CN111339315B - 知识图谱构建方法、系统、计算机可读介质和电子设备 - Google Patents

知识图谱构建方法、系统、计算机可读介质和电子设备 Download PDF

Info

Publication number
CN111339315B
CN111339315B CN202010108702.7A CN202010108702A CN111339315B CN 111339315 B CN111339315 B CN 111339315B CN 202010108702 A CN202010108702 A CN 202010108702A CN 111339315 B CN111339315 B CN 111339315B
Authority
CN
China
Prior art keywords
image
images
color
graph
generate
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
Application number
CN202010108702.7A
Other languages
English (en)
Other versions
CN111339315A (zh
Inventor
陈志熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Starfire Technology Co ltd
Original Assignee
Nanjing Starfire Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Starfire Technology Co ltd filed Critical Nanjing Starfire Technology Co ltd
Priority to CN202010108702.7A priority Critical patent/CN111339315B/zh
Publication of CN111339315A publication Critical patent/CN111339315A/zh
Application granted granted Critical
Publication of CN111339315B publication Critical patent/CN111339315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种知识图谱构建方法、系统、计算机可读介质和电子设备。该方法包括：基于第一图像的颜色特征，对第一图像进行分割，生成N个第二图像，其中，N为正整数；基于每个第二图像中像素的位置特征，对每个第二图像分别进行分割，生成
Figure DDA0002389218280000011
个第三图像，其中，Mi表示对第i个第二图像分割生成的第三图像的数量，Mi为正整数，i小于等于N；确定
Figure DDA0002389218280000012
个第三图像与知识图谱中的
Figure DDA0002389218280000013
个节点之间的一一对应关系，并将
Figure DDA0002389218280000014
个第三图像的特征属性按照对应关系存储于
Figure DDA0002389218280000015
个节点。该方法构建的知识图谱用于图神经网络的训练时，极大的减少了训练样本，提高了图神经网络的训练速度。

Description

知识图谱构建方法、系统、计算机可读介质和电子设备
技术领域
本申请涉及神经网络技术领域，特别是涉及一种知识图谱构建方法、系统、计算机可读介质和电子设备。
背景技术
随着神经网络技术的发展，利用神经网络进行图像识别在诸多领域得到了广泛的应用。目前的神经网络模型在进行图像识别过程中，普遍采用的是基于图像的像素构建神经网络模型的训练样本，由于在图像中存在着数十万上百万的像素，导致神经网络模型的训练效率较低。
发明内容
基于上述问题，本申请提供了一种知识图谱构建方法、系统、计算机可读介质和电子设备，用以缓解上述现有技术中存在的技术问题。
本申请实施例公开了如下技术方案：
本申请提供一种知识图谱构建方法，所述知识图谱用于对图神经网络进行训练，包括：基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000011
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；确定
Figure GDA0004055805870000012
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000013
个节点之间的一一对应关系，并将
Figure GDA0004055805870000014
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000015
个所述节点。
可选地，在本申请的任一实施例中，所述基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像包括：对所述第一图像进行颜色划分，得到N个所述颜色特征；基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
可选地，在本申请的任一实施例中，所述对所述第一图像进行颜色划分，得到N个颜色特征包括：对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
可选地，在本申请的任一实施例中，所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000021
个第三图像，包括：基于每个所述第二图像中像素的位置特征，将每个所述第二图像中位置不相邻的像素进行分离，生成
Figure GDA0004055805870000022
个所述第三图像。
可选地，在本申请的任一实施例中，所述确定
Figure GDA0004055805870000023
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000024
个节点之间的一一对应关系，并将
Figure GDA0004055805870000025
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000026
个所述节点包括：根据
Figure GDA0004055805870000027
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000028
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000029
个节点之间的一一对应关系，并将
Figure GDA00040558058700000210
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000211
个所述节点。
可选地，在本申请的任一实施例中，所述根据
Figure GDA00040558058700000212
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700000213
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000214
个节点之间的一一对应关系，并将
Figure GDA00040558058700000215
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000216
个所述节点包括：基于所述第一图像中像素的排列位置，构建一个节点数量与所述第一图像中像素数量相等的所述知识图谱，以及根据
Figure GDA00040558058700000217
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700000218
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000219
个节点之间的一一对应关系，并将
Figure GDA00040558058700000220
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000221
个所述节点。
可选地，在本申请的任一实施例中，在基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA00040558058700000222
个第三图像之后，在确定
Figure GDA00040558058700000223
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000224
个节点之间的一一对应关系，并将
Figure GDA00040558058700000225
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000226
个所述节点之前，还包括：基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。
本申请实施例还提供一种知识图谱构建系统，所述知识图谱用于对图神经网络进行训练，包括：颜色分割单元，配置为基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；位置分割单元，配置为基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000031
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；构建单元，配置为确定
Figure GDA0004055805870000032
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000033
个节点之间的一一对应关系，并将
Figure GDA0004055805870000034
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000035
个所述节点。
可选地，在本申请的任一实施例中，所述颜色分割单元包括：颜色划分子单元，配置为对所述第一图像进行颜色划分，得到N个所述颜色特征；分割子单元，配置为基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
可选地，在本申请的任一实施例中，所述颜色划分子单元包括：直方图模块，配置为对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；特征划分模块，配置为基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
可选地，在本申请的任一实施例中，所述位置分割单元进一步配置为，基于每个所述第二图像中像素点的位置特征，将所述第二图像中位置不相邻的像素进行分离，生成
Figure GDA0004055805870000036
个所述第三图像。
可选地，在本申请的任一实施例中，所述构建单元进一步配置为，根据
Figure GDA0004055805870000037
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000038
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000039
个节点之间的一一对应关系，并将
Figure GDA00040558058700000310
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000311
个所述节点。
可选地，在本申请的任一实施例中，所述构建单元进一步配置为，基于所述第一图像中像素的排列位置，构建一个节点数量与所述第一图像中像素数量相等的所述知识图谱，以及根据
Figure GDA00040558058700000312
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700000313
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000314
个节点之间的一一对应关系，并将
Figure GDA00040558058700000315
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000316
个所述节点。
可选地，在本申请的任一实施例中，还包括：特征编码单元，配置为基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。
本申请实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一实施例所述的知识图谱构建方法。
本申请实施例还提供一种电子设备，用于对图神经网络进行训练，所述设备包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000041
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；确定
Figure GDA0004055805870000042
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000043
个节点之间的一一对应关系，并将
Figure GDA0004055805870000044
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000045
个所述节点。
可选地，在本申请的任一实施例中，所述处理器执行所述基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像的步骤，包括：对所述第一图像进行颜色划分，得到N个所述颜色特征；基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
可选地，在本申请的任一实施例中，所述处理器执行所述对所述第一图像进行颜色划分，得到N个所述颜色特征的步骤，包括：对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
可选地，在本申请的任一实施例中，所述处理器执行所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000046
个第三图像的步骤，包括：基于每个所述第二图像中像素的位置特征，将每个所述第二图像中位置不相邻的像素进行分离，生成
Figure GDA0004055805870000047
个所述第三图像。
可选地，在本申请的任一实施例中，所述处理器执行所述确定
Figure GDA0004055805870000051
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000052
个节点之间的一一对应关系，并将
Figure GDA0004055805870000053
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000054
个所述节点的步骤，包括：根据
Figure GDA0004055805870000055
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000056
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000057
个节点之间的一一对应关系，并将
Figure GDA0004055805870000058
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000059
个所述节点。
可选地，在本申请的任一实施例中，所述处理器执行所述根据
Figure GDA00040558058700000510
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700000511
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000512
节点之间的一一对应关系，并将
Figure GDA00040558058700000513
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000514
个所述节点的步骤包括：基于所述第一图像中像素的排列位置，构建一个节点数量与所述第一图像中像素数量相等的所述知识图谱，以及根据
Figure GDA00040558058700000515
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700000516
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000517
个节点之间的一一对应关系，并将
Figure GDA00040558058700000518
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000519
个所述节点。
可选地，在本申请的任一实施例中，所述处理器执行所述在基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA00040558058700000520
个第三图像的步骤之后，在确定
Figure GDA00040558058700000521
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000522
个节点之间的一一对应关系，并将
Figure GDA00040558058700000523
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000524
个所述节点的步骤之前，还包括：基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。
