CN115424323A - 风电场权限管理系统及其方法 - Google Patents
风电场权限管理系统及其方法 Download PDFInfo
- Publication number
- CN115424323A CN115424323A CN202211041177.7A CN202211041177A CN115424323A CN 115424323 A CN115424323 A CN 115424323A CN 202211041177 A CN202211041177 A CN 202211041177A CN 115424323 A CN115424323 A CN 115424323A
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- corrected
- image
- map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003708 edge detection Methods 0.000 claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 77
- 238000007726 management method Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 47
- 230000007246 mechanism Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 12
- 230000009977 dual effect Effects 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007163 homologation reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及风电场智能管理的领域,其具体地公开了一种风电场权限管理系统及其方法,其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取,以分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,并且在此过程中,还通过对比搜索空间同向化,以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间,进而增强融合后的高维特征表达的特征分布连续性。这样,就能够对于用户分配的预定权限进行准确地判断。
Description
技术领域
本发明涉及风电场智能管理的领域,且更为具体地,涉及一种风电场权限管理系统及其方法。
背景技术
当前风电企业越来越重视数据化软件管理,例如,可通过软件来收集并存储风机系统在使用过程中所产生的数据,并对所存储的数据进行整理和分析。为了便于软件管理,通常会在风电管理软件上为不同的账号配置不同的权限,以避免数据误删之类的操作。
但是,由于账号与密码会泄露,因此,为了提高安全等级,期待一种权限管理系统,其能够在为相应用户配置权限时,对用户身份进行二次验证以提高系统的安全等级。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种风电场权限管理系统及其方法,其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取,以分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,并且在此过程中,还通过对比搜索空间同向化,以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间,进而增强融合后的高维特征表达的特征分布连续性。这样,就能够对于用户分配的预定权限进行准确地判断。
根据本申请的一个方面,提供了一种风电场权限管理系统,其包括:
人脸图像采集模块,用于获取待分配权限的用户的人脸图像;
图像处理模块,用于对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;
输入端扩展模块,用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;
第一卷积编码模块,用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;
第二卷积编码模块,用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;
第一校正模块,用于基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;
第二校正模块,用于基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;
融合模块,用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;
人脸识别模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及
权限管理模块,用于基于所述分类结果,确定是否为所述用户分配预定权限。
在上述风电场权限管理系统中,所述第一卷积编码模块,进一步用于:所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵;对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量;以及,以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图;其中,所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。
在上述风电场权限管理系统中,所述第二卷积编码模块,进一步用于:所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
在上述风电场权限管理系统中,所述第一校正模块,进一步用于:基于所述第二特征图,以如下公式对所述第一特征图中各个位置的特征值进行校正以得到所述校正后第一特征图;
其中,所述公式为:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,且d(f1i,f2j)表示特征值之间的距离。
在上述风电场权限管理系统中,所述第二校正模块,进一步用于:基于所述第一特征图,以如下公式对所述第二特征图中各个位置的特征值进行校正以得到所述校正后第二特征图;
其中,所述公式为:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,且d(f1i,f2j)表示特征值之间的距离。
在上述风电场权限管理系统中,所述融合模块,进一步用于:以如下公式融合所述校正后第一特征图和所述校正后第二特征图以得到所述分类特征图;
其中,所述公式为:
Fs=αF1+βF2
其中,Fs为所述分类特征图,F1为所述校正后第一特征图,F2为所述校正后第二特征图,“+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述校正后第一特征图和所述校正后第二特征图之间的平衡的加权参数。
在上述风电场权限管理系统中,所述人脸识别模块,进一步用于:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,一种风电场权限管理方法,其包括:
获取待分配权限的用户的人脸图像;
对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;
将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;
将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;
将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;
