CN114612807A - 微小目标的特征识别方法、装置、电子设备及存储介质 - Google Patents
微小目标的特征识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114612807A CN114612807A CN202210264690.6A CN202210264690A CN114612807A CN 114612807 A CN114612807 A CN 114612807A CN 202210264690 A CN202210264690 A CN 202210264690A CN 114612807 A CN114612807 A CN 114612807A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- feature
- target
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004927 fusion Effects 0.000 claims abstract description 108
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策技术领域，提出一种微小目标的特征识别方法，包括：对目标图像进行卷积操作，得到各个卷积层级的堆叠集合；从所述各个卷积层级的堆叠集合中筛选出目标卷积层，并根据预设的感受野系数集合对所述目标卷积层进行空洞卷积，得到空洞网络堆叠集合，将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到目标卷积层对应的融合网络层；依次将各个目标卷积层对应的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；最后，对注意力增强特征网络层的堆叠集合进行特征识别。本发明可以提高微小目标的识别效果。
Description
技术领域
本发明涉及智能决策技术领域，特别涉及一种微小目标的特征识别方法、装置、电子设备及存储介质。
背景技术
随着科技的发展，监控及无人机航拍等工具逐渐增多，既能保障人们人身及财产安全、方便施行勘察，也能应用于工业产品检测的方面，然而在拍摄的视频中，一些微小目标由于分辨率低、体积小等特征仍然难以检测，容易造成特征缺失，从而对于检测结果产生误判。例如交通路口识别一张图片中的车辆，比较近的车辆能够准确识别，然而在远方车辆就无法识别。因此，急需一种能够将微小目标进行特征增强的方法，提高微小目标的识别效果。
发明内容
本发明实施方式的目的在于提供一种微小目标的特征识别方法、装置、电子设备及存储介质，其目的在于提高微小目标识别时的识别效果。
为解决上述技术问题，本发明的实施方式提供了一种微小目标的特征识别方法，所述方法包括：
获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层；
获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集合；
根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；
利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
可选的，所述根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，包括：
将所述卷积核进行转置操作，得到转置卷积核；
提取所述融合网络层的堆叠集合中的第N层融合网络层，根据反卷积方法，利用所述转置卷积核将所述第N层融合网络层进行上采集操作，得到第N层上采集网络层，其中，所述第N层初始为最上层；
提取所述融合网络层的堆叠集合中的第N-1层融合网络层，并利用残差连接方法，将所述第N-1层融合网络层及所述第N层上采集网络层进行特征叠加操作，得到第N-1层上下文增强特征网络层；
判断所述第N-1层是否为预设数值层；
当所述第N-1层不为预设数值层，则将所述第N-1层上下文增强特征网络层定义为第N-1层融合网络层，并对所述N进行减一操作，返回上述提取所述融合网络层的堆叠集合中的第N层融合网络层的步骤：
当所述第N-1层为预设数值层，则将各个层的上下文增强特征网络层进行提取，得到上下文增强特征网络层的堆叠集合。
可选的，所述利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合，包括：
根据预设的参数配置集合，对所述上下文特征增强矩阵的堆叠集合中各个上下文增强特征网络层进行参数配置，得到各个上下文增强特征网络层对应的查询向量、键向量及值向量；
依次从所述上下文特征增强矩阵的堆叠集合中定义一个上下文增强特征网络层为目标增强矩阵，并根据所述各个上下文增强特征网络层的查询向量、键向量及值向量及注意力机制，将所述目标增强矩阵与所述上下文增强特征网络层的堆叠集合中其余上下文增强特征矩阵进行注意力交互计算，得到所述目标增强矩阵的注意力增强特征网络层；
当所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层全部遍历完成时，得到注意力增强特征网络层的堆叠集合。
可选的，所述利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合，包括：
对所述目标图像进行向量化处理，得到向量矩阵；
利用预构建的卷积核，对所述向量矩阵进行预设次数的卷积操作，得到各个层级的卷积层的堆叠集合。
可选的，所述根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合，包括：
根据预设的感受野系数对所述卷积核进行零值填充操作，得到扩张卷积核集合；
利用所述扩张卷积核集合中的各个扩张卷积核对所述目标卷积层进行卷积操作，得到所述目标卷积层对应的空洞网络堆叠的堆叠集合。
可选的，所述将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，包括：
根据预设权重系数，将所述各个空洞网络层进行权重配置；
