CN112990046A - 差异信息获取方法、相关装置及计算机程序产品 - Google Patents
差异信息获取方法、相关装置及计算机程序产品 Download PDFInfo
- Publication number
- CN112990046A CN112990046A CN202110322618.XA CN202110322618A CN112990046A CN 112990046 A CN112990046 A CN 112990046A CN 202110322618 A CN202110322618 A CN 202110322618A CN 112990046 A CN112990046 A CN 112990046A
- Authority
- CN
- China
- Prior art keywords
- image
- sequence
- local
- difference information
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了差异信息获取方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及计算机视觉和深度学习技术领域等人工智能技术领域,可用于遥感成像场景下。该方法的一具体实施方式包括:分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,第一图像和第二图像对应于相同场景,利用交叉变化神经网络分别处理第一特征序列和第二特征序列,得到长度相同的第一修正序列和第二修正序列,并将根据第一修正序列更新第一图像得到的第三图像和根据第二修正序列更新第二图像得到的第四图像进行比较,得到图像差异信息。该实施方式利用交叉变化神经网络对输入图像的参数、内容进行统一,便于比较输入图像之间的差异。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及计算机视觉和深度学习技术领域等人工智能技术领域,可用于遥感成像场景下,尤其涉及差异信息获取方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
通过卫影像判断一个区域是否发生了变化是遥感领域中非常重要的命题,比如可以判断是否有违章建筑,有违规损坏林地,水系面积变化的监控,森林火灾的监控等等。
但因卫星运转时间、拍摄角度等图像采集设备的原因,不同时间情况下,针对同一区域的照片中可能存在一定的误差变化(例如卫星运转拍摄角度、地球自转等原因)。
发明内容
本公开实施例提出了一种差异信息获取方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种差异信息获取方法,包括:分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,该第一图像和该第二图像对应于相同场景;利用交叉变化神经网络对该第一特征序列和该第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列;根据该第一修正序列将该第一图像更新为第三图像,以及根据该第二修正序列将该第二图像更新为第四图像;比对该第三图像和该第四图像,得到图像差异信息。
第二方面,本公开实施例提出了一种差异信息获取装置,包括:特征序列生成单元,被配置成分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,该第一图像和该第二图像对应于相同场景;修正序列生成单元,被配置成利用交叉变化神经网络对该第一特征序列和该第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列;图像更新单元,被配置成根据该第一修正序列将该第一图像更新为第三图像,以及根据该第二修正序列将该第二图像更新为第四图像;差异信息生成单元,被配置成比对该第三图像和该第四图像,得到图像差异信息。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括: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,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的差异信息获取方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的差异信息获取方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的差异信息获取方法。
本公开实施例提供的差异信息获取方法、装置、电子设备、计算机可读存储介质及计算机程序产品,分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,第一图像和第二图像对应于相同场景,利用交叉变化神经网络分别处理第一特征序列和第二特征序列,得到长度相同的第一修正序列和第二修正序列,并将根据第一修正序列更新第一图像得到的第三图像和根据第二修正序列更新第二图像得到的第四图像进行比较,得到图像差异信息。
本公开在获取针对相同场景生成的第一图像和第二图像后,分别获取与第一图像和第二图像对应的第一特征序列和第二特征序列,利用交叉变化神经网络将上述两个特征序列进行修正,后续根据修正后的特征序列对第一图像和第二图像进行修正,以便于后续基于相同的图像参数实现图像比较、获取图像差异,不仅提升图像的比较质量,还可以提升差异信息获取的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种差异信息获取方法的流程图;
图3为本公开实施例提供的另一种差异信息获取方法的流程图;
图4为本公开实施例提供的在一应用场景下的差异信息获取方法的流程图;
图5为本公开实施例提供的一种差异信息获取装置的结构框图;