本申请实施例的技术方案中，基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像；基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA00040558058700000525
个第三图像；确定
Figure GDA00040558058700000526
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700000527
个节点之间的一一对应关系，并将
Figure GDA00040558058700000528
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700000529
个所述节点，以此完成关于第一图像的知识图谱的构建。籍此，将第一图像按照颜色特征分割为N个第二图像，将每个第二图像按照位置特征分割为Mi个第三图像，按照
Figure GDA0004055805870000061
个第三图像与知识图谱中的
Figure GDA0004055805870000062
个节点之间的一一对应关系，将
Figure GDA0004055805870000063
个所述第三图像的特征属性存储于
Figure GDA0004055805870000064
个所述节点，完成所述知识图谱的构建。利用该知识图谱，图神经网络只需要基于
Figure GDA0004055805870000065
个存储有第三图像的特征属性的
Figure GDA0004055805870000066
个节点，即可完成训练，极大的减少了训练样本的数量，提高图神经网络的训练速度，当应用到图像识别过程中时，可极大的提高图像识别的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1A为根据本申请第一实施例所示的知识图谱构建方法的流程示意图；
图1B为根据本申请第一实施例所示的知识图谱构建方法中步骤S101的流程示意图；
图1C为根据本申请实施例所示的知识图谱构建方法中步骤S111的流程示意图；
图1D为根据本申请第一实施例所示的知识图谱构建方法在图像识别中的应用示意图；
图2A为根据本申请第二实施例所示的知识图谱构建系统的结构示意图；
图2B为根据本申请第二实施例所示的知识图谱构建系统中颜色分割单元的结构示意图；
图2C为根据本申请第二实施例所述的知识图谱构建系统中颜色划分子单元的结构示意图；
图3A为根据本申请第三实施例所示的电子设备的处理器执行计算机程序时实现的知识图谱构建方法的流程示意图；
图3B为根据本申请第三实施例所示的电子设备的处理器执行计算机程序时实现的知识图谱构建方法中步骤S301的流程示意图；
图3C为根据本申请第三实施例所示的电子设备的处理器执行计算机程序时实现的知识图谱构建方法中步骤S311的流程示意图；
图4为根据本申请第四实施例所示的电子设备的结构示意图；
图5为根据本申请第五实施例所示的电子设备的硬件结构示意图。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
首先，需要说明的是，本申请实施例中的图像可以表征图片中的物体或物体的特征。
第一实施例
图1A为根据本申请第一实施例所示的知识图谱构建方法的流程示意图；所述知识图谱用于对图神经网络进行训练，如图1A所示，该方法包括：
步骤S101、基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；
在本申请实施例中，第一图像为输入的图片中的原始图像；颜色特征定义第一图像中包含的不同颜色的类别。比如，在第一图像中包含有红、橙、黄、绿、青、蓝、紫七种颜色，那么该第一图像就包含有七个颜色特征，在基于这七个颜色特征对第一图像进行分割时，将同一颜色的特征划分到一个子图像中，最终，将第一图像划分为七个第二图像，每个第二图像中仅包含第一图像中同一颜色的特征。可以理解的是，以上描述仅为示例性的，本申请实施例对此不做任何限定。
图1B为根据本申请第一实施例所示的知识图谱构建方法中步骤S101的流程示意图；如图1B所示，所述基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，包括：
步骤S111、对所述第一图像进行颜色划分，得到N个所述颜色特征；
在本申请实施例中，在对所述第一图像进行颜色划分时，可以基于不同的颜色空间，对所述第一图像进行颜色划分。比如，基于RGB(Red、Green、Blue)颜色空间，对所述第一图像进行颜色划分，其中，R、G、B分别代表第一图像中红、绿、蓝三个通道的颜色。在RGB颜色空间中，第一图像中的任意色光都可以用R、G、B三色不同分量相加混合而成，通过调整R、G、B会生成不同的色值，籍此，可以得到不同的颜色。此外，还可以采用HIS(Hue-Intensity-Saturation)颜色空间、HSV(Hue，Saturation，Value)颜色空间等，对所述第一图像进行颜色划分，不同的颜色空间之间可以进行相互转化。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，在所述对所述第一图像进行颜色划分，得到N个颜色特征时，可以通过对所述第一图像进行特征提取，完成所述第一图像的颜色划分，得到N个所述颜色特征。图1C为根据本申请第一实施例所示的知识图谱构建方法中步骤S111的流程示意图；如图1C所示，所述对所述第一图像进行颜色划分，得到N个所述颜色特征包括：
步骤S111A、对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；
在一些可选实施例中，在对所述第一图像进行特征提取，生成所述第一图像的颜色直方图时，可以通过统计的方法，遍历所述第一图像中像素的颜色，统计该颜色的像素数量，完成所述第一图像的特征提取，生成所述第一图像的颜色直方图。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S111B、基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
在本申请实施例中，在基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征时，可以根据需要将颜色直方图划分为N个部分，相对应的就得到N个不同的颜色类别，这N个不同的颜色类别定义为N个颜色特征。其中，在颜色直方图中，横坐标定义图像的不同颜色，取值范围为(0-255)；纵坐标定义图像中不同颜色的像素的数量。通过将横坐标的取值范围(0-255)划分为N个不同的区间，在同一个取值区间内的颜色定义为一个颜色特征。比如，在颜色直方图中，将横坐标取值范围在(0-100)内的像素定义为第一颜色特征；将横坐标取值范围在(101-180)内的像素定义为第二颜色特征；将横坐标取值范围在(181-255)内的像素定义为第三颜色特征，那么该图像在进行颜色划分时，就可以得到三个颜色特征。籍此，通过对第一图像中的颜色数字化，更为精确、方便的对第一图像的颜色进行划分。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S112、基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
在本申请实施例中，基于颜色特征，对第一图像中进行分割，每一个颜色特征对应一个第二图像；当具有N个颜色特征时，对第一图像进行分割，则形成N个第二图像。当定义的颜色特征较多时，计算效率降低，但计算精度提高；当定义的颜色特征较少时，计算效率升高，但计算精度降低，可以根据实际需要定义颜色特征的数量，以使计算效率和计算精度达到平衡。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S102、基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000091
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；
在本申请实施例中，基于颜色特征生成的第二图像中，每个第二图像中的像素可能并不是连通的，因而，难以对同一颜色的不同图像进行区分。在每个第二图像中，基于像素的位置特征，对第二图像进行分割，将每个第二图像分割为Mi个第三图像，在Mi个第三图像中，每个图像的像素均为连通的，籍此，可以认为同一个颜色的一组互相连通的像素代表一个图像。
Figure GDA0004055805870000092
表示将每个第二图像分割生成的Mi个第三图像求和，即总共得到的第三图像的数量。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，在基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000101
个第三图像时，基于每个所述第二图像中像素的位置特征，将每个所述第二图像中位置不相邻的像素进行分离，生成
Figure GDA0004055805870000102
个所述第三图像。籍此，在每个第三图像中，每个图像的像素均为连通的，可以更好的识别不同图像。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，在基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000103
个第三图像时，通过对每个第二图像进行二值化处理，使每个第二图像呈现出明显的黑白效果，凸显出第二图像的轮廓，籍此，将每个第二图像中的不相邻的像素分离，完成第二图像的分割，生成Mi个第三图像。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S103、确定
Figure GDA0004055805870000104
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000105
个节点之间的一一对应关系，并将
Figure GDA0004055805870000106
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000107
个所述节点。
在本申请实施例中，在生成
Figure GDA0004055805870000108
个第三图像后，创建一包含至少
Figure GDA0004055805870000109
个节点的知识图谱，在至少
Figure GDA00040558058700001010
个节点中可随机确定
Figure GDA00040558058700001011
个节点与
Figure GDA00040558058700001012
个第三图像之间的一一对应关系，按照确定的对应关系将
Figure GDA00040558058700001013
个所述第三图像的特征属性存储于
Figure GDA00040558058700001014
个节点中，至此，完成知识图谱的创建。籍此，利用该知识图谱，图神经网络只需要基于
Figure GDA00040558058700001015
个存储有第三图像的特征属性的
Figure GDA00040558058700001016
个节点，即可完成图神经网络的训练，极大的减少了训练样本，提高图神经网络的训练速度。可以理解的是，以上描述仅为示例性的，本申请实施例对此并不进行限定。
在本申请实施例中，通过卷积神经网络，进行卷积、池化等操作，对第三图像进行降维(在降维的过程中保留第三图像的特征)，实现第三图像进行特征编码，得到第三图像的特征属性。所述第三图像的特征属性，具体可以包括：第三图像的颜色、位置、形状、大小等等。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，在确定
Figure GDA00040558058700001017
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000111
个节点之间的一一对应关系，并将
Figure GDA0004055805870000112
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000113
个所述节点时，根据
Figure GDA0004055805870000114
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000115
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000116
个节点之间的一一对应关系，并将
Figure GDA0004055805870000117
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000118
个所述节点。相对于随机确定
Figure GDA0004055805870000119
个节点与
Figure GDA00040558058700001110
个第三图像之间的对应关系而言，根据
Figure GDA00040558058700001111
个第三图像中每个第三图像的重心，确定知识图谱中的
Figure GDA00040558058700001112
个节点，将
Figure GDA00040558058700001113
个第三图像与知识图谱中的
Figure GDA00040558058700001114
个节点一一对应起来，使
Figure GDA00040558058700001115
个第三图像之间的规律在知识图谱的
Figure GDA00040558058700001116
个节点中得以体现，完成知识图谱的构建，能够加快图神经网络的训练速度，缩短图神经网络的训练时间。可以理解的是，以上描述仅为示例性的，本申请实施例对此并不进行限定。
在一具体的例子中，通过将第三图像中像素的坐标值与对应的像素数量，计算所述第三图像的重心。具体为，对第三图像中像素的坐标值横坐标和纵坐标分别进行累加，再除以对应的像素数量，即可得到第三图像的重心。可以理解的是，以上描述仅为示例性的，本申请实施例对此不进行限定。
在另一具体的例子中，在根据
Figure GDA00040558058700001117
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700001118
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700001119
个节点之间的一一对应关系，并将
Figure GDA00040558058700001120
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700001121
个所述节点时，基于所述第一图像中像素的排列位置，构建一个节点数量与所述第一图像中像素数量相等的所述知识图谱，以及根据
Figure GDA00040558058700001122
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700001123
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700001124
个节点之间的一一对应关系，并将
Figure GDA00040558058700001125
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700001126
个所述节点。例如，假设第一图像的有效像素为800*600，那么我们在构建的知识图谱中预设800*600个节点，节点的位置按照第一图像的像素的位置排列(这些节点并没有被激活)，计算每个第三图像的重心，根据重心位置寻找距离最近的节点，并将该节点激活，籍此，将
Figure GDA00040558058700001127
个第三图像的重心与
Figure GDA00040558058700001128
个所述节点对应起来，将每个所述第三图像的特征属性分别存入对应的所述节点，完成第一图像的知识图谱的构建。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，在基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000121
个第三图像之后，在确定
Figure GDA0004055805870000122
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000123
个节点之间的一一对应关系，并将
Figure GDA0004055805870000124
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000125
个所述节点之前，还可以包括：基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一具体的例子中，在基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性时，通过卷积神经网络模型，对每个所述第三图像进行卷积、池化操作，完成每个第三图像的降维处理，在降维的过程中保留第三图像的特征，实现第三图像的特征编码，得到第三图像的特征属性。其中，卷积神经网络模型包括堆叠在一起的多个卷积层和多个池化层。卷积层中包括多个卷积核，通过有规律的扫描第三图像，对第三图像的元素进行乘法、求和、叠加偏差量运算，输出所述第三图像的特征图；然后由池化层通过下采样的过程减小特征图的规模，并提取出第三图像的特征属性。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在另一具体的例子中，在通过卷积神经网络模型，对每个第三图像进行卷积、池化操作之前，还可以对所述第三图像进行归一化处理。比如，将第三图像中在区间(0-255)的像素值归一化至区间(0-1)，籍此，有效提升卷积神经网络模型对第三图像进行处理时的效率。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在另一具体的例子中，在对第三图像进行池化操作时，可以采用平均池化、最大化池化或者随机池化的方法。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在本申请实施例中，基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像；基于每个所述第二图像中像素的位置特征，对每个所述第二图分别像进行分割，生成