将配置后的各个空洞网络层进行加权平均计算，得到所述目标卷积层对应的融合网络层。
可选的，所述利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果，包括：
利用所述特征识别神经网络提取所述注意力增强特征网络层的堆叠集合中的图像特征，得到特征序列集合；
对所述特征序列集合进行特征识别，得到特征概率值；
输出所述特征概率值大于预设有效得分阈值的识别类型，得到所述微小目标的识别结果。
为了解决上述问题，本发明还提供一种基于人脸识别的多模态语音交互方法装置，所述装置包括：
初级卷积模块，用于获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
空洞卷积模块，用于从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
多感受野特征融合模块，用于将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，及获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集；
上下文增强特征融合模块，用于根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，及利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
目标识别模块，用于利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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上述所述的微小目标的特征识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的微小目标的特征识别方法。
本发明实施例中，先利用预构建的卷积核对所述目标图像进行正常的卷积操作，得到各个卷积层级的堆叠集合，其中，所述各个卷积层级的堆叠集合为层级关系，各层卷积矩阵包含信息量不同，本发明实施例通过所述感受野系数集合，对同一个卷积层进行多次空洞卷积，得到所述卷积层的空洞网络堆叠集合，再将所述空洞网络堆叠集合进行融合，得到融合网络层，使得所述融合网络层含有各个大小范围的感受野的特征信息，有利于丰富图像特征的信息量；此外，本发明实施例再通过反卷积及残差连接的方式，将各个层级的融合特征进行叠加，使得各个层级的上下文增强特征网络层能够含有其他相连层级特征；而通过注意力机制，使得各个层级的注意力增强特征网络层能够含有其他不相连层的特征，因此，本发明最终能够得到含有全局特征的注意力增强特征网络层的堆叠集合，有利于后续特征识别神经网络的识别。因此，本发明实施例中所述的微小目标的特征识别方法、装置，能提高微小目标识别时的识别效果。
附图说明
图1为本发明一实施例提供的微小目标的特征识别的流程示意图；
图2为本发明一实施例提供的微小目标的特征识别的其中一个步骤的详细流程示意图；
图3为本发明一实施例提供的微小目标的特征识别设备间合作运行的流程示意图；
图4为本发明一实施例提供的微小目标的特征识别装置的模块示意图；
图5为本发明一实施例提供的微小目标的特征识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种微小目标的特征识别的方法。参照图1所示，为本发明一实施例提供的微小目标的特征识别的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，所述微小目标的特征识别方法包括步骤S1—S7：
S1、获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合。
本发明实施例中，所述微小目标的目标图像可以是图像中一个低像素、小范围区域内的物品，例如道路违规区域停车检测时，航拍视角上的各个地面车辆，本发明实施例可以通过监控摄像设备获取所述微小目标的目标图像。
本发明实施例中，所述卷积规则为：对目标图像进行卷积，然后对卷积结果进行再次卷积，直至卷积N次，本发明实施例中，所述N等于五。
详细的，本发明实施例中，所述利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合，包括：
对所述目标图像进行向量化处理，得到向量矩阵；
利用预构建的卷积核，对所述向量矩阵进行预设次数的卷积操作，得到各个层级的卷积层的堆叠集合。
本发明实施例将所述目标图像中的三原色进行向量化，得到一个向量矩阵，然后根据所述卷积规则，对所述向量矩阵进行五次卷积，依次得到C1……C5。其中，所述C1为第一层卷积层，所述C5为第5层卷积层等。
S2、从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合。
应当知道，所述感受野是指卷积结果中一个像素对应的输入图像的像素范围大小，例如，本发明实施例中，所述卷积核3×3，即所述目标图像中3×3范围内的数值对应所述C1卷积层中的一个数值，则所述C1卷积层的感受野为3×3，同理，所述C3卷积层的感受野为7×7。
本发明实施例中，由于所述C1卷积层的特征信息量较为丰富，与所述目标图像中包含信息差距不大，因此，本发明实施例中将所述各个卷积层级的堆叠集合中的C2--C5，作为目标卷积层，来进行多感受野的空洞卷积操作，增加信息丰富度。
详细的，本发明实施例中，所述根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合，包括：
根据预设的感受野系数对所述卷积核进行零值填充操作，得到扩张卷积核集合；
利用所述扩张卷积核集合中的各个扩张卷积核对所述目标卷积层进行卷积操作，得到所述目标卷积层对应的空洞网络堆叠的堆叠集合。
