CN112633295A - 面向循环任务的预测方法、装置、电子设备及存储介质 - Google Patents
面向循环任务的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112633295A CN112633295A CN202011534775.9A CN202011534775A CN112633295A CN 112633295 A CN112633295 A CN 112633295A CN 202011534775 A CN202011534775 A CN 202011534775A CN 112633295 A CN112633295 A CN 112633295A
- Authority
- CN
- China
- Prior art keywords
- image
- stage
- images
- distance
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 241001522296 Erithacus rubecula Species 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000009435 building construction Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种面向循环任务的预测方法、装置、电子设备及存储介质,能够训练一个将图像映射到多维嵌入空间、且在该多维嵌入空间内将图像间的工时距离采用角度距离来表示的预测模型,从而能够通过该预测模型提取待预测图像的特征,并且结合多个阶段起始位置的第一标准特征计算待预测图像所在的目标阶段。本发明将线性的工时距离使用多维嵌入空间的角度距离来表示,即用角度来替换直线概念,从而与循环任务相适应,能够有效预测出循环任务当前所在的阶段。
Description
技术领域
本发明涉及软件技术领域,更具体地说,涉及一种面向循环任务的预测方法、装置、电子设备及存储介质。
背景技术
循环任务,即具有阶段循环性质的任务,比如32层的大楼建设任务,每个楼层作为其中的一个子任务,都具有n个阶段,这就意味着第1-n个阶段需要反复循环32次。
而对于循环任务来说,预测当前所在的阶段是很有必要的。但由于循环任务中第n个阶段和第1个阶段的特征必须很相近,因此,一般的时间线性计算方式无法适用于循环任务。
发明内容
有鉴于此,为解决上述问题,本发明提供一种面向循环任务的预测方法、装置、电子设备及存储介质,技术方案如下:
一种面向循环任务的预测方法,所述方法包括:
获取第一循环任务的待预测图像;
调用预先训练的预测模型,所述预测模型是使用第二循环任务的图像集对基础模型训练得到的,所述图像集包括所述第二循环任务的子任务在多个阶段内连续的多个图像,所述预测模型能够将所述图像集中各图像映射至多维嵌入空间、且在所述多维嵌入空间内所述图像集中图像间的工时距离采用角度距离来表示;
将所述待预测图像输入所述预测模型中,以获取所述预测模型输出的所述待预测图像的特征和所述多个阶段的特征集,所述特征集至少包括所属阶段起始位置的第一标准特征;
分别计算所述待预测图像的特征与所述多个阶段的第一标准特征间的角度距离,并将所述多个阶段中角度距离最小的阶段作为所述待预测图像所在的目标阶段。
优选的,所述方法还包括:
将所述目标阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为所述待预测图像在所述目标阶段内的当前工时;
或者
如果所述特征集还包括所属阶段内、距离所述起始位置不同工时距离的第二标准特征,分别计算所述待预测图像的特征分别与所述目标阶段的各第二标准特征间的角度距离,并将角度距离最小的第二标准特征对应的工时距离作为所述待预测图像在所述目标阶段内的当前工时。
优选的,所述方法还包括:
确定所述多个阶段中所述目标阶段的下一阶段,并计算所述待预测图像的特征与所述目标阶段的下一阶段的第一标准特征间的角度距离;
将所述目标阶段的下一阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为所述待预测图像距离所述目标阶段的下一阶段的剩余工时。
优选的,所述多个阶段包括开始阶段、至少一个中间阶段和结束阶段,所述预测模型的训练过程,包括:
基于所述图像集的多个图像获取所述开始阶段、所述中间阶段和所述结束阶段的样本集,所述开始阶段的样本集至少包括所述子任务在所述开始阶段内的所有图像,所述中间阶段的样本集至少包括所述子任务在所述中间阶段内的所有图像和所述中间阶段的上一阶段内距离所述中间阶段最近的多个图像,所述结束阶段的样本集至少包括所述子任务在所述结束阶段内的所有图像、所述结束阶段的上一阶段内距离所述结束阶段最近的多个图像、以及所述开始阶段距离所述结束阶段最近的多个图像;
以所述开始阶段、所述中间阶段和所述结束阶段的次序,分别使用相应的样本集训练所述基础模型,各样本集的训练方式如下:
从相应样本集中抽取多个第一图像组,所述第一图像组包括第一图像和第二图像;
依次将每个第一图像组的第一图像和第二图像输入至所述基础模型,以使所述基础模型预测所输入的第一图像和第二图像的特征,还使所述基础模型以所预测的第一图像和第二图像的特征间的角度距离趋近于相应标定角度距离为目标调整所述基础模型的权参,直到所述多个第一图像组的训练结束。
优选的,所述分别从所述多个图像中获取所述开始阶段、所述中间阶段和所述结束阶段的样本集之前,所述预测模型的训练过程,还包括:
从所述图像集的多个图像中抽取有多元组损失的多个第二图像组,所述第二图像组包括一个中心图像、位于所述中心图像之前的多个第三图像、以及位于所述中心图像之前的多个第四图像,一个第二图像组中第三图像和第四图像的数量相同;
依次将每个第二图像组的中心图像、多个第三图像和多个第四图像输入至所述基础模型,以使所述基础模型预测所输入的中心图像、第三图像和第四图像的特征,还使所述基础模型以所预测的第三图像与中心图像的特征间的角度距离正比于相应工时距离、以及所预测的第四图像的特征间的角度距离正比于相应工时距离为目标调整所述基础模型的权参,直到所述多个第二图像组的训练结束。
优选的,所述多元组损失为五元组损失。
一种面向循环任务的预测装置,所述装置包括:
图像获取模块,用于获取第一循环任务的待预测图像;
模型训练模块,用于训练预测模型,所述预测模型是使用第二循环任务的图像集对基础模型训练得到的,所述图像集包括所述第二循环任务的子任务在多个阶段内连续的多个图像,所述预测模型能够将所述图像集中各图像映射至多维嵌入空间、且在所述多维嵌入空间内所述图像集中图像间的工时距离采用角度距离来表示;
模型调用模块,用于调用所述预测模型;将所述待预测图像输入所述预测模型中,以获取所述预测模型输出的所述待预测图像的特征和所述多个阶段的特征集,所述特征集至少包括所属阶段起始位置的第一标准特征;
特征处理模块,用于分别计算所述待预测图像的特征与所述多个阶段的第一标准特征间的角度距离,并将所述多个阶段中角度距离最小的阶段作为所述待预测图像所在的目标阶段。
优选的,所述多个阶段包括开始阶段、至少一个中间阶段和结束阶段,所述模型训练模块,具体用于:
基于所述图像集的多个图像获取所述开始阶段、所述中间阶段和所述结束阶段的样本集,所述开始阶段的样本集至少包括所述子任务在所述开始阶段内的所有图像,所述中间阶段的样本集至少包括所述子任务在所述中间阶段内的所有图像和所述中间阶段的上一阶段内距离所述中间阶段最近的多个图像,所述结束阶段的样本集至少包括所述子任务在所述结束阶段内的所有图像、所述结束阶段的上一阶段内距离所述结束阶段最近的多个图像、以及所述开始阶段距离所述结束阶段最近的多个图像;
以所述开始阶段、所述中间阶段和所述结束阶段的次序,分别使用相应的样本集训练所述基础模型,各样本集的训练方式如下:
从相应样本集中抽取多个第一图像组,所述第一图像组包括第一图像和第二图像;依次将每个第一图像组的第一图像和第二图像输入至所述基础模型,以使所述基础模型预测所输入的第一图像和第二图像的特征,还使所述基础模型以所预测的第一图像和第二图像的特征间的角度距离趋近于相应标定角度距离为目标调整所述基础模型的权参,直到所述多个第一图像组的训练结束。
一种电子设备,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现任意一项所述的面向循环任务的预测方法。
一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行任意一项所述的面向循环任务的预测方法。
本发明提供一种面向循环任务的预测方法、装置、电子设备及存储介质,能够训练一个将图像映射到多维嵌入空间、且在该多维嵌入空间内将图像间的工时距离采用角度距离来表示的预测模型,从而能够通过该预测模型提取待预测图像的特征,并且结合多个阶段起始位置的第一标准特征计算待预测图像所在的目标阶段。本发明将线性的工时距离使用多维嵌入空间的角度距离来表示,即用角度来替换直线概念,从而与循环任务相适应,能够有效预测出循环任务当前所在的阶段。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的面向循环任务的预测方法的方法流程图;
图2为本发明实施例提供的面向循环任务的预测方法的另一方法流程图;
图3为本发明实施例提供的面向循环任务的预测方法的再一方法流程图;
图4为本发明实施例提供的面向循环任务的预测装置的结构示意图。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种面向循环任务的预测方法,该方法的方法流程图如图1所示,包括如下步骤:
S10,获取第一循环任务的待预测图像。
本发明实施例中,以下第二循环任务为已结束的一个循环任务,由此可以获得其相关的图像集。而第一循环任务则为与第二循环任务同类的、一个正在执行的循环任务。这里的同类是指,第一循环任务与第二循环任务所涉及的阶段是相同的,比如,两者均为大楼建设任务。
因此,在第一循环任务执行过程中,可以获取拍摄当前的图像作为待预测图像,以确定当前所在的阶段。
S20,调用预先训练的预测模型,预测模型是使用第二循环任务的图像集对基础模型训练得到的,图像集包括第二循环任务的子任务在多个阶段内连续的多个图像,预测模型能够将图像集中各图像映射至多维嵌入空间、且在多维嵌入空间内图像集中图像间的工时距离采用角度距离来表示。
本发明实施例中,第二循环任务的图像集包括其所有子任务在所有阶段内连续时间下的多个图像。假设,第二循环任务为32层的大楼建设任务,每个楼层作为一个子任务、具有5个阶段,这就意味着第1-5阶段需要反复循环32次才能完成第二循环任务。如果在第二循环任务的执行过程中,每隔1分钟就拍摄一个图像,则可以获得32个子任务中每个子任务在1-5个阶段内的图像,按照拍摄时间依次放入图像集中。假设图像集依次存入的图像为p1、p2、……、pn。