图6为本公开实施例提供的一种适用于执行差异信息获取方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
此外,本公开公开的技术方案中,如第一图像和/或第二图像中包含有人脸信息等涉及用户个人信息的相关内容时,涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的差异信息获取方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如图像远程分析类应用、区域监控类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有带有图像获取能力的各种电子设备,包括但不限于智能手机、监控摄像头、遥感卫星等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备的数据处理单元中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以提供生成区域变化信息的区域监控类应用为例,服务器105在运行该区域监控类应用时可实现如下效果:首先,通过网络104从终端设备101、102、103中获取对应于相同场景的第一图像和第二图像后,分别获获取第一图像的第一特征序列和第二图像的第二特征序列,然后,服务器105利用交叉变化神经网络对该第一特征序列和该第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列,接下来,服务器105根据该第一修正序列将该第一图像更新为第三图像,以及根据该第二修正序列将该第二图像更新为第四图像,最后,比对该第三图像和该第四图像,得到图像差异信息。
需要指出的是,对应于相同场景的第一图像和第二图像除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的对应相同场景的历史图像),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括终端设备101、102、103和网络104。
由于得到相同长度的第一修正序列和第二修正序列,以及根据修正序列对图像更新过程需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的差异信息获取方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,差异信息获取装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的区域监控类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但区域监控类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,差异信息获取装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种差异信息获取方法的流程图,其中流程200包括以下步骤:
步骤201,分别获取第一图像的第一特征序列和第二图像的第二特征序列。
在本实施例中,由差异信息获取方法的执行主体(例如图1所示的服务器105)分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,第一图像和第二图像对应于相同场景。
需要指出的是,第一图像的第一特征序列和第二图像的第二特征序列可以由上述执行主体直接从本地的存储设备获取,也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块,例如服务器硬盘,在此种情况下,第一图像的第一特征序列和第二图像的第二特征序列可以在本地快速读取到;非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备,例如一些用户终端等,在此情况下,上述执行主体可以通过向该电子设备发送获取命令来获取所需的第一图像的第一特征序列和第二图像的第二特征序列。
应当理解的是,在本实施例中也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取到对应于相同场景的第一图像和第二图像后,在上述执行主体中可以采用如反向传播(Back Propagation,简称BP)神经网络、离散递归Hopfield神经网络、向量量化(Learning Vector Quantization,简称LVQ)神经网络和孪生神经网络等对获取到的第一图像和第二图像进行处理,以得到第一图像的第一特征序列和第二图像的第二特征序列。在此情况下,上述执行主体可以仅需向该电子设备发送获取命令来获取所需的第一图像和第二图像即可。
步骤202,利用交叉变化神经网络对第一特征序列和第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列。
在本实施例中,交叉变化神经网络中由交叉变化层、多头自注意力单元和自注意力变化层组成,将第一特征序列和第二特征序列输入至交叉变化神经网络中,该交叉变化神经网络会根据获取第一特征序列、第二特征序列的长度和通道数对第一特征序列和第二特征序列进行处理,以得到长度相同的第一修正序列和第二修正序列。
在实践中,交叉变化神经网络中的交叉变化层数量根据需处理的特征序列的数量进行确定,为方便理解,示例性的记特征序列的长度为N2、通道数为C,第一特征序列为F,第二特征序列为G,两者维度都是N2×C,第一个交叉变化层(对应第一特征序列F)的单个自注意力运算单元的计算如下:
其中,WK为网络键(key)向量的线性变化层的变换矩阵,softmax()表示逻辑回归函数,WQ为网络查询(query)向量的线性变化层的变换矩阵,WV为网络值(value)向量的线性变化层的变换矩阵,上述三个变换矩阵的维度相同,h表示上述三个变换矩阵中的列维度数。
多头自注意力单元由多个自注意力运算单元组成:
MSA(F,G)=[SA1(F,G),SA2(F,G),…,SAK(F,G)]Wo
