CN111696056B - 一种基于多任务迁移学习的数字档案图像的矫正方法 - Google Patents
一种基于多任务迁移学习的数字档案图像的矫正方法 Download PDFInfo
- Publication number
- CN111696056B CN111696056B CN202010450013.4A CN202010450013A CN111696056B CN 111696056 B CN111696056 B CN 111696056B CN 202010450013 A CN202010450013 A CN 202010450013A CN 111696056 B CN111696056 B CN 111696056B
- Authority
- CN
- China
- Prior art keywords
- image
- digital
- task
- learning
- database
- 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
- 238000013526 transfer learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003702 image correction Methods 0.000 title claims abstract description 25
- 238000013508 migration Methods 0.000 claims abstract description 33
- 230000005012 migration Effects 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于多任务迁移学习的数字档案图像的矫正方法，方法包括：构建多任务学习数字档案图像数据库；将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将多任务学习数字档案图像数据库中的数字档案图像输入至多任务迁移学习模型的共享特征层，构建全连接层，以训练多任务迁移学习模型；将测试的数字档案图像输入至训练完成后的多任务迁移学习模型中，得到任务输出结果。本发明利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于多任务迁移学习的数字档案图像的矫正方法。
背景技术
随着深度学习技术的发展，研究者们逐渐认识到深度学习对图像矫正的重要性。深度学习方法用于图像矫正需要大量训练样本，图像矫正研究的现有数据库规模一般不大，从而使直接训练一个深层网络模型不仅困难而且易出现过拟合的问题，同时现有的图像矫正只能基于单任务进行预测，但是图像矫正还受到其它图像任务的影响，例如图像盲修复和图像超分辨率。因此，如何避免重新训练大规模的深度网络，提高图像矫正的准确率是一个亟待解决的问题。
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，本发明提出一种基于多任务迁移学习的数字档案图像的矫正方法。能够利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。
本发明的第一方面，提供了一种基于多任务迁移学习的数字档案图像的矫正方法，包括以下步骤：
构建多任务学习数字档案图像数据库，所述多任务包括主任务和辅助任务，所述主任务为数字档案图像矫正，所述辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；
将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将所述多任务学习数字档案图像数据库中的数字档案图像输入至所述多任务迁移学习模型的共享特征层，构建全连接层，以训练所述多任务迁移学习模型；
将测试的数字档案图像输入至训练完成后的所述多任务迁移学习模型中，得到任务输出结果。
根据本发明的一些实施例，至少具有以下有益效果：
本发明方法利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。
根据本发明的一些实施例，所述多任务学习数字档案图像数据库的数据采集，包括步骤：
根据深感相机拍摄真实纸张和针浮雕系统改变真实纸张不同位置的高度，得到深度图，通过深感相机的参数计算点云；
对点云进行平滑和球旋转处理得到网格，为网格的每个顶点指定UV坐标，再对网格进行旋转和裁剪的增广处理；
对数字档案图像进行渲染处理，得到3D标注信息。
根据本发明的一些实施例，所述训练数字档案图像矫正，包括步骤：
将所述多任务学习数字档案图像数据库中的形变图像输入至3D循环神经网络，设置损失函数，得到3D坐标图，将3D坐标图进行反向映射处理得到2D坐标图，矫正形变图像。
根据本发明的一些实施例，所述训练数字档案图像盲修复，包括步骤：
提取所述多任务学习数字档案图像数据库中的待修复图像的图像块特征，搜索相似样本，通过点扩散函数估计待修复图像的结构，引入度量误差，对局部图像和全局图像进行合理匹配，修复图像。
根据本发明的一些实施例，所述训练数字档案图像超分辨率，包括步骤：
提取所述多任务学习数字档案图像数据库中的低分辨率图像，将低分辨率图像输入卷积神经网络提取特征向量，对特征向量进行非线性映射，重建得到高分辨率图像。
根据本发明的一些实施例，所述3D标注信息包括以下的标注信息：3D坐标图、深度图、表面法线、UV图和反照率图的标注信息；
根据本发明的一些实施例，所述已训练完成的卷积神经网络模型的数据来自于COCO数据库或Imagenet数据库。
本发明的第二方面，提供了一种基于多任务迁移学习的数字档案图像的矫正装置，包括：数据库构建模块、训练模块和测试模块；
所述数据库构建模块用于构建多任务学习数字档案图像数据库，所述多任务包括主任务和辅助任务，所述主任务为数字档案图像矫正，所述辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；
所述训练模块用于将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将所述多任务学习数字档案图像数据库中的数字档案图像输入至所述多任务迁移学习模型的共享特征层，构建全连接层，以训练所述多任务迁移学习模型；
