CN111325272A - 古画检测模型训练方法、古画检测方法、设备及存储介质 - Google Patents
古画检测模型训练方法、古画检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111325272A CN111325272A CN202010102705.XA CN202010102705A CN111325272A CN 111325272 A CN111325272 A CN 111325272A CN 202010102705 A CN202010102705 A CN 202010102705A CN 111325272 A CN111325272 A CN 111325272A
- Authority
- CN
- China
- Prior art keywords
- ancient painting
- ancient
- training
- painting
- age
- 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
- 238000010422 painting Methods 0.000 title claims abstract description 200
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000012549 training Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013526 transfer learning Methods 0.000 claims abstract description 20
- 238000013434 data augmentation Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010415 tidying Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种古画检测模型训练方法、古画检测方法、设备及存储介质,其中,一种古画检测模型训练方法包括:获取古画图像样本数据;对古画图像样本数据进行数据增广处理,得到训练样本;采用ImageNet数据集训练一个ResNet‑50网络,得到预训练ResNet‑50模型;基于预训练ResNet‑50模型得到预设的古画年代分类网络;采用迁移学习算法对预设的古画年代分类网络进行处理,得到古画年代检测网络;将训练样本输入到古画年代检测网络中进行训练,得到古画年代检测模型。本发明通过构建一种古画年代检测模型,能够对古画的年代进行分类,并提高识别邻近年代古画时间的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种古画检测模型训练方法、古画检测方法、设备及存储介质。
背景技术
古代绘画是宝贵的文化遗产,可以帮助考古学家和文化研究人员更好地研究历史和人文。古画的时代是历史和人文研究的重要因素,因为绘画风格,绘画染料,绘画工具和绘画内容通常随着时间而变化,并且从一个时代到另一个时代是不同的。古画的时间分类能够帮助专家分析画作,协助整理大量绘画作品,可用于艺术推荐系统。
随着数字采集的发展,大量古画被收集并以数字方式显示。现有的图像分类一般是基于照片和公开数据集,并没有涉及到古画的年代分类问题。当古画的年代非常相近时,艺术作品的内容和风格都极为相似,如何准确地识别邻近年代古画的时间,是目前函待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种古画检测模型训练方法,能够对古画的年代进行分类,并提高识别邻近年代古画时间的准确率。
本发明还提出一种古画检测方法。
本发明还提出一种古画检测设备。
本发明还提出一种计算机可读存储介质。
第一方面,本发明的一个实施例提供了一种古画检测模型训练方法,包括:
获取古画图像样本数据;
对古画图像样本数据进行数据增广处理,得到训练样本;
将ImageNet数据集作为训练数据集,训练一个ResNet-50网络,得到预训练ResNet-50模型;
将预训练ResNet-50模型中的平均值池化层替换成最大值池化层,并添加一个卷积层,得到预设的古画年代分类网络;
采用迁移学习算法对预设的古画年代分类网络进行处理,得到古画年代检测网络;
将训练样本输入到古画年代检测网络中进行训练,得到古画年代检测模型。
本发明实施例的一种古画检测模型训练方法至少具有如下有益效果:
1.通过对古画图像样本数据进行数据增广处理,在缺少大量样本数据的情况下,能够自动增加样本数据的复杂性,提高古画年代检测模型的泛化能力;
2.采用迁移学习算法,将基于大数据下训练好的古画年代分类网络参数迁移到古画年代检测网络中,能够减少古画年代检测网络直接在小样本数据集上训练的过拟合问题;