其中Wo的维度为Kh×C,K表示该多头自注意力单元中注意力运算单元的数量,其余参数与上述第一个交叉变化层中计算过程标注相同。
自注意力变化层的计算方式如下:
H=MSA(F,G)+MLP(MSA(F,G))
其中,MLP是多层感知器(Muti Layer Perception,简称MLP),得到的输出特征矩阵H的维度为N2×C,其余涉及参数与上述第一个交叉变化层中计算过程标注相同。
接下来,在第二个交叉变化层(对应第二特征序列G)的单个自注意力运算单元的计算如下:
其中,其中W′Q为网络查询(query)向量的线性变化层的变换矩阵,其中W′K为网络键(key)向量的线性变化层的变换矩阵,其中W′V为网络值(value)向量的线性变化层的变换矩阵,上述三个变化矩阵的维度相同,其余涉及参数与上述第一个交叉变化层中计算过程标注相同。
步骤203,根据第一修正序列将第一图像更新为第三图像,以及根据第二修正序列将第二图像更新为第四图像。
在本实施例中,根据第一修正序列中记载的内容对第一图像的内容进行修正,以得到第三图像,其中,基于该第三图像生成的特征序列与该第一修正序列相同,同理根据第二修正序列中记载的内容对第二图像的内容进行修正,以得到第四图像,其中,基于该第四图像生成的特征序列与该第一修正序列相同。
步骤204,比对第三图像和第四图像,得到图像差异信息。
在本实施例中,可以利用现有的图像差异分析神经网络的对第三图像和第四图像进行处理,以得到图像差异信息,也可以将第三图像和第四图像进行重叠后,剔除可完全重合部分的图像内容,以得到第三图像和第四图像之间的差异信息。
本公开实施例提供的差异信息获取方法,在获取针对相同场景生成的第一图像和第二图像后,分别获取与第一图像和第二图像对应的第一特征序列和第二特征序列,利用交叉变化神经网络将上述两个特征序列进行修正,后续根据修正后的特征序列对第一图像和第二图像进行修正,以便于后续基于相同的图像参数实现图像比较、获取图像差异,不仅提升图像的比较质量,还可以提升差异信息获取的准确性。
在本实施例的一些可选的实现方式中,在分别获取第一图像的第一特征序列和第二图像的第二特征序列之前,还包括:获取对应于目标场景的至少一个图像对;利用孪生神经网络的卷积层处理该图像对中的图像,得到该第一图像和该第二图像。
具体的,在上述执行主体获取到对应于目标场景的图像对后,利用孪生神经网络的卷积层对该图像对中包含的图像进行处理,得到第一图像和第二图像,因上述交叉变化神经网络不会改变输入特征图的形状,所以可以插入到孪生神经网络任意部分、实现与接入孪生神经网络的目的,以对现有技术中基于孪生网络进行图像分析的方法进行改进,使得孪生网络之间不再完全独立,而是会根据互相的局部特征进行自适应的调整,以提升差异信息获取方法的泛用性。
请参考图3,图3为本公开实施例提供的另一种差异信息获取方法的流程图,其中流程300包括以下步骤:
步骤301,分别对第一图像和第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合。
在本实施例中,分别对第一图像和第二图像中局部的内容进行解析,以得到第一图像和第二图像的局部特征,并将得到的第一图像的局部特征进行收集,以得到第一特征结合,将得到的第二图像的局部特征进行收集,得到第二特征集合,利用局部特征的解析的方式获取数量更多、质量更高局部特征,并且可以在后续根据这些局部特征组成第一图像和第二图像的完整图像特征时,提升完整图像特征的质量。
步骤302,根据局部特征的空间位置关系,拼接该第一局部特征集合中的各局部特征得到该第一特征序列,以及拼接该第二局部特征集合中的局部特征得到该第二特征序列。
在本实施例中,分别将各个局部特征中的内容按照空间位置进行展开,得到多个相应的特征序列,并将第一局部特征集合中的各个局部特征根据空间位置关系进行拼接,得到第一特征序列,将第二局部特征集合中的各个局部特征根据空间位置关系进行拼接,得到第二特征序列,其中,上述局部特征的特征序列对于第一图像和第二图像中同一个位置是相同的。
步骤303,利用交叉变化神经网络对第一特征序列和第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列。
步骤304,根据第一修正序列将第一图像更新为第三图像,以及根据第二修正序列将第二图像更新为第四图像。
步骤305,比对第三图像和第四图像,得到图像差异信息。
以上步骤303-305与如图2所示的步骤202-204一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
在上述图2所示实施例的基础上,本实施例进一步的对第一图像和第二图像的局部特征进行解析,以获取描述第一图像和第二图像更加细致、准确的第一特征序列和第二特征序列,进一步的缩小用于生成图像差异信息的第三图像和第四图像之间的差异。
在本实施例的一些可选的实现方式中,分别对第一图像和第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合,包括:根据预设的图像维度信息确定图像切分框;利用图像切分框将该第一图像和该第二图像分别切分为多个局部图像,并分别生成与每个该局部图像对应的局部特征;分别汇总属于该第一图像和该第二图像的各局部特征,分别得到该第一局部特征集合和该第二局部特征集合。
具体的,分别将第一图像和第二图像按照预设的N×N维度确定的图像切分框进行切分,以得到第一图像的局部特征和第二图像的局部特征,并对基于第一图像拆分出的局部特征进行汇总,得到第一局部特征集合,对基于第二图像拆分出的局部特征进行汇总,得到第二局部特征集合,通过预设相同维度的切分框的方式以保证从第一图像和第二图像中切分出的局部特征处于相同的参数、尺寸,便于后续得到相同的特征序列,方便特征序列的拼接。
在上述任一实施例的基础上,比对第三图像和第四图像,得到图像差异信息,包括:将该第三图像和该第四图像作为一对比较样本,输入分割神经网络的卷积层;将该分割神经网络的卷积层输出的信息作为该图像差异信息。
