CN114742212A - 一种电子数字信息重采样率估算方法 - Google Patents

一种电子数字信息重采样率估算方法 Download PDF

Info

Publication number
CN114742212A
CN114742212A CN202210659744.9A CN202210659744A CN114742212A CN 114742212 A CN114742212 A CN 114742212A CN 202210659744 A CN202210659744 A CN 202210659744A CN 114742212 A CN114742212 A CN 114742212A
Authority
CN
China
Prior art keywords
layer
convolution
digital information
electronic digital
pooling
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
Application number
CN202210659744.9A
Other languages
English (en)
Inventor
丁峰
刘子秋
朱小刚
李向军
刘春年
裴康鹭
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.)
Nanchang University
Original Assignee
Nanchang University
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 Nanchang University filed Critical Nanchang University
Priority to CN202210659744.9A priority Critical patent/CN114742212A/zh
Publication of CN114742212A publication Critical patent/CN114742212A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明公开一种电子数字信息重采样率估算方法，包括：将待处理电子数字信息输入CNN模型，经灰度转换后进入METEOR层进行一级卷积，得到能量特征图；将能量特征图输入卷积层进行二级卷积操作，对能量特征图中的边缘和曲线特征进行分类；在CNN模型中引入ReLU激活函数，使CNN模型非线性化；经激活函数激活后，将上层得到的分类结果送入池化层，对输入的分类结果进行下采样处理；使用SOFTMAX层和精度层输出训练损耗和分类精度，对模型进行评估。本发明构建的CNN模型更加适合估计重采样率，提高估计精度。