基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;
基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;
融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及
基于所述分类结果,确定是否为所述用户分配预定权限。
在上述风电场权限管理方法中,将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图,包括:所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵;对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量;以及,以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图;其中,所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。
在上述风电场权限管理方法中,将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图,包括:所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
在上述风电场权限管理方法中,基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图,包括:基于所述第二特征图,以如下公式对所述第一特征图中各个位置的特征值进行校正以得到所述校正后第一特征图;
其中,所述公式为:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,且d(f1i,f2j)表示特征值之间的距离。
在上述风电场权限管理方法中,基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图,包括:基于所述第一特征图,以如下公式对所述第二特征图中各个位置的特征值进行校正以得到所述校正后第二特征图;
其中,所述公式为:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,且d(f1i,f2j)表示特征值之间的距离。
在上述风电场权限管理方法中,融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图,包括:以如下公式融合所述校正后第一特征图和所述校正后第二特征图以得到所述分类特征图;
其中,所述公式为:
Fs=αF1+βF2
其中,Fs为所述分类特征图,F1为所述校正后第一特征图,F2为所述校正后第二特征图,“+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述校正后第一特征图和所述校正后第二特征图之间的平衡的加权参数。
在上述风电场权限管理方法中,将所述分类特征图通过分类器以得到分类结果,包括:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比,本申请提供的风电场权限管理系统及其方法,其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取,以分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,并且在此过程中,还通过对比搜索空间同向化,以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间,进而增强融合后的高维特征表达的特征分布连续性。这样,就能够对于用户分配的预定权限进行准确地判断。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的风电场权限管理系统的框图。
图2为根据本申请实施例的风电场权限管理方法的流程图。
图3为根据本申请实施例的风电场权限管理方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,当前风电企业越来越重视数据化软件管理,例如,可通过软件来收集并存储风机系统在使用过程中所产生的数据,并对所存储的数据进行整理和分析。为了便于软件管理,通常会在风电管理软件上为不同的账号配置不同的权限,以避免数据误删之类的操作。
但是,由于账号与密码会泄露,因此,为了提高安全等级,期待一种权限管理系统,其能够在为相应用户配置权限时,对用户身份进行二次验证以提高系统的安全等级。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为用户的权限管理提供了新的解决思路和方案。
相应地,本申请发明人考虑到对于用户的权限管理,由于仅依靠待分配权限用户的人脸图像来判断用户的权限是不够准确地,这可能会由于外界环境的干扰以及检测的精准度不够而造成判断的错误,因此,为了提高对于权限管理的准确性,将所述局部二值模式图和所述Canny边缘检测特征图与RGB图像进行合并为5通道作为网络的输入,以扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高精确度。
具体地,在本申请的技术方案中,首先,通过相机采集获取待分配权限的用户的人脸图像。应可以理解,由于局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征,其具有旋转不变性、平移不变性以及可以消除光照变化的问题等优点,具体原理是,以3×3为窗口单位,若周围像素值大于中心像素值,则该像素点标记为1,否则标记为0,之后对邻域像素进行二进制化,将所得的值与二值序列对应相乘后相加即可得到中心像素的LBP值。而Canny算子有三个规范,即边缘点被误报的概率低、检测到的边缘点尽可能位于真实边缘的中心和单边只有一个响应。因此,在本申请的技术方案中,进一步对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图。
这样,再将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像,以将所述局部二值模式图和所述Canny边缘检测特征图与RGB图像进行合并为5通道作为网络的输入,扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高精确度。
考虑到对于所述待分配权限的用户的人脸图像来说,所述人脸图像、所述局部二值模式图和所述Canny边缘检测图之间具有关联性,因此为了提高对于所述多通道图像的提取效果,使用双重注意力机制的卷积神经网络模型来对所述多通道图像进行处理以分别得到第一特征图和第二特征图,特别地,这里,所述双重注意力机制为空间注意力机制和通道注意力机制。应可以理解,所述通道注意力和所述空间注意力能够分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果。
应可以理解,由于使用空间注意力的所述第一卷积神经网络相对所述多通道图像聚焦于图像的空间尺度上的受关注关联特征,而使用通道注意力的所述第二卷积神经网络相对所述多通道图像聚焦于图像间的维度尺度上的受关注关联特征,这就使得所述第一特征图和所述第二特征图由于分布式表达而存在各向异性,在高维特征空间内表现为其特征表示驻留在整个高维特征空间的一个狭窄子集中,这会使得融合后的高维特征表达缺乏连续性,而使得分类器的解空间退化,影响训练过程中分类器的拟合和推断过程中的分类准确性。
因此,在本申请的技术方案中,进一步基于所述第一特征图和所述第二特征图的特征值进行对比搜索空间同向化,即:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,例如初始设置为所述第一特征图和所述第二特征图之间的距离,且d(f1i,f2j)表示特征值之间的距离,例如绝对值距离。
这样,通过对比搜索空间同向化,可以将所述第一特征图和所述第二特征图的特征表示约束到各向同性且有区分度的表示空间,以增强融合后的高维特征表达的特征分布连续性,提高了训练过程中分类器的拟合程度和推断过程中的分类准确性,进而能够对于所述待分配权限的用户的人脸图像所属的对象标签是否为所述用户分配预定权限进行准确判断。