Figure GDA0004055805870000126
个第三图像；确定
Figure GDA0004055805870000131
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000132
个节点之间的一一对应关系，并将
Figure GDA0004055805870000133
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000134
个所述节点，以此完成关于第一图像的知识图谱的构建。籍此，将第一图像按照颜色特征分割为N个第二图像，将每个第二图像按照位置特征分割为Mi个第三图像；按照
Figure GDA0004055805870000135
个第三图像与知识图谱中的
Figure GDA0004055805870000136
个节点之间的一一对应关系，将
Figure GDA0004055805870000137
个第三图像的特征属性存储于
Figure GDA0004055805870000138
个节点，完成知识图谱的构建。利用该存储有
Figure GDA0004055805870000139
个所述第三图像的特征属性的知识图谱，图神经网络只需要基于
Figure GDA00040558058700001310
个节点的特征属性，即可完成训练，不需要再基于图像的像素构建图神经网络的训练样本进行训练，极大的减少了训练样本的数量，提高图神经网络的训练速度，当应用到图像识别过程中时，可极大的提高图像识别的效率。
图1D为根据本申请第一实施例所示的知识图谱构建方法在图像识别中的应用示意图；如图1D所示，在对图片中的大熊猫图像进行识别过程中，大熊猫图像即为第一图像。在大熊猫图像中具有灰白色、和黑色两种颜色特征；基于灰白色和黑色两种颜色特征，对大熊猫图形进行图像分割，生成2(即N等于2)个第二图像。这2个第二图像分别为灰白色特征的第二图像和黑色特征的第二图像。其中，黑色特征的第二图像中具有6个不连续的像素区域，基于这6个不连续的像素的位置特征，将黑色特征的第二图像进行分割，划分为6个黑色特征的第三图像(即M1等于6)。灰白色特征的第二图像中具有2个不连续的像素区域，因而，基于这2个不连续的像素的位置特征，将灰白色特征的第二图像进行分割，划分为2个灰白色特征的第三图像(即M2等于2)。至此，共生了8个第三图像(即
Figure GDA00040558058700001311
等于8)，将这8个第三图像与知识图谱中的8个节点一一对应起来，将8个第三图像的特征属性按照对应关系存储着知识图谱的8个节点中。籍此，通过该知识图谱对神经网络模型进行训练时，神经网络模型只需要学习对应的8个节点之间的关系即可，不需要再以每个像素为单位进行训练，极大的提高了神经网络模型的训练速度。
第二实施例
图2A为根据本申请第二实施例所示的知识图谱构建系统的结构示意图；所述知识图谱用于对图神经网络进行训练，如图2A所示，该知识图谱构建系统包括：颜色分割单元201，配置为基于第一图像的颜色特征，对所述第一图像进行分割，生成N个所述第二图像，其中，N为正整数；位置分割单元202，配置为基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000141
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；构建单元203，配置为确定
Figure GDA0004055805870000142
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000143
个节点之间的一一对应关系，并将
Figure GDA0004055805870000144
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000145
个所述节点。
图2B为根据本申请第二实施例所示的知识图谱构建系统中颜色分割单元的结构示意图；如图2B所示，该颜色分割单元201包括：颜色划分子单元211，配置为对所述第一图像进行颜色划分，得到N个所述颜色特征；分割子单元221，配置为基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
图2C为根据本申请第二实施例所述的知识图谱构建系统中颜色划分子单元的结构示意图；如图2C所示，所述颜色划分子单元211包括：直方图模块211A，配置为对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；特征划分模块211B，配置为基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
在一些可选实施例中，所述位置分割单元202进一步配置为，基于每个所述第二图像中像素的位置特征，将所述第二图像中位置不相邻的像素进行分离，生成
Figure GDA0004055805870000146
个所述第三图像。
在一些可选实施例中，所述构建单元还可以进一步配置为，根据
Figure GDA0004055805870000147
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000148
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000149
个节点之间的一一对应关系，并将
Figure GDA00040558058700001410
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700001411
个所述节点。
在一具体的例子中，所述构建单元还可以进一步配置为，基于所述第一图像中像素的排列位置，构建一个节点数量与所述第一图像中像素数量相等的所述知识图谱，以及根据
Figure GDA00040558058700001412
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000151
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000152
个节点之间的一一对应关系，并将
Figure GDA0004055805870000153
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000154
个所述节点。
在一些可选实施例中，所述系统还可以包括：特征编码单元，配置为基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。
本申请实施例的知识图谱构建系统执行上述第一实施例中的知识图谱构建方法的流程，可以实现上述第一实施例所述的知识图谱构建方法的有益效果，在此不再一一赘述。
第三实施例
图3A为根据本申请第三实施例所示的电子设备的处理器执行计算机程序时实现的知识图谱构建方法的流程示意图；该电子设备用于对图神经网络进行训练，如图3A所示，知识图谱构建方法包括：
步骤S301、基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；
在本申请实施例中，第一图像为输入的图片中的原始图像；颜色特征定义第一图像中包含的不同颜色的类别。比如，在第一图像中包含有红、橙、黄、绿、青、蓝、紫七种颜色，那么该第一图像就包含有七个颜色特征，在基于这七个颜色特征对第一图像进行分割时，将同一颜色的特征划分到一个子图像中，最终，将第一图像划分为七个第二图像，每个第二图像中仅包含第一图像中同一颜色的特征。可以理解的是，以上描述仅为示例性的，本申请实施例对此不做任何限定。
图3B为根据本申请第三实施例所示的电子设备的处理器执行计算机程序时实现的知识图谱构建方法中步骤S301的流程示意图；如图3B所示，所述处理器执行所述基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像的步骤，包括：
步骤S311、对所述第一图像进行颜色划分，得到N个所述颜色特征；
在本申请实施例中，所述处理器执行所述对所述第一图像进行颜色划分的步骤时，可以基于不同的颜色空间，对所述第一图像进行颜色划分。比如，基于RGB(Red、Green、Blue)颜色空间，对所述第一图像进行颜色划分，其中，R、G、B分别代表第一图像中红、绿、蓝三个通道的颜色。在RGB颜色空间中，第一图像中的任意色光都可以用R、G、B三色不同分量相加混合而成，通过调整R、G、B会生成不同的色值，籍此，可以得到不同的颜色。此外，还可以采用HIS(Hue-Intensity-Saturation)颜色空间、HSV(Hue，Saturation，Value)颜色空间等，对所述第一图像进行颜色划分，不同的颜色空间之间可以进行相互转化。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，所述处理器执行所述所述对所述第一图像进行颜色划分，得到N个颜色特征的步骤时，可以通过对所述第一图像进行特征提取，完成所述第一图像的颜色划分，得到N个所述颜色特征。图3C为根据本申请第三实施例所示的电子设备的处理器执行计算机程序时实现的知识图谱构建方法中步骤S311的流程示意图；如图3C所示，所述处理器执行所述对所述第一图像进行颜色划分，得到N个所述颜色特征的步骤，包括：
步骤S311A、对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；
在一些可选实施例中，所述处理器执行所述对所述第一图像进行特征提取，生成所述第一图像的颜色直方图的步骤时，可以通过统计的方法，遍历所述第一图像中像素的颜色，统计该颜色的像素数量，完成所述第一图像的特征提取，生成所述第一图像的颜色直方图。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S311B、基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
在本申请实施例中，在基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征时，可以根据需要将颜色直方图划分为N个部分，相对应的就得到N个不同的颜色类别，这N个不同的颜色类别定义为N个颜色特征。其中，在颜色直方图中，横坐标定义图像的不同颜色，取值范围为(0-255)；纵坐标定义图像中不同颜色的像素的数量。通过将横坐标的取值范围(0-255)划分为N个不同的区间，在同一个取值区间内的颜色定义为一个颜色特征。比如，在颜色直方图中，将横坐标取值范围在(0-100)内的像素定义为第一颜色特征；将横坐标取值范围在(101-180)内的像素定义为第二颜色特征；将横坐标取值范围在(181-255)内的像素定义为第三颜色特征，那么该图像在进行颜色划分时，就可以得到三个颜色特征。籍此，通过对第一图像中的颜色数字化，更为精确、方便的对第一图像的颜色进行划分。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S312、基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
在本申请实施例中，基于颜色特征，对第一图像中进行分割，每一个颜色特征对应一个第二图像；当具有N个颜色特征时，对第一图像进行分割，则形成N个第二图像。当定义的颜色特征较多时，计算效率降低，但计算精度提高；当定义的颜色特征较少时，计算效率升高，但计算精度降低，可以根据实际需要定义颜色特征的数量，以使计算效率和计算精度达到平衡。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S302、基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000171
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；
在本申请实施例中，基于颜色特征生成的第二图像中，每个第二图像中的像素可能并不是连通的，因而，难以对同一颜色的不同图像进行区分。在每个第二图像中，基于像素的位置特征，对第二图像进行分割，将每个第二图像分割为Mi个第三图像，在Mi个第三图像中，每个图像的像素均为连通的，籍此，可以认为同一个颜色的一组互相连通的像素代表一个图像。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，所述处理器执行所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000172
个第三图像的步骤时，基于每个所述第二图像中像素的位置特征，将所述第二图像中位置不相邻的像素进行分离，生成
Figure GDA0004055805870000173
个所述第三图像。籍此，在每个第三图像中，每个图像的像素均为连通的，可以更好的识别不同图像。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，所述处理器执行所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000181
个第三图像的步骤时，通过对每个第二图像进行二值化处理，使每个第二图像呈现出明显的黑白效果，凸显出第二图像的轮廓，籍此，将每个第二图像中的不相邻的像素分离，完成第二图像的分割，生成Mi个第三图像。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
步骤S303、确定
Figure GDA0004055805870000182
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000183
个节点之间的一一对应关系，并将
Figure GDA0004055805870000184
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000185
个所述节点。
在本申请实施例中，在生成
Figure GDA0004055805870000186
个第三图像后，创建一包含至少
Figure GDA0004055805870000187
个节点的知识图谱，在至少
Figure GDA0004055805870000188
个节点中可随机确定
Figure GDA0004055805870000189
个节点与
Figure GDA00040558058700001810
个第三图像之间的一一对应关系，按照确定的对应关系将
Figure GDA00040558058700001811
个所述第三图像的特征属性存储于
Figure GDA00040558058700001812
个节点中，至此，完成知识图谱的创建。籍此，利用该知识图谱，图神经网络只需要基于
Figure GDA00040558058700001813
个存储有第三图像的特征属性的
Figure GDA00040558058700001814
个节点，即可完成图神经网络的训练，极大的减少了训练样本，提高图神经网络的训练速度。可以理解的是，以上描述仅为示例性的，本申请实施例对此并不进行限定。
在本申请实施例中，通过卷积神经网络，进行卷积、池化等操作，对第三图像进行降维(在降维的过程中保留第三图像的特征)，实现第三图像进行特征编码，得到第三图像的特征属性。所述第三图像的特征属性，具体可以包括：第三图像的颜色、位置、形状、大小等等。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，所述处理器执行所述确定
Figure GDA00040558058700001815
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700001816
个节点之间的一一对应关系，并将
Figure GDA00040558058700001817
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700001818
个所述节点的步骤时，根据
Figure GDA00040558058700001819
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA0004055805870000191
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000192
个节点之间的一一对应关系，并将
Figure GDA0004055805870000193
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000194
个所述节点。相对于随机确定
Figure GDA0004055805870000195
个节点与
Figure GDA0004055805870000196
个第三图像之间的对应关系而言，根据
Figure GDA0004055805870000197
个第三图像中每个第三图像的重心，确定知识图谱中的
Figure GDA0004055805870000198
个节点，将
Figure GDA0004055805870000199
个第三图像与知识图谱中的
Figure GDA00040558058700001910
个节点一一对应起来，使
Figure GDA00040558058700001911
个第三图像之间的规律在知识图谱的
Figure GDA00040558058700001912
个节点中得以体现，完成知识图谱的构建，能够加快图神经网络的训练速度，缩短图神经网络的训练时间。可以理解的是，以上描述仅为示例性的，本申请实施例对此并不进行限定。
在一具体的例子中，通过将第三图像中像素的坐标值与对应的像素数量，计算所述第三图像的重心。具体为，对第三图像中像素的坐标值横坐标和纵坐标分别进行累加，再除以对应的像素数量，即可得到第三图像的重心。可以理解的是，以上描述仅为示例性的，本申请实施例对此不进行限定。
在另一具体的例子中，所述处理器执行所述根据
Figure GDA00040558058700001913
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700001914
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700001915
个节点之间的一一对应关系，并将
