别方法 | |
| CN108549078B (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
| CN110176250B (zh) | 一种基于局部学习的鲁棒声学场景识别方法 | |
| CN105321525A (zh) | 一种降低voip通信资源开销的系统和方法 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN110619264B (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
| CN109635662A (zh) | 一种基于卷积神经网络的道路场景语义分割方法 | |
| CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
| CN115830471A (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
| CN115908142B (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
| CN114742985A (zh) | 一种高光谱特征提取方法、装置及存储介质 | |
| CN111653270B (zh) | 语音处理方法、装置、计算机可读存储介质及电子设备 | |
| CN114387512A (zh) | 基于多尺度特征融合与增强的遥感影像建筑物提取方法 | |
| CN117173412A (zh) | 一种基于CNN和Transformer融合网络的医学图像分割方法 | |
| CN113920255A (zh) | 基于点云数据的高效测绘系统 | |
| CN110569966B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN107564546A (zh) | 一种基于位置信息的语音端点检测方法 | |
| CN107464272A (zh) | 基于关键点的中心扩散式气象传真图等值线的插值方法 | |
| CN112862946A (zh) | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |