CN115860271A - 艺术设计用方案管理系统及其方法 - Google Patents
艺术设计用方案管理系统及其方法 Download PDFInfo
- Publication number
- CN115860271A CN115860271A CN202310139929.1A CN202310139929A CN115860271A CN 115860271 A CN115860271 A CN 115860271A CN 202310139929 A CN202310139929 A CN 202310139929A CN 115860271 A CN115860271 A CN 115860271A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- feature
- art design
- global
- 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
- 238000013461 design Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000000903 blocking effect Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 223
- 238000013527 convolutional neural network Methods 0.000 claims description 59
- 239000010410 layer Substances 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 40
- 238000010586 diagram Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 62
- 230000006870 function Effects 0.000 description 24
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012797 qualification Methods 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
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能管理领域，其具体地公开了一种艺术设计用方案管理系统及其方法，其包括：数据采集模块、图像分块模块、图像块特征提取模块、优化模块、全局上下文关联模块和存储标签识别模块，其首先获取待存储艺术设计用方案纸质文件的封皮图像，然后，通过采用基于深度学习的神经网络模型挖掘出艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息，并以此进行分类，获得用于表示存储单元的身份标签的分类结果，通过这样的方式，以此来提高存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
Description
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种艺术设计用方案管理系统及其方法。
背景技术
在科技高速发展的社会环境下，为了让资料有可追溯性，并且便于后续的查阅，人们将电子资料打印成纸质资料，并将这些纸质资料进行储存，现今，全球的图书馆都面临着巨量纸质文献装不下的问题，国内纸质文献主要采用密集书库储存，而国外图书馆则广泛使用高密度自动化储存库来解决这一问题。
目前，用于信息技术资料储存的储存柜大多结构简单，功能单一，不能做到对纸质文件进行合理地分类，容易使文件褶皱，造成文献摆放的非常散乱，不利于查阅人员随时的查看摘抄。
因此，期待一种优化的艺术设计用方案管理方案。
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艺术设计用方案管理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息，以此来提高存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
根据本申请的一个方面，提供了一种艺术设计用方案管理系统，其包括：数据采集模块，用于获取待存储艺术设计用方案纸质文件的封皮图像；图像分块模块，用于将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；图像块特征提取模块，用于将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；优化模块，用于对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；全局上下文关联模块，用于将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；以及存储标签识别模块，用于将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
在上述艺术设计用方案管理系统中，所述图像分块模块，用于将所述待存储艺术设计用方案纸质文件的封皮图像进行均匀图像分块处理以得到图像块序列。这里，所述图像块序列中各个图像块具有相同的尺寸。
在上述艺术设计用方案管理系统中，所述图像块特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中各个图像块。
在上述艺术设计用方案管理系统中，所述优化模块，包括：辅助特征提取单元，用于将所述图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征图；区分单元，用于对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及，加权优化单元，用于分别计算每组对应的所述加权特征向量和所述图像块图像特征向量之间的按位置点乘以得到所述多个优化图像块图像特征向量。
在上述艺术设计用方案管理系统中，所述辅助特征提取单元，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征图，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中的各个图像块。
在上述艺术设计用方案管理系统中，所述区分单元，进一步用于：以如下公式对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；其中，所述公式为：
其中
表示所述多个图像块图像特征图中的各个图像块图像特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述多个加权特征向量中的各个加权特征向量。
在上述艺术设计用方案管理系统中，所述全局上下文关联模块，包括：上下文编码单元，用于使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量；以及，级联单元，用于将所述多个全局上下文语义优化图像块图像特征向量进行级联以得到所述图像块全局语义关联特征向量。
在上述艺术设计用方案管理系统中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个优化图像块图像特征向量进行一维排列以得到全局优化图像块图像特征向量；自注意子单元，用于计算所述全局优化图像块图像特征向量与所述多个优化图像块图像特征向量中各个优化图像块图像特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个优化图像块图像特征向量中各个优化图像块图像特征向量进行加权以得到所述多个上下文语义优化图像块图像特征向量；级联子单元，用于将所述多个上下文语义优化图像块图像特征向量进行级联以得到所述多个全局上下文语义优化图像块图像特征向量。
在上述艺术设计用方案管理系统中，所述存储标签识别模块，用于：使用所述分类器以如下公式对所述图像块全局语义关联特征向量进行处理以获得分类结果，其中，所述公式为：
，其中，
到
为权重矩阵，
到
为偏置向量，
为图像块全局语义关联特征向量。
根据本申请的另一方面，提供了一种艺术设计用方案管理方法，其包括：获取待存储艺术设计用方案纸质文件的封皮图像；将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；以及将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的艺术设计用方案管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的艺术设计用方案管理方法。
与现有技术相比，本申请提供的一种艺术设计用方案管理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息，以此来提高存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
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艺术设计用方案管理系统的框图。
图2为根据本申请实施例的艺术设计用方案管理系统的系统架构图。
图3为根据本申请实施例的艺术设计用方案管理系统中进行图像分块处理的示意图。
图4为根据本申请实施例的艺术设计用方案管理系统中通过作为过滤器的卷积神经网络模型的示意图。
图5为根据本申请实施例的艺术设计用方案管理系统中卷积神经网络编码的流程图。
图6为根据本申请实施例的艺术设计用方案管理系统中优化模块的框图。
图7为根据本申请实施例的艺术设计用方案管理系统中全局上下文关联模块的框图。
图8为根据本申请实施例的艺术设计用方案管理方法的流程图。
图9为根据本申请实施例的电子设备的框图。
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。
申请概述：如上所述，目前，用于信息技术资料储存的储存柜大多结构简单，功能单一，不能做到对纸质文件进行合理地分类，容易使文件褶皱，造成文献摆放的非常散乱，不利于查阅人员随时的查看摘抄。因此，期待一种优化的艺术设计用方案管理方案。
相应地，考虑到在实际进行艺术设计用方案的纸质文件归档时，为了能够对其进行合理准确地分类，以便于后续查阅人员的查找，需要对于该纸质文件的存储类型进行准确判断，这可以通过对于艺术设计用方案纸质文件的封皮图像进行分析来实现。但是，由于该纸质文件的封皮图像中存在有较多的信息，并且各个信息占有图像中的尺寸不同导致对于图像中关于艺术设计用方案的类型信息的捕捉能力较弱，使得对于纸质文件的存储类型的判断精度较低。因此，在此过程中，难点在于如何充分且准确地挖掘出所述艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息，以此来提高存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
近年来，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、文本信号处理等领域。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挖掘所述艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取待存储艺术设计用方案纸质文件的封皮图像。接着，考虑到在实际进行所述待存储艺术设计用方案的存储类型判断时，由于所述封皮图像中存在的各个隐含特征信息在图像中占有的比例不同导致难以准确地对于各个类型特征信息进行捕捉提取，这也就降低了对于所述待存储艺术设计用方案的存储分类判断精准度。因此，在本申请的技术方案中，进一步将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列。相应地，在本申请的一个具体示例中，可以对所述待存储艺术设计用方案纸质文件的封皮图像进行均匀图像分块处理，以便于后续更精准地评估该方案的存储类型标签，从而得到所述图像块序列，这里，所述图像块序列中各个图像块具有相同的尺寸。应可以理解，在通过图像分块处理后，所述图像块序列中的各个图像块的尺度相较于原图像被缩减，因此，所述封皮图像中关于小尺寸的艺术设计用方案类型的隐藏信息在所述图像块中不再是小尺寸对象，以便于对于该方案的类型判断。
然后，再使用在图像的特征挖掘提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述图像块序列中各个图像块的特征挖掘，以分别提取出所述图像块序列中各个图像块的关于所述艺术设计用方案类型的高维隐含特征分布信息，从而得到多个图像块图像特征向量。值得一提的是，这里，所述作为过滤器的卷积神经网络模型为深度残差网络模型。
进一步地，考虑到由于在所述待存储艺术设计用方案纸质文件的封皮图像的各个图像块中，由于所述各个图像块中的关于方案类型的隐含特征信息间具有着相互的关联性，并且这种关联性特征存在于所述封皮图像的整体图像特征信息中，也就是说，所述封皮图像中关于艺术设计方案的类型特征信息在所述各个图像块基于全局的隐含关联特征信息中有所体现，因此，需要对于所述各个图像块中关于艺术设计方案类型的隐含特征进行基于所述封皮图像整体的关联性特征挖掘。
具体地，将所述多个图像块图像特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个图像块中关于所述待存储艺术设计用方案类型基于全局的高维隐含关联特征分布信息，从而得到图像块全局语义关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个图像块图像特征向量中各个图像块图像特征向量进行基于全局的上下文语义编码以得到以所述多个图像块图像特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述图像块全局语义关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述封皮图像的各个局部区域关于方案类型的隐含特征相对于所述封皮图像整体的关于方案类型特征的上下文语义关联特征表示。