再者,本发明实施例中,引入“用工”的概念,假设p1中有9个人、p2中有5个人、p3中有3个人……,则可以认为从p1到p2是9个人工作1分钟后的结果,因此p1到p2的工时距离为9*1=9,相应的,p2到p3的工时距离为5*1=5、p1到p3的工时距离为9+5=14。需要说明的是,上述计算工时距离的“1”表示图像的拍摄间隔(1分钟)。
当然,如果拍摄间隔为不均等的,比如p1到p2的拍摄间隔为1分钟、p2到p3的拍摄时间间隔为2分钟,则可以认为p2到p3是5个人工作2分钟后的结果,因此p1到p2的工时距离为9*1=9、p2到p3的工时距离为5*3=15,p1到p3的工时距离为9+15=24。基于此,我们可以确定图像集中任意两个图像间的工时距离。
另外,在训练预测模型之前,还需要将两个图像间的工时距离转换为角度距离,具体的,可以以图像集中最大的工时距离,即p1到pn间的工时距离为基准,对工时距离进行归一化,将其数值归一到0-1的范围内。归一化的结果即作为两个图像间的标定角度距离。
在训练预测模型时,以神经网络作为基础模型,将图像集作为样本输入至基础模型中,基础模型能够预测图像集中两个图像的特征,并将所预测的两个图像的特征转换为两个图像间的角度距离,从而与两个图像间的标定角度距离做差值损失,来调整基础模型的权参。从而将图像集中p1……pn映射到多维嵌入空间内,并且将p1……pn彼此的工时距离用角度距离来衡量。
需要说明的是,基础模型将两个图像的特征转换为两个图像间的角度距离时,可以采用余弦函数、正弦函数或者特征内积的方式。以余弦函数为例,其函数表示如下:
其中,表示基础模型所预测的p1的特征,表示基础模型所预测的p2的特征。
预测模型训练结束后,即具备能够准确表达图像特征的权参,从而可以获得第二循环任务的各阶段的所有特征,即所属阶段内不同位置处图像的特征。比如,对于第1阶段,其阶段内同一位置(即距离起始位置相同工时距离)处的图像在不同子任务间的特征基本相同,因此可以用一个特征集表示。
具体实现过程中,将多个阶段分为开始阶段、至少一个中间阶段和结束阶段。继续以第二循环任务为32层的大楼建设任务为例,其具有第1-5这5个阶段,因此第1个阶段为开始阶段、第2-4个阶段为3个中间阶段、第5个阶段则为结束阶段。
由此,为提高预测模型训练的有序性,保证其预测的精准性,本发明实施例按照第1个阶段、第2个阶段、……、第5个阶段的次序依次训练基础模型。预测模型的训练过程包括如下步骤:
基于图像集的多个图像获取开始阶段、中间阶段和结束阶段的样本集,开始阶段的样本集至少包括子任务在开始阶段内的所有图像,中间阶段的样本集至少包括子任务在中间阶段内的所有图像和中间阶段的上一阶段内距离中间阶段最近的多个图像,结束阶段的样本集至少包括子任务在结束阶段内的所有图像、结束阶段的上一阶段内距离结束阶段最近的多个图像、以及开始阶段距离结束阶段最近的多个图像;
以开始阶段、中间阶段和结束阶段的次序,分别使用相应的样本集训练基础模型,各样本集的训练方式如下:
从相应样本集中抽取多个第一图像组,第一图像组包括第一图像和第二图像;
依次将每个第一图像组的第一图像和第二图像输入至基础模型,以使基础模型预测所输入的第一图像和第二图像的特征,还使基础模型以所预测的第一图像和第二图像的特征间的角度距离趋近于相应标定角度距离为目标调整基础模型的权参,直到多个第一图像组的训练结束。
本发明实施例中,继续以第二循环任务为32层的大楼建设任务为例,对于第1-5个阶段,获取各阶段的样本集。其中,
对于第1个阶段,其样本集至少包括32个子任务在第1个阶段内的所有图像;对于第2-4个阶段中的各阶段,其样本集至少包括32个子任务在相应阶段内的所有图像、以及32个子任务在其上个阶段内拍摄时间距离相应阶段最近的多个图像(即上个阶段后期的部分图像),以第2个阶段为例,其样本集至少包括32个子任务在第2个阶段内的所有图像、以及第1个阶段后期的部分图像;对于第5个阶段,其样本集至少包括32个子任务在第5个阶段内的所有图像、32个子任务在第4个阶段内拍摄时间距离第5个阶段最近的多个图像(即第4个阶段后期的部分图像)、以及32个子任务在第1个阶段内距离第5个阶段最近的多个图像(即第1个阶段前期的部分图像)。
由此,可以保证一个两个阶段间图像特征的连续性,并且在训练基础模型时也是按照第1-5个阶段的次序进行训练的。各阶段的样本集对于基础模型的训练流程是一致的,流程如下:
从样本集中抽取多个第一图像组,每个第一图像组中包含两个图像,第一图像和第二图像;对于每个第一图像组,将其第一图像和第二图像输入至基础模型,由基础模型预测第一图像和第二图像的特征、并将两者的特征转换为相应的角度距离,并且由于第一图像和第二图像预先具有两者的标定角度距离,因此基础模型计算转换得到的角度距离与标定角度距离间的差值损失,以此调整其权参,使所预测的第一图像和第二图像的特征间的角度距离不断趋近于两者的标定角度距离。
再者,对于各阶段的训练,可以预先配置相关的训练参数,比如训练时间、训练次数等,基础模型对于当前阶段训练结束后进入对于下一阶段的训练。
在实际应用中,为减少预测模型的训练时间,可以在对于各阶段训练之前,即对基础模型进行初步的约束。具体如下:
从图像集的多个图像中抽取有多元组损失的多个第二图像组,第二图像组包括一个中心图像、位于中心图像之前的多个第三图像、以及位于中心图像之前的多个第四图像,一个第二图像组中第三图像和第四图像的数量相同;