Figure GDA00040558058700001916
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700001917
个所述节点的步骤时，基于所述第一图像中像素的排列位置，构建一个节点数量与所述第一图像中像素数量相等的所述知识图谱，以及根据
Figure GDA00040558058700001918
个所述第三图像中每个所述第三图像的重心，确定
Figure GDA00040558058700001919
个所述第三图像与所述知识图谱中的
Figure GDA00040558058700001920
个节点之间的一一对应关系，并将
Figure GDA00040558058700001921
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA00040558058700001922
个所述节点。例如，假设第一图像的有效像素为800*600，那么我们在构建的知识图谱中预设800*600个节点，节点的位置按照第一图像的像素的位置排列(这些节点并没有被激活)，计算每个第三图像的重心，根据重心位置寻找距离最近的节点，并将该节点激活，籍此，将
Figure GDA00040558058700001923
个第三图像的重心与
Figure GDA00040558058700001924
个所述节点一一对应起来，将每个所述第三图像的特征属性分别存入对应的所述节点，完成第一图像的知识图谱的构建。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一些可选实施例中，所述处理器执行所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000201
个第三图像的步骤之后，确定
Figure GDA0004055805870000202
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000203
个节点之间的一一对应关系，并将
Figure GDA0004055805870000204
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000205
个所述节点的步骤之前，还可以包括：基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在一具体的例子中，所述处理器执行所述基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性的步骤时，通过卷积神经网络模型，对每个所述第三图像进行卷积、池化操作，完成每个第三图像的降维处理，在降维的过程中保留第三图像的特征，实现第三图像的特征编码，得到第三图像的特征属性。其中，卷积神经网络模型包括堆叠在一起的多个卷积层和多个池化层。卷积层中包括多个卷积核，通过有规律的扫描第三图像，对第三图像的元素进行乘法、求和、叠加偏差量运算，输出所述第三图像的特征图；然后由池化层通过下采样的过程减小特征图的规模，并提取出第三图像的特征属性。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在另一具体的例子中，所述处理器执行所述通过卷积神经网络模型，对每个第三图像进行卷积、池化操作的步骤之前，还可以对所述第三图像进行归一化处理。比如，将第三图像中在区间(0-255)的像素值归一化至区间(0-1)，籍此，有效提升卷积神经网络模型对第三图像进行处理时的效率。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
在另一具体的例子中，所述处理器执行所述对第三图像进行池化操作的步骤时，可以采用平均池化、最大化池化或者随机池化的方法。可以理解的是，以上描述仅为示例性的，本申请实施例对此不作任何限定。
本申请实施例的电子设备的处理器执行计算机程序时实现的知识图谱构建方法，可以实现上述第一实施例所述的知识图谱构建方法的有益效果，在此不再一一赘述。
第四实施例
图4为根据本申请第四实施例所示的电子设备的结构示意图；如图4所示，该电子设备可以包括：
一个或多个处理器401；
计算机可读介质402，可以配置为存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器401执行时，使得所述一个或多个处理器401实现如上述任一实施例中所述的知识图谱构建方法。
第五实施例
图5为根据本申请第五实施例所示的电子设备的硬件结构示意图；如图5所示，该电子设备的硬件结构可以包括：处理器501，通信接口502，计算机可读介质503和通信总线504；
其中，处理器501、通信接口502、计算机可读介质503通过通信总线504完成相互间的通信；
可选的，通信接口502可以为通信模块的接口，如GSM模块的接口；
其中，处理器501具体可以配置为：基于第一图像的颜色特征，对所述第一图像进行分割，生成N个所述第二图像，其中，N为正整数；基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成
Figure GDA0004055805870000211
个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；确定
Figure GDA0004055805870000212
个所述第三图像与所述知识图谱中的
Figure GDA0004055805870000213
个节点之间的一一对应关系，并将
Figure GDA0004055805870000214
个所述第三图像的特征属性按照所述对应关系存储于
Figure GDA0004055805870000215
个所述节点。
处理器501可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器810、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (12)

1.一种知识图谱构建方法，所述知识图谱用于对图神经网络进行训练，其特征在于，包括：
基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；
基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；
确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点；
其中，所述确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点，包括：根据个所述第三图像中每个所述第三图像的重心，确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点。
2.根据权利要求1所述的方法，其特征在于，所述基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像包括：
对所述第一图像进行颜色划分，得到N个所述颜色特征；
基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一图像进行颜色划分，得到N个颜色特征包括：
对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；
基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
4.根据权利要求1所述的方法，其特征在于，所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像，包括：
基于每个所述第二图像中像素的位置特征，将每个所述第二图像中位置不相邻的像素进行分离，生成个所述第三图像。
5.根据权利要求1-4任一项所述的方法，其特征在于，在基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像之后，在确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点之前，还包括：
基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。
6.一种知识图谱构建系统，所述知识图谱用于对图神经网络进行训练，其特征在于，包括：
颜色分割单元，配置为基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；
位置分割单元，配置为基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；
构建单元，配置为确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点；
其中，所述确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点，包括：根据个所述第三图像中每个所述第三图像的重心，确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点。