接着，再将所述图像块全局语义关联特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。在本申请的技术方案中，储存柜包含多个储存单元，且每个储存单元具有一个身份标签，身份标签用于表示该存储单元所存储的资质文档的类型。也就是，所述分类器的标签为存储单元的身份标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签，以基于所述待存储艺术设计用方案的类型来进行存储单元的身份标签分类，进而提高艺术设计方案存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
特别地，在本申请的技术方案中，这里，在将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型得到所述多个图像块图像特征向量时，期望提高作为过滤器的卷积神经网络模型对图像块的特征提取效果，从而提升所述多个图像块图像特征向量各自的特征表达能力，从而最终提升得到的所述图像块全局语义关联特征向量的分类效果。
本申请的申请人考虑到每个图像块图像特征向量的特征值都表达作为过滤器的卷积神经网络模型沿通道维度提取的特征的置信度，因此，如果能够对所述图像块图像特征向量的各个位置的特征值进行适当的加权以区分每个图像块图像特征向量的各个位置的特征值的重要性，则显然能够提升每个图像块图像特征向量的特征表达能力。
基于此，在本申请的技术方案中，进一步将所述图像块序列中的每个图像块分别通过非过滤特征提取的卷积神经网络模型以得到多个图像块图像特征图，例如每个图像块图像特征图记为
，再对所述多个图像块图像特征图中的每个图像块图像特征图
进行特征相关性累积区分机制建模以获得多个加权特征向量，例如每个加权特征向量记为
，
表示为：
，
其中，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，且
表示对所述特征图的每个特征矩阵的全局池化操作。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。这样，通过以所述每个加权特征向量
分别对每个图像块图像特征向量进行点乘，就可以使得优化后的图像块图像特征向量能够区分各个位置的特征值的重要性，从而提升其特征表达能力。这样，能够对于艺术设计方案的类型进行准确地判断，以提高艺术设计方案存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
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为根据本申请实施例的艺术设计用方案管理系统的框图。如图1所示，根据本申请实施例的艺术设计用方案管理系统300，包括：数据采集模块310；图像分块模块320；图像块特征提取模块330；优化模块340；全局上下文关联模块350；以及。存储标签识别模块360。
其中，所述数据采集模块310，用于获取待存储艺术设计用方案纸质文件的封皮图像；所述图像分块模块320，用于将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；所述图像块特征提取模块330，用于将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；所述优化模块340，用于对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；所述全局上下文关联模块350，用于将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；以及，所述存储标签识别模块360，用于将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
图2为根据本申请实施例的艺术设计用方案管理系统的系统架构图。如图2所示，在该网络架构中，首先通过所述数据采集模块310获取待存储艺术设计用方案纸质文件的封皮图像；接着，所述图像分块模块320将所述数据采集模块310获取的待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；所述图像块特征提取模块330将所述图像分块模块320得到的图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；然后，所述优化模块340对所述图像块特征提取模块330得到的多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；所述全局上下文关联模块350将所述优化模块340得到的多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；进而，所述存储标签识别模块360将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
具体地，在所述艺术设计用方案管理系统300的运行过程中，所述数据采集模块，用于获取待存储艺术设计用方案纸质文件的封皮图像。硬可以理解，在实际进行艺术设计用方案的纸质文件归档时，为了能够对其进行合理准确地分类，以便于后续查阅人员的查找，需要对于该纸质文件的存储类型进行准确判断，这可以通过对于艺术设计用方案纸质文件的封皮图像进行分析来实现。因此，在本申请的一个具体示例中，可通过摄像头来获取待存储艺术设计用方案纸质文件的封皮图像。
具体地，在所述艺术设计用方案管理系统300的运行过程中，所述图像分块模块320，用于将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列。
考虑到在实际进行所述待存储艺术设计用方案的存储类型判断时，由于所述封皮图像中存在的各个隐含特征信息在图像中占有的比例不同导致难以准确地对于各个类型特征信息进行捕捉提取，这也就降低了对于所述待存储艺术设计用方案的存储分类判断精准度。因此，在本申请的技术方案中，进一步将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列。相应地，在本申请的一个具体示例中，可以对所述待存储艺术设计用方案纸质文件的封皮图像进行均匀图像分块处理，以便于后续更精准地评估该方案的存储类型标签，从而得到所述图像块序列，这里，所述图像块序列中各个图像块具有相同的尺寸,这里参考图3，当然，将名为艺术设计的封皮图像划分为8块图像块，当然，图3中仅示意了8块，但并非表示仅能被划分为8块。应可以理解，在通过图像分块处理后，所述图像块序列中的各个图像块的尺度相较于原图像被缩减，因此，所述封皮图像中关于小尺寸的艺术设计用方案类型的隐藏信息在所述图像块中不再是小尺寸对象，以便于对于该方案的类型判断。