3.基于预训练ResNet-50模型设计的古画年代分类网络,能够增大古画年代分类网络所提取特征的方差,提高古画年代检测模型对年代相近古画时间识别的准确率。
根据本发明的另一些实施例的一种古画检测模型训练方法,对古画图像样本数据进行数据增广处理,得到训练样本,包括:
对古画图像样本数据进行数据增强处理,得到第一样本数据;其中,
数据增强处理包括下列方式中的一种或多种:翻转变换、位移变换和添加高斯噪声;
对第一样本数据进行尺度变换,得到第二样本数据;
将第二样本数据作为训练样本。
本发明实施例的一种古画检测模型训练方法,通过对古画图像样本数据进行数据增广处理,在缺少大量样本数据的情况下,能够自动增加样本数据的复杂性,提高古画年代检测模型的泛化能力。
根据本发明的另一些实施例的一种古画检测模型训练方法,对古画图像样本数据进行数据增广处理,得到训练样本,还包括:
对第二样本数据进行数据分组,得到训练样本,以及得到下列样本中的一种或多种:验证样本和测试样本;其中,
验证样本用于验证古画年代检测模型何时收敛,
测试样本用于测试古画年代检测模型的年代分类准确率。
本发明实施例的一种古画检测模型训练方法,通过对样本数据进行分组,在训练样本的基础上,还增加验证样本和/或测试样本。通过验证样本验证古画年代检测模型何时收敛,能够评估模型的收敛性。通过测试样本测试古画年代检测模型的年代分类准确率,能够评估模型的检测精度。
根据本发明的另一些实施例的一种古画检测模型训练方法,将ImageNet数据集作为训练数据集,训练一个ResNet-50网络,得到预训练ResNet-50模型,包括:
将ImageNet数据集作为训练数据集,采用梯度下降法优化ResNet-50网络中的参数,得到预训练ResNet-50模型。
本发明实施例的一种古画检测模型训练方法,采用梯度下降法进行参数优化,能够提高预训练ResNet-50模型的可靠性,进而提高古画年代分类的准确性。
根据本发明的另一些实施例的一种古画检测模型训练方法,采用迁移学习算法对预设的古画年代分类网络进行处理,得到古画年代检测网络,包括:
获取预设的古画年代分类网络的参数;
采用迁移学习算法将预设的古画年代分类网络的参数加载到古画年代检测网络中。
本发明实施例的一种古画检测模型训练方法,采用迁移学习算法,将基于大数据下训练好的古画年代分类网络参数迁移到古画年代检测网络中,能够减少古画年代检测网络直接在小样本数据集上训练的过拟合问题。
第二方面,本发明的一个实施例提供了一种古画检测方法,包括:
获取待检测古画图像;
将待检测古画图像输入到古画年代检测模型中进行检测,得到待检测古画图像的年代数据;
其中,古画年代检测模型是采用本发明的一些实施例中任一实施例的古画检测模型训练方法训练得到的。
本发明实施例的一种古画检测方法,能够检测出古画的年代,并能准确地识别邻近年代古画的时间。
第三方面,本发明的一个实施例提供了一种古画检测设备,包括:
至少一个处理器,以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明的一些实施例中任一实施例的古画检测模型训练方法,
或者,
以使至少一个处理器能够执行本发明的一些实施例中任一实施例的古画检测方法。
第四方面,本发明的一个实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行本发明的一些实施例中任一实施例的古画检测模型训练方法,
或者,
使计算机执行本发明的一些实施例中任一实施例的古画检测方法。
附图说明
图1是本发明实施例中一种古画检测模型训练方法的一具体实施例的流程示意图;
图2是本发明实施例中一种古画检测模型训练方法的一具体实施例的预训练ResNet-50模型的网络架构示意图;
图3是本发明实施例中一种古画检测模型训练方法的一具体实施例的古画年代分类网络的网络架构示意图;
图4是本发明实施例中一种古画检测模型训练方法的另一具体实施例的流程示意图;
图5是本发明实施例中一种古画检测方法的一具体实施例的流程示意图。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
在本发明的描述中,如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征,它可以直接设置、固定、连接在另一个特征上,也可以间接地设置、固定、连接、安装在另一个特征上。
在本发明实施例的描述中,如果涉及到“多个”,其含义是两个以上,如果涉及到“第一”、“第二”,应当理解为用于区分技术特征,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
实施例1
参照图1,示出了本发明实施例中一种古画检测模型训练方法的一具体实施例的流程示意图。如图1所示,本发明实施例的一种古画检测模型训练方法,包括如下步骤:
S110:获取古画图像样本数据。
其中,古画图像样本数据是古画年代检测模型的初始样本数据,因为基于公开数据源获取的古画图像数量较少,而通过小样本数据训练得到的模型易出现过拟合问题,即由于训练数据过少导致拟合的函数完美地预测训练集,但对新数据测试集的预测结果差,过度拟合了训练数据,而没有考虑到泛化能力。所以需要对初始样本数据进行数据增广处理,数据增广主要用于增加训练数据集,让数据集尽可能的多样化,使得训练的模型具有更强的泛化能力。
S120:对古画图像样本数据进行数据增广处理,得到训练样本。
在本发明实施例的另一些具体实施例中,对古画图像样本数据进行数据增广处理,包括如下步骤:
S121:对古画图像样本数据进行数据增强处理,得到第一样本数据。
其中,数据增强处理包括下列方式中的一种或多种:翻转变换、位移变换和添加高斯噪声。
翻转变换是对古画图像样本数据以水平、垂直或镜像方式随机翻转。位移变换是在水平或垂直方向上随机移动古画图像样本数据的位置。添加高斯噪声是在[0.8,1.2]中随机选择一个因子来调整古画图像样本数据的对比度并随机添加高斯白噪声。
S122:对第一样本数据进行尺度变换,得到第二样本数据。
其中,尺度变换也是一种数据增广方式,可以是对第一样本数据进行放大,也可以是对第一样本数据进行缩小。
在本发明实施例的另一些具体实施例中,对古画图像样本数据进行数据增广处理,也可以是对古画图像样本数据进行尺度变换,得到第一样本数据;对第一样本数据进行数据增强处理,得到第二样本数据。
S123:将第二样本数据作为训练样本。
其中,训练样本是对古画图像样本数据进行数据增广处理后得到的样本,用于模型训练。本实施例中,通过对古画图像样本数据进行数据增广处理,在缺少大量样本数据的情况下,能够自动增加样本数据的复杂性,提高了古画年代检测模型的泛化能力。
S130:采用ImageNet数据集训练一个ResNet-50网络,得到预训练ResNet-50模型。
其中,ImageNet是一个用于视觉对象识别软件研究的大型可视化数据库,残差网络(Residual Networks,ResNet)主要是由残差块构建的,其特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。ResNet-50表示50层残差网络。
参照图2,示出了本发明实施例中一种古画检测模型训练方法的一具体实施例的预训练ResNet-50模型的网络架构示意图。如图2所示,Conv 7*7@64和Maxpool 2*2构成主通路,Conv 1*1@256、Conv 1*1@512、Conv 1*1@1024和Conv 1*1@2048分别表示4个不同的残差块。其中,Conv 1*1@64、Conv 3*3@64和Conv 1*1@256构成残差块Conv 1*1@256;Conv1*1@128、Conv 3*3@128和Conv 1*1@512构成残差块Conv 1*1@512;Conv 1*1@256、Conv 3*3@256和Conv 1*1@1024构成残差块Conv 1*1@1024;Conv 1*1@512、Conv 3*3@512和Conv1*1@2048构成残差块Conv 1*1@2048。Maxpool 2*2表示最大值池化,Avgpool 2*2表示均值池化,FC,(2048,1000)表示输出1000个分类。
对于一个残差块,首端和末端的1*1卷积用来削减和恢复维度,中间的3*3卷积为瓶颈部分。这种用1*1卷积控制3*3卷积的输入输出特征图数量的结构,即为瓶颈结构。
本实施例中基于ResNet-50网络架构构建的预训练ResNet-50模型存在明显的层级,特征图个数逐层递进,保证了输出特征表达能力。此外,预训练ResNet-50模型使用了较少的池化层,大量使用下采样,从而提高了传播效率。
在本发明实施例的另一些具体实施例中,将ImageNet数据集作为训练数据集,训练一个ResNet-50网络,得到预训练ResNet-50模型,包括:将ImageNet数据集作为训练数据集,采用梯度下降法优化ResNet-50网络中的参数,得到预训练ResNet-50模型。
其中,训练一个ResNet-50网络,设置训练的学习率初始值为0.001,每迭代10个epochs衰减0.8。当验证损失在10次迭代中没有减少时,停止训练过程。在测试中,使用最小验证损失的模型测试方法测试模型分类的准确性,使用梯度下降法进行参数优化。
梯度下降法是一种迭代方法,其目的是让输入向量找到一个合适的迭代方向,使得输出值能达到局部最小值。在拟合线性回归方程时,把损失函数视为以参数向量为输入的函数,找到其梯度下降的方向并进行迭代,就能找到最优的参数值。
将ImageNet数据集作为训练数据集,采用梯度下降法优化ResNet-50网络中的参数,得到预训练ResNet-50模型,能够提高预训练ResNet-50模型的可靠性,进而提高古画年代分类的准确性。