所述测试模块用于将测试的数字档案图像输入至训练完成后的所述多任务迁移学习模型中，得到任务输出结果。
根据本发明的一些实施例，至少具有以下有益效果：
本发明装置利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。
本发明的第三方面，提供了一种基于多任务迁移学习的数字档案图像的矫正设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如本发明第一方面所述的一种基于多任务迁移学习的数字档案图像的矫正方法。
本发明的第四方面，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本发明第一方面所述的一种基于多任务迁移学习的数字档案图像的矫正方法。
根据本发明的一些实施例，至少具有以下有益效果：
本发明提供的设备和可读存储介质与本发明第一方面提供的方法具有相同的有益效果，此处不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的一种基于多任务迁移学习的数字档案图像的矫正方法的流程示意图；
图2为多任务迁移学习模型的结构示意图；
图3为本发明实施例提供的数据采集的流程示意图；
图4为本发明实施例提供的训练数字档案图像矫正的流程示意图；
图5为本发明实施例提供的训练数字档案图像盲修复的流程示意图；
图6为本发明实施例提供的训练数字档案图像超分辨的流程示意图；
图7为本发明实施例提供的一种基于多任务迁移学习的数字档案图像的矫正装置的结构示意图；
图8为本发明实施例提供的一种基于多任务迁移学习的数字档案图像的矫正设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照图1至图6，本发明的一个实施例，提供了一种基于多任务迁移学习的数字档案图像的矫正方法，包括以下步骤：
S100、构建多任务学习数字档案图像数据库，多任务包括主任务和辅助任务，主任务包括数字档案图像矫正，辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；
其中，多任务学习数字档案图像数据库的数据采集包括：首先，根据深感相机(RGB相机)拍摄真实纸张和针浮雕系统改变真实纸张不同位置的高度，得到深度图，将同一图拍多张并取其平均值来减少零均值噪声，然后，通过深感相机的参数计算点云，对点云进行平滑和球旋转处理得到网格，为网格的每个顶点指定UV坐标，再对网格进行旋转和裁剪的增广处理，最后，对数字档案图像进行渲染处理，得到3D坐标图、深度图、表面法线、UV图、和反照率图等标注信息。
S200、将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将多任务学习数字档案图像数据库中的数字档案图像输入至多任务迁移学习模型的共享特征层，构建全连接层，以训练多任务迁移学习模型；
源域的数据来自于COCO数据库或Imagenet数据库，COCO(Common Objects inContext)是一个新的图像识别、分割、和字幕数据集，COCO数据集由微软赞助，其对于图像的标注信息不仅有类别、位置信息，还有对图像的语义文本描述。ImageNet数据集有1400多万幅图片，涵盖2万多个类别，有超过百万的图片有明确的类别标注和图像中物体位置的标注，Imagenet数据集文档详细，有专门的团队维护，使用非常方便，在计算机视觉领域中应用非常广。
训练多任务迁移学习模型包括：
训练数字档案图像矫正：将多任务学习数字档案图像数据库中的形变图像(每个像素的值是一个三维向量，代表纸张该点的空间坐标)输入至3D循环神经网络，设置损失函数，得到3D坐标图，将3D坐标图进行反向映射处理得到2D坐标图(每个像素的值是一个二维向量，代表原图的像素在矫正后图像中的位置)，矫正形变图像；反向纹理映射实现了3D坐标到2D坐标的转换，大大提高了损失函数的泛化能力，从而增强形变数字档案图像矫正回归网络的鲁棒性。
训练数字档案图像盲修复：提取多任务学习数字档案图像数据库中的待修复图像的图像块特征，搜索相似样本，通过点扩散函数估计待修复图像的结构，引入度量误差，对局部图像和全局图像进行合理匹配，修复图像；
训练数字档案图像超分辨率：提取多任务学习数字档案图像数据库中的低分辨率图像，将低分辨率图像输入卷积神经网络提取特征向量，对特征向量进行非线性映射，重建得到高分辨率图像。
S300、将测试的数字档案图像输入至训练完成后的多任务迁移学习模型中，得到任务输出结果。
本实施例方法利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。
参照图7，本发明的实施例，提供了一种基于多任务迁移学习的数字档案图像的矫正装置，包括：数据库构建模块、训练模块和测试模块，其中：
数据库构建模块用于构建多任务学习数字档案图像数据库，多任务包括主任务和辅助任务，主任务为数字档案图像矫正，辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；
训练模块用于将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将多任务学习数字档案图像数据库中的数字档案图像输入至多任务迁移学习模型的共享特征层，构建全连接层，以训练多任务迁移学习模型；
测试模块用于将测试的数字档案图像输入至训练完成后的多任务迁移学习模型中，得到任务输出结果。
需要说明的是，本装置实施例与上述方法实施例基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本装置实施例，此处不再赘述。