基于此,本申请提出了一种风电场权限管理系统,其包括:人脸图像采集模块,用于获取待分配权限的用户的人脸图像;图像处理模块,用于对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;输入端扩展模块,用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;第一卷积编码模块,用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;第二卷积编码模块,用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;第一校正模块,用于基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;第二校正模块,用于基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;融合模块,用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;人脸识别模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及,权限管理模块,用于基于所述分类结果,确定是否为所述用户分配预定权限。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的风电场权限管理系统的框图。如图1所示,根据本申请实施例的风电场权限管理系统200,包括:人脸图像采集模块210,用于获取待分配权限的用户的人脸图像;图像处理模块220,用于对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;输入端扩展模块230,用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;第一卷积编码模块240,用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;第二卷积编码模块250,用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;第一校正模块260,用于基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;第二校正模块270,用于基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;融合模块280,用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;人脸识别模块290,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及,权限管理模块300,用于基于所述分类结果,确定是否为所述用户分配预定权限。
具体地,在本申请实施例中,所述人脸图像采集模块210和所述图像处理模块220,用于获取待分配权限的用户的人脸图像,并对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图。应可以理解,考虑到对于用户的权限管理,由于仅依靠待分配权限用户的人脸图像来判断用户的权限是不够准确地,这可能会由于外界环境的干扰以及检测的精准度不够而造成判断的错误,因此,在本申请的技术方案中,为了提高对于权限管理的准确性,将所述局部二值模式图和所述Canny边缘检测特征图与RGB图像进行合并为5通道作为网络的输入,以扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高精确度。
也就是,具体地,在本申请的技术方案中,首先,通过相机采集获取待分配权限的用户的人脸图像。应可以理解,由于局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征,其具有旋转不变性、平移不变性以及可以消除光照变化的问题等优点,具体原理是以3×3为窗口单位,若周围像素值大于中心像素值,则该像素点标记为1,否则标记为0,之后对邻域像素进行二进制化,将所得的值与二值序列对应相乘后相加即可得到中心像素的LBP值。而Canny算子有三个规范,即边缘点被误报的概率低、检测到的边缘点尽可能位于真实边缘的中心和单边只有一个响应。因此,在本申请的技术方案中,进一步对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图。
具体地,在本申请实施例中,所述输入端扩展模块230,用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像。也就是,在本申请的技术方案中,进一步再将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像,以将所述局部二值模式图和所述Canny边缘检测特征图与RGB图像进行合并为5通道作为网络的输入,扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高精确度。
具体地,在本申请实施例中,所述第一卷积编码模块240和所述第二卷积编码模块250,用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图,并将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图。应可以理解,考虑到对于所述待分配权限的用户的人脸图像来说,所述人脸图像、所述局部二值模式图和所述Canny边缘检测图之间具有关联性,因此为了提高对于所述多通道图像的提取效果,在本申请的技术方案中,使用双重注意力机制的卷积神经网络模型来对所述多通道图像进行处理以分别得到第一特征图和第二特征图。特别地,这里,所述双重注意力机制为空间注意力机制和通道注意力机制。应可以理解,所述通道注意力和所述空间注意力能够分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果。
更具体地,在本申请实施例中,所述第一卷积编码模块,进一步用于:所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵;对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量;以及,以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图;其中,所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。
更具体地,在本申请实施例中,所述第二卷积编码模块,进一步用于:所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
具体地,在本申请实施例中,所述第一校正模块260和所述第二校正模块270,用于基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图,并基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图。应可以理解,由于使用空间注意力的所述第一卷积神经网络相对所述多通道图像聚焦于图像的空间尺度上的受关注关联特征,而使用通道注意力的所述第二卷积神经网络相对所述多通道图像聚焦于图像间的维度尺度上的受关注关联特征,这就使得所述第一特征图和所述第二特征图由于分布式表达而存在各向异性,在高维特征空间内表现为其特征表示驻留在整个高维特征空间的一个狭窄子集中,这会使得融合后的高维特征表达缺乏连续性,而使得分类器的解空间退化,影响训练过程中分类器的拟合和推断过程中的分类准确性。因此,在本申请的技术方案中,进一步基于所述第一特征图和所述第二特征图的特征值进行对比搜索空间同向化。