本发明实施例中为获取不同感受野的空洞矩阵，通过配置空洞卷积中的扩张率(dilation rate)参数来完成，其中，所述dilation rate默认为1，即原卷积核；本发明实施例根据所述感受野系数集合，配置所述dilation rate分别为1、3、5，则分别对C2--C5中的各个卷积层进行一次平移与两次空洞卷积。其中，本发明实施例中通过在所述卷积核中进行“0”值填充，得到扩张卷积核，由此可知，dilation rate 3表明在所述卷积核的像素之间添加2个(3-1＝2)“0”值，卷积核大小仍为3×3，但空洞为2；dilation rate 5是指在卷积核的像素之间添加4个(5-1＝4)“0”值，得到空洞为4，核大小为3×3的卷积核。
通过遍历操作，将所述目标卷积层的堆叠集合中各个目标卷积层全部完成空洞卷积后，得到各个目标卷积层对应的空洞网络堆叠集合。
S3、将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层。
详细的，本发明实施例中，所述将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，包括：
根据预设权重系数，将所述各个空洞网络层进行权重配置；
将配置后的各个空洞网络层进行加权平均计算，得到所述目标卷积层对应的融合网络层。
本发明实施例根据预设的权重系数，将高空洞的空洞网络层赋予相对较小的权重参数，低空洞的空洞网络层赋予相对较大的权重参数，最终通过对位的加权平均计算，得到所述目标卷积层对应的融合网络层，其中，所述融合网络层中含有各个感受野下的信息量，有利于后续特征信息的提取。
S4、获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集合。
本发明实施例中，上述S3步骤中，当目标卷积层C2--C5并行或依次进行了多感受野特征融合后，得到融合网络层的堆叠集合。
S5、根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合。
应当知道，输入图像通过卷积核提取特征后，输出的尺寸往往会变小，若需要将图像恢复到原来的尺寸以便进行进一步的计算，需要实现图像由小分辨率到大分辨率的映射的操作，即上采样(Upsample)操作。
本发明实施例中，所述反卷积方法是上采样方法中的一种，所述反卷积是一种特殊的正向卷积，先按照一定的比例通过补“0”来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。
本发明实施例中，所述残差连接方法是在处理后的网络层中添加原始特征矩阵，来保证所述处理后的网络层不会较大程度偏离了所述原始网络层。
详细的，参考图2所示，本发明实施例中，所述根据预设的残差连接方法及反卷积方法，依次将所述融合网络层集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层集合，包括：
S51、将所述卷积核进行转置操作，得到转置卷积核；
S52、提取所述融合网络层的堆叠集合中的第N层融合网络层，根据反卷积方法，利用所述转置卷积核将所述第N层融合网络层进行上采集操作，得到第N层上采集网络层，其中，所述第N层初始为最上层；
S53、提取所述融合网络层的堆叠集合中的第N-1层融合网络层，并利用残差连接方法，将所述第N-1层融合网络层及所述第N层上采集网络层进行特征叠加操作，得到第N-1层上下文增强特征网络层；
S54、判断所述第N-1层是否为预设数值层；
S55、当所述第N-1层不为预设数值层，则将所述第N-1层上下文增强特征网络层定义为第N-1层融合网络层，并对所述N进行减一操作，返回上述提取所述融合网络层的堆叠集合中的第N层融合网络层的步骤：
S56、当所述第N-1层为预设数值层，则将各个层的上下文增强特征网络层进行提取，得到上下文增强特征网络层的堆叠集合。
具体的，本发明实施例中，若C4K核＝C5，则根据反卷积方法可知：
式中，所述K核为所述卷积核，所述
为转置卷积核。
本发明实施例通过将第5层的融合网络层进行上采样，得到与第4层的融合网络层尺寸相同大小的第5层上采集网络层，然后将第4层的融合网络层与所述第5层上采集网络层进行残差连接，生成第4层的上下文增强特征网络层，由此实现将第5层的数据特征融入第4层。其中，第4层的上下文增强特征网络层替换第4层的融合网络层后，作为第3层的输入层。
本发明实施例，根据上述步骤S51—S56，N依次变为5、4、3、2，其中，所述预设数值层为2。
由此，得到第5、4、3、2层的上下文增强特征网络层，进而得到上下文增强特征网络层的堆叠集合。
S6、利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合。
本发明实施例中，所述第2层上下文增强特征网络层含有各个底层传输的特征信息，但是信息传输过程为相邻层之间，本发明实施例可以通过注意力机制，将不相邻层之间的上下文增强特征网络层进行注意力权重计算，来进一步丰富各个层上下文增强特征网络层。
详细的，参考图3所示，本发明实施例中，所述利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合，包括：
S61、根据预设的参数配置集合，对所述上下文特征增强矩阵的堆叠集合中各个上下文增强特征网络层进行参数配置，得到各个上下文增强特征网络层对应的查询向量、键向量及值向量；
S62、依次从所述上下文特征增强矩阵的堆叠集合中定义一个上下文增强特征网络层为目标增强矩阵，并根据所述各个上下文增强特征网络层的查询向量、键向量及值向量及注意力机制，将所述目标增强矩阵与所述上下文增强特征网络层的堆叠集合中其余上下文增强特征矩阵进行注意力交互计算，得到所述目标增强矩阵的注意力增强特征网络层；
S63、判断所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层是否全部遍历完成；
当所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层没有全部遍历完成时，返回上述S62的步骤。
当所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层全部遍历完成时，则S64、得到注意力增强特征网络层的堆叠集合。
具体的，本发明实施例中，从所述上下文增强特征网络层的堆叠集合中依次提取一个上下文增强特征网络层，并则根据预设的参数配置集合(Wq、Wk、Wv)，将所述上下文增强特征网络层进行配置，得到查询向量query、键向量key以及值向量value，分别简写为q、k及v。