具体地，在所述艺术设计用方案管理系统300的运行过程中，所述图像块特征提取模块330，用于将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量。如图4所示，将所述图像分块模块320中输出的8块图像块分别通过作为过滤器的卷积神经网络模型（如图4中所示意的E）以得到多个图像块图像特征向量（如图4中所示意的P），也就是，在本申请的技术方案中，使用在图像的特征挖掘提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述图像块序列中各个图像块的特征挖掘，以分别提取出所述图像块序列中各个图像块的关于所述艺术设计用方案类型的高维隐含特征分布信息，从而得到多个图像块图像特征向量。值得一提的是，这里，所述作为过滤器的卷积神经网络模型为深度残差网络模型。在一个具体示例中，所述卷积神经网络包括互相级联的几个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理、使用所述激活层对由所述池化层输出的池化特征图进行激活处理，其中，所述卷积神经网络的最后一层的输出为所述多个图像块图像特征向量，所述卷积神经网络的第一层的输入为所述图像块序列中各个图像块。
图5为根据本申请实施例的艺术设计用方案管理系统中卷积神经网络编码的流程图。如图5所述，在所述卷积神经网络的编码过程中，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中各个图像块。
具体地，在所述艺术设计用方案管理系统300的运行过程中，所述优化模块340，用于对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量。应可以理解，在将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型得到所述多个图像块图像特征向量时，期望提高作为过滤器的卷积神经网络模型对图像块的特征提取效果，从而提升所述多个图像块图像特征向量各自的特征表达能力，从而最终提升得到的所述图像块全局语义关联特征向量的分类效果。而考虑到每个图像块图像特征向量的特征值都表达作为过滤器的卷积神经网络模型沿通道维度提取的特征的置信度，因此，如果能够对所述图像块图像特征向量的各个位置的特征值进行适当的加权以区分每个图像块图像特征向量的各个位置的特征值的重要性，则显然能够提升每个图像块图像特征向量的特征表达能力。基于此，在本申请的技术方案中，进一步将所述图像块序列中的每个图像块分别通过非过滤特征提取的卷积神经网络模型以得到多个图像块图像特征图，例如每个图像块图像特征图记为
，再对所述多个图像块图像特征图中的每个图像块图像特征图
进行特征相关性累积区分机制建模以获得多个加权特征向量，例如每个加权特征向量记为
，
表示为：
，
其中
表示所述多个图像块图像特征图中的各个图像块图像特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述多个加权特征向量中的各个加权特征向量。这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。这样，通过以所述每个加权特征向量
分别对每个图像块图像特征向量进行点乘，就可以使得优化后的图像块图像特征向量能够区分各个位置的特征值的重要性，从而提升其特征表达能力。这样，能够对于艺术设计方案的类型进行准确地判断，以提高艺术设计方案存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
图6为根据本申请实施例的艺术设计用方案管理系统中优化模块的框图。如图6所示，所述优化模块340，包括：辅助特征提取单元341，用于将所述图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征图；区分单元342，用于对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及，加权优化单元343，用于分别计算每组对应的所述加权特征向量和所述图像块图像特征向量之间的按位置点乘以得到所述多个优化图像块图像特征向量。其中，所述辅助特征提取单元341，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征图，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中的各个图像块。
具体地，在所述艺术设计用方案管理系统300的运行过程中，所述全局上下文关联模块350，用于将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量。考虑到由于在所述待存储艺术设计用方案纸质文件的封皮图像的各个图像块中，由于所述各个图像块中的关于方案类型的隐含特征信息间具有着相互的关联性，并且这种关联性特征存在于所述封皮图像的整体图像特征信息中，也就是说，所述封皮图像中关于艺术设计方案的类型特征信息在所述各个图像块基于全局的隐含关联特征信息中有所体现，因此，需要对于所述各个图像块中关于艺术设计方案类型的隐含特征进行基于所述封皮图像整体的关联性特征挖掘。也就是，将所述多个图像块图像特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个图像块中关于所述待存储艺术设计用方案类型基于全局的高维隐含关联特征分布信息，从而得到图像块全局语义关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个图像块图像特征向量中各个图像块图像特征向量进行基于全局的上下文语义编码以得到以所述多个图像块图像特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述图像块全局语义关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述封皮图像的各个局部区域关于方案类型的隐含特征相对于所述封皮图像整体的关于方案类型特征的上下文语义关联特征表示。更具体地，所述将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量，包括：使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量；以及，将所述多个全局上下文语义优化图像块图像特征向量进行级联以得到所述图像块全局语义关联特征向量。其中，所述使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量，包括：将所述多个优化图像块图像特征向量进行一维排列以得到全局优化图像块图像特征向量；计算所述全局优化图像块图像特征向量与所述多个优化图像块图像特征向量中各个优化图像块图像特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个优化图像块图像特征向量中各个优化图像块图像特征向量进行加权以得到所述多个上下文语义优化图像块图像特征向量；将所述多个上下文语义优化图像块图像特征向量进行级联以得到所述多个全局上下文语义优化图像块图像特征向量。