参照图8，本发明的实施例，提供了一种基于多任务迁移学习的数字档案图像的矫正设备，该设备可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该设备包括：一个或多个控制处理器和存储器，图8中以一个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的基于多任务学习的数字档案图像的矫正设备对应的程序指令/模块，控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而实现上述装置实施例的一种基于多任务迁移学习的数字档案图像的矫正装置，从而实现上述方法实施例的一种基于多任务迁移学习的数字档案图像的矫正方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储上述装置实施例的一种基于多任务迁移学习的数字档案图像的矫正装置产生的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该基于多任务学习的数字档案图像的矫正设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在存储器中，当被所述一个或者多个控制处理器执行时，执行上述方法实施例中的一种基于多任务迁移学习的数字档案图像的矫正方法，例如，执行以上描述的图1中的方法步骤S100至S300。
本发明的实施例，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，该计算机可执行指令被一个或多个控制处理器执行，例如，被图8中的一个控制处理器执行，可使得上述一个或多个控制处理器执行执行上述方法实施例中的一种基于多任务迁移学习的数字档案图像的矫正方法，例如，执行以上描述的图1中的方法步骤S100至S300。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，包括以下步骤：
构建多任务学习数字档案图像数据库，所述多任务包括主任务和辅助任务，所述主任务为数字档案图像矫正，所述辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；其中，所述多任务学习数字档案图像数据库的数据采集，包括步骤：根据深感相机拍摄真实纸张和针浮雕系统改变真实纸张不同位置的高度，得到深度图，通过深感相机的参数计算点云；对点云进行平滑和球旋转处理得到网格，为网格的每个顶点指定UV坐标，再对网格进行旋转和裁剪的增广处理；对数字档案图像进行渲染处理，得到3D标注信息；
将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将所述多任务学习数字档案图像数据库中的数字档案图像输入至所述多任务迁移学习模型的共享特征层，构建全连接层，以训练所述多任务迁移学习模型；其中，训练所述多任务迁移学习模型包括：将所述多任务学习数字档案图像数据库中的形变图像输入至3D循环神经网络，设置损失函数，得到3D坐标图，将3D坐标图进行反向映射处理得到2D坐标图，矫正形变图像，提取所述多任务学习数字档案图像数据库中的待修复图像的图像块特征，搜索相似样本，通过点扩散函数估计待修复图像的结构，引入度量误差，对局部图像和全局图像进行合理匹配，修复图像，提取所述多任务学习数字档案图像数据库中的低分辨率图像，将低分辨率图像输入卷积神经网络提取特征向量，对特征向量进行非线性映射，重建得到高分辨率图像；
将测试的数字档案图像输入至训练完成后的所述多任务迁移学习模型中，得到任务输出结果。
2.根据权利要求1所述的一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，所述3D标注信息包括以下的标注信息：3D坐标图、深度图、表面法线、UV图和反照率图的标注信息。
3.根据权利要求1所述的一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于：所述已训练完成的卷积神经网络模型的数据来自于COCO数据库或Imagenet数据库。
4.一种基于多任务迁移学习的数字档案图像的矫正装置，其特征在于，包括：数据库构建模块、训练模块和测试模块；
所述数据库构建模块用于构建多任务学习数字档案图像数据库，所述多任务包括主任务和辅助任务，所述主任务为数字档案图像矫正，所述辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；其中，所述多任务学习数字档案图像数据库的数据采集，包括步骤：根据深感相机拍摄真实纸张和针浮雕系统改变真实纸张不同位置的高度，得到深度图，通过深感相机的参数计算点云；对点云进行平滑和球旋转处理得到网格，为网格的每个顶点指定UV坐标，再对网格进行旋转和裁剪的增广处理；对数字档案图像进行渲染处理，得到3D标注信息；
所述训练模块用于将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将所述多任务学习数字档案图像数据库中的数字档案图像输入至所述多任务迁移学习模型的共享特征层，构建全连接层，以训练所述多任务迁移学习模型；其中，训练所述多任务迁移学习模型包括：将所述多任务学习数字档案图像数据库中的形变图像输入至3D循环神经网络，设置损失函数，得到3D坐标图，将3D坐标图进行反向映射处理得到2D坐标图，矫正形变图像，提取所述多任务学习数字档案图像数据库中的待修复图像的图像块特征，搜索相似样本，通过点扩散函数估计待修复图像的结构，引入度量误差，对局部图像和全局图像进行合理匹配，修复图像，提取所述多任务学习数字档案图像数据库中的低分辨率图像，将低分辨率图像输入卷积神经网络提取特征向量，对特征向量进行非线性映射，重建得到高分辨率图像；
所述测试模块用于将测试的数字档案图像输入至训练完成后的所述多任务迁移学习模型中，得到任务输出结果。
5.一种基于多任务迁移学习的数字档案图像的矫正设备，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至3任一种基于多任务迁移学习的数字档案图像的矫正方法。
6.一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3任一项所述的一种基于多任务迁移学习的数字档案图像的矫正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010450013.4A CN111696056B (zh) | 2020-05-25 | 2020-05-25 | 一种基于多任务迁移学习的数字档案图像的矫正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010450013.4A CN111696056B (zh) | 2020-05-25 | 2020-05-25 | 一种基于多任务迁移学习的数字档案图像的矫正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111696056A CN111696056A (zh) | 2020-09-22 |