本发明实施例，根据预设的参数配置集合，对所述上下文特征增强矩阵集合中各个上下文增强特征网络层进行参数配置，得到qi、ki、vi，其中，所述i为第i层。
本发明实施例将第2层的q2与各个层的k(k2、k3、k4、k5)进行矩阵乘积，分别得到a2，2，a2，3,a2，4，a2，5；再根据所述注意力机制，将a2，2v2、a2，3v3、a2，4v4、a2，5v5进行相加，得到第2层的注意力增强特征网络层。
同理，当第3、4、5层的注意力增强特征网络层完成注意力权重计算，得到注意力增强特征网络层集合。
S7、利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
详细的，本发明实施例中，所述利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果，包括：
利用所述特征识别神经网络提取所述注意力增强特征网络层的堆叠集合中的图像特征，得到特征序列集合；
对所述特征序列集合进行特征识别，得到特征概率值；
输出所述特征概率值大于预设有效得分阈值的识别类型，得到所述微小目标的识别结果。
本发明实施例中所述注意力增强特征网络层的堆叠集合中含有较多的微小目标的特征信息，可以通过任意一个预训练的特征识别网络，如机动车车辆识别网络，进行特征识别，当目标图像中较远位置上目标物的特征的分类结果大于预设的有效得分阈值，则表明成功识别所述目标物的类别，也可以通过一个输出层网络将所述目标物进行框选、标记等操作。
本发明实施例中，先利用预构建的卷积核对所述目标图像进行正常的卷积操作，得到各个卷积层级的堆叠集合，其中，所述各个卷积层级的堆叠集合为层级关系，各层卷积矩阵包含信息量不同，本发明实施例通过所述感受野系数集合，对同一个卷积层进行多次空洞卷积，得到所述卷积层的空洞网络堆叠集合，再将所述空洞网络堆叠集合进行融合，得到融合网络层，使得所述融合网络层含有各个大小范围的感受野的特征信息，有利于丰富图像特征的信息量；此外，本发明实施例再通过反卷积及残差连接的方式，将各个层级的融合特征进行叠加，使得各个层级的上下文增强特征网络层能够含有其他相连层级特征；而通过注意力机制，使得各个层级的注意力增强特征网络层能够含有其他不相连层的特征，因此，本发明最终能够得到含有全局特征的注意力增强特征网络层的堆叠集合，有利于后续特征识别神经网络的识别。因此，本发明实施例中所述的微小目标的特征识别方法、装置，能提高微小目标识别时的识别效果。
如图4所示，是本发明微小目标的特征识别装置的模块示意图。
本发明所述微小目标的特征识别装置100可以安装于电子设备中。根据实现的功能，所述微小目标的特征识别装置100可以包括初级卷积模块101、空洞卷积模块102、多感受野特征融合模块103、上下文增强特征融合模块104及目标识别模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述初级卷积模块101，用于获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
所述空洞卷积模块102，用于从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
所述多感受野特征融合模块103，用于将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，及获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集；
所述上下文增强特征融合模块104，用于根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，及利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
所述目标识别模块105，用于利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
详细地，本申请实施例中所述微小目标的特征识别装置100中所述的各模块在使用时采用与上述图1至图3中所述的微小目标的特征识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明实现微小目标的特征识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如微小目标的特征识别程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如微小目标的特征识别程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行微小目标的特征识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的微小目标的特征识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层；
获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集合；
根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；
利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层；
获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集合；
根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；
利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种微小目标的特征识别方法，其特征在于，所述方法包括：
获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层；
获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集合；