应可以理解,这样,通过对比搜索空间同向化,可以将所述第一特征图和所述第二特征图的特征表示约束到各向同性且有区分度的表示空间,以增强融合后的高维特征表达的特征分布连续性,提高了训练过程中分类器的拟合程度和推断过程中的分类准确性,进而能够对于所述待分配权限的用户的人脸图像所属的对象标签是否为所述用户分配预定权限进行准确判断。
更具体地,在本申请实施例中,所述第一校正模块,进一步用于:基于所述第二特征图,以如下公式对所述第一特征图中各个位置的特征值进行校正以得到所述校正后第一特征图;
其中,所述公式为:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,例如初始设置为所述第一特征图和所述第二特征图之间的距离,且d(f1i,f2j)表示特征值之间的距离,例如绝对值距离。
更具体地,在本申请实施例中,所述第二校正模块,进一步用于:基于所述第一特征图,以如下公式对所述第二特征图中各个位置的特征值进行校正以得到所述校正后第二特征图;
其中,所述公式为:
其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值,且ρ为控制超参数,例如初始设置为所述第一特征图和所述第二特征图之间的距离,且d(f1i,f2j)表示特征值之间的距离,例如绝对值距离。
具体地,在本申请实施例中,所述融合模块280,用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图。也就是,在本申请的技术方案中,在得到校正后的所述校正后第一特征图和所述校正后第二特征图后,进一步融合这两者的特征信息得到分类特征图。
更具体地,在本申请实施例中,以如下公式融合所述校正后第一特征图和所述校正后第二特征图以得到所述分类特征图;
其中,所述公式为:
Fs=αF1+βF2
其中,Fs为所述分类特征图,F1为所述校正后第一特征图,F2为所述校正后第二特征图,“+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述校正后第一特征图和所述校正后第二特征图之间的平衡的加权参数。
具体地,在本申请实施例中,所述人脸识别模块290和所述权限管理模块300,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签,并基于所述分类结果,确定是否为所述用户分配预定权限。也就是,在本申请的技术方案中,在得到所述分类特征图后,将所述分类特征图通过分类器中进行分类处理,以得到用于表示所述待分配权限的用户的人脸图像所属的对象标签的分类结果。进而,再基于所述分类结果,对于所述待分配权限的用户的人脸图像所属的对象标签是否为所述用户分配预定权限进行准确判断。
更具体地,在本申请的实施例中,所述人脸识别模块,进一步用于:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述风电场权限管理系统200被阐明,其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取,以分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,并且在此过程中,还通过对比搜索空间同向化,以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间,进而增强融合后的高维特征表达的特征分布连续性。这样,就能够对于用户分配的预定权限进行准确地判断。
如上所述,根据本申请实施例的风电场权限管理系统200可以实现在各种终端设备中,例如风电场权限管理算法的服务器等。在一个示例中,根据本申请实施例的风电场权限管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该风电场权限管理系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该风电场权限管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该风电场权限管理系统200与该终端设备也可以是分立的设备,并且该风电场权限管理系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图2图示了风电场权限管理方法的流程图。如图2所示,根据本申请实施例的风电场权限管理方法,包括步骤:S110,获取待分配权限的用户的人脸图像;S120,对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;S130,将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;S140,将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;S150,将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;S160,基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;S170,基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;S180,融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;S190,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及,S200,基于所述分类结果,确定是否为所述用户分配预定权限。
图3图示了根据本申请实施例的风电场权限管理方法的架构示意图。如图3所示,在所述风电场权限管理方法的网络架构中,首先,对获得的所述待分配权限的用户的人脸图像(例如,如图3中所示意的P1)进行局部二值化处理和Canny边缘检测以得到局部二值模式图(例如,如图3中所示意的Q1)和Canny边缘检测图(例如,如图3中所示意的Q2);接着,将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像(例如,如图3中所示意的IN);然后,将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型(例如,如图3中所示意的CNN1)以得到第一特征图(例如,如图3中所示意的F1);接着,将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型(例如,如图3中所示意的CNN2)以得到第二特征图(例如,如图3中所示意的F2);然后,基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图(例如,如图3中所示意的FC1);接着,基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图(例如,如图3中所示意的FC2);然后,融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图(例如,如图3中所示意的FC);接着,将所述分类特征图通过分类器(例如,如图3中所示意的分类器)以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及,最后,基于所述分类结果,确定是否为所述用户分配预定权限。
更具体地,在步骤S110和步骤S120中,获取待分配权限的用户的人脸图像,并对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图。应可以理解,考虑到对于用户的权限管理,由于仅依靠待分配权限用户的人脸图像来判断用户的权限是不够准确地,这可能会由于外界环境的干扰以及检测的精准度不够而造成判断的错误,因此,在本申请的技术方案中,为了提高对于权限管理的准确性,将所述局部二值模式图和所述Canny边缘检测特征图与RGB图像进行合并为5通道作为网络的输入,以扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高精确度。
也就是,具体地,在本申请的技术方案中,首先,通过相机采集获取待分配权限的用户的人脸图像。应可以理解,由于局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征,其具有旋转不变性、平移不变性以及可以消除光照变化的问题等优点,具体原理是以3×3为窗口单位,若周围像素值大于中心像素值,则该像素点标记为1,否则标记为0,之后对邻域像素进行二进制化,将所得的值与二值序列对应相乘后相加即可得到中心像素的LBP值。而Canny算子有三个规范,即边缘点被误报的概率低、检测到的边缘点尽可能位于真实边缘的中心和单边只有一个响应。因此,在本申请的技术方案中,进一步对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图。
更具体地,在步骤S130中,将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像。也就是,在本申请的技术方案中,进一步再将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像,以将所述局部二值模式图和所述Canny边缘检测特征图与RGB图像进行合并为5通道作为网络的输入,扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高精确度。
更具体地,在步骤S140和步骤S150中,将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图,并将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图。应可以理解,考虑到对于所述待分配权限的用户的人脸图像来说,所述人脸图像、所述局部二值模式图和所述Canny边缘检测图之间具有关联性,因此为了提高对于所述多通道图像的提取效果,在本申请的技术方案中,使用双重注意力机制的卷积神经网络模型来对所述多通道图像进行处理以分别得到第一特征图和第二特征图。特别地,这里,所述双重注意力机制为空间注意力机制和通道注意力机制。应可以理解,所述通道注意力和所述空间注意力能够分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果。
更具体地,在步骤S160和步骤S170中,基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图,并基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图。应可以理解,由于使用空间注意力的所述第一卷积神经网络相对所述多通道图像聚焦于图像的空间尺度上的受关注关联特征,而使用通道注意力的所述第二卷积神经网络相对所述多通道图像聚焦于图像间的维度尺度上的受关注关联特征,这就使得所述第一特征图和所述第二特征图由于分布式表达而存在各向异性,在高维特征空间内表现为其特征表示驻留在整个高维特征空间的一个狭窄子集中,这会使得融合后的高维特征表达缺乏连续性,而使得分类器的解空间退化,影响训练过程中分类器的拟合和推断过程中的分类准确性。因此,在本申请的技术方案中,进一步基于所述第一特征图和所述第二特征图的特征值进行对比搜索空间同向化。
这样,通过对比搜索空间同向化,可以将所述第一特征图和所述第二特征图的特征表示约束到各向同性且有区分度的表示空间,以增强融合后的高维特征表达的特征分布连续性,提高了训练过程中分类器的拟合程度和推断过程中的分类准确性,进而能够对于所述待分配权限的用户的人脸图像所属的对象标签是否为所述用户分配预定权限进行准确判断。
更具体地,在步骤S180、步骤S190和步骤S200中,融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图,并将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签,再基于所述分类结果,确定是否为所述用户分配预定权限。也就是,在本申请的技术方案中,在得到校正后的所述校正后第一特征图和所述校正后第二特征图后,进一步融合这两者的特征信息得到分类特征图。然后,再将所述分类特征图通过分类器中进行分类处理,以得到用于表示所述待分配权限的用户的人脸图像所属的对象标签的分类结果。进而,再基于所述分类结果,对于所述待分配权限的用户的人脸图像所属的对象标签是否为所述用户分配预定权限进行准确判断。
综上,基于本申请实施例的所述风电场权限管理方法被阐明,其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取,以分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,并且在此过程中,还通过对比搜索空间同向化,以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间,进而增强融合后的高维特征表达的特征分布连续性。这样,就能够对于用户分配的预定权限进行准确地判断。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种风电场权限管理系统,其特征在于,包括:
人脸图像采集模块,用于获取待分配权限的用户的人脸图像;
图像处理模块,用于对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;
输入端扩展模块,用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;
第一卷积编码模块,用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;
第二卷积编码模块,用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;
第一校正模块,用于基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;
第二校正模块,用于基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;
融合模块,用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;
人脸识别模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及
权限管理模块,用于基于所述分类结果,确定是否为所述用户分配预定权限。
2.根据权利要求1所述的风电场权限管理系统,其特征在于,所述第一卷积编码模块,进一步用于:所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行:
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵;
对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量;以及
以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图;
其中,所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。
3.根据权利要求2所述的风电场权限管理系统,其特征在于,所述第二卷积编码模块,进一步用于:所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;
其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
6.根据权利要求5所述的风电场权限管理系统,其特征在于,所述融合模块,进一步用于:以如下公式融合所述校正后第一特征图和所述校正后第二特征图以得到所述分类特征图;
其中,所述公式为:
Fs=αF1+βF2
其中,Fs为所述分类特征图,F1为所述校正后第一特征图,F2为所述校正后第二特征图,“+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述校正后第一特征图和所述校正后第二特征图之间的平衡的加权参数。
7.根据权利要求6所述的风电场权限管理系统,其特征在于,所述人脸识别模块,进一步用于:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