图7为根据本申请实施例的艺术设计用方案管理系统中全局上下文关联模块的框图。如图7所示，所述全局上下文关联模块350，包括：上下文编码单元351，用于使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量；以及，级联单元352，用于将所述多个全局上下文语义优化图像块图像特征向量进行级联以得到所述图像块全局语义关联特征向量。
在一个示例中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个优化图像块图像特征向量进行一维排列以得到全局优化图像块图像特征向量；自注意子单元，用于计算所述全局优化图像块图像特征向量与所述多个优化图像块图像特征向量中各个优化图像块图像特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个优化图像块图像特征向量中各个优化图像块图像特征向量进行加权以得到所述多个上下文语义优化图像块图像特征向量；级联子单元，用于将所述多个上下文语义优化图像块图像特征向量进行级联以得到所述多个全局上下文语义优化图像块图像特征向量。
具体地，在所述艺术设计用方案管理系统300的运行过程中，所述存储标签识别模块360，用于将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。也就是，将所述图像块全局语义关联特征向量作为分类特征向量输入分类器以获得用于表示存储单元的身份标签的分类结果，具体地，所述将所述图像快全局语义关联特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述图像块全局语义关联特征向量进行处理以获得分类结果，其中，所述公式为：
，其中，
到
为权重矩阵，
到
为偏置向量，
为图像块全局语义关联特征向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类器的标签，在本申请的技术方案中，所述分类器的标签为存储单元的身份标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签，以基于所述待存储艺术设计用方案的类型来进行存储单元的身份类型标签，进而提高艺术设计方案存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
综上，根据本申请实施例的艺术设计用方案管理系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息，以此来提高存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
如上所述，根据本申请实施例的艺术设计用方案管理系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的艺术设计用方案管理系统300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，该艺术设计用方案管理系统300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，该艺术设计用方案管理系统300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，该艺术设计用方案管理系统300与该终端设备也可以是分立的设备，并且该艺术设计用方案管理系统300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8为根据本申请实施例的艺术设计用方案管理方法的流程图。如图8所示，根据本申请实施例的艺术设计用方案管理方法，包括步骤：S110，获取待存储艺术设计用方案纸质文件的封皮图像；S120，将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；S130，将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；S140，对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；S150，将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；以及，S160，将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
在一个示例中，在上述艺术设计用方案管理方法中，所述步骤S120，包括：将所述待存储艺术设计用方案纸质文件的封皮图像进行均匀图像分块处理以得到图像块序列。这里，所述图像块序列中各个图像块具有相同的尺寸。
在一个示例中，在上述艺术设计用方案管理方法中，所述步骤S130，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中各个图像块。
在一个示例中，在上述艺术设计用方案管理方法中，所述步骤S140，包括：将所述图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征图；对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及，分别计算每组对应的所述加权特征向量和所述图像块图像特征向量之间的按位置点乘以得到所述多个优化图像块图像特征向量。其中，所述将所述图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征图，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征图，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中的各个图像块。更具体地，所述对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得多个加权特征向量，包括：以如下公式对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；其中，所述公式为：
其中
表示所述多个图像块图像特征图中的各个图像块图像特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述多个加权特征向量中的各个加权特征向量。