依次将每个第二图像组的中心图像、多个第三图像和多个第四图像输入至基础模型,以使基础模型预测所输入的中心图像、第三图像和第四图像的特征,还使基础模型以所预测的第三图像与中心图像的特征间的角度距离正比于相应工时距离、以及所预测的第四图像的特征间的角度距离正比于相应工时距离为目标调整基础模型的权参,直到多个第二图像组的训练结束。
本发明实施例中,提出多元组损失的训练技巧,抽取多个第二图像组,该第二图像组中包括一个中心图像pi、拍摄时间位于pi之前的多个第三图像、以及拍摄时间位于pi之后的多个第四图像。
需要说明的是,选取第三图像和第四图像时,是在pi的一定分布下随机选取的,第三图像位于pi向前推的半个阶段内、第四图像位于pi向后推的半个阶段内,即以pi所在阶段的拍摄时长一半为时间间隔,在pi拍摄时间之前和之后的两个时间间隔内分别随机选择第三图像和第四图像。
对于多元组中图像的数量本发明实施例并不做限定,可以为五元组、七元组、九元组、十一元组等。优选的,可以选择五元组,这样既能保证训练的效果,还能减少计算量,即多元组损失为五元组损失。
以多元组损失为五元组损失为例,第二图像组中包括中心图像pi、第三图像pi-1、第三图像pi-2、第四图像pi+1、第四图像pi+2,且第三图像pi-1的拍摄时间早于第三图像pi-2的拍摄时间、第四图像pi+1的拍摄时间早于第四图像pi+2的拍摄时间。
因此,在对基础模型训练时,基础模型预测上述五元组中各图像的特征,并分别将中心图像pi与第三图像pi-1两者的特征转换为相应的角度距离a、中心图像pi与第三图像pi-2两者的特征转换为相应的角度距离b、中心图像pi与第四图像pi+1两者的特征转换为相应的角度距离c、中心图像pi与第四图像pi+2两者的特征转换为相应的角度距离d。基础模型以“b>a+△、且d>c+△”为约束调整其权参。这是基于循环任务提出的,否则只计算两两图像角度,可能在相对位置上产生混淆。
S30,将待预测图像输入预测模型中,以获取预测模型输出的待预测图像的特征和多个阶段的特征集,特征集至少包括所属阶段起始位置的第一标准特征。
本发明实施例中,预测模型在训练结束后,能够基于此时的权参提取待预测图像的特征。
S40,分别计算待预测图像的特征与多个阶段的第一标准特征间的角度距离,并将多个阶段中角度距离最小的阶段作为待预测图像所在的目标阶段。
本发明实施例中,基于基础模型所采用的特征与角度距离的转换函数(如余弦函数),在获得待预测图像的特征和多个阶段的第一标准特征后,即可采用相应的函数计算待预测图像的特征与各第一标准特征间的角度距离。而角度距离最小的阶段即为待预测图像当前所在的阶段,即目标阶段。
在其他一些实施例中,为预测待预测图像位于所在阶段的进度,在图1所示的面向循环任务的预测方法的基础上还包括如下步骤,方法流程图如图2所示:
S501,将目标阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为待预测图像在目标阶段内的当前工时。
本发明实施例中,在训练预测模型之前,需要将图像集中两个图像间的工时距离转换为角度距离,具体采用的是图像集中最大的工时距离为基准进行的归一化。因此,在确定目标阶段的角度距离后,可以将其转化为0-1范围内的数值、再与图像集中最大的工时距离相乘即可获得相应的工时距离,以此作为待预测图像在目标阶段内的当前工时。
除此以外,还可以采用另一种方式计算目标阶段内的当前工时:
S502,如果特征集还包括所属阶段内、距离起始位置不同工时距离的第二标准特征,分别计算待预测图像的特征分别与目标阶段的各第二标准特征间的角度距离,并将角度距离最小的第二标准特征对应的工时距离作为待预测图像在目标阶段内的当前工时。
本发明实施例中,如果特征集中还包括各阶段内不同位置(即距离起始位置不同工时距离)的第二标准特征。此时,可以分别计算待预测图像的特征与目标阶段内各第二标准特征间的角度距离,如果角度距离最小的第二标准特征对应的位置为工时距离X,则可以将工时距离X作为待预测图像在目标阶段内的当前工时。
在其他一些实施例中,为预测待预测图像进一步下一阶段的剩余用时,在图1所示的面向循环任务的预测方法的基础上还包括如下步骤,方法流程图如图3所示:
S60,确定多个阶段中目标阶段的下一阶段,并计算待预测图像的特征与目标阶段的下一阶段的第一标准特征间的角度距离。
S70,将目标阶段的下一阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为待预测图像距离目标阶段的下一阶段的剩余工时。
本发明实施例中,继续以第1-5个阶段为例,可以确定第1个阶段的下一阶段为第2个阶段、第2个阶段的下一阶段为第3个阶段、……、第5个阶段的下与阶段为第1个阶段。
由于特征集中包括各阶段起始位置的第一标准特征,因此在确定目标阶段的下一阶段后,即可基于基础模型所采用的特征与角度距离的转换函数(如余弦函数),采用相应的函数计算待预测图像的特征与下一阶段的第一标准特征间的角度距离。
进一步,将上述角度距离转化为0-1范围内的数值、再与图像集中最大的工时距离相乘即可获得相应的工时距离,以此作为待预测图像距离目标阶段的下一阶段的剩余工时。