Description

一种电子数字信息重采样率估算方法
技术领域
本发明涉及数据处理领域，尤其涉及一种电子数字信息重采样率估算方法。
背景技术
随着人工智能的发展，研究者将机器学习方法应用于取证领域，基于手工特征提取和监督学习分类相结合的框架已经成功解决了许多取证问题。然而，手工提取特征也有局限性。直到神经网络的复兴之前，如何提取和采用这些更深层次的特征仍然是一个巨大的挑战。
神经网络对数据集相当敏感，由于训练集和验证集是随机从数据集中选择的，可能会选择细节较少的样本进行实验，因此振荡是不可避免的。这些信息量较少的样本无疑会对CNN模型的收敛产生负面影响。并且在使用机器学习方法进行取整时只能被用作二值分类器来合格地作为检测器，相比之下，大部分的参数估计工作都是通过数学分析实现的。而且数据在处理压缩时部分信息细节被丢弃，重采样率的估计可能会比较困难，因此本发明提出的电子数字信息重采样率估算方法对现有电子数字信息取证技术体系是一个很好的补充。
发明内容
本发明提供了一种电子数字信息重采样率估算方法，包括：
将待处理电子数字信息输入CNN模型，经灰度转换后进入METEOR层进行一级卷积，得到能量特征图；
将能量特征图输入卷积层进行二级卷积操作，对能量特征图中的边缘和曲线特征进行分类；
在CNN模型中引入ReLU激活函数，使CNN模型非线性化；
经激活函数激活后，将上层得到的分类结果送入池化层，对输入的分类结果进行下采样处理；
使用SOFTMAX层和精度层输出训练损耗和分类精度，对模型进行评估。
如上所述的一种电子数字信息重采样率估算方法，其中，若输入的待处理电子数字信息为彩色图像，则先进行灰度图像变换，若已符合图像要求，则直接进入METEOR层。
如上所述的一种电子数字信息重采样率估算方法，其中，METEOR层卷积核中每个元素的权值定义为：
Figure 769988DEST_PATH_IMAGE001
其中，
Figure 662857DEST_PATH_IMAGE002
为第n个元素的权值，
Figure 843303DEST_PATH_IMAGE003
为第n个元素的坐标，
Figure 770808DEST_PATH_IMAGE004
为中心元素的坐标；
权重系数归一化为：
Figure 644086DEST_PATH_IMAGE005
其中，
Figure 24252DEST_PATH_IMAGE006
为第n个元素的权重系数归一化值，n的取值为0到
Figure 8388DEST_PATH_IMAGE007
，m是卷积核尺寸大小，卷积核为一个m*m的矩阵，权重系数确定后，将
Figure 790399DEST_PATH_IMAGE006
赋给相对位置的元素完成核，而将中心
Figure 834579DEST_PATH_IMAGE008
的权重固定为0；
通过卷积核与图像块
Figure 702040DEST_PATH_IMAGE009
的卷积得到一个新的像素
Figure 489868DEST_PATH_IMAGE010
：
Figure 126386DEST_PATH_IMAGE011
其中，P I 为图像块I的卷积，P C 为中心元素的像素；
与METEOR层进行卷积后，需要进行处理才能得到能量特征图，将计算出的
Figure 341466DEST_PATH_IMAGE012
和
Figure 633907DEST_PATH_IMAGE013
进行处理，得到
Figure 287743DEST_PATH_IMAGE014
将计算出的所有
Figure 716450DEST_PATH_IMAGE015
替换为原始图像的相对像素作为原始图像的残差，即可创建一个新的特征图
Figure 164749DEST_PATH_IMAGE016
，
Figure 944486DEST_PATH_IMAGE016
即是输入图像的能量特征图。
如上所述的一种电子数字信息重采样率估算方法，其中，在进行卷积操作得到输出后，需要对输出结果进行标准化处理，具体使用了批归一化方法，批归一化方法首先需要使用如下公式计算数据的均值：
Figure 139363DEST_PATH_IMAGE017
Figure 422576DEST_PATH_IMAGE018
为第i个元素的横坐标，i的取值为1到m，得到数据均值
Figure 307356DEST_PATH_IMAGE019
后将均值代入求得方差，计算方差的方法如下：
Figure 308810DEST_PATH_IMAGE020
得到均值与方差后需要对训练数据使用以下公式进行规范化，其中
Figure 38868DEST_PATH_IMAGE021
是为了避免除数为零时所使用的微小正数：
Figure 442168DEST_PATH_IMAGE022
对规范化后的
Figure 497849DEST_PATH_IMAGE023
进行尺度变换和偏移，其中
Figure 986599DEST_PATH_IMAGE024
是尺度因子，
Figure 723611DEST_PATH_IMAGE025
是平移因子，最终得到的
Figure 43734DEST_PATH_IMAGE026
就是标准化层的输出，
Figure 942419DEST_PATH_IMAGE027
。
如上所述的一种电子数字信息重采样率估算方法，其中，ReLU激活函数的数学表达形式如下：
Figure 980783DEST_PATH_IMAGE028
，x为输入激活函数的数据，若x≤0则激活函数等于0，若x＞0则激活函数等于输入激活函数的数据x。
如上所述的一种电子数字信息重采样率估算方法，其中，对池化类型的选择进行了评估，选择使用六层池化结构，其中前三层为最大池化，后三层为平均池化。