在一个示例中，在上述艺术设计用方案管理方法中，所述步骤S150，包括：使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量；以及，将所述多个全局上下文语义优化图像块图像特征向量进行级联以得到所述图像块全局语义关联特征向量。其中，所述使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量，包括：将所述多个优化图像块图像特征向量进行一维排列以得到全局优化图像块图像特征向量；计算所述全局优化图像块图像特征向量与所述多个优化图像块图像特征向量中各个优化图像块图像特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个优化图像块图像特征向量中各个优化图像块图像特征向量进行加权以得到所述多个上下文语义优化图像块图像特征向量；将所述多个上下文语义优化图像块图像特征向量进行级联以得到所述多个全局上下文语义优化图像块图像特征向量。
在一个示例中，在上述艺术设计用方案管理方法中，所述步骤S160，包括：使用所述分类器以如下公式对所述图像块全局语义关联特征向量进行处理以获得分类结果，其中，所述公式为：
，其中，
到
为权重矩阵，
到
为偏置向量，
为图像块全局语义关联特征向量。
综上，根据本申请实施例的艺术设计用方案管理方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出艺术设计用方案纸质文件的封皮图像中关于方案类型的隐含特征信息，以此来提高存储分类的精准度，有效地实现艺术设计的方案管理，便于后续查阅人员的查找。
示例性电子设备：下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的艺术设计用方案管理系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如图像块全局语义关联特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的艺术设计用方案管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的艺术设计用方案管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)
1.一种艺术设计用方案管理系统，其特征在于，包括：数据采集模块，用于获取待存储艺术设计用方案纸质文件的封皮图像；图像分块模块，用于将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；图像块特征提取模块，用于将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；优化模块，用于对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；全局上下文关联模块，用于将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；以及存储标签识别模块，用于将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
2.根据权利要求1所述的艺术设计用方案管理系统，其特征在于，所述图像分块模块，用于将所述待存储艺术设计用方案纸质文件的封皮图像进行均匀图像分块处理以得到图像块序列，这里，所述图像块序列中各个图像块具有相同的尺寸。
3.根据权利要求2所述的艺术设计用方案管理系统，其特征在于，所述图像块特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中各个图像块。
4.根据权利要求3所述的艺术设计用方案管理系统，其特征在于，所述优化模块，包括：辅助特征提取单元，用于将所述图像块序列中的各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征图；区分单元，用于对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得多个加权特征向量；以及加权优化单元，用于分别计算每组对应的所述加权特征向量和所述图像块图像特征向量之间的按位置点乘以得到所述多个优化图像块图像特征向量。
5.根据权利要求4所述的艺术设计用方案管理系统，其特征在于，所述辅助特征提取单元，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图基于局部特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个图像块图像特征图，所述作为过滤器的卷积神经网络的第一层的输入为所述图像块序列中的各个图像块。
6.根据权利要求5所述的艺术设计用方案管理系统，其特征在于，所述区分单元，进一步用于：以如下公式对所述多个图像块图像特征图中的每个图像块图像特征图进行特征相关性累积区分机制建模以获得所述多个加权特征向量；其中，所述公式为：
其中
表示所述多个图像块图像特征图中的各个图像块图像特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述多个加权特征向量中的各个加权特征向量。
7.根据权利要求6所述的艺术设计用方案管理系统，其特征在于，所述全局上下文关联模块，包括：上下文编码单元，用于使用所述上下文编码器的转换器对所述多个优化图像块图像特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义优化图像块图像特征向量；以及级联单元，用于将所述多个全局上下文语义优化图像块图像特征向量进行级联以得到所述图像块全局语义关联特征向量。
8.根据权利要求7所述的艺术设计用方案管理系统，其特征在于，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个优化图像块图像特征向量进行一维排列以得到全局优化图像块图像特征向量；自注意子单元，用于计算所述全局优化图像块图像特征向量与所述多个优化图像块图像特征向量中各个优化图像块图像特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个优化图像块图像特征向量中各个优化图像块图像特征向量进行加权以得到多个上下文语义优化图像块图像特征向量；级联子单元，用于将所述多个上下文语义优化图像块图像特征向量进行级联以得到所述多个全局上下文语义优化图像块图像特征向量。
9.根据权利要求8所述的艺术设计用方案管理系统，其特征在于，所述存储标签识别模块，用于：使用所述分类器以如下公式对所述图像块全局语义关联特征向量进行处理以获得分类结果，其中，所述公式为：