本发明实施例提供一种面向循环任务的预测方法,能够训练一个将图像映射到多维嵌入空间、且在该多维嵌入空间内将图像间的工时距离采用角度距离来表示的预测模型,从而能够通过该预测模型提取待预测图像的特征,并且结合多个阶段起始位置的第一标准特征计算待预测图像所在的目标阶段。本发明将线性的工时距离使用多维嵌入空间的角度距离来表示,即用角度来替换直线概念,从而与循环任务相适应,能够有效预测出循环任务当前所在的阶段。
基于上述实施例提供的面向循环任务的预测方法,本发明实施例则对应提供执行上述面向循环任务的预测方法的装置,该装置的结构示意图如图4所示,包括:
图像获取模块10,用于获取第一循环任务的待预测图像;
模型训练模块20,用于训练预测模型,预测模型是使用第二循环任务的图像集对基础模型训练得到的,图像集包括第二循环任务的子任务在多个阶段内连续的多个图像,预测模型能够将图像集中各图像映射至多维嵌入空间、且在多维嵌入空间内图像集中图像间的工时距离采用角度距离来表示;
模型调用模块30,用于调用预测模型;将待预测图像输入预测模型中,以获取预测模型输出的待预测图像的特征和多个阶段的特征集,特征集至少包括所属阶段起始位置的第一标准特征;
特征处理模块40,用于分别计算待预测图像的特征与多个阶段的第一标准特征间的角度距离,并将多个阶段中角度距离最小的阶段作为待预测图像所在的目标阶段。
可选的,特征处理模块40,还用于:
将目标阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为待预测图像在目标阶段内的当前工时;
或者
如果特征集还包括所属阶段内、距离起始位置不同工时距离的第二标准特征,分别计算待预测图像的特征分别与目标阶段的各第二标准特征间的角度距离,并将角度距离最小的第二标准特征对应的工时距离作为待预测图像在目标阶段内的当前工时。
可选的,特征处理模块40,还用于:
确定多个阶段中目标阶段的下一阶段,并计算待预测图像的特征与目标阶段的下一阶段的第一标准特征间的角度距离;将目标阶段的下一阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为待预测图像距离目标阶段的下一阶段的剩余工时。
可选的,多个阶段包括开始阶段、至少一个中间阶段和结束阶段,模型训练模块20,具体用于:
基于图像集的多个图像获取开始阶段、中间阶段和结束阶段的样本集,开始阶段的样本集至少包括子任务在开始阶段内的所有图像,中间阶段的样本集至少包括子任务在中间阶段内的所有图像和中间阶段的上一阶段内距离中间阶段最近的多个图像,结束阶段的样本集至少包括子任务在结束阶段内的所有图像、结束阶段的上一阶段内距离结束阶段最近的多个图像、以及开始阶段距离结束阶段最近的多个图像;
以开始阶段、中间阶段和结束阶段的次序,分别使用相应的样本集训练基础模型,各样本集的训练方式如下:
从相应样本集中抽取多个第一图像组,第一图像组包括第一图像和第二图像;依次将每个第一图像组的第一图像和第二图像输入至基础模型,以使基础模型预测所输入的第一图像和第二图像的特征,还使基础模型以所预测的第一图像和第二图像的特征间的角度距离趋近于相应标定角度距离为目标调整基础模型的权参,直到多个第一图像组的训练结束。
可选的,模型训练模块20,还用于:
从图像集的多个图像中抽取有多元组损失的多个第二图像组,第二图像组包括一个中心图像、位于中心图像之前的多个第三图像、以及位于中心图像之前的多个第四图像,一个第二图像组中第三图像和第四图像的数量相同;依次将每个第二图像组的中心图像、多个第三图像和多个第四图像输入至基础模型,以使基础模型预测所输入的中心图像、第三图像和第四图像的特征,还使基础模型以所预测的第三图像与中心图像的特征间的角度距离正比于相应工时距离、以及所预测的第四图像的特征间的角度距离正比于相应工时距离为目标调整基础模型的权参,直到多个第二图像组的训练结束。
可选的,多元组损失为五元组损失。
本发明实施例提供一种面向循环任务的预测装置,能够训练一个将图像映射到多维嵌入空间、且在该多维嵌入空间内将图像间的工时距离采用角度距离来表示的预测模型,从而能够通过该预测模型提取待预测图像的特征,并且结合多个阶段起始位置的第一标准特征计算待预测图像所在的目标阶段。本发明将线性的工时距离使用多维嵌入空间的角度距离来表示,即用角度来替换直线概念,从而与循环任务相适应,能够有效预测出循环任务当前所在的阶段。
基于上述实施例提供的面向循环任务的预测方法,本发明实施例还提供一种电子设备,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现所述的面向循环任务的预测方法。
基于上述实施例提供的面向循环任务的预测方法,本发明实施例还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行所述的面向循环任务的预测方法。
以上对本发明所提供的一种面向循环任务的预测方法、装置、电子设备及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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
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,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。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。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种面向循环任务的预测方法,其特征在于,所述方法包括:
获取第一循环任务的待预测图像;
调用预先训练的预测模型,所述预测模型是使用第二循环任务的图像集对基础模型训练得到的,所述图像集包括所述第二循环任务的子任务在多个阶段内连续的多个图像,所述预测模型能够将所述图像集中各图像映射至多维嵌入空间、且在所述多维嵌入空间内所述图像集中图像间的工时距离采用角度距离来表示;
将所述待预测图像输入所述预测模型中,以获取所述预测模型输出的所述待预测图像的特征和所述多个阶段的特征集,所述特征集至少包括所属阶段起始位置的第一标准特征;
分别计算所述待预测图像的特征与所述多个阶段的第一标准特征间的角度距离,并将所述多个阶段中角度距离最小的阶段作为所述待预测图像所在的目标阶段。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为所述待预测图像在所述目标阶段内的当前工时;
或者
如果所述特征集还包括所属阶段内、距离所述起始位置不同工时距离的第二标准特征,分别计算所述待预测图像的特征分别与所述目标阶段的各第二标准特征间的角度距离,并将角度距离最小的第二标准特征对应的工时距离作为所述待预测图像在所述目标阶段内的当前工时。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述多个阶段中所述目标阶段的下一阶段,并计算所述待预测图像的特征与所述目标阶段的下一阶段的第一标准特征间的角度距离;
将所述目标阶段的下一阶段的角度距离转换为相应的工时距离,并将转换得到的工时距离作为所述待预测图像距离所述目标阶段的下一阶段的剩余工时。
4.根据权利要求1所述的方法,其特征在于,所述多个阶段包括开始阶段、至少一个中间阶段和结束阶段,所述预测模型的训练过程,包括:
基于所述图像集的多个图像获取所述开始阶段、所述中间阶段和所述结束阶段的样本集,所述开始阶段的样本集至少包括所述子任务在所述开始阶段内的所有图像,所述中间阶段的样本集至少包括所述子任务在所述中间阶段内的所有图像和所述中间阶段的上一阶段内距离所述中间阶段最近的多个图像,所述结束阶段的样本集至少包括所述子任务在所述结束阶段内的所有图像、所述结束阶段的上一阶段内距离所述结束阶段最近的多个图像、以及所述开始阶段距离所述结束阶段最近的多个图像;
以所述开始阶段、所述中间阶段和所述结束阶段的次序,分别使用相应的样本集训练所述基础模型,各样本集的训练方式如下:
从相应样本集中抽取多个第一图像组,所述第一图像组包括第一图像和第二图像;
依次将每个第一图像组的第一图像和第二图像输入至所述基础模型,以使所述基础模型预测所输入的第一图像和第二图像的特征,还使所述基础模型以所预测的第一图像和第二图像的特征间的角度距离趋近于相应标定角度距离为目标调整所述基础模型的权参,直到所述多个第一图像组的训练结束。
5.根据权利要求4所述的方法,其特征在于,所述分别从所述多个图像中获取所述开始阶段、所述中间阶段和所述结束阶段的样本集之前,所述预测模型的训练过程,还包括:
从所述图像集的多个图像中抽取有多元组损失的多个第二图像组,所述第二图像组包括一个中心图像、位于所述中心图像之前的多个第三图像、以及位于所述中心图像之前的多个第四图像,一个第二图像组中第三图像和第四图像的数量相同;
依次将每个第二图像组的中心图像、多个第三图像和多个第四图像输入至所述基础模型,以使所述基础模型预测所输入的中心图像、第三图像和第四图像的特征,还使所述基础模型以所预测的第三图像与中心图像的特征间的角度距离正比于相应工时距离、以及所预测的第四图像的特征间的角度距离正比于相应工时距离为目标调整所述基础模型的权参,直到所述多个第二图像组的训练结束。
6.根据权利要求5所述的方法,其特征在于,所述多元组损失为五元组损失。
7.一种面向循环任务的预测装置,其特征在于,所述装置包括:
图像获取模块,用于获取第一循环任务的待预测图像;
模型训练模块,用于训练预测模型,所述预测模型是使用第二循环任务的图像集对基础模型训练得到的,所述图像集包括所述第二循环任务的子任务在多个阶段内连续的多个图像,所述预测模型能够将所述图像集中各图像映射至多维嵌入空间、且在所述多维嵌入空间内所述图像集中图像间的工时距离采用角度距离来表示;
模型调用模块,用于调用所述预测模型;将所述待预测图像输入所述预测模型中,以获取所述预测模型输出的所述待预测图像的特征和所述多个阶段的特征集,所述特征集至少包括所属阶段起始位置的第一标准特征;
特征处理模块,用于分别计算所述待预测图像的特征与所述多个阶段的第一标准特征间的角度距离,并将所述多个阶段中角度距离最小的阶段作为所述待预测图像所在的目标阶段。
8.根据权利要求7所述的装置,其特征在于,所述多个阶段包括开始阶段、至少一个中间阶段和结束阶段,所述模型训练模块,具体用于:
基于所述图像集的多个图像获取所述开始阶段、所述中间阶段和所述结束阶段的样本集,所述开始阶段的样本集至少包括所述子任务在所述开始阶段内的所有图像,所述中间阶段的样本集至少包括所述子任务在所述中间阶段内的所有图像和所述中间阶段的上一阶段内距离所述中间阶段最近的多个图像,所述结束阶段的样本集至少包括所述子任务在所述结束阶段内的所有图像、所述结束阶段的上一阶段内距离所述结束阶段最近的多个图像、以及所述开始阶段距离所述结束阶段最近的多个图像;