S140:基于预训练ResNet-50模型得到预设的古画年代分类网络。
参照图3,示出了本发明实施例中一种古画检测模型训练方法的一具体实施例的古画年代分类网络的网络架构示意图。如图3所示,本实施例的古画年代分类网络将预训练ResNet-50模型中的平均值池化层替换成最大值池化层,并添加一个卷积层。在本实施例的古画年代分类网络的网络架构中,预训练ResNet-50模型的网络架构中的Avgpool 2*2被替换成Maxpool 2*2,并在Maxpool 2*2的下一层添加了Conv 3*3@2048。
本实施例基于预训练ResNet-50模型设计的古画年代分类网络,通过最大值池化操作,能够增大古画年代分类网络所提取特征的方差,提高古画年代检测模型对年代相近古画时间识别的准确率。
S150:采用迁移学习算法对预设的古画年代分类网络进行处理,得到古画年代检测网络。
其中,迁移学习算法是一种机器学习算法,即把模型从源任务上训练到的知识,迁移到目标任务的应用上。例如,源任务可以是识别图片中车辆,而目标任务可以是识别卡车,识别轿车,识别公交车等。合理地使用迁移学习可以避免针对每个目标任务单独训练模型,从而极大地节约了计算资源。可以理解地,共同因素越多,迁移学习的作用就越大。迁移学习算法可以是参数的迁移学习算法,也可以是样本的迁移学习算法,还可以是特征的迁移学习算法。本实施例中的迁移学习算法为参数的迁移学习算法。
在本实施例中,源任务是识别古画图像样本的时间分类数据,目标任务是识别古画图像样本的年代数据。通过迁移学习算法处理预设的古画年代分类网络,将训练好的古画年代分类网络的参数迁移到古画年代检测网络中,可以防止过拟合,同时提高训练效率。
S160:将训练样本输入到古画年代检测网络中进行训练,得到古画年代检测模型。
本实施例将古画年代检测网络的卷积层与预设的古画年代分类网络中训练好的全连接层进行对接,将训练样本输入到古画年代检测网络中,开始模型训练,得到古画年代检测模型。
实施例2
参照图4,示出了本发明实施例中一种古画检测模型训练方法的另一具体实施例的流程示意图。如图4所示,基于实施例1,本发明实施例的一种古画检测模型训练方法,包括如下步骤:
S210:获取古画图像样本数据。
S220:对古画图像样本数据进行数据增广处理,得到训练样本、验证样本和测试样本。
其中,在本发明实施例的另一些具体实施例中,对古画图像样本数据进行数据增广处理,包括如下步骤:
S221:对古画图像样本数据进行数据增强处理,得到第一样本数据。
S222:对第一样本数据进行尺度变换,得到第二样本数据。
S223:对第二样本数据进行数据分组处理,得到训练样本、验证样本和测试样本。
本实施例对第二样本数据进行数据分组处理,将第二样本数据中80%的样本数据划分到训练样本,将第二样本数据中10%的样本数据划分到验证样本,剩余10%的样本数据划分到检测样本。
在本发明实施例的另一些具体实施例中,对第二样本数据进行数据分组处理,将第二样本数据划分为训练样本、验证样本和测试样本的比例可根据实际情况进行调整。
S230:采用ImageNet数据集训练一个ResNet-50网络,得到预训练ResNet-50模型。
S240:基于预训练ResNet-50模型得到预设的古画年代分类网络。
S250:采用迁移学习算法对预设的古画年代分类网络进行处理,得到古画年代检测网络。
S260:将训练样本输入到古画年代检测网络中进行训练,得到古画年代检测模型。
S270:使用验证样本验证古画年代检测模型何时收敛。
本实施例使用验证样本验证古画年代检测模型何时收敛,能够评估古画年代检测模型的收敛性。
在本发明实施例的一些具体实施例中,古画年代检测模型收敛的条件是,当验证损失在预定次数的迭代中没有减少时,就停止训练过程。
在本发明实施例的另一些具体实施例中,古画年代检测模型收敛的条件也可以是,当两次迭代之间的衰减系数小于预定衰减阈值时,就停止训练过程。古画年代检测模型收敛的条件还可以是,当迭代达到预定迭代次数时,就停止训练过程。
S280:使用测试样本测试古画年代检测模型的年代分类准确率。
本实施例使用测试样本测试古画年代检测模型的年代分类准确率,能够评估古画年代检测模型的检测精度。
实施例3
参照图5,示出了本发明实施例中一种古画检测方法的一具体实施例的流程示意图。如图5所示,基于实施例1和实施例2,本发明实施例的一种古画检测方法,包括如下步骤:
S310:获取待检测古画图像。
其中,待检测古画图像是指要进行古画年代检测的古画图像。获取待检测古画图像可以通过现场扫描古画,也可以通过网络下载公共数据源的古画图像。
S320:将待检测古画图像输入到古画年代检测模型中进行检测,得到待检测古画图像的年代数据。
其中,古画年代检测模型是采用本发明的一些实施例中任一实施例的古画检测模型训练方法训练得到的。本实施例通过古画年代检测模型检测古画图像,能够检测出古画的年代,并能准确地识别邻近年代古画的时间。
实施例4