10.一种艺术设计用方案管理方法，其特征在于，包括：获取待存储艺术设计用方案纸质文件的封皮图像；将所述待存储艺术设计用方案纸质文件的封皮图像进行图像分块处理以得到图像块序列；将所述图像块序列中各个图像块分别通过作为过滤器的卷积神经网络模型以得到多个图像块图像特征向量；对所述多个图像块图像特征向量进行特征值区分度增强以得到多个优化图像块图像特征向量；将所述多个优化图像块图像特征向量通过基于转换器的上下文编码器以得到图像块全局语义关联特征向量；以及将所述图像块全局语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示存储单元的身份标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310139929.1A CN115860271B (zh) | 2023-02-21 | 2023-02-21 | 艺术设计用方案管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310139929.1A CN115860271B (zh) | 2023-02-21 | 2023-02-21 | 艺术设计用方案管理系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115860271A true CN115860271A (zh) | 2023-03-28 |
| CN115860271B CN115860271B (zh) | 2023-06-23 |
Family
ID=85658520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310139929.1A Active CN115860271B (zh) | 2023-02-21 | 2023-02-21 | 艺术设计用方案管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860271B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089648A (zh) * | 2023-04-10 | 2023-05-09 | 云南远信科技有限公司 | 基于人工智能的档案管理系统及方法 |
| CN116461120A (zh) * | 2023-05-17 | 2023-07-21 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的制备方法及其系统 |
| CN116533529A (zh) * | 2023-05-12 | 2023-08-04 | 湖州东尼新能源有限公司 | 超声波焊接pc片的智能化控制方法及系统 |
| CN116758359A (zh) * | 2023-08-16 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置及电子设备 |
| CN117094940A (zh) * | 2023-04-18 | 2023-11-21 | 湖州东尼新能源有限公司 | 一种fpc智能化生产方法及其系统 |
| CN117648349A (zh) * | 2024-01-29 | 2024-03-05 | 河北省中医院 | 档案调用方法及平台 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766099A (zh) * | 2021-01-07 | 2021-05-07 | 武汉大学 | 一种从局部到全局上下文信息提取的高光谱影像分类方法 |
| CN113344806A (zh) * | 2021-07-23 | 2021-09-03 | 中山大学 | 一种基于全局特征融合注意力网络的图像去雾方法与系统 |
| CN113592736A (zh) * | 2021-07-27 | 2021-11-02 | 温州大学 | 一种基于融合注意力机制的半监督图像去模糊方法 |
| WO2022001372A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 训练神经网络的方法、图像处理方法及装置 |
| CN114998525A (zh) * | 2022-06-21 | 2022-09-02 | 南京信息工程大学 | 基于动态局部-全局图卷积神经网络的动作识别方法 |
| CN115082798A (zh) * | 2022-07-07 | 2022-09-20 | 中国科学院合肥物质科学研究院 | 一种基于动态感受野的输电线路销钉缺陷检测方法 |
| CN115512420A (zh) * | 2022-10-08 | 2022-12-23 | 杭州韵度信息科技有限公司 | 访客管理系统及其方法 |
-
2023
- 2023-02-21 CN CN202310139929.1A patent/CN115860271B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022001372A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 训练神经网络的方法、图像处理方法及装置 |
| CN112766099A (zh) * | 2021-01-07 | 2021-05-07 | 武汉大学 | 一种从局部到全局上下文信息提取的高光谱影像分类方法 |
| CN113344806A (zh) * | 2021-07-23 | 2021-09-03 | 中山大学 | 一种基于全局特征融合注意力网络的图像去雾方法与系统 |
| CN113592736A (zh) * | 2021-07-27 | 2021-11-02 | 温州大学 | 一种基于融合注意力机制的半监督图像去模糊方法 |
| CN114998525A (zh) * | 2022-06-21 | 2022-09-02 | 南京信息工程大学 | 基于动态局部-全局图卷积神经网络的动作识别方法 |
| CN115082798A (zh) * | 2022-07-07 | 2022-09-20 | 中国科学院合肥物质科学研究院 | 一种基于动态感受野的输电线路销钉缺陷检测方法 |
| CN115512420A (zh) * | 2022-10-08 | 2022-12-23 | 杭州韵度信息科技有限公司 | 访客管理系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| DONGMEI ZHU等: "Dual attention mechanism network for lung cancer images super-resolution", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
| 高磊等: "基于残差的改进卷积神经网络图像分类算法", 《计算机系统应用》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089648A (zh) * | 2023-04-10 | 2023-05-09 | 云南远信科技有限公司 | 基于人工智能的档案管理系统及方法 |
| CN116089648B (zh) * | 2023-04-10 | 2023-06-06 | 云南远信科技有限公司 | 基于人工智能的档案管理系统及方法 |
| CN117094940A (zh) * | 2023-04-18 | 2023-11-21 | 湖州东尼新能源有限公司 | 一种fpc智能化生产方法及其系统 |