具体的,在获取到第三图像和第四图像后,将这些图像输入现有的全卷积神经网络、语义分割神经网络等分割神经网络,利用分割神经网络的卷积层输出图像差异信息,不仅可以准确的获取到图像差异信息,还可以将不同的神经网络进行串联,以配合其他神经网络实现图像差异信息的提取,增强泛用性。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案,请参见如图4所示的流程400。
步骤401,分别对第一图像和第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合。
步骤402,根据第一局部特征集合和第二局部特征集合得到第一图像的第一特征序列和第二图像的第二特征序列。
步骤403,利用交叉变化神经网络对第一特征序列和第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列。
步骤404,根据该第一修正序列将第一图像更新为第三图像,以及根据第二修正序列将第二图像更新为第四图像。
步骤405,比较第三图像和第四图像,得到图像差异信息。
本公开实施例提供的差异信息获取方法,在获取针对相同场景生成的第一图像和第二图像后,分别获取与第一图像和第二图像对应的第一特征序列和第二特征序列,利用交叉变化神经网络将上述两个特征序列进行修正,后续根据修正后的特征序列对第一图像和第二图像进行修正,以便于后续基于相同的图像参数实现图像比较、获取图像差异,不仅提升图像的比较质量,还可以提升差异信息获取的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种差异信息获取装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的差异信息获取装置500可以包括:特征序列生成单元501、修正序列生成单元502、图像更新单元503和差异信息生成单元504。其中,序列生成单元501,被配置成分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,该第一图像和该第二图像对应于相同场景;修正序列生成单元502,被配置利用交叉变化神经网络对该第一特征序列和该第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列;图像更新单元503,被配置成根据该第一修正序列将该第一图像更新为第三图像,以及根据该第二修正序列将该第二图像更新为第四图像;差异信息生成单元504被配置成,比对该第三图像和该第四图像,得到图像差异信息。
在本实施例中,差异信息获取装置500中:特征序列生成单元501、修正序列生成单元502、图像更新单元503和差异信息生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,该特征序列生成单元501中包括:局部特征生成子单元,被配置成分别对该第一图像和该第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合;特征序列生成子单元,被配置成根据局部特征的空间位置关系,拼接该第一局部特征集合中的各局部特征得到该第一特征序列,以及拼接该第二局部特征集合中的局部特征得到该第二特征序列。
在本实施例的一些可选的实现方式中,该差异信息获取装置500还包括:图像对获取单元,被配置成获取对应于目标场景的至少一个图像对;图像生成单元,被配置成利用孪生神经网络的卷积层处理该图像对中的图像,得到该第一图像和该第二图像。
在本实施例的一些可选的实现方式中,该局部特征生成子单元包括:切分框生成模块,被配置成根据预设的图像维度信息确定图像切分框;局部特征生成模块,被配置成利用该图像切分框将该第一图像和该第二图像分别切分为多个局部图像,并分别生成与每个该局部图像对应的局部特征;局部特征集合生成模块,被配置成分别汇总属于该第一图像和该第二图像的各局部特征,分别得到该第一局部特征集合和该第二局部特征集合。
在本实施例的一些可选的实现方式中,该差异信息生成单元504,包括:差异比较子单元,被配置成将该第三图像和该第四图像作为一对比较样本,输入分割神经网络的卷积层;差异信息生成子单元,被配置成将该分割神经网络的卷积层输出的信息作为该图像差异信息。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的差异信息获取装置在获取针对相同场景生成的第一图像和第二图像后,分别获取与第一图像和第二图像对应的第一特征序列和第二特征序列,利用交叉变化神经网络将上述两个特征序列进行修正,后续根据修正后的特征序列对第一图像和第二图像进行修正,以便于后续基于相同的图像参数实现图像比较、获取图像差异,不仅提升图像的比较质量,还可以提升差异信息获取的准确性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如差异信息获取方法。例如,在一些实施例中,差异信息获取方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的差异信息获取方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行差异信息获取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。服务器也可以分为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开实施例的技术方案,在获取针对相同场景生成的第一图像和第二图像后,分别获取与第一图像和第二图像对应的第一特征序列和第二特征序列,利用交叉变化神经网络将上述两个特征序列进行修正,后续根据修正后的特征序列对第一图像和第二图像进行修正,以便于后续基于相同的图像参数实现图像比较、获取图像差异,不仅提升图像的比较质量,还可以提升差异信息获取的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种差异信息获取方法,包括:
分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,所述第一图像和所述第二图像对应于相同场景;
利用交叉变化神经网络对所述第一特征序列和所述第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列;
根据所述第一修正序列将所述第一图像更新为第三图像,以及根据所述第二修正序列将所述第二图像更新为第四图像;
比对所述第三图像和所述第四图像,得到图像差异信息。
2.根据权利要求1所述的方法,其中,所述分别获取第一图像的第一特征序列和第二图像的第二特征序列,包括:
分别对所述第一图像和所述第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合;
根据局部特征的空间位置关系,拼接所述第一局部特征集合中的各局部特征得到所述第一特征序列,以及拼接所述第二局部特征集合中的局部特征得到所述第二特征序列。
3.根据权利要求1所述的方法,在分别获取第一图像的第一特征序列和第二图像的第二特征序列之前,还包括:
获取对应于目标场景的至少一个图像对;
利用孪生神经网络的卷积层处理所述图像对中的图像,得到所述第一图像和所述第二图像。
4.根据权利要求2所述的方法,其中,所述分别对所述第一图像和所述第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合,包括:
根据预设的图像维度信息确定图像切分框;
利用所述图像切分框将所述第一图像和所述第二图像分别切分为多个局部图像,并分别生成与每个所述局部图像对应的局部特征;
分别汇总属于所述第一图像和所述第二图像的各局部特征,分别得到所述第一局部特征集合和所述第二局部特征集合。
5.根据权利要求1-4中任一项所述的方法,其中,所述比对所述第三图像和所述第四图像,得到图像差异信息,包括:
将所述第三图像和所述第四图像作为一对比较样本,输入分割神经网络的卷积层;
将所述分割神经网络的卷积层输出的信息作为所述图像差异信息。
6.一种差异信息获取装置,包括:
特征序列生成单元,被配置成分别获取第一图像的第一特征序列和第二图像的第二特征序列,其中,所述第一图像和所述第二图像对应于相同场景;
修正序列生成单元,被配置成利用交叉变化神经网络对所述第一特征序列和所述第二特征序列进行处理,得到长度相同的第一修正序列和第二修正序列;
图像更新单元,被配置成根据所述第一修正序列将所述第一图像更新为第三图像,以及根据所述第二修正序列将所述第二图像更新为第四图像;
差异信息生成单元,被配置成比对所述第三图像和所述第四图像,得到图像差异信息。
7.根据权利要求6所述的装置,其中,所述特征序列生成单元中包括:
局部特征生成子单元,被配置成分别对所述第一图像和所述第二图像的局部特征进行解析,分别得到第一局部特征集合和第二局部特征集合;
特征序列生成子单元,被配置成根据局部特征的空间位置关系,拼接所述第一局部特征集合中的各局部特征得到所述第一特征序列,以及拼接所述第二局部特征集合中的局部特征得到所述第二特征序列。
8.根据权利要求6所述的装置,还包括:
图像对获取单元,被配置成获取对应于目标场景的至少一个图像对;
图像生成单元,被配置成利用孪生神经网络的卷积层处理所述图像对中的图像,得到所述第一图像和所述第二图像。
9.根据权利要求7所述的装置,其中,所述局部特征生成子单元包括:
切分框生成模块,被配置成根据预设的图像维度信息确定图像切分框;
局部特征生成模块,被配置成利用所述图像切分框将所述第一图像和所述第二图像分别切分为多个局部图像,并分别生成与每个所述局部图像对应的局部特征;
局部特征集合生成模块,被配置成分别汇总属于所述第一图像和所述第二图像的各局部特征,分别得到所述第一局部特征集合和所述第二局部特征集合。
10.根据权利要求6-9中任一项所述的装置,其中,所述差异信息生成单元,包括:
差异比较子单元,被配置成将所述第三图像和所述第四图像作为一对比较样本,输入分割神经网络的卷积层;
差异信息生成子单元,被配置成将所述分割神经网络的卷积层输出的信息作为所述图像差异信息。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的差异信息获取方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的差异信息获取方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的差异信息获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322618.XA CN112990046B (zh) | 2021-03-25 | 2021-03-25 | 差异信息获取方法、相关装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110322618.XA CN112990046B (zh) | 2021-03-25 | 2021-03-25 | 差异信息获取方法、相关装置及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990046A true CN112990046A (zh) | 2021-06-18 |
CN112990046B CN112990046B (zh) | 2023-08-04 |
Family
ID=76333715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110322618.XA Active CN112990046B (zh) | 2021-03-25 | 2021-03-25 | 差异信息获取方法、相关装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990046B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591566A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