本实施例的一种古画检测设备,包括至少一个处理器,以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明的一些实施例中任一实施例的古画检测模型训练方法,或者,以使至少一个处理器能够执行本发明的一些实施例中任一实施例的古画检测方法。
实施例5
本实施例的一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行本发明的一些实施例中任一实施例的古画检测模型训练方法,或者,使计算机执行本发明的一些实施例中任一实施例的古画检测方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-0nly Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种古画检测模型训练方法,其特征在于,包括:
获取古画图像样本数据;
对所述古画图像样本数据进行数据增广处理,得到训练样本;
将ImageNet数据集作为训练数据集,训练一个ResNet-50网络,得到预训练ResNet-50模型;
将所述预训练ResNet-50模型中的平均值池化层替换成最大值池化层,并添加一个卷积层,得到预设的古画年代分类网络;
采用迁移学习算法对所述预设的古画年代分类网络进行处理,得到古画年代检测网络;
将所述训练样本输入到所述古画年代检测网络中进行训练,得到古画年代检测模型。
2.根据权利要求1所述的古画检测模型训练方法,其特征在于,所述对所述古画图像样本数据进行数据增广处理,得到训练样本,包括:
对所述古画图像样本数据进行数据增强处理,得到第一样本数据;其中,
所述数据增强处理包括下列方式中的一种或多种:翻转变换、位移变换和添加高斯噪声;
对所述第一样本数据进行尺度变换,得到第二样本数据;
将所述第二样本数据作为所述训练样本。
3.根据权利要求2所述的古画检测模型训练方法,其特征在于,所述对所述古画图像样本数据进行数据增广处理,得到训练样本,还包括:
对所述第二样本数据进行数据分组,得到所述训练样本,以及得到下列样本中的一种或多种:验证样本和测试样本;其中,
所述验证样本用于验证所述古画年代检测模型何时收敛;
所述测试样本用于测试所述古画年代检测模型的年代分类准确率。
4.根据权利要求1至3任一项所述的古画检测模型训练方法,其特征在于,所述将ImageNet数据集作为训练数据集,训练一个ResNet-50网络,得到预训练ResNet-50模型,包括:
将ImageNet数据集作为训练数据集,采用梯度下降法优化所述ResNet-50网络中的参数,得到所述预训练ResNet-50模型。
5.根据权利要求4所述的古画检测模型训练方法,其特征在于,所述采用迁移学习算法对所述预设的古画年代分类网络进行处理,得到古画年代检测网络,包括:
获取所述预设的古画年代分类网络的参数;
采用迁移学习算法将所述预设的古画年代分类网络的参数加载到所述古画年代检测网络中。
6.一种古画检测方法,其特征在于,包括:
获取待检测古画图像;
将所述待检测古画图像输入到古画年代检测模型中进行检测,得到所述待检测古画图像的年代数据;
其中,所述古画年代检测模型是采用权利要求1至5任一项所述古画检测模型训练方法训练得到的。
7.一种古画检测设备,其特征在于,包括:
至少一个处理器,以及,
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如权利要求1至5任一项所述的古画检测模型训练方法,
或者,
以使至少一个所述处理器能够执行如权利要求6所述的古画检测方法。
8.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的古画检测模型训练方法,
或者,
使计算机执行如权利要求6所述的古画检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102705.XA CN111325272A (zh) | 2020-02-19 | 2020-02-19 | 古画检测模型训练方法、古画检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102705.XA CN111325272A (zh) | 2020-02-19 | 2020-02-19 | 古画检测模型训练方法、古画检测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325272A true CN111325272A (zh) | 2020-06-23 |
Family
