CN114743003A - 基于图像分类的因果解释方法、装置、设备及存储介质 - Google Patents
基于图像分类的因果解释方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114743003A CN114743003A CN202210370866.6A CN202210370866A CN114743003A CN 114743003 A CN114743003 A CN 114743003A CN 202210370866 A CN202210370866 A CN 202210370866A CN 114743003 A CN114743003 A CN 114743003A
- Authority
- CN
- China
- Prior art keywords
- image
- responsibility
- images
- causal
- analyzed
- 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
- 230000001364 causal effect Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005192 partition Methods 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000638 solvent extraction Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/23—Clustering techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明涉及人工智能技术，揭露一种基于图像分类的因果解释方法，包括：基于超像素和线性迭代聚类算法对待分析图像进行初始分区，得到多个分区图像；分别计算多个分区图像的责任度，对责任度大于责任度阈值的分区图像进行二次分区，得到多个二次分区图像；分别计算二次分区图像的责任度，当二次分区图像的像素点个数小于或者等于像素点阈值，或者二次分区图像的责任度均相等时，将二次分区图像作为标准归因图；对标准归因图进行因果分析，得到因果分析结果。此外，本发明还涉及区块链技术，分区图像可存储于区块链的节点。本发明还提出一种基于图像分类的因果解释装置、电子设备以及存储介质。本发明可以提高基于图像分类的因果解释的准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图像分类的因果解释方法、装置、设备及存储介质。
背景技术
因果解释是神经网络可解释性方法领域近年来备受关注的一个方向，对于图像分类任务，因即为像素点，果即为分类结果，因果解释方法通过衡量各个像素点与分类结果之间的因果关系强度，来实现图像分类的归因。
现有的图像分类因果解释方法通常是通过像素点的责任度来量化因果关系，采用图像分区来代替单个像素点，根据分区图像确定图像分类的因果解释。但是这种方法的缺点在于图像分区采用简单的矩形分区，由于图像主体往往不是规则形状，以矩形分区为起点进行细化迭代耗时较长，同时需要大量的采样来满足分区的随机性，进而导致图像分类因果解释的准确度低。
发明内容
本发明提供一种基于图像分类的因果解释方法、装置、设备及存储介质，其主要目的在于提高基于图像分类的因果解释的准确度。
为实现上述目的，本发明提供的一种基于图像分类的因果解释方法，包括：
获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较；
对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较；
当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
可选地，所述基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像，包括：
在所述待分析图像中进行像素选定，得到多个种子像素；
以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像；
对多个所述聚类图像进行图像后处理，得到多个分区图像。
可选地，所述以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像，包括：
基于所述超像素对所述待分析图像进行区域切割，得到多个切割区域；
分别计算多个所述切割区域与所述种子像素之间的距离值；
比较所述距离值与预设距离阈值的大小，当所述距离值小于所述预设距离阈值时，将所述切割区域作为聚类图像；
当所述距离值大于或者等于所述预设距离阈值时，重新计算多个所述切割区域与所述种子像素之间的距离值，直至所述距离值小于所述预设距离阈值时，得到多个聚类图像。
可选地，所述分别计算多个所述分区图像的责任度，包括：
汇总所述分区图像中除去所述超像素以外的像素集合，得到汇总像素集合；任意选定所述汇总像素集合中的一个像素子集作为目标子集；
将所述分区图像中的除去所述超像素和所述目标子集中的像素以外的像素均进行遮挡处理，得到遮挡图像；
将所述遮挡图像输入至预设的图像分类网络中，得到预测分类结果；
基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集；
根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度。
可选地，所述基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集，包括：
判断所述预测分类结果与所述待分析图像的分类结果是否一致；
当所述预测分类结果与所述待分析图像的分类结果一致时，将所述目标子集作为事实子集；
当所述预测分类结果与所述待分析图像的分类结果不一致时，重新选定所述汇总像素集合中的一个像素子集作为目标子集并执行预测处理，直至所述预测分类结果与所述待分析图像的分类结果一致时，将新的目子集作为事实子集。
可选地，所述根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度，包括：
统计所述事实子集中所包含的像素点个数，并根据所述像素点个数计算对应的子集参数；
将所述子集参数代入至所述责任度公式中进行计算，得到多个所述分区图像的责任度。
可选地，所述基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果，包括：
将所述责任度与预设的归因等级表中的强度等级进行比较；
当所述责任度与所述归因登记表中强度等级对应的等级系数区间一致时，将所述强度等级输出为所述责任度对应的标准归因图的因果分析结果。
为了解决上述问题，本发明还提供一种基于图像分类的因果解释装置，所述装置包括：
初始分区模块，用于获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
二次分区模块，用于分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较，对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
标准归因模块，用于根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较，当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
因果分析模块，用于基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
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基于图像分类的因果解释方法。
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基于图像分类的因果解释方法。
本发明实施例中，基于超像素和线性迭代聚类算法对待分析图像进行初始分区，得到多个分区图像，在众多超像素分割方法中，线性迭代聚类算法在运行速度、生成超像素的紧凑度、轮廓保持方面都较为理想。计算每个分区的责任度，并通过比较所述责任度和预设的责任度阈值之间的大小不断迭代，直至满足预设的条件，并将满足条件的分区图作为标准归因图，基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。通过所述责任度能够更准确地衡量因果关系的强度。因此本发明提出的图像分类因果解释方法、装置、电子设备及计算机可读存储介质，可以解决图像分类因果解释的效率低的问题。
附图说明
图1为本发明一实施例提供的基于图像分类的因果解释方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图2中其中一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为图4中其中一个步骤的详细实施流程示意图；
图6为图4中另一个步骤的详细实施流程示意图；
图7为图1中其中一个步骤的详细实施流程示意图；
图8为图1中其中一个步骤的详细实施流程示意图；
图9为本发明一实施例提供的基于图像分类的因果解释装置的功能模块图；
图10为本发明一实施例提供的实现所述基于图像分类的因果解释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。
本申请实施例提供一种基于图像分类的因果解释方法。所述基于图像分类的因果解释方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于图像分类的因果解释方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于图像分类的因果解释方法的流程示意图。在本实施例中，所述基于图像分类的因果解释方法包括以下步骤S1-S6：
S1、获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像。
本发明实施例中，所述待分析图像是指需要实现图像分类的归因的图像数据。所述预设的超像素的大小可以设置为所述待分析图像的尺寸的1/20。
其中，超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。
具体地，参照图2所示，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像，包括以下步骤S11-S13：
S11、在所述待分析图像中进行像素选定，得到多个种子像素；
S12、以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像；
S13、对多个所述聚类图像进行图像后处理，得到多个分区图像。
详细地，在所述待分析图像中进行像素选定是指在待分析图像中均匀地选定若干个像素点作为种子像素。均匀地选定若干个像素点可以避免将种子像素定位在边缘上，并且减少用噪声像素接触超像素的机会。
进一步地，参照图3所示，所述以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像，包括以下步骤S111-S114：
S111、基于所述超像素对所述待分析图像进行区域切割，得到多个切割区域；
S112、分别计算多个所述切割区域与所述种子像素之间的距离值；
S113、比较所述距离值与预设距离阈值的大小，当所述距离值小于所述预设距离阈值时，将所述切割区域作为聚类图像；
S114、当所述距离值大于或者等于所述预设距离阈值时，重新计算多个所述切割区域与所述种子像素之间的距离值，直至所述距离值小于所述预设距离阈值时，得到多个聚类图像。
其中，在多种超像素分割算法中，预设的线性迭代聚类算法在运行速度、生成超像素的紧凑度、轮廓保持方面都较为理想。
进一步地，对多个所述聚类图像进行图像后处理，得到多个分区图像，其中，由于在聚类过程结束时，可能保留不属于其聚类中心相同的连接分量的一些孤立像素，为了对此进行校正，可以使用连通分量算法向这些像素分配最近聚类中心的标签。
对于图像分类任务而言，归因中的因为待分析图像中的像素点，归因得到的结果即为分类结果。因此需要通过衡量各个像素点和分类结果之间的因果关系强度来实现图像分类的归因。
S2、分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较。
本发明实施例中，通过分区图像的责任度(DegreeOfResponsibility)来量化因果关系。由于像素点责任度的计算需要遍历整张图像所有的像素点子集，故该方案采用分区图像来代替单个像素点，进而计算多个所述分区图像的责任度。
具体地，参照图4所示，所述分别计算多个所述分区图像的责任度，包括以下步骤S21-S26：
S21、汇总所述分区图像中除去所述超像素以外的像素集合，得到汇总像素集合；
S22、任意选定所述汇总像素集合中的一个像素子集作为目标子集；
S23、将所述分区图像中的除去所述超像素和所述目标子集中的像素以外的像素均进行遮挡处理，得到遮挡图像；
S24、将所述遮挡图像输入至预设的图像分类网络中，得到预测分类结果；
S25、基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集；
S26、根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度。
进一步地，参照图5所示，所述基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集，包括以下步骤S221-S223：
S221、判断所述预测分类结果与所述待分析图像的分类结果是否一致；
S222、当所述预测分类结果与所述待分析图像的分类结果一致时，将所述目标子集作为事实子集；
S223、当所述预测分类结果与所述待分析图像的分类结果不一致时，重新选定所述汇总像素集合中的一个像素子集作为目标子集并执行预测处理，直至所述预测分类结果与所述待分析图像的分类结果一致时，将新的目子集作为事实子集。
具体地，参照图6所示，所述根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度，包括步骤S231-S232：
S231、统计所述事实子集中所包含的像素点个数，并根据所述像素点个数计算对应的子集参数；
S232、将所述子集参数代入至所述责任度公式中进行计算，得到多个所述分区图像的责任度。
详细地，统计所述事实子集中所包含的像素点个数，所述事实子集S中包含的像素点个数为N，根据所述像素点个数N计算对应的子集参数k＝min(N)。
进一步地，将所述子集参数代入至所述责任度公式中进行计算，包括
所述责任度公式为：
其中，Ri,j为责任度，k为所述子集参数。
例如，当所述预测分类结果与所述待分析图像的分类结果一致时，则可以得到事实“超像素pi,j是分类网络将图像x预测为类别c的一个原因”；将该事实用f表示，则子集Pi可以作为f的一个证明。遍历所有的子集Pi，找出能够证明事实f的所有子集，用S表示。
具体地，将多个所述分区图像的责任度与预设的责任度阈值进行比较，当所述所述分区图像的责任度大于预设的责任度阈值时，则需要对所述分区图像进行二次分区，当所述分区图像的责任度小于或者等于所述责任度阈值时，则将所述分区图像作为标准归因图。
S3、对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像。
本发明实施例中，对所述责任度大于所述责任度阈值的分区图像进行二次分区，其中二次分区处理使用的为SLIC算法，与上述基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区所用到的算法一致，此处不再赘述。
S4、根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较。
本发明实施例中，参照图7所示，所述根据所述超像素设定标准超像素，包括步骤S41-S42：
S41、获取预设的设定比例和所述超像素的大小；
S42、将所述设定比例与所述超像素的大小进行相乘处理，得到标准超像素。
例如，假设所述超像素的大小为Si，所述设定比例可以为1/2，因此将所述设定比例1/2与所述超像素的大小Si进行相乘处理，得到标准超像素Si+1为1/2Si。
具体地，基于所述标准超像素分别计算所述二次分区图像的责任度的步骤与分别计算多个所述分区图像的责任度的步骤一致，此处不再赘述。
进一步地，将所述二次分区图像的责任度与所述责任度阈值进行比较，根据比较所得的结果进行后续处理。
S5、当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图。
本发明实施例中，判断所述二次分区图像的像素点个数与所述像素阈值之间的大小，当当所述二次分区图像满足所述责任度小于或者等于所述责任度阈值，或者所述二次分区图像的责任度均相等的筛选条件时，将所述二次分区图像作为标准归因图。
其中，所述像素阈值为4。
S6、基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
本发明实施例中，参照图8所示，所述基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果，包括步骤S61-S62：
S61、将所述责任度与预设的归因等级表中的强度等级进行比较；
S62、当所述责任度与所述归因登记表中强度等级对应的等级系数区间一致时，将所述强度等级输出为所述责任度对应的标准归因图的因果分析结果。
详细地，例如，所述归因等级表中包含因果强度高，因果强度中和因果强度低等三个强度等级，其中，所述因果强度高对应的等级系数区间为[100,80)，所述因果强度中对应的等级系数区间为(80,60)，所述因果强度低对应的等级系数区间为(60,0]，当所述责任度为95时，可以判断95属于因果强度高对应的等级系数区间，因此将所述责任度对应的标准归因图的因果分析结果判定为因果强度高。
本发明实施例中，基于超像素和线性迭代聚类算法对待分析图像进行初始分区，得到多个分区图像，在众多超像素分割方法中，线性迭代聚类算法在运行速度、生成超像素的紧凑度、轮廓保持方面都较为理想。计算每个分区的责任度，并通过比较所述责任度和预设的责任度阈值之间的大小不断迭代，直至满足预设的条件，并将满足条件的分区图作为标准归因图，基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。通过所述责任度能够更准确地衡量因果关系的强度。因此本发明提出的图像分类因果解释方法可以解决图像分类因果解释的准确度较低的问题。
如图9所示，是本发明一实施例提供的基于图像分类的因果解释装置的功能模块图。
本发明所述基于图像分类的因果解释装置100可以安装于电子设备中。根据实现的功能，所述基于图像分类的因果解释装置100可以包括初始分区模块101、二次分区模块102、标准归因模块103及因果分析模块104。本发明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：
所述初始分区模块101，用于获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
所述二次分区模块102，用于分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较，对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
所述标准归因模块103，用于根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较，当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
所述因果分析模块104，用于基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
详细地，所述基于图像分类的因果解释装置100各模块的具体实施方式如下：
步骤一、获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像。
本发明实施例中，所述待分析图像是指需要实现图像分类的归因的图像数据。所述预设的超像素的大小可以设置为所述待分析图像的尺寸的1/20。
其中，超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。
具体地，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像，包括：
在所述待分析图像中进行像素选定，得到多个种子像素；
以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像；
对多个所述聚类图像进行图像后处理，得到多个分区图像。
详细地，在所述待分析图像中进行像素选定是指在待分析图像中均匀地选定若干个像素点作为种子像素。均匀地选定若干个像素点可以避免将种子像素定位在边缘上，并且减少用噪声像素接触超像素的机会。
进一步地，所述以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像，包括：
基于所述超像素对所述待分析图像进行区域切割，得到多个切割区域；
分别计算多个所述切割区域与所述种子像素之间的距离值；
比较所述距离值与预设距离阈值的大小，当所述距离值小于所述预设距离阈值时，将所述切割区域作为聚类图像；
当所述距离值大于或者等于所述预设距离阈值时，重新计算多个所述切割区域与所述种子像素之间的距离值，直至所述距离值小于所述预设距离阈值时，得到多个聚类图像。
其中，在多种超像素分割算法中，预设的线性迭代聚类算法在运行速度、生成超像素的紧凑度、轮廓保持方面都较为理想。
进一步地，对多个所述聚类图像进行图像后处理，得到多个分区图像，其中，由于在聚类过程结束时，可能保留不属于其聚类中心相同的连接分量的一些孤立像素，为了对此进行校正，可以使用连通分量算法向这些像素分配最近聚类中心的标签。
对于图像分类任务而言，归因中的因为待分析图像中的像素点，归因得到的结果即为分类结果。因此需要通过衡量各个像素点和分类结果之间的因果关系强度来实现图像分类的归因。
步骤二、分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较。
本发明实施例中，通过分区图像的责任度(Degree Of Responsibility)来量化因果关系。由于像素点责任度的计算需要遍历整张图像所有的像素点子集，故该方案采用分区图像来代替单个像素点，进而计算多个所述分区图像的责任度。
具体地，所述分别计算多个所述分区图像的责任度，包括：
汇总所述分区图像中除去所述超像素以外的像素集合，得到汇总像素集合；任意选定所述汇总像素集合中的一个像素子集作为目标子集；
将所述分区图像中的除去所述超像素和所述目标子集中的像素以外的像素均进行遮挡处理，得到遮挡图像；
将所述遮挡图像输入至预设的图像分类网络中，得到预测分类结果；
基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集；
根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度。
进一步地，所述基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集，包括：
判断所述预测分类结果与所述待分析图像的分类结果是否一致；
当所述预测分类结果与所述待分析图像的分类结果一致时，将所述目标子集作为事实子集；
当所述预测分类结果与所述待分析图像的分类结果不一致时，重新选定所述汇总像素集合中的一个像素子集作为目标子集并执行预测处理，直至所述预测分类结果与所述待分析图像的分类结果一致时，将新的目子集作为事实子集。
具体地，所述根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度，包括：
统计所述事实子集中所包含的像素点个数，并根据所述像素点个数计算对应的子集参数；
将所述子集参数代入至所述责任度公式中进行计算，得到多个所述分区图像的责任度。
详细地，统计所述事实子集中所包含的像素点个数，所述事实子集S中包含的像素点个数为N，根据所述像素点个数N计算对应的子集参数k＝min(N)。
进一步地，将所述子集参数代入至所述责任度公式中进行计算，包括
所述责任度公式为：
其中，Ri,j为责任度，k为所述子集参数。
例如，当所述预测分类结果与所述待分析图像的分类结果一致时，则可以得到事实“超像素pi,j是分类网络将图像x预测为类别c的一个原因”；将该事实用f表示，则子集Pi可以作为f的一个证明。遍历所有的子集Pi，找出能够证明事实f的所有子集，用S表示。
具体地，将多个所述分区图像的责任度与预设的责任度阈值进行比较，当所述所述分区图像的责任度大于预设的责任度阈值时，则需要对所述分区图像进行二次分区，当所述分区图像的责任度小于或者等于所述责任度阈值时，则将所述分区图像作为标准归因图。
步骤三、对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像。
本发明实施例中，对所述责任度大于所述责任度阈值的分区图像进行二次分区，其中二次分区处理使用的为SLIC算法，与上述基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区所用到的算法一致，此处不再赘述。
步骤四、根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较。
本发明实施例中，所述根据所述超像素设定标准超像素，包括：
获取预设的设定比例和所述超像素的大小；
将所述设定比例与所述超像素的大小进行相乘处理，得到标准超像素。
例如，假设所述超像素的大小为Si，所述设定比例可以为1/2，因此将所述设定比例1/2与所述超像素的大小Si进行相乘处理，得到标准超像素Si+1为1/2Si。
具体地，基于所述标准超像素分别计算所述二次分区图像的责任度的步骤与分别计算多个所述分区图像的责任度的步骤一致，此处不再赘述。
进一步地，将所述二次分区图像的责任度与所述责任度阈值进行比较，根据比较所得的结果进行后续处理。
步骤五、当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图。
本发明实施例中，判断所述二次分区图像的像素点个数与所述像素阈值之间的大小，当当所述二次分区图像满足所述责任度小于或者等于所述责任度阈值，或者所述二次分区图像的责任度均相等的筛选条件时，将所述二次分区图像作为标准归因图。
其中，所述像素阈值为4。
步骤六、基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
本发明实施例中，所述基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果，包括：
将所述责任度与预设的归因等级表中的强度等级进行比较；
当所述责任度与所述归因登记表中强度等级对应的等级系数区间一致时，将所述强度等级输出为所述责任度对应的标准归因图的因果分析结果。
详细地，例如，所述归因等级表中包含因果强度高，因果强度中和因果强度低等三个强度等级，其中，所述因果强度高对应的等级系数区间为[100,80)，所述因果强度中对应的等级系数区间为(80,60)，所述因果强度低对应的等级系数区间为(60,0]，当所述责任度为95时，可以判断95属于因果强度高对应的等级系数区间，因此将所述责任度对应的标准归因图的因果分析结果判定为因果强度高。
本发明实施例中，基于超像素和线性迭代聚类算法对待分析图像进行初始分区，得到多个分区图像，在众多超像素分割方法中，线性迭代聚类算法在运行速度、生成超像素的紧凑度、轮廓保持方面都较为理想。计算每个分区的责任度，并通过比较所述责任度和预设的责任度阈值之间的大小不断迭代，直至满足预设的条件，并将满足条件的分区图作为标准归因图，基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。通过所述责任度能够更准确地衡量因果关系的强度。因此本发明提出的基于图像分类的因果解释装置可以解决图像分类因果解释的准确度较低的问题。
如图10所示，是本发明一实施例提供的实现基于图像分类的因果解释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、通信总线12以及通信接口13，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，如基于图像分类的因果解释程序。
其中，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(ControlUnit)，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(例如执行基于图像分类的因果解释程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
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的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，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的应用软件及各类数据，例如基于图像分类的因果解释程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，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。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
图10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10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。
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存储的基于图像分类的因果解释程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较；
对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较；
当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
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：
获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较；
对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较；
当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
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标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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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。第一、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)
1.一种基于图像分类的因果解释方法，其特征在于，所述方法包括：
获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较；
对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较；
当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
2.如权利要求1所述的基于图像分类的因果解释方法，其特征在于，所述基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像，包括：
在所述待分析图像中进行像素选定，得到多个种子像素；
以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像；
对多个所述聚类图像进行图像后处理，得到多个分区图像。
3.如权利要求2所述的基于图像分类的因果解释方法，其特征在于，所述以所述种子像素作为聚类中心，以所述超像素对所述待分析图像进行迭代聚类，得到多个聚类图像，包括：
基于所述超像素对所述待分析图像进行区域切割，得到多个切割区域；
分别计算多个所述切割区域与所述种子像素之间的距离值；
比较所述距离值与预设距离阈值的大小，当所述距离值小于所述预设距离阈值时，将所述切割区域作为聚类图像；
当所述距离值大于或者等于所述预设距离阈值时，重新计算多个所述切割区域与所述种子像素之间的距离值，直至所述距离值小于所述预设距离阈值时，得到多个聚类图像。
4.如权利要求1所述的基于图像分类的因果解释方法，其特征在于，所述分别计算多个所述分区图像的责任度，包括：
汇总所述分区图像中除去所述超像素以外的像素集合，得到汇总像素集合；
任意选定所述汇总像素集合中的一个像素子集作为目标子集；
将所述分区图像中的除去所述超像素和所述目标子集中的像素以外的像素均进行遮挡处理，得到遮挡图像；
将所述遮挡图像输入至预设的图像分类网络中，得到预测分类结果；
基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集；
根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度。
5.如权利要求4所述的基于图像分类的因果解释方法，其特征在于，所述基于所述预测分类结果和所述待分析图像的分类结果进行遍历搜寻，得到事实子集，包括：
判断所述预测分类结果与所述待分析图像的分类结果是否一致；
当所述预测分类结果与所述待分析图像的分类结果一致时，将所述目标子集作为事实子集；
当所述预测分类结果与所述待分析图像的分类结果不一致时，重新选定所述汇总像素集合中的一个像素子集作为目标子集并执行预测处理，直至所述预测分类结果与所述待分析图像的分类结果一致时，将新的目子集作为事实子集。
6.如权利要求5所述的基于图像分类的因果解释方法，其特征在于，所述根据所述事实子集和预设的责任度公式计算得到多个所述分区图像的责任度，包括：
统计所述事实子集中所包含的像素点个数，并根据所述像素点个数计算对应的子集参数；
将所述子集参数代入至所述责任度公式中进行计算，得到多个所述分区图像的责任度。
7.如权利要求1至6中任一项所述的基于图像分类的因果解释方法，其特征在于，所述基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果，包括：
将所述责任度与预设的归因等级表中的强度等级进行比较；
当所述责任度与所述归因登记表中强度等级对应的等级系数区间一致时，将所述强度等级输出为所述责任度对应的标准归因图的因果分析结果。
8.一种基于图像分类的因果解释装置，其特征在于，所述装置包括：
初始分区模块，用于获取待分析图像和预设的超像素，基于所述超像素和预设的线性迭代聚类算法对所述待分析图像进行初始分区，得到多个分区图像；
二次分区模块，用于分别计算多个所述分区图像的责任度，并将多个所述分区图像的责任度与预设的责任度阈值进行比较，对所述责任度大于所述责任度阈值的分区图像进行二次分区，得到多个二次分区图像；
标准归因模块，用于根据所述超像素设定标准超像素，基于所述标准超像素分别计算所述二次分区图像的责任度，将所述二次分区图像的责任度与所述责任度阈值进行比较，当所述二次分区图像的像素点个数小于或者等于像素点阈值，或者所述二次分区图像的责任度均相等时，将所述二次分区图像作为标准归因图；
因果分析模块，用于基于所述责任度对所述标准归因图进行因果分析，得到图像因果分析结果。
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中任意一项所述的基于图像分类的因果解释方法。
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中任意一项所述的基于图像分类的因果解释方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370866.6A CN114743003B (zh) | 2022-04-11 | 基于图像分类的因果解释方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370866.6A CN114743003B (zh) | 2022-04-11 | 基于图像分类的因果解释方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114743003A true CN114743003A (zh) | 2022-07-12 |