如上所述的一种电子数字信息重采样率估算方法，其中，最大池化计算方式如下：
Figure 255906DEST_PATH_IMAGE029
平均池化计算方式如下：
Figure 430535DEST_PATH_IMAGE030
其中，
Figure 765702DEST_PATH_IMAGE031
是池化范围内的像素值，m是卷积核尺寸大小。
如上所述的一种电子数字信息重采样率估算方法，其中，SOFTMAX层使用的函数如下：
Figure 25782DEST_PATH_IMAGE032
；其中，m是卷积核尺寸大小，
Figure 104596DEST_PATH_IMAGE033
为第i个节点的输出值，
Figure 399311DEST_PATH_IMAGE034
为第j个节点的输出值，j为输出节点的个数，即分类的类别个数。
本发明实现的有益效果如下：
1、本发明使用了神经网络，即使使用预先设定的层，也能以某种方式预测重采样率，并具有可接受的精度。
2、本发明提出的带有METEOR层的CNN模型，无论采用何种插值方法或数据集，都可以达到约96-97%的估计精度。
3、本发明构建的CNN模型更加适合估计重采样率。
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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种电子数字信息重采样率估算方法流程图。
具体实施方式
下面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。
实施例一
如图1所示，本发明提供一种电子数字信息重采样率估算方法，包括：
步骤S110、将待处理电子数字信息输入CNN模型，经灰度转换后进入METEOR层进行一级卷积，得到能量特征图；
输入的图像的大小需要严格控制，不符合要求的都将被裁剪，且由于需要分析其纹理特征，而纹理通常是包含在灰度信息中。所以为了达到研究的目的，如果输入是彩色图像，则必须进行灰度图像变换。如果已经是符合要求的图像，则可以略过这一步，直接进入METEOR层。
数据图像经过灰度转换后进入METEOR层。METEOR层卷积核的大小是动态的，并且可以在训练时用随机梯度下降来更新。在插值理论的核函数中，每个元素的权值应该只与几何距离有关，几何距离是到中心元素的直接最短距离，距离越近，元素的权重就越大。卷积核中每个元素的权值定义为：
Figure 639800DEST_PATH_IMAGE001
其中，
Figure 856018DEST_PATH_IMAGE002
为第n个元素的权值，
Figure 535261DEST_PATH_IMAGE003
为第n个元素的坐标，
Figure 622165DEST_PATH_IMAGE004
为中心元素的坐标；
权重系数归一化为：
Figure 95872DEST_PATH_IMAGE005
其中，m是卷积核尺寸大小，一般卷积核为一个m*m的矩阵，权重系数确定后，将
Figure 268227DEST_PATH_IMAGE006
赋给相对位置的元素完成核，而将中心
Figure 751161DEST_PATH_IMAGE008
的权重固定为0。
在本发明的模拟过程中，应用了一种灵活的填充策略来修正内核大小。在这一策略下，核心固定为9。如果M小于9，使用0作为确定元素周围的填充。
Figure 692573DEST_PATH_IMAGE035
通过卷积核与图像块
Figure 602760DEST_PATH_IMAGE009
的卷积可以得到一个新的像素
Figure 262411DEST_PATH_IMAGE010
：
Figure 283457DEST_PATH_IMAGE011
其中，P I 为图像块I的卷积，P C 为中心元素的像素。
与METEOR层进行卷积后，需要进行处理才能得到能量特征图，将计算出的
Figure 344954DEST_PATH_IMAGE012
和
Figure 629305DEST_PATH_IMAGE013
进行处理，得到
Figure 572990DEST_PATH_IMAGE014
得出的
Figure 335409DEST_PATH_IMAGE015
与图像能量高度相关。将计算出的所有
Figure 313730DEST_PATH_IMAGE015
替换为原始图像的相对像素作为原始图像的残差，即可创建一个新的特征图
Figure 503403DEST_PATH_IMAGE016
。
Figure 197033DEST_PATH_IMAGE016
即是输入图像的能量特征图，此能量特征图可作为以下各层的输入。
步骤S120、将能量特征图输入卷积层进行二级卷积操作，对能量特征图中的边缘和曲线特征进行分类；
在上层得到能量特征图之后，进入卷积层进行卷积操作，卷积可以通过对输入图像构建更抽象的概念，实现对特征图中的边缘、曲线等特点进行分类。卷积过程中卷积核与输入图像使用以下的公式计算：
Figure 497565DEST_PATH_IMAGE036
其中，x i 为各像素值，W i 为各像素值权重，b为加入的随机噪声。
在进行卷积操作得到输出后，需要对输出结果进行标准化处理，避免经过多层的计算后数据分布越来越大，导致神经网络学习缓慢。本发明使用了批归一化方法，批归一化方法首先需要使用如下公式计算数据的均值：
Figure 330392DEST_PATH_IMAGE017
得到数据均值后将均值代入求得方差，计算方差的方法如下：
Figure 690966DEST_PATH_IMAGE020
得到均值与方差后需要对训练数据使用以下公式进行规范化，其中
Figure 609243DEST_PATH_IMAGE021
是为了避免除数为零时所使用的微小正数：