7.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任意一项权利要求所述的知识图谱构建方法。
8.一种电子设备，用于对图神经网络进行训练，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像，其中，N为正整数；
基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像，其中，Mi表示对第i个所述第二图像分割生成的所述第三图像的数量，Mi为正整数，i小于等于N；
确定个所述第三图像与用于对所述图神经网络进行训练的知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点；
其中，所述处理器执行所述确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点的步骤，包括：根据个所述第三图像中每个所述第三图像的重心，确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点。
9.根据权利要求8所述的电子设备，其特征在于，所述处理器执行所述基于第一图像的颜色特征，对所述第一图像进行分割，生成N个第二图像的步骤，包括：
对所述第一图像进行颜色划分，得到N个所述颜色特征；
基于N个所述颜色特征，对所述第一图像进行分割，生成N个所述第二图像。
10.根据权利要求9所述的电子设备，其特征在于，所述处理器执行所述对所述第一图像进行颜色划分，得到N个所述颜色特征的步骤，包括：
对所述第一图像进行特征提取，生成所述第一图像的颜色直方图；
基于所述颜色直方图，对所述第一图像进行颜色划分，得到N个所述颜色特征。
11.根据权利要求8所述的电子设备，其特征在于，所述处理器执行所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像的步骤，包括：基于每个所述第二图像中像素的位置特征，将每个所述第二图像中位置不相邻的像素进行分离，生成个所述第三图像。
12.根据权利要求8-11任一项所述的电子设备，其特征在于，所述处理器执行所述基于每个所述第二图像中像素的位置特征，对每个所述第二图像分别进行分割，生成个第三图像的步骤之后，在确定个所述第三图像与所述知识图谱中的个节点之间的一一对应关系，并将个所述第三图像的特征属性按照所述对应关系存储于个所述节点的步骤之前，还包括：基于预设的卷积神经网络模型，对每个所述第三图像进行特征编码，生成每个所述第三图像的所述特征属性。
CN202010108702.7A 2020-02-21 2020-02-21 知识图谱构建方法、系统、计算机可读介质和电子设备 Active CN111339315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010108702.7A CN111339315B (zh) 2020-02-21 2020-02-21 知识图谱构建方法、系统、计算机可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010108702.7A CN111339315B (zh) 2020-02-21 2020-02-21 知识图谱构建方法、系统、计算机可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN111339315A CN111339315A (zh) 2020-06-26
CN111339315B true CN111339315B (zh) 2023-05-02

Family

ID=71185455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010108702.7A Active CN111339315B (zh) 2020-02-21 2020-02-21 知识图谱构建方法、系统、计算机可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN111339315B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580716B (zh) * 2020-12-16 2023-07-11 北京百度网讯科技有限公司 图谱中边类型的识别方法、装置、设备及存储介质
CN114648345A (zh) * 2020-12-17 2022-06-21 支付宝(杭州)信息技术有限公司 训练表征模型及确定实体表征向量的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216891A (zh) * 2008-01-10 2008-07-09 北京中星微电子有限公司 一种彩色图像分割方法
CN105893925A (zh) * 2015-12-01 2016-08-24 乐视致新电子科技（天津）有限公司 基于肤色的人手检测方法及装置
CN109859209A (zh) * 2019-01-08 2019-06-07 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
CN110457403A (zh) * 2019-08-12 2019-11-15 南京星火技术有限公司 图网络决策系统、方法及知识图谱的构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216891A (zh) * 2008-01-10 2008-07-09 北京中星微电子有限公司 一种彩色图像分割方法
CN105893925A (zh) * 2015-12-01 2016-08-24 乐视致新电子科技（天津）有限公司 基于肤色的人手检测方法及装置
CN109859209A (zh) * 2019-01-08 2019-06-07 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
CN110457403A (zh) * 2019-08-12 2019-11-15 南京星火技术有限公司 图网络决策系统、方法及知识图谱的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ROI和CNN的交通标志识别研究;黄娜君等;《无线电通信技术》;20180302(第02期);全文 *
基于神经网络的卫星影像与航拍实景影像自适应颜色分割方法研究;李大瑞等;《绿色科技》;20160330(第06期);全文 *

Also Published As

Publication number Publication date
CN111339315A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN109816009B (zh) 基于图卷积的多标签图像分类方法、装置及设备
CN108171701B (zh) 基于u网络和对抗学习的显著性检测方法
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN110689599B (zh) 基于非局部增强的生成对抗网络的3d视觉显著性预测方法
WO2016127883A1 (zh) 一种图像区域检测方法及装置
CN111275784B (zh) 生成图像的方法和装置
CN108875537B (zh) 对象检测方法、装置和系统及存储介质
CN111339315B (zh) 知识图谱构建方法、系统、计算机可读介质和电子设备
CN110516734B (zh) 一种图像匹配方法、装置、设备及存储介质
WO2022166258A1 (zh) 行为识别方法、装置、终端设备及计算机可读存储介质
CN107832794A (zh) 一种卷积神经网络生成方法、车系识别方法及计算设备
CN116188805A (zh) 海量图像的图像内容分析方法、装置和图像信息网络
CN114494298A (zh) 对象分割方法、装置、设备及存储介质
US20200409996A1 (en) Video abstract generating method, apparatus, and storage medium
CN112749609A (zh) 人体图像分割方法、装置、计算机设备及存储介质
CN112950640A (zh) 视频人像分割方法、装置、电子设备及存储介质
CN109697083B (zh) 数据的定点化加速方法、装置、电子设备及存储介质
CN113971732A (zh) 小目标检测方法、装置、可读存储介质及电子设备
CN114037716A (zh) 图像分割方法、装置、设备及存储介质
CN112862095A (zh) 基于特征分析的自蒸馏学习方法、设备以及可读存储介质
CN111222558A (zh) 图像处理方法及存储介质
CN111161289A (zh) 图像中物体轮廓精度提升方法、装置和计算机程序产品
CN115147870A (zh) 行人再识别方法及装置
CN113055666B (zh) 一种视频质量评估方法及装置
CN112667864A (zh) 图对齐方法、装置、电子设备及存储介质

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