以所述开始阶段、所述中间阶段和所述结束阶段的次序,分别使用相应的样本集训练所述基础模型,各样本集的训练方式如下:
从相应样本集中抽取多个第一图像组,所述第一图像组包括第一图像和第二图像;依次将每个第一图像组的第一图像和第二图像输入至所述基础模型,以使所述基础模型预测所输入的第一图像和第二图像的特征,还使所述基础模型以所预测的第一图像和第二图像的特征间的角度距离趋近于相应标定角度距离为目标调整所述基础模型的权参,直到所述多个第一图像组的训练结束。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现权利要求1-6任意一项所述的面向循环任务的预测方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1-6任意一项所述的面向循环任务的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534775.9A CN112633295A (zh) | 2020-12-22 | 2020-12-22 | 面向循环任务的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534775.9A CN112633295A (zh) | 2020-12-22 | 2020-12-22 | 面向循环任务的预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633295A true CN112633295A (zh) | 2021-04-09 |
Family
ID=75321354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011534775.9A Pending CN112633295A (zh) | 2020-12-22 | 2020-12-22 | 面向循环任务的预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642741A (zh) * | 2021-08-12 | 2021-11-12 | 北京百度网讯科技有限公司 | 模型、数据生成方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0750833A (ja) * | 1993-08-05 | 1995-02-21 | Sharp Corp | 画像領域設定方法及び画像符号化装置並びに画像復号化装置 |
CN104008397A (zh) * | 2014-06-09 | 2014-08-27 | 华侨大学 | 一种基于图像集的目标跟踪算法 |
CN105488317A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的系统和方法 |
CN108257132A (zh) * | 2018-03-05 | 2018-07-06 | 南方医科大学 | 一种基于机器学习的ct图像质量评估的方法 |
CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
WO2020042800A1 (zh) * | 2018-08-31 | 2020-03-05 | 阿里巴巴集团控股有限公司 | 用于辅助车辆定损图像拍摄的方法、装置及设备 |
CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
WO2020151329A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
CN111598473A (zh) * | 2020-05-22 | 2020-08-28 | 中国人民解放军国防科技大学 | 面向复杂观测任务的多平台联合任务规划方法 |
CN111695602A (zh) * | 2020-05-18 | 2020-09-22 | 五邑大学 | 多维度任务人脸美丽预测方法、系统及存储介质 |
CN111695522A (zh) * | 2020-06-15 | 2020-09-22 | 重庆邮电大学 | 一种平面内的旋转不变人脸检测方法、装置及存储介质 |
CN112052840A (zh) * | 2020-10-10 | 2020-12-08 | 苏州科达科技股份有限公司 | 图片筛选方法、系统、设备及存储介质 |
-
2020
- 2020-12-22 CN CN202011534775.9A patent/CN112633295A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0750833A (ja) * | 1993-08-05 | 1995-02-21 | Sharp Corp | 画像領域設定方法及び画像符号化装置並びに画像復号化装置 |
CN104008397A (zh) * | 2014-06-09 | 2014-08-27 | 华侨大学 | 一种基于图像集的目标跟踪算法 |
CN105488317A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的系统和方法 |
CN108257132A (zh) * | 2018-03-05 | 2018-07-06 | 南方医科大学 | 一种基于机器学习的ct图像质量评估的方法 |