WO2018153322A1 (zh) * | 2017-02-23 | 2018-08-30 | 北京市商汤科技开发有限公司 | 关键点检测方法、神经网络训练方法、装置和电子设备 |
CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
CN111339827A (zh) * | 2020-01-18 | 2020-06-26 | 中国海洋大学 | 基于多区域卷积神经网络的sar图像变化检测方法 |
CN111723732A (zh) * | 2020-06-18 | 2020-09-29 | 西安电子科技大学 | 一种光学遥感图像变化检测方法、存储介质及计算设备 |
JP2021022368A (ja) * | 2019-07-25 | 2021-02-18 | 学校法人中部大学 | ニューラルネットワークを用いた画像認識装置およびトレーニング装置 |
-
2021
- 2021-03-25 CN CN202110322618.XA patent/CN112990046B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
WO2018153322A1 (zh) * | 2017-02-23 | 2018-08-30 | 北京市商汤科技开发有限公司 | 关键点检测方法、神经网络训练方法、装置和电子设备 |
CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
JP2021022368A (ja) * | 2019-07-25 | 2021-02-18 | 学校法人中部大学 | ニューラルネットワークを用いた画像認識装置およびトレーニング装置 |
CN111339827A (zh) * | 2020-01-18 | 2020-06-26 | 中国海洋大学 | 基于多区域卷积神经网络的sar图像变化检测方法 |
CN111723732A (zh) * | 2020-06-18 | 2020-09-29 | 西安电子科技大学 | 一种光学遥感图像变化检测方法、存储介质及计算设备 |
Non-Patent Citations (2)
Title |
---|
朱春宇;王明常;王凤艳;张海明;李婷婷;: "基于深度置信网络与数学形态学融合的遥感影像建筑物变化检测", 科学技术与工程, no. 08 * |
王瑞;李杰平;卢志刚;陈琼;: "基于人工神经网络遥感图像分类的应用研究", 科技情报开发与经济, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591566A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112990046B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN113570610B (zh) | 采用语义分割模型对视频进行目标分割的方法、装置 | |
CN113379627A (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
CN111815738B (zh) | 一种构建地图的方法和装置 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113538235A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN114693934A (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
CN110633716A (zh) | 一种目标对象的检测方法和装置 | |
CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
CN112990046B (zh) | 差异信息获取方法、相关装置及计算机程序产品 | |
CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN113177483B (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
US11681920B2 (en) | Method and apparatus for compressing deep learning model | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
KR20220146663A (ko) | 비디오 복구 방법, 장치, 기기, 매체 및 컴퓨터 프로그램 | |
CN112990328A (zh) | 特征融合方法、装置、设备、存储介质以及程序产品 | |
CN113537309A (zh) | 一种对象识别方法、装置及电子设备 | |
CN110633595B (zh) | 一种利用双线性插值的目标检测方法和装置 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN114495236B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN114549883B (zh) | 图像处理方法、深度学习模型的训练方法、装置和设备 | |
CN116824609B (zh) | 文档版式检测方法、装置和电子设备 | |
CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 |
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 |