| CN116533529A (zh) * | 2023-05-12 | 2023-08-04 | 湖州东尼新能源有限公司 | 超声波焊接pc片的智能化控制方法及系统 |
| CN116533529B (zh) * | 2023-05-12 | 2023-09-29 | 湖州东尼新能源有限公司 | 超声波焊接pc片的智能化控制方法及系统 |
| CN116461120A (zh) * | 2023-05-17 | 2023-07-21 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的制备方法及其系统 |
| CN116461120B (zh) * | 2023-05-17 | 2023-10-03 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的制备方法及其系统 |
| CN116758359A (zh) * | 2023-08-16 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置及电子设备 |
| CN117648349A (zh) * | 2024-01-29 | 2024-03-05 | 河北省中医院 | 档案调用方法及平台 |
| CN117648349B (zh) * | 2024-01-29 | 2024-04-09 | 河北省中医院 | 档案调用方法及平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115860271B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115860271A (zh) | 艺术设计用方案管理系统及其方法 | |
| US10482174B1 (en) | Systems and methods for identifying form fields | |
| US9639900B2 (en) | Systems and methods for tax data capture and use | |
| US20240013005A1 (en) | Method and system for identifying citations within regulatory content | |
| US11157816B2 (en) | Systems and methods for selecting and generating log parsers using neural networks | |
| US11816138B2 (en) | Systems and methods for parsing log files using classification and a plurality of neural networks | |
| US9239848B2 (en) | System and method for semantically annotating images | |
| CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
| US12118813B2 (en) | Continuous learning for document processing and analysis | |
| CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
| JP2008123486A (ja) | デジタルメディアで１つまたは複数の概念を検出する方法、システム及びプログラム | |
| CN115620303A (zh) | 人事档案智慧管理系统 | |
| CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
| EP4089568A1 (en) | Cascade pooling for natural language document processing | |
| CN116993446A (zh) | 电子商务用物流配送管理系统及其方法 | |
| CN115953123A (zh) | 机器人自动化流程的生成方法、装置、设备及存储介质 | |
| CN117493645B (zh) | 一种基于大数据的电子档案推荐系统 | |
| CN112270189A (zh) | 一种提问式的分析节点生成方法、系统及存储介质 | |
| EP3640861A1 (en) | Systems and methods for parsing log files using classification and a plurality of neural networks | |
| Namwong et al. | Tag classification and detection for piping and instrumentation diagrams | |
| CN115880702A (zh) | 数据处理方法、装置、设备、程序产品及存储介质 | |
| CN115171136A (zh) | 银行业务材料内容分类识别方法、设备及存储介质 | |
| CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
| CN117033455B (zh) | 基于大数据的信息技术咨询管理系统及方法 | |
| RU2787138C1 (ru) | Оптимизация структуры и использование кодовых книг для анализа документов |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 928, No. 2 Street, Baiyang Street, Qiantang District, Hangzhou, Zhejiang, 310000 Applicant after: ZHEJIANG SCI-TECH University Applicant after: Hangzhou Marko Network Technology Co.,Ltd. Address before: Room 2209-3, Building 4, Euro Financial City, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 310000 Applicant before: Hangzhou Marko Network Technology Co.,Ltd. Applicant before: ZHEJIANG SCI-TECH University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |