CN115187570B - 一种基于dnn深度神经网络的奇异遍历检索方法及装置 - Google Patents
一种基于dnn深度神经网络的奇异遍历检索方法及装置 Download PDFInfo
- Publication number
- CN115187570B CN115187570B CN202210889646.4A CN202210889646A CN115187570B CN 115187570 B CN115187570 B CN 115187570B CN 202210889646 A CN202210889646 A CN 202210889646A CN 115187570 B CN115187570 B CN 115187570B
- Authority
- CN
- China
- Prior art keywords
- singular point
- image quality
- data
- historical
- retrieval
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于DNN深度神经网络的奇异遍历检索方法及装置。其中,该方法包括:获取历史奇异点检索数据和历史图像质量数据;提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点‑图像质量二维矩阵;将所述奇异点‑图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。本发明解决了现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题。
Description
技术领域
本发明涉及图像瑕疵处理领域,具体而言,涉及一种基于DNN深度神经网络的奇异遍历检索方法及装置。
背景技术
随着智能化科技的不断发展,人们的生活、工作、学习之中越来越多地用到了智能化设备,使用智能化科技手段,提高了人们生活的质量,增加了人们学习和工作的效率。
目前,在图像处理设备对图像的质量进行处理的时候,通常会用到检索或者识别原始图像数据中的奇异点信息,如奇异点位置或者奇异点的区域表征,从而快速定位到待优化图像的奇异点,进一步消除奇异点来优化高精度图像采集设备采集到的原始图像数据。但是现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于DNN深度神经网络的奇异遍历检索方法及装置,以至少解决现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题。
根据本发明实施例的一个方面,提供了一种基于DNN深度神经网络的奇异遍历检索方法,包括:获取历史奇异点检索数据和历史图像质量数据;提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。
可选的,所述提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵包括:获取所述历史奇异点检索数据的第一对应标签;根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。
可选的,所述将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。
可选的,所述将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型,其中,检索模型可以包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
根据本发明实施例的另一方面,还提供了一种基于DNN深度神经网络的奇异遍历检索装置,包括:获取模块,用于获取历史奇异点检索数据和历史图像质量数据;提取模块,用于提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;训练模块,用于将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;输出模块,用于利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。
可选的,所述提取模块包括:获取单元,用于获取所述历史奇异点检索数据的第一对应标签;标识单元,用于根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;生成单元,用于利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;生成单元,还用于将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。
可选的,所述生成单元包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。
可选的,所述训练模块包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于DNN深度神经网络的奇异遍历检索方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于DNN深度神经网络的奇异遍历检索方法。
在本发明实施例中,采用获取历史奇异点检索数据和历史图像质量数据;提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息的方式,解决了现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于DNN深度神经网络的奇异遍历检索方法的流程图;
图2是根据本发明实施例的一种基于DNN深度神经网络的奇异遍历检索装置的结构框图;
图3是根据本发明实施例的用于执行根据本发明的方法的终端设备的框图;
图4是根据本发明实施例的用于保持或者携带实现根据本发明的方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种基于DNN深度神经网络的奇异遍历检索方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于DNN深度神经网络的奇异遍历检索方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取历史奇异点检索数据和历史图像质量数据。
具体的,本发明实施例为了解决现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题,并克服相关的技术缺陷,首先需要利用大数据平台数据库和核心数据调取指令来获取历史奇异点检索数据以及与上述历史奇异点检索数据相对应的历史图像质量数据,其中,上述历史图像质量数据与上述奇异点检索数据处于矩阵对应关系,即通过A奇异点检索操作之后,生成了与A对应的B图像质量的相关数据,用于后续对于遍历检索模型的训练和生成。
步骤S104,提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵。
具体的,为了将本发明实施例首先获取到的奇异点检索数据和历史图像质量数据进行联动和关联因子的引用,需要提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵。
可选的,所述提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵包括:获取所述历史奇异点检索数据的第一对应标签;根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。
具体的,为了根据所述历史奇异点检索数据和历史图像质量数据之间的关联关系信息来生成用于训练模型的矩阵数据集合,需要获取所述历史奇异点检索数据的第一对应标签;根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。可选的,所述将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。
步骤S106,将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型。
具体的,在本发明实施例获得奇异点-图像质量二维矩阵和奇异点历史数据以及图像质量历史数据之后,需要将奇异点和图像质量之间的关联关系函数,即奇异点-图像质量二维矩阵输入到检索模型中,其中,上述检索模型是根据DNN是有很多神经网络模型生成的初始检索模型,用于输入若干奇异点和图像质量数据的历史数据来得到完善的奇异点遍历检索模型。
可选的,所述将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型,其中,检索模型可以包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
步骤S108,利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。
具体的,在本发明得到了完善成熟的奇异点遍历检索模型之后,为了根据实时图像质量数据来获取到图像中的奇异点信息,以便后续对奇异点进行降噪和优化处理,需要利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。
通过上述实施例,解决了现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题。
实施例二
图2是根据本发明实施例的一种基于DNN深度神经网络的奇异遍历检索装置的结构框图,如图2所示,该装置包括:
获取模块20,用于获取历史奇异点检索数据和历史图像质量数据。
具体的,本发明实施例为了解决现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题,并克服相关的技术缺陷,首先需要利用大数据平台数据库和核心数据调取指令来获取历史奇异点检索数据以及与上述历史奇异点检索数据相对应的历史图像质量数据,其中,上述历史图像质量数据与上述奇异点检索数据处于矩阵对应关系,即通过A奇异点检索操作之后,生成了与A对应的B图像质量的相关数据,用于后续对于遍历检索模型的训练和生成。
提取模块22,提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵。
具体的,为了将本发明实施例首先获取到的奇异点检索数据和历史图像质量数据进行联动和关联因子的引用,需要提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵。
可选的,所述提取模块包括:获取单元,用于获取所述历史奇异点检索数据的第一对应标签;标识单元,用于根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;生成单元,用于利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;生成单元,还用于将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。
具体的,为了根据所述历史奇异点检索数据和历史图像质量数据之间的关联关系信息来生成用于训练模型的矩阵数据集合,需要获取所述历史奇异点检索数据的第一对应标签;根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。可选的,所述生成单元包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。
训练模块24,用于将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型。
具体的,在本发明实施例获得奇异点-图像质量二维矩阵和奇异点历史数据以及图像质量历史数据之后,需要将奇异点和图像质量之间的关联关系函数,即奇异点-图像质量二维矩阵输入到检索模型中,其中,上述检索模型是根据DNN是有很多神经网络模型生成的初始检索模型,用于输入若干奇异点和图像质量数据的历史数据来得到完善的奇异点遍历检索模型。
可选的,所述训练模块包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
输出模块26,用于利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。
具体的,在本发明得到了完善成熟的奇异点遍历检索模型之后,为了根据实时图像质量数据来获取到图像中的奇异点信息,以便后续对奇异点进行降噪和优化处理,需要利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。
通过上述实施例,解决了现有技术中对于奇异点的确认仅仅是直接通过奇异点筛查模型,然而对于模型的精度和模型是否完全匹配每一个奇异点和图像质量的要求,无法实现上述技术效果,导致整体奇异点的遍历筛查效率低下,精度不高的技术问题。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于DNN深度神经网络的奇异遍历检索方法。
具体的,上述方法包括:获取历史奇异点检索数据和历史图像质量数据;提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。可选的,所述提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵包括:获取所述历史奇异点检索数据的第一对应标签;根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。可选的,所述将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。可选的,所述将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型,其中,检索模型可以包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于DNN深度神经网络的奇异遍历检索方法。
具体的,上述方法包括:获取历史奇异点检索数据和历史图像质量数据;提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息。可选的,所述提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵包括:获取所述历史奇异点检索数据的第一对应标签;根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵。可选的,所述将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。可选的,所述将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型,其中,检索模型可以包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,图3为本申请一实施例提供的终端设备的硬件结构示意图。如图3所示,该终端设备可以包括输入设备30、处理器31、输出设备32、存储器33和至少一个通信总线34。通信总线34用于实现元件之间的通信连接。存储器33可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,存储器33中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,上述处理器31例如可以为中央处理器(Central Processing Unit,简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,该处理器31通过有线或无线连接耦合到上述输入设备30和输出设备32。
可选的,上述输入设备30可以包括多种输入设备,例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等);可选的,该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;可选的,上述收发信机可以是具有通信功能的射频收发芯片、基带处理芯片以及收发天线等。麦克风等音频输入设备可以接收语音数据。输出设备32可以包括显示器、音响等输出设备。
在本实施例中,该终端设备的处理器包括用于执行各设备中数据处理装置各模块的功能,具体功能和技术效果参照上述实施例即可,此处不再赘述。
图4为本申请另一实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图4所示,本实施例的终端设备包括处理器41以及存储器42。
处理器41执行存储器42所存放的计算机程序代码,实现上述实施例中的方法。
存储器42被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,例如消息,图片,视频等。存储器42可能包含随机存取存储器(random access memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
可选地,处理器41设置在处理组件40中。该终端设备还可以包括:通信组件43,电源组件44,多媒体组件45,音频组件46,输入/输出接口47和/或传感器组件48。终端设备具体所包含的组件等依据实际需求设定,本实施例对此不作限定。
处理组件40通常控制终端设备的整体操作。处理组件40可以包括一个或多个处理器41来执行指令,以完成上述方法的全部或部分步骤。此外,处理组件40可以包括一个或多个模块,便于处理组件40和其他组件之间的交互。例如,处理组件40可以包括多媒体模块,以方便多媒体组件45和处理组件40之间的交互。
电源组件44为终端设备的各种组件提供电力。电源组件44可以包括电源管理系统,一个或多个电源,及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件45包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中,显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板,显示屏可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件46被配置为输出和/或输入音频信号。例如,音频组件46包括一个麦克风(MIC),当终端设备处于操作模式,如语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器42或经由通信组件43发送。在一些实施例中,音频组件46还包括一个扬声器,用于输出音频信号。
输入/输出接口47为处理组件40和外围接口模块之间提供接口,上述外围接口模块可以是点击轮,按钮等。这些按钮可包括但不限于:音量按钮、启动按钮和锁定按钮。
传感器组件48包括一个或多个传感器,用于为终端设备提供各个方面的状态评估。例如,传感器组件48可以检测到终端设备的打开/关闭状态,组件的相对定位,用户与终端设备接触的存在或不存在。传感器组件48可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在,包括检测用户与终端设备间的距离。在一些实施例中,该传感器组件48还可以包括摄像头等。
通信组件43被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个实施例中,该终端设备中可以包括SIM卡插槽,该SIM卡插槽用于插入SIM卡,使得终端设备可以登录GPRS网络,通过互联网与服务端建立通信。
由上可知,在图4实施例中所涉及的通信组件43、音频组件46以及输入/输出接口47、传感器组件48均可以作为图3实施例中的输入设备的实现方式。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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,也可以采用软件功能单元的形式实现。
所述集成的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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于DNN深度神经网络的奇异遍历检索方法,其特征在于,包括:
获取历史奇异点检索数据和历史图像质量数据;
提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;
将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;
利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息;
所述提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵包括:
获取所述历史奇异点检索数据的第一对应标签;
根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;
利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;
将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵;
所述将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。
2.根据权利要求1所述的方法,其特征在于,所述将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型,其中,检索模型可以包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
3.一种基于DNN深度神经网络的奇异遍历检索装置,其特征在于,包括:
获取模块,用于获取历史奇异点检索数据和历史图像质量数据;
提取模块,用于提取所述历史奇异点检索数据和历史图像质量数据的对应关系信息,并生成奇异点-图像质量二维矩阵;
训练模块,用于将所述奇异点-图像质量二维矩阵作为特征矢量数据输入至检索模型中,训练得到奇异点遍历检索模型;
输出模块,用于利用所述奇异点遍历检索模型输入图像质量数据,输出奇异点信息;
所述提取模块包括:
获取单元,用于获取所述历史奇异点检索数据的第一对应标签;
标识单元,用于根据所述第一对应标签,标识所述历史图像质量数据中的第二对应标签;
生成单元,用于利用所述第一对应标签和所述第二对应标签,生成所述对应关系信息;
生成单元,还用于将所述对应关系信息、所述历史奇异点检索数据和历史图像质量数据作为参变量,生成所述奇异点-图像质量二维矩阵;
所述生成单元包括:
其中,Y是奇异点-图像质量二维矩阵,θ是历史奇异点检索数据,γ是历史图像质量数据,N是数据组参量数,取自然整数。
4.根据权利要求3所述的装置,其特征在于,所述训练模块包括:
IS=S(I,A(M))
其中,I为检索模型函数,M为奇异点-图像质量二维矩阵转换参变量,S(*)为不均匀抽样函数,A(*)为特征矢量数据的平均池化。
5.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至2中任意一项所述的方法。
6.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至2中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889646.4A CN115187570B (zh) | 2022-07-27 | 2022-07-27 | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889646.4A CN115187570B (zh) | 2022-07-27 | 2022-07-27 | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187570A CN115187570A (zh) | 2022-10-14 |
CN115187570B true CN115187570B (zh) | 2023-04-07 |
Family
ID=83521350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210889646.4A Active CN115187570B (zh) | 2022-07-27 | 2022-07-27 | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187570B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516100A (zh) * | 2019-08-29 | 2019-11-29 | 武汉纺织大学 | 一种图像相似度的计算方法、系统、存储介质及电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615587B (zh) * | 2018-10-11 | 2020-10-02 | 杭州雄迈集成电路技术股份有限公司 | 一种图像奇异点校正方法 |
CN110991374B (zh) * | 2019-12-10 | 2023-04-04 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111950391A (zh) * | 2020-07-23 | 2020-11-17 | 中国农业科学院农业信息研究所 | 果树芽体的识别方法及装置 |
CN112287973A (zh) * | 2020-09-28 | 2021-01-29 | 北京航空航天大学 | 基于截尾奇异值和像素插值的数字图像对抗样本防御方法 |
CN112818797B (zh) * | 2021-01-26 | 2024-03-01 | 厦门大学 | 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 |
CN113657145B (zh) * | 2021-06-30 | 2023-07-14 | 深圳市人工智能与机器人研究院 | 一种基于汗孔特征及神经网络的指纹检索方法 |
CN113705788B (zh) * | 2021-08-27 | 2023-09-22 | 齐鲁工业大学 | 基于全卷积神经网络的红外图像温度估计方法及系统 |
-
2022
- 2022-07-27 CN CN202210889646.4A patent/CN115187570B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516100A (zh) * | 2019-08-29 | 2019-11-29 | 武汉纺织大学 | 一种图像相似度的计算方法、系统、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115187570A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115426525B (zh) | 一种基于高速动帧联动图像拆分方法及装置 | |
CN115170818A (zh) | 一种动态帧画面特征提取方法及装置 | |
CN115984126A (zh) | 一种基于输入指令的光图像修正方法及装置 | |
CN115375582A (zh) | 一种基于低阶泰勒分解的摩尔纹消解方法及装置 | |
CN115293985B (zh) | 一种用于图像优化的超分降噪方法及装置 | |
CN115187570B (zh) | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 | |
CN115600898A (zh) | 一种基于定性和定量综合分析的员工行为风险分析方法及装置 | |
CN115205313B (zh) | 一种基于最小二乘算法的画面优化方法及装置 | |
CN116468883B (zh) | 一种高精度图像数据体积雾识别方法及装置 | |
CN115914819B (zh) | 一种基于正交分解算法的画面捕捉方法及装置 | |
CN116402935B (zh) | 一种基于光线追踪算法的图像合成方法及装置 | |
CN116664413B (zh) | 一种基于阿贝尔收敛算子的图像体积雾消除方法及装置 | |
CN115460210B (zh) | 一种基于大数据智能平台分析方法及装置 | |
CN115809006B (zh) | 一种画面控制人工指令的方法及装置 | |
CN116030501B (zh) | 一种飞鸟检测数据提取方法及装置 | |
CN115145950A (zh) | 一种涉诉大数据应用接口对接方法 | |
CN115460210A (zh) | 一种基于大数据智能平台分析方法及装置 | |
CN116774929A (zh) | 一种基于大数据的数据存储方法及系统 | |
CN115700554A (zh) | 一种互联网大数据验证的测试方法及装置 | |
CN116309523A (zh) | 一种动帧图像动态模糊识别方法及装置 | |
CN117367455A (zh) | 一种深度学习算法的光伏电站无人机航线设计方法及装置 | |
CN115695267A (zh) | 一种面向数据接口的测试和验证方法及装置 | |
CN117911870A (zh) | 一种基于亿级图像获取手段的应急安全预测方法 | |
CN115563154A (zh) | 一种大数据分析方法及装置 | |
CN118096648A (zh) | 一种场景深度测量方法及装置 |
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 |