8.一种风电场权限管理方法,其特征在于,包括:
获取待分配权限的用户的人脸图像;
对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图;
将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像;
将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图;
将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图;
基于所述第二特征图,对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图;
基于所述第一特征图,对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图;
融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图;
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签;以及
基于所述分类结果,确定是否为所述用户分配预定权限。
9.根据权利要求8所述的风电场权限管理方法,其特征在于,所述将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图,包括:所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行:
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵;
对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量;以及
以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图;
其中,所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041177.7A CN115424323A (zh) | 2022-08-29 | 2022-08-29 | 风电场权限管理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041177.7A CN115424323A (zh) | 2022-08-29 | 2022-08-29 | 风电场权限管理系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115424323A true CN115424323A (zh) | 2022-12-02 |
Family
ID=84201277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211041177.7A Pending CN115424323A (zh) | 2022-08-29 | 2022-08-29 | 风电场权限管理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424323A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
CN116992965A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | Transformer大模型的推理方法、装置、计算机设备和存储介质 |
-
2022
- 2022-08-29 CN CN202211041177.7A patent/CN115424323A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
CN116992965A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | Transformer大模型的推理方法、装置、计算机设备和存储介质 |
CN116992965B (zh) * | 2023-09-27 | 2024-01-09 | 之江实验室 | Transformer大模型的推理方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
Dev et al. | Color-based segmentation of sky/cloud images from ground-based cameras | |
Gijsenij et al. | Color constancy using natural image statistics and scene semantics | |
CN115424323A (zh) | 风电场权限管理系统及其方法 | |
JP2021532434A (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
CN112418351B (zh) | 基于全局与局部上下文感知的零样本学习图像分类方法 | |
CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
CN112926506A (zh) | 一种基于卷积神经网络的非受控人脸检测方法及系统 | |
JP7327077B2 (ja) | 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム | |
US20160078634A1 (en) | Methods and systems for image matting and foreground estimation based on hierarchical graphs | |
CN110163294B (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN111582027A (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
CN114022713A (zh) | 模型训练方法、系统、设备及介质 | |
CN114220097A (zh) | 一种基于对抗攻击的图像语义信息敏感像素域的筛选方法及应用方法与系统 | |
CN107292272A (zh) | 一种在实时传输的视频中人脸识别的方法及系统 | |
Nishii et al. | Supervised image classification by contextual AdaBoost based on posteriors in neighborhoods | |
CN107784284A (zh) | 人脸识别方法及系统 | |
CN118053232A (zh) | 企业安全智能化管理系统及其方法 | |
CN110263196B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
Yao et al. | Signal-dependent noise estimation for a real-camera model via weight and shape constraints | |
Gibson et al. | A no-reference perceptual based contrast enhancement metric for ocean scenes in fog | |
CN113379001B (zh) | 针对图像识别模型的处理方法及装置 | |
CN114241253A (zh) | 违规内容识别的模型训练方法、系统、服务器及存储介质 | |
Malach et al. | Optimal face templates: the next step in surveillance face recognition |
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 |