ID=71167331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010102705.XA Pending CN111325272A (zh) | 2020-02-19 | 2020-02-19 | 古画检测模型训练方法、古画检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325272A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493994A (zh) * | 2022-01-13 | 2022-05-13 | 南京市测绘勘察研究院股份有限公司 | 一种用于三维场景的古画风格迁移方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409198A (zh) * | 2018-08-31 | 2019-03-01 | 平安科技(深圳)有限公司 | Au检测模型训练方法、au检测方法、装置、设备及介质 |
CN110766083A (zh) * | 2019-10-25 | 2020-02-07 | 忻州师范学院 | 一种基于特征融合Alexnet壁画图像分类方法 |
-
2020
- 2020-02-19 CN CN202010102705.XA patent/CN111325272A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409198A (zh) * | 2018-08-31 | 2019-03-01 | 平安科技(深圳)有限公司 | Au检测模型训练方法、au检测方法、装置、设备及介质 |
CN110766083A (zh) * | 2019-10-25 | 2020-02-07 | 忻州师范学院 | 一种基于特征融合Alexnet壁画图像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493994A (zh) * | 2022-01-13 | 2022-05-13 | 南京市测绘勘察研究院股份有限公司 | 一种用于三维场景的古画风格迁移方法 |
CN114493994B (zh) * | 2022-01-13 | 2024-04-16 | 南京市测绘勘察研究院股份有限公司 | 一种用于三维场景的古画风格迁移方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN108345911B (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
CN109784149B (zh) | 一种人体骨骼关键点的检测方法及系统 | |
WO2017143919A1 (zh) | 一种建立数据识别模型的方法及装置 | |
CN105957086A (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
CN111260614A (zh) | 一种基于极限学习机的卷积神经网络布匹瑕疵检测方法 | |
CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
CN109001211A (zh) | 基于卷积神经网络的长输管道焊缝检测系统及方法 | |
CN109726195A (zh) | 一种数据增强方法及装置 | |
CN112446869A (zh) | 基于深度学习的无监督工业品缺陷检测方法及装置 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN111325272A (zh) | 古画检测模型训练方法、古画检测方法、设备及存储介质 | |
CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN111652264B (zh) | 基于最大均值差异的负迁移样本筛选方法 | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
CN113762005A (zh) | 特征选择模型的训练、对象分类方法、装置、设备及介质 | |
CN111815209A (zh) | 应用于风控模型的数据降维方法及装置 | |
JPWO2019215746A5 (zh) | ||
CN115345872A (zh) | 一种基于自适应降噪的刀具损伤灰度图像智能分类方法 | |
CN116011337A (zh) | 一种抗数值噪声的高效工程设计方法 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
CN114972895A (zh) | 小龙虾品质无损检测方法及装置 | |
CN110533098B (zh) | 一种基于卷积神经网络识别绿通车车厢装载类型的方法 |
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: 20200623 |