| CN114743003B CN114743003B (zh) | 2024-05-10 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898166A (zh) * | 2022-07-13 | 2022-08-12 | 合肥工业大学 | 一种基于演进因果模型的检测玻璃洁净度的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123417A (zh) * | 2014-07-22 | 2014-10-29 | 上海交通大学 | 一种基于聚类融合的图像分割的方法 |
| KR101619508B1 (ko) * | 2014-11-21 | 2016-05-18 | 이한우 | 샤플리 값 정규화를 이용하는 영상 잡음 제거 장치 및 방법 |
| US9811906B1 (en) * | 2016-07-15 | 2017-11-07 | Siemens Healthcare Gmbh | Method and data processing unit for segmenting an object in a medical image |
| CN112288337A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技（深圳）有限公司 | 行为推荐方法、装置、设备及介质 |
| CN113361954A (zh) * | 2021-06-29 | 2021-09-07 | 平安普惠企业管理有限公司 | 归因分析方法、装置、设备及存储介质 |
| CN113808028A (zh) * | 2020-09-14 | 2021-12-17 | 北京航空航天大学 | 基于归因算法的对抗样本的检测方法和装置 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123417A (zh) * | 2014-07-22 | 2014-10-29 | 上海交通大学 | 一种基于聚类融合的图像分割的方法 |
| KR101619508B1 (ko) * | 2014-11-21 | 2016-05-18 | 이한우 | 샤플리 값 정규화를 이용하는 영상 잡음 제거 장치 및 방법 |
| US9811906B1 (en) * | 2016-07-15 | 2017-11-07 | Siemens Healthcare Gmbh | Method and data processing unit for segmenting an object in a medical image |
| CN113808028A (zh) * | 2020-09-14 | 2021-12-17 | 北京航空航天大学 | 基于归因算法的对抗样本的检测方法和装置 |
| CN112288337A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技（深圳）有限公司 | 行为推荐方法、装置、设备及介质 |
| CN113361954A (zh) * | 2021-06-29 | 2021-09-07 | 平安普惠企业管理有限公司 | 归因分析方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| MARCO ANCONA ET AL.: "Explaining Deep Neural Networks with a Polynomial Time Algorithm for Shapley Values Approximation", 《PMLR 97》, 31 December 2019 (2019-12-31), pages 272 - 281 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898166A (zh) * | 2022-07-13 | 2022-08-12 | 合肥工业大学 | 一种基于演进因果模型的检测玻璃洁净度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
| CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
| CN114612194A (zh) | 产品推荐方法、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 | |
| CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
| CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
| CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
| CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN115757987B (zh) | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN114743003A (zh) | 基于图像分类的因果解释方法、装置、设备及存储介质 | |
| CN114743003B (zh) | 基于图像分类的因果解释方法、装置、设备及存储介质 | |
| CN112330080B (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
| CN114461630A (zh) | 智能归因分析方法、装置、设备及存储介质 | |
| CN113657499A (zh) | 基于特征选择的权益分配方法、装置、电子设备及介质 | |
| CN113869455A (zh) | 无监督聚类方法、装置、电子设备及介质 | |
| CN113887408A (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
| CN113705686A (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN113918603A (zh) | 散列缓存生成方法、装置、电子设备及存储介质 | |
| CN111652741A (zh) | 用户偏好分析方法、装置及可读存储介质 |
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 |