WO2020042800A1 (zh) * | 2018-08-31 | 2020-03-05 | 阿里巴巴集团控股有限公司 | 用于辅助车辆定损图像拍摄的方法、装置及设备 |
WO2020151329A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN111695602A (zh) * | 2020-05-18 | 2020-09-22 | 五邑大学 | 多维度任务人脸美丽预测方法、系统及存储介质 |
CN111598473A (zh) * | 2020-05-22 | 2020-08-28 | 中国人民解放军国防科技大学 | 面向复杂观测任务的多平台联合任务规划方法 |
CN111695522A (zh) * | 2020-06-15 | 2020-09-22 | 重庆邮电大学 | 一种平面内的旋转不变人脸检测方法、装置及存储介质 |
CN112052840A (zh) * | 2020-10-10 | 2020-12-08 | 苏州科达科技股份有限公司 | 图片筛选方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
GIUSEPPE MASETTI等, IEEE XPLORE, 18 May 2015 (2015-05-18), pages 1 - 10 * |
武丽芬;赵昌垣;严学勇;: "一种基于流形边缘最大化的图像集分类算法", 计算机工程, no. 07, 15 July 2018 (2018-07-15), pages 314 - 321 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642741A (zh) * | 2021-08-12 | 2021-11-12 | 北京百度网讯科技有限公司 | 模型、数据生成方法、装置、电子设备及存储介质 |
CN113642741B (zh) * | 2021-08-12 | 2023-08-15 | 北京百度网讯科技有限公司 | 模型、数据生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021121951A (ja) | アテンションベースのシーケンス変換ニューラルネットワーク | |
JP5857049B2 (ja) | 単語のユーザー挙動数の予測 | |
JP7286774B2 (ja) | ニューラルネットワークのための複合モデルスケーリング | |
CN106959894B (zh) | 资源分配方法和装置 | |
CN106855952B (zh) | 基于神经网络的计算方法及装置 | |
CN107909262B (zh) | 一种众包代价复杂度的获取方法 | |
WO2019176991A1 (ja) | アノテーション方法、アノテーション装置、アノテーションプログラム及び識別システム | |
CN110008952B (zh) | 一种目标识别方法及设备 | |
CN114296867A (zh) | 一种云平台的容器运行方法、系统及相关装置 | |
CN107315889A (zh) | 仿真引擎的性能测试方法及存储介质 | |
CN112633295A (zh) | 面向循环任务的预测方法、装置、电子设备及存储介质 | |
CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN113222125A (zh) | 卷积运算方法及芯片 | |
JP5687122B2 (ja) | ソフトウェア評価装置、ソフトウェア評価方法およびシステム評価装置 | |
CN110110448B (zh) | 一种基于wrf的天气模拟方法、系统和可读存储介质 | |
JP6646324B2 (ja) | 中性子束分布の算出方法、炉心の反応度評価方法、プログラム及び装置 | |
CN115019150B (zh) | 目标检测定点模型建立方法、装置及可读存储介质 | |
EP2950213A1 (en) | Method, apparatus, and system for migrating virtual machine | |
US20170160730A1 (en) | Production system having constraint evaluator generating constrained sequences | |
JP2010108402A (ja) | 2系列の時系列データの解析装置及び2系列の時系列データの解析プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN110928794B (zh) | 调配信息生成方法及装置 | |
CN110865913B (zh) | 一种压力测试的方法及装置 | |
CN108471362B (zh) | 资源分配预测方法和装置 | |
CN111325343A (zh) | 神经网络的确定、目标检测、智能行驶控制方法及装置 | |
CN111026879A (zh) | 多维度价值导向的针对意图的面向对象数值计算方法 |
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 |