Figure 713465DEST_PATH_IMAGE022
由于规范化后的
Figure 666378DEST_PATH_IMAGE023
会被限制在正态分布下，使得网络的表达能力下降，为解决这个问题，对规范化后的
Figure 463433DEST_PATH_IMAGE023
进行尺度变换和偏移，其中
Figure 806689DEST_PATH_IMAGE024
是尺度因子，
Figure 511340DEST_PATH_IMAGE025
是平移因子，最终得到的
Figure 256442DEST_PATH_IMAGE026
就是标准化层的输出，方法如下：
Figure 21136DEST_PATH_IMAGE027
步骤S130、在CNN模型中引入ReLU激活函数，使CNN模型非线性化；
为了增加模型在分类决策的非线性，本发明的CNN模型中引入了ReLU激活函数，ReLU函数可以避免其他部分激活函数造成的梯度消失问题，同时使网络自行引入稀疏性，训练速度提高。ReLU函数的数学表达形式如下：
Figure 851689DEST_PATH_IMAGE028
，x为输入激活函数的数据，若x≤0则激活函数等于0，若x＞0则激活函数等于输入激活函数的数据x。
步骤S140、经激活函数激活后，将上层得到的分类结果送入池化层，对输入的分类结果进行下采样处理；
CNN模型经过激活后将上层得到的结果送入池化层，池化层对输入信息进行下采样处理，其目的是为了减少下一层需要处理的信息，且有助于防止过拟合，提高计算效率。本发明对池化类型的选择进行了评估，并最终决定使用六层池化结构，其中前三层为最大池化，后三层为平均池化。
最大池化计算方式如下：
Figure 360030DEST_PATH_IMAGE029
平均池化计算方式如下：
Figure 225218DEST_PATH_IMAGE030
其中，
Figure 160813DEST_PATH_IMAGE031
是池化范围内的像素值，例如2*2池化，则
Figure 213083DEST_PATH_IMAGE031
即是该池化范围内的四个像素值。
步骤S150、使用SOFTMAX层和精度层输出训练损耗和分类精度，对模型进行评估；
选择SOFTMAX层和精度层输出训练损耗和分类精度，对模型进行评估，使得具有相似可测量能量模式的能量特征图被归为同一组，这样就可以实现重采样率估计。
SOFTMAX层使用的函数如下：
Figure 728378DEST_PATH_IMAGE032
其中，
Figure 510389DEST_PATH_IMAGE033
为第i个节点的输出值，
Figure 554568DEST_PATH_IMAGE034
为第j个节点的输出值，j为输出节点的个数，即分类的类别个数。
以下通过实验数据分析本发明的有效性：
选择BOSS原始数据集和RAISE作为实验的图像数据库。原始图像由不同的相机在不同的光照条件和场景下拍摄，是基于电子数字信息的研究工作的理想数据集，此外，两个数据集都包含大量的图像。
CNN的学习率需要根据不同的实验进行调整，但在大多数情况下，它被设置在0.005到0.01之间，动量固定在0.9，卷积层的步长大部分设置为1，池化层的步长为2。并对所有电子数字信息进行预处理，进行裁剪、RGB到灰度转换等必要的操作，输入到网络的图像均为灰度图像。在实验中，图片的大小固定为512 × 512。
本实验分别对4种流行的插值方法进行了测试。所有图像都被打上标签并被打包在一起，作为训练和验证的输入数据。为了模拟现有技术方案一的重采样率估计，选择重采样率相同的重采样图像作为目标组，然后强制合并不同重采样率的图像作为对照组。然后，可以测试现有技术方案在各种插值方法下的分类性能，对比结果见表1及表2（SVM对于单个重采样率的重采样图像与其他重采样图像的分类准确率接近50%，说明SVM对给定数据的分类具有任意性。为了区分SVM的结果和CNN模型中提供的实际估计精度，SVM技术的结果在表格中记为NA）：
表1 不同插值方法在BOSS数据集的估计正确率
Figure 156451DEST_PATH_IMAGE037
表2 不同插值方法在RAISE数据集的估计正确率
Figure 944278DEST_PATH_IMAGE038
在实验中从不同的角度对METEOR层进行评价。没有METEOR层的CNN模型是一个理想的控制变量模型，可以与本发明提出的模型进行比较。因此，使用这两个模型来估计由不同插值算法重采样的电子数字信息的重采样率，以评估METEOR层的性能。实验分别在两个数据集上测试了每种插值方法。估计精度的比较结果见表3及表4：
表3 有无METEOR层CNN在BOSS数据集上的估计正确率比较
Figure 580796DEST_PATH_IMAGE039
表4 有无METEOR层CNN在RAISE数据集上的估计正确率比较
Figure 795877DEST_PATH_IMAGE040
从比较中可以清楚地看出，新设计的METEOR层是估计重采样率的决定性因素。当去除这一层时，不同插值算法的估计精度都会降低，对于这两个数据集，METEOR层可以提高估计精度至少6%。根据这些结果，可以很容易地得出结论，METEOR层在提高估计精度方面对CNN模型进行了改进。
经验证，本发明对CNN模型由积极的影响，在实验中，本发明使CNN提前收敛并且提高了稳定性。并且本发明通过仿真验证了METEOR层对压缩重采样图像的鲁棒性。在压缩过程中，某些图像信息被丢弃，在JPEG图像中，信息丢失是一个关键问题。实验中，没有METEOR的模型不能对压缩图片的重采样率进行评估，估计精度较差。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (8)