根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；
利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
2.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，包括：
将所述卷积核进行转置操作，得到转置卷积核；
提取所述融合网络层的堆叠集合中的第N层融合网络层，根据反卷积方法，利用所述转置卷积核将所述第N层融合网络层进行上采集操作，得到第N层上采集网络层，其中，所述第N层初始为最上层；
提取所述融合网络层的堆叠集合中的第N-1层融合网络层，并利用残差连接方法，将所述第N-1层融合网络层及所述第N层上采集网络层进行特征叠加操作，得到第N-1层上下文增强特征网络层；
判断所述第N-1层是否为预设数值层；
当所述第N-1层不为预设数值层，则将所述第N-1层上下文增强特征网络层定义为第N-1层融合网络层，并对所述N进行减一操作，返回上述提取所述融合网络层的堆叠集合中的第N层融合网络层的步骤：
当所述第N-1层为预设数值层，则将各个层的上下文增强特征网络层进行提取，得到上下文增强特征网络层的堆叠集合。
3.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合，包括：
根据预设的参数配置集合，对所述上下文特征增强矩阵的堆叠集合中各个上下文增强特征网络层进行参数配置，得到各个上下文增强特征网络层对应的查询向量、键向量及值向量；
依次从所述上下文特征增强矩阵的堆叠集合中定义一个上下文增强特征网络层为目标增强矩阵，并根据所述各个上下文增强特征网络层的查询向量、键向量及值向量及注意力机制，将所述目标增强矩阵与所述上下文增强特征网络层的堆叠集合中其余上下文增强特征矩阵进行注意力交互计算，得到所述目标增强矩阵的注意力增强特征网络层；
当所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层全部遍历完成时，得到注意力增强特征网络层的堆叠集合。
4.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合，包括：
对所述目标图像进行向量化处理，得到向量矩阵；
利用预构建的卷积核，对所述向量矩阵进行预设次数的卷积操作，得到各个层级的卷积层的堆叠集合。
5.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合，包括：
根据预设的感受野系数对所述卷积核进行零值填充操作，得到扩张卷积核集合；
利用所述扩张卷积核集合中的各个扩张卷积核对所述目标卷积层进行卷积操作，得到所述目标卷积层对应的空洞网络堆叠的堆叠集合。
6.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，包括：
根据预设权重系数，将所述各个空洞网络层进行权重配置；
将配置后的各个空洞网络层进行加权平均计算，得到所述目标卷积层对应的融合网络层。
7.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果，包括：
利用所述特征识别神经网络提取所述注意力增强特征网络层的堆叠集合中的图像特征，得到特征序列集合；
对所述特征序列集合进行特征识别，得到特征概率值；
输出所述特征概率值大于预设有效得分阈值的识别类型，得到所述微小目标的识别结果。
8.一种微小目标的特征识别装置，其特征在于，所述装置包括：
初级卷积模块，用于获取微小目标的目标图像，并利用预构建的卷积核，根据预设的卷积规则，对所述目标图像进行卷积操作，得到各个卷积层级的堆叠集合；
空洞卷积模块，用于从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述目标卷积层进行空洞卷积，得到所述目标卷积层对应的空洞网络堆叠集合；
多感受野特征融合模块，用于将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，及获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集；
上下文增强特征融合模块，用于根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，及利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；
目标识别模块，用于利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至7中任意一项所述的微小目标的特征识别方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的微小目标的特征识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210264690.6A CN114612807B (zh) | 2022-03-17 | 2022-03-17 | 微小目标的特征识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210264690.6A CN114612807B (zh) | 2022-03-17 | 2022-03-17 | 微小目标的特征识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114612807A true CN114612807A (zh) | 2022-06-10 |
| CN114612807B CN114612807B (zh) | 2023-04-07 |
Family
ID=81865114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210264690.6A Active CN114612807B (zh) | 2022-03-17 | 2022-03-17 | 微小目标的特征识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612807B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
| CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
| CN111738940A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于自注意力机制模范生成对抗网络的人脸图像眼部补全方法 |
| CN111967524A (zh) * | 2020-08-20 | 2020-11-20 | 中国石油大学(华东) | 基于高斯滤波反馈和空洞卷积的多尺度融合特征增强算法 |
| CN112785592A (zh) * | 2021-03-10 | 2021-05-11 | 河北工业大学 | 基于多重扩张路径的医学影像深度分割网络 |
| CN112862689A (zh) * | 2021-03-09 | 2021-05-28 | 南京邮电大学 | 一种图像超分辨率重建方法及系统 |
| CN113283450A (zh) * | 2021-06-07 | 2021-08-20 | 西人马帝言(北京)科技有限公司 | 图像识别方法、装置、设备及计算机存储介质 |
| CN113822209A (zh) * | 2021-09-27 | 2021-12-21 | 海南长光卫星信息技术有限公司 | 高光谱图像识别方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-03-17 CN CN202210264690.6A patent/CN114612807B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
| CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
| CN111738940A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于自注意力机制模范生成对抗网络的人脸图像眼部补全方法 |
| CN111967524A (zh) * | 2020-08-20 | 2020-11-20 | 中国石油大学(华东) | 基于高斯滤波反馈和空洞卷积的多尺度融合特征增强算法 |
| CN112862689A (zh) * | 2021-03-09 | 2021-05-28 | 南京邮电大学 | 一种图像超分辨率重建方法及系统 |
| CN112785592A (zh) * | 2021-03-10 | 2021-05-11 | 河北工业大学 | 基于多重扩张路径的医学影像深度分割网络 |
| CN113283450A (zh) * | 2021-06-07 | 2021-08-20 | 西人马帝言(北京)科技有限公司 | 图像识别方法、装置、设备及计算机存储介质 |
| CN113822209A (zh) * | 2021-09-27 | 2021-12-21 | 海南长光卫星信息技术有限公司 | 高光谱图像识别方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 徐洁磐: "《人工智能导论》", 31 July 2019, 中国铁道出版社 * |
| 沈文祥等: "基于多级特征和混合注意力机制的室内人群检测网络", 《计算机应用》 * |
| 王海波: "基于轻量级卷积神经网络的图像语义分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114612807B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728295B (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
| CN111814962A (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
| CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
| CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112767320A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
| CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN113705460A (zh) | 图像中人脸睁眼闭眼检测方法、装置、设备及存储介质 | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN114399775A (zh) | 文档标题生成方法、装置、设备及存储介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113240585B (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
| CN116340887B (zh) | 多模态假新闻检测方法及系统 | |
| CN116630712A (zh) | 基于模态组合的信息分类方法、装置、电子设备及介质 | |
| CN114612807B (zh) | 微小目标的特征识别方法、装置、电子设备及存储介质 | |
| CN115049836B (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
| CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN113887201A (zh) | 文本定长纠错方法、装置、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 |