| CN111696056B true CN111696056B (zh) | 2023-05-02 |
Family
ID=72478196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010450013.4A Active CN111696056B (zh) | 2020-05-25 | 2020-05-25 | 一种基于多任务迁移学习的数字档案图像的矫正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111696056B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419192B (zh) * | 2020-11-24 | 2022-09-09 | 北京航空航天大学 | 基于卷积神经网络的isms图像修复和超分辨重建方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
| CN110119689A (zh) * | 2019-04-18 | 2019-08-13 | 五邑大学 | 一种基于多任务迁移学习的人脸美丽预测方法 |
| CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
-
2020
- 2020-05-25 CN CN202010450013.4A patent/CN111696056B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
| CN110119689A (zh) * | 2019-04-18 | 2019-08-13 | 五邑大学 | 一种基于多任务迁移学习的人脸美丽预测方法 |
| CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111696056A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241997B (zh) | 基于多尺度点云上采样的三维模型建立、修复方法及系统 | |
| CN111524135B (zh) | 基于图像增强的输电线路细小金具缺陷检测方法及系统 | |
| CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
| CN111507333B (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
| CN112927359A (zh) | 一种基于深度学习和体素的三维点云补全方法 | |
| CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
| CN111242840A (zh) | 手写体字符生成方法、装置、计算机设备和存储介质 | |
| CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
| CN109711381A (zh) | 遥感图像的目标识别方法、装置和计算机设备 | |
| Shi et al. | CloudU-Netv2: A cloud segmentation method for ground-based cloud images based on deep learning | |
| CN111696056B (zh) | 一种基于多任务迁移学习的数字档案图像的矫正方法 | |
| CN113743346A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN106570928B (zh) | 一种基于图像的重光照方法 | |
| CN114170231A (zh) | 基于卷积神经网络的图像语义分割方法、装置及电子设备 | |
| CN112418033A (zh) | 基于mask rcnn神经网络的滑坡坡面分割识别方法 | |
| CN113011295B (zh) | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 | |
| CN113269831B (zh) | 基于场景坐标回归网络的视觉重定位方法、系统、装置 | |
| Chu et al. | Hole-filling framework by combining structural and textural information for the 3D Terracotta Warriors | |
| Wang et al. | Image Semantic Segmentation Algorithm Based on Self-learning Super-Pixel Feature Extraction | |
| CN117036982B (zh) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 | |
| CN116167918A (zh) | 遥感影像的超分辨率模型的训练方法、处理方法及装置 | |
| CN108764152B (zh) | 基于图片匹配实现互动提示的方法、装置及存储设备 | |
| CN115578753B (zh) | 人体关键点检测方法、装置、电子设备及存储介质 | |
| US20240161362A1 (en) | Target-augmented material maps | |
| CN113487594B (zh) | 一种基于深度学习的亚像素角点检测方法、系统及介质 |
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 |