1.一种电子数字信息重采样率估算方法，其特征在于，包括：
将待处理电子数字信息输入CNN模型，经灰度转换后进入METEOR层进行一级卷积，得到能量特征图；
将能量特征图输入卷积层进行二级卷积操作，对能量特征图中的边缘和曲线特征进行分类；
在CNN模型中引入ReLU激活函数，使CNN模型非线性化；
经激活函数激活后，将上层得到的分类结果送入池化层，对输入的分类结果进行下采样处理；
使用SOFTMAX层和精度层输出训练损耗和分类精度，对模型进行评估。
2.如权利要求1所述的一种电子数字信息重采样率估算方法，其特征在于，若输入的待处理电子数字信息为彩色图像，则先进行灰度图像变换，若已符合图像要求，则直接进入METEOR层。
3.如权利要求1所述的一种电子数字信息重采样率估算方法，其特征在于，METEOR层卷积核中每个元素的权值定义为：
Figure 596436DEST_PATH_IMAGE001
其中，
Figure 922375DEST_PATH_IMAGE002
为第n个元素的权值，
Figure 678978DEST_PATH_IMAGE003
为第n个元素的坐标，
Figure 64960DEST_PATH_IMAGE004
为中心元素的坐标；
权重系数归一化为：
Figure 641435DEST_PATH_IMAGE005
其中，
Figure 771065DEST_PATH_IMAGE006
为第n个元素的权重系数归一化值，n的取值为0到
Figure 382175DEST_PATH_IMAGE007
，m是卷积核尺寸大小，卷积核为一个m*m的矩阵，权重系数确定后，将
Figure 939058DEST_PATH_IMAGE006
赋给相对位置的元素完成核，而将中心
Figure 2829DEST_PATH_IMAGE008
的权重固定为0；
通过卷积核与图像块
Figure 201729DEST_PATH_IMAGE009
的卷积得到一个新的像素
Figure 605029DEST_PATH_IMAGE010
：
Figure 392201DEST_PATH_IMAGE011
其中，P I 为图像块I的卷积，P C 为中心元素的像素；
与METEOR层进行卷积后，需要进行处理才能得到能量特征图，将计算出的
Figure 880951DEST_PATH_IMAGE012
和
Figure 680279DEST_PATH_IMAGE013
进行处理，得到
Figure 938085DEST_PATH_IMAGE014
将计算出的所有
Figure 899088DEST_PATH_IMAGE015
替换为原始图像的相对像素作为原始图像的残差，即可创建一个新的特征图
Figure 875135DEST_PATH_IMAGE016
，
Figure 212575DEST_PATH_IMAGE016
即是输入图像的能量特征图。
4.如权利要求3所述的一种电子数字信息重采样率估算方法，其特征在于，在进行卷积操作得到输出后，需要对输出结果进行标准化处理，具体使用了批归一化方法，批归一化方法首先需要使用如下公式计算数据的均值：
Figure 324887DEST_PATH_IMAGE017
Figure 722371DEST_PATH_IMAGE018
为第i个元素的横坐标，i的取值为1到m，得到数据均值
Figure 920134DEST_PATH_IMAGE019
后将均值代入求得方差，计算方差的方法如下：
Figure 61265DEST_PATH_IMAGE020
得到均值与方差后需要对训练数据使用以下公式进行规范化，其中
Figure 28084DEST_PATH_IMAGE021
是为了避免除数为零时所使用的微小正数：
Figure 596469DEST_PATH_IMAGE022
对规范化后的
Figure 281528DEST_PATH_IMAGE023
进行尺度变换和偏移，其中
Figure 960771DEST_PATH_IMAGE024
是尺度因子，
Figure 47676DEST_PATH_IMAGE025
是平移因子，最终得到的
Figure 786962DEST_PATH_IMAGE026
就是标准化层的输出，
Figure 959317DEST_PATH_IMAGE027
。
5.如权利要求1所述的一种电子数字信息重采样率估算方法，其特征在于，ReLU激活函数的数学表达形式如下：
Figure 442251DEST_PATH_IMAGE028
，x为输入激活函数的数据，若x≤0则激活函数等于0，若x＞0则激活函数等于输入激活函数的数据x。
6.如权利要求3所述的一种电子数字信息重采样率估算方法，其特征在于，对池化类型的选择进行了评估，选择使用六层池化结构，其中前三层为最大池化，后三层为平均池化。
7.如权利要求6所述的一种电子数字信息重采样率估算方法，其特征在于，最大池化计算方式如下：
Figure 649241DEST_PATH_IMAGE029
平均池化计算方式如下：
Figure 497112DEST_PATH_IMAGE030
其中，
Figure 219080DEST_PATH_IMAGE031
是池化范围内的像素值，m是卷积核尺寸大小。
8.如权利要求3所述的一种电子数字信息重采样率估算方法，其特征在于，SOFTMAX层使用的函数如下：
Figure 177809DEST_PATH_IMAGE032
；其中，m是卷积核尺寸大小，
Figure 301623DEST_PATH_IMAGE033
为第i个节点的输出值，
Figure 54815DEST_PATH_IMAGE034
为第j个节点的输出值，j为输出节点的个数，即分类的类别个数。
CN202210659744.9A 2022-06-13 2022-06-13 一种电子数字信息重采样率估算方法 Pending CN114742212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659744.9A CN114742212A (zh) 2022-06-13 2022-06-13 一种电子数字信息重采样率估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659744.9A CN114742212A (zh) 2022-06-13 2022-06-13 一种电子数字信息重采样率估算方法

Publications (1)

Publication Number Publication Date
CN114742212A true CN114742212A (zh) 2022-07-12

Family

ID=82287965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659744.9A Pending CN114742212A (zh) 2022-06-13 2022-06-13 一种电子数字信息重采样率估算方法

Country Status (1)

Country Link
CN (1) CN114742212A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609638A (zh) * 2017-10-12 2018-01-19 湖北工业大学 一种基于线性解码器和插值采样优化卷积神经网络的方法
CN108491880A (zh) * 2018-03-23 2018-09-04 西安电子科技大学 基于神经网络的物体分类和位姿估计方法
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN109785230A (zh) * 2018-11-16 2019-05-21 南京大学 一种模拟人眼的图像中心增强处理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609638A (zh) * 2017-10-12 2018-01-19 湖北工业大学 一种基于线性解码器和插值采样优化卷积神经网络的方法
CN108491880A (zh) * 2018-03-23 2018-09-04 西安电子科技大学 基于神经网络的物体分类和位姿估计方法
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN109785230A (zh) * 2018-11-16 2019-05-21 南京大学 一种模拟人眼的图像中心增强处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FENG DING ET AL: "METEOR: Measurable Energy Map Toward the Estimation of Resampling Rate via a Convolutional Neural Network", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 *
方林 等: "《中国通信学会5G+行业应用培训指导用书深度学习程序设计实战》", 31 March 2021, 《机械工业出版社》 *
蓝金辉 等: "卷积神经网络在视觉图像检测的研究进展", 《仪器仪表学报》 *

Similar Documents

Publication Publication Date Title
CN108510485B (zh) 一种基于卷积神经网络的无参照图像质量评估方法
CN109934761B (zh) 基于卷积神经网络的jpeg图像隐写分析方法
CN109087273B (zh) 基于增强的神经网络的图像复原方法、存储介质及系统
CN107180426B (zh) 基于可迁移的多模型集成的计算机辅助肺结节分类装置
CN107679477A (zh) 基于空洞卷积神经网络的人脸深度和表面法向量预测方法
CN112489164B (zh) 基于改进深度可分离卷积神经网络的图像着色方法
CN110349185B (zh) 一种rgbt目标跟踪模型的训练方法及装置
CN109005398B (zh) 一种基于卷积神经网络的立体图像视差匹配方法
CN110533022B (zh) 一种目标检测方法、系统、装置及存储介质
CN111489364A (zh) 基于轻量级全卷积神经网络的医学图像分割方法
CN113554599B (zh) 一种基于人类视觉效应的视频质量评价方法
CN110706303A (zh) 基于GANs的人脸图像生成方法
CN114842267A (zh) 基于标签噪声域自适应的图像分类方法及系统
CN112183742A (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN110895795A (zh) 改进的语义图像修补模型方法
CN112163520A (zh) 一种基于改进损失函数的mdssd人脸检测方法
CN110991621A (zh) 一种基于通道数搜索卷积神经网络的方法
CN111931801B (zh) 一种基于路径多样性与一致性的动态路由网络学习方法
CN113902010A (zh) 分类模型的训练方法和图像分类方法、装置、设备和介质
CN112329808A (zh) 一种Deeplab语义分割算法的优化方法及系统
CN116091823A (zh) 一种基于快速分组残差模块的单特征无锚框目标检测方法
CN114359269A (zh) 基于神经网络的虚拟食品盒缺陷生成方法及系统
CN115953330B (zh) 虚拟场景图像的纹理优化方法、装置、设备和存储介质
CN114742212A (zh) 一种电子数字信息重采样率估算方法
CN113554104B (zh) 一种基于深度学习模型的图像分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220712