WO2022099754A1 - 一种基于云计算服务的图像数据处理方法及系统 - Google Patents
一种基于云计算服务的图像数据处理方法及系统 Download PDFInfo
- Publication number
- WO2022099754A1 WO2022099754A1 PCT/CN2020/130274 CN2020130274W WO2022099754A1 WO 2022099754 A1 WO2022099754 A1 WO 2022099754A1 CN 2020130274 W CN2020130274 W CN 2020130274W WO 2022099754 A1 WO2022099754 A1 WO 2022099754A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- image processing
- information
- cloud computing
- processing data
- distribution service
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 281
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 42
- 238000013515 script Methods 0.000 claims description 40
- 238000007405 data analysis Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Definitions
- the present invention relates to the technical field of image data processing based on cloud computing services, and in particular, to a method and system for processing image data based on cloud computing services.
- image data processing is mainly performed by manually distributing each image processing data and running the business.
- this method requires high labor costs and has poor image data processing effect. .
- the purpose of the embodiments of the present invention is to provide an image data processing method and system based on cloud computing services, which can reduce labor costs and improve image data processing effects.
- a method for processing image data based on a cloud computing service is provided, which is applied to a server, and the server is communicatively connected to a cloud computing container, and the method includes:
- the information of the target image coding feature map is generated; wherein, the information of the image processing model strategy includes the image processing model object and the corresponding convolution
- the upsampling data of the neural network unit, the information of the target image coding feature map includes the target image coding feature map type and the upsampling data of the corresponding convolutional neural network unit;
- the image processing model object corresponds to the up-sampling data of the convolutional neural network unit of the cloud computing container, and according to the information of the target image coding feature map, the corresponding type of the target image coding feature map is determined.
- the image processing model object corresponding to the upsampling data of the convolutional neural network unit of the cloud computing container, and the target image encoding feature map type corresponding to the upsampling data of the convolutional neural network unit of the cloud computing container determine the target convolution Upsampled data for neural network units.
- the step of generating the information of the target image coding feature map according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container includes:
- the step of generating the information of the target image coding feature map according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container further includes:
- the step of generating the information of the target image coding feature map according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container also includes:
- each image processing data distribution service is generated according to the upsampling data of the convolutional neural network unit of the target cloud computing container corresponding to each image processing data distribution service, and the content of each image processing data distribution service;
- the image processing model control scripts extracted from the information of each image processing data distribution service are arranged in sequence to obtain a coding set; wherein, the image processing model control script extracted from the information of the preset initial object is located at the top of the coding set, and the preset end The image processing model control script extracted from the information of the object is located at the end of the encoding set;
- the cloud computing editing model According to the image processing data distribution service classification information extracted from the image coding process interface list, and the control scripts of each image processing model in the coding set, configure the cloud computing editing model to learn to obtain the image processing data distribution service The correspondence between the classification information and the image processing model control script combination in the encoding set and the information of the image processing data distribution service.
- the step of performing data analysis on the service prediction information of the image processing data distribution service in the target image processing data to obtain the image processing data distribution service classification information includes:
- an image processing data distribution service distribution map is generated, and the image processing data distribution service in the image processing data distribution service distribution map is used to indicate the target image processing data.
- an image data processing system based on a cloud computing service which is applied to a server, and the server is communicatively connected to a cloud computing container, and the system includes:
- an acquisition module for acquiring target image processing data for monitoring cloud computing containers
- a generation module configured to generate the information of the target image coding feature map according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container; wherein, the information of the image processing model strategy includes the image processing model The object and the upsampling data of the corresponding convolutional neural network unit, the information of the target image coding feature map includes the target image coding feature map type and the upsampling data of the corresponding convolutional neural network unit;
- the first determination module is configured to determine, according to the information of the image processing model strategy, the up-sampling data of the image processing model object corresponding to the convolutional neural network unit of the cloud computing container, and to determine according to the information of the target image encoding feature map
- the target image encoding feature map type corresponds to the up-sampled data of the convolutional neural network unit of the cloud computing container;
- the second determination module is configured to process the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the image processing model object, and the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the target image coding feature map type Sample data to determine upsampled data for the target convolutional neural network unit.
- a readable storage medium is provided, and a computer program is stored on the readable storage medium, and when the computer program is run by a processor, the above-mentioned image data processing method based on cloud computing service can be executed A step of.
- the cloud computing service-based image data processing method and system obtain target image processing data for monitoring cloud computing containers, process the data according to the target image, and cloud Calculate the information of the image processing model strategy contained in the container, generate the information of the target image encoding feature map, and then determine the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the image processing model object according to the information of the image processing model strategy, and Determine the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the target image coding feature map type according to the information of the target image coding feature map, so as to correspond to the upsampling data of the convolutional neural network unit of the cloud computing container according to the image processing model object , and the up-sampling data of the convolutional neural network unit of the cloud computing container corresponding to the target image encoding feature map type to determine the up-sampling data of the target convolutional neural network unit.
- FIG. 1 shows a schematic diagram of components of a server provided by an embodiment of the present invention
- FIG. 2 shows a schematic flowchart of an image data processing method based on a cloud computing service provided by an embodiment of the present invention
- FIG. 3 shows a block diagram of functional modules of an image data processing system based on a cloud computing service provided by an embodiment of the present invention.
- FIG. 1 shows an exemplary component diagram of server 100 .
- Server 100 may include one or more processors 104, such as one or more central processing units (CPUs), each of which may implement one or more hardware threads.
- the server 100 may also include any storage medium 106 for storing any kind of information such as code, settings, data, and the like.
- storage medium 106 may include any one or a combination of the following: any type of RAM, any type of ROM, flash memory devices, hard disks, optical disks, and the like. More generally, any storage medium can use any technology to store information. Further, any storage medium may provide volatile or non-volatile retention of information. Further, any storage medium may represent a fixed or removable component of the server 100 .
- server 100 may perform any operation of the associated instructions.
- the server 100 also includes one or more drive units 108 for interacting with any storage media, such as hard disk drive units, optical disk drive units, and the like.
- Server 100 also includes input/output 110 (I/O) for receiving various inputs (via input unit 112 ) and for providing various outputs (via output unit 114 ).
- I/O input/output 110
- a specific output mechanism may include presentation device 116 and associated graphical user interface (GUI) 118 .
- Server 100 may also include one or more network interfaces 120 for exchanging data with other devices via one or more communication units 122 .
- One or more communication buses 124 couple together the components described above.
- the communication unit 122 may be implemented in any manner, eg, via a local area network, a wide area network (eg, the Internet), a point-to-point connection, etc., or any combination thereof.
- Communication unit 122 may include any combination of hardwired links, wireless links, routers, gateway functions, name servers 100, etc. governed by any protocol or combination of protocols.
- FIG. 2 shows a schematic flowchart of a method for processing image data based on a cloud computing service provided by an embodiment of the present invention.
- the method for processing image data based on a cloud computing service can be executed by the server 100 shown in FIG. 1 .
- the detailed steps of the image data processing method are introduced as follows.
- Step S110 acquiring target image processing data for monitoring the cloud computing container
- Step S120 according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container, generate the information of the target image coding feature map; wherein, the information of the image processing model strategy includes the image processing model object and the information of the image processing model strategy.
- Step S130 determining the upsampling data of the image processing model object corresponding to the convolutional neural network unit of the cloud computing container according to the information of the image processing model strategy, and determining the target image coding feature according to the information of the target image coding feature map
- the graph type corresponds to the up-sampled data of the convolutional neural network unit of the cloud computing container;
- Step S140 according to the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the image processing model object, and the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the target image coding feature map type, determine: Upsampled data for the target convolutional neural network unit.
- this embodiment obtains the target image processing data for monitoring the cloud computing container, and generates the information of the target image coding feature map according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container , and then determine the up-sampling data of the convolutional neural network unit of the cloud computing container corresponding to the image processing model object according to the information of the image processing model strategy, and determine the type of the target image coding feature map corresponding to the cloud computing container according to the information of the target image coding feature map.
- the upsampling data of the convolutional neural network unit so that the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the image processing model object, and the upsampling data of the convolutional neural network unit of the cloud computing container corresponding to the target image encoding feature map type.
- Sample data to determine upsampled data for the target convolutional neural network unit In this way, the labor cost can be reduced, and the image data processing effect can be improved.
- this embodiment may perform data analysis on the service prediction information of the image processing data distribution service in the target image processing data to obtain image processing data distribution service classification information;
- this embodiment cyclically executes an image processing model control script obtained by performing data analysis on the information of the target image coding feature map previously output by the cloud computing editing model, and distributes the image processing data
- the business classification information is input into the cloud computing editing model, and the information of the target image coding feature map output by the cloud computing editing model this time is obtained, until the cloud computing editing model outputs the information that the image processing data distribution service is preset to end .
- this embodiment may acquire a list of image encoding process interfaces used for monitoring the target cloud computing container, and each image processing data distribution service contained in the target cloud computing container, and then process the data according to each image.
- the distribution service corresponds to the up-sampled data of the convolutional neural network unit of the target cloud computing container, and the content of each image processing data distribution service generates information of each image processing data distribution service, and then extracts the information of each image processing data distribution service.
- the image processing model control scripts are arranged in sequence to obtain a coding set; wherein, the image processing model control script extracted from the information of the preset initial object is located at the top of the coding set, and the image processing model control script extracted from the information of the preset terminal object at the end of the encoding set.
- the cloud computing editing model can be configured according to the image processing data distribution business classification information extracted from the image coding process interface list, and each image processing model control script in the coding set, so as to learn to obtain the image processing The correspondence between the data distribution service classification information and the image processing model control script combination in the encoding set and the image processing data distribution service information.
- this embodiment may generate an image processing data distribution service distribution map according to each image processing data distribution service in the target image processing data, and the image processing data distribution service distribution map of the image processing data in the image processing data distribution map
- the distribution service is used to indicate a map migration node corresponding to the image processing data distribution service in the target image processing data, and then perform data analysis on the image processing data distribution service distribution map to obtain the image processing data distribution service classification information.
- FIG. 3 shows a functional block diagram of the image data processing system 200 based on cloud computing services provided by an embodiment of the present invention.
- the functions implemented by the image data processing system 200 based on cloud computing services may correspond to the steps performed by the above method.
- the image data processing system 200 based on cloud computing services can be understood as the above-mentioned server 100, or the processor of the server 100, and can also be understood as a function of the present invention that is independent of the above-mentioned server 100 or the processor under the control of the server 100.
- Components, as shown in FIG. 3 the functions of each functional module of the cloud computing service-based image data processing system 200 will be described in detail below.
- an acquisition module 210 configured to acquire target image processing data for monitoring the cloud computing container
- the generation module 220 is configured to generate the information of the target image coding feature map according to the target image processing data and the information of the image processing model strategy contained in the cloud computing container; wherein, the information of the image processing model strategy includes image processing The model object and the upsampling data of the corresponding convolutional neural network unit, the information of the target image coding feature map includes the target image coding feature map type and the upsampling data of the corresponding convolutional neural network unit;
- the first determination module 230 is configured to determine, according to the information of the image processing model strategy, the up-sampling data of the image processing model object corresponding to the convolutional neural network unit of the cloud computing container, and to encode the information of the feature map according to the target image determining that the target image encoding feature map type corresponds to the up-sampled data of the convolutional neural network unit of the cloud computing container;
- the second determination module 240 is configured to process the up-sampled data of the convolutional neural network unit of the cloud computing container corresponding to the image processing model object, and the target image encoding feature map type corresponding to the convolutional neural network unit of the cloud computing container. Upsampled data, which determines the upsampled data for the target convolutional neural network unit.
- the generating module 220 generates the information of the target image coding feature map in the following manner:
- the generating module 220 generates the information of the target image coding feature map in the following manner:
- the generating module 220 generates the information of the target image coding feature map in the following manner:
- each image processing data distribution service is generated according to the upsampling data of the convolutional neural network unit of the target cloud computing container corresponding to each image processing data distribution service, and the content of each image processing data distribution service;
- the image processing model control scripts extracted from the information of each image processing data distribution service are arranged in sequence to obtain a coding set; wherein, the image processing model control script extracted from the information of the preset initial object is located at the top of the coding set, and the preset end The image processing model control script extracted from the information of the object is located at the end of the encoding set;
- the cloud computing editing model According to the image processing data distribution service classification information extracted from the image coding process interface list, and the control scripts of each image processing model in the coding set, configure the cloud computing editing model to learn to obtain the image processing data distribution service The correspondence between the classification information and the image processing model control script combination in the encoding set and the information of the image processing data distribution service.
- the generating module 220 performs data analysis on the service prediction information of the image processing data distribution service in the target image processing data in the following manner, to obtain image processing data distribution service classification information:
- an image processing data distribution service distribution map is generated, and the image processing data distribution service in the image processing data distribution service distribution map is used to indicate the target image processing data.
- each block in the flowchart or block diagrams may represent a module, segment, or portion of code that contains one or more functions for implementing the specified logical function(s) executable instructions. It should also be noted that, in some alternative implementations, the functions noted in the block may occur out of the order noted in the figures.
- each block of the block diagrams and/or flowchart illustrations, and combinations of blocks in the block diagrams and/or flowchart illustrations can be implemented in dedicated hardware-based systems that perform the specified functions or actions , or can be implemented in a combination of dedicated hardware and computer instructions.
- each functional module in each embodiment of the present invention may be integrated to form an independent part, or each module may exist independently, or two or more modules may be integrated to form an independent part.
- the computer program product includes one or more computer instructions.
- the computer may be a general purpose computer, special purpose computer, computer network, or other programmable device.
- the computer instructions may be stored in or transmitted from one computer readable storage medium to another computer readable storage medium, for example, the computer instructions may be downloaded from a website site, computer, server or data center Transmission to another website site, computer, server, or data center is by wire (eg, coaxial cable, fiber optic, digital subscriber line (DSL)) or wireless (eg, infrared, wireless, microwave, etc.).
- the computer-readable storage medium may be any available medium that can be accessed by a computer or a data storage device such as a server, data center, etc. that includes an integration of one or more available media.
- the usable media may be magnetic media (eg, floppy disks, hard disks, magnetic tapes), optical media (eg, DVD), or semiconductor media (eg, Solid State Disk (SSD)), and the like.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于云计算服务的图像数据处理方法及系统，通过获取用于监测云计算容器的目标图像处理数据，并根据目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息，然后由此确定图像处理模型对象对应云计算容器的卷积神经网络单元的上采样数据以及目标图像编码特征图谱类型对应云计算容器的卷积神经网络单元的上采样数据，从而根据图像处理模型对象对应云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。如此，能够降低人力成本，并且提高图像数据处理效果。
Description
本发明涉及基于云计算服务的图像数据处理技术领域，具体而言，涉及一种基于云计算服务的图像数据处理方法及系统。
目前，在针对云计算服务的图像数据处理，主要是通过人工将各个图像处理数据分布业务运行后进行图像数据处理，但是，这种方式需要耗费较高的人力成本，并且图像数据处理效果较差。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于云计算服务的图像数据处理方法及系统，能够降低人力成本，并且提高图像数据处理效果。
根据本发明实施例的一个方面，提供一种基于云计算服务的图像数据处理方法，应用于服务器，所述服务器与云计算容器通信连接，所述方法包括：
获取用于监测云计算容器的目标图像处理数据；
根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息；其中，所述图像处理模型策略的信息包括图像处理模型对象和对应卷积神经网络单元的上采样数据，所述目标图像编码特征图谱的信息包括目标图像编码特征图谱类型和对应卷积神经网络单元的上采样数据；
根据所述图像处理模型策略的信息确定图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及根据所述目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单 元的上采样数据；
根据图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。
在一种可能的示例中，所述根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息的步骤，包括：
对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息；
对所述图像处理模型策略的信息进行数据解析，得到所述图像处理模型策略的图像处理模型控制脚本；
将所述图像处理数据分布业务分类信息和所述图像处理模型策略的图像处理模型控制脚本输入预先配置的云计算编辑模型中，得到所述目标图像编码特征图谱的信息。
在一种可能的示例中，所述根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息的步骤，还包括：
循环执行将所述云计算编辑模型前次输出的目标图像编码特征图谱的信息进行数据解析得到的图像处理模型控制脚本，以及将所述图像处理数据分布业务分类信息输入所述云计算编辑模型中，得到所述云计算编辑模型本次输出的目标图像编码特征图谱的信息，直至所述云计算编辑模型输出预设结束图像处理数据分布业务的信息为止。
在一种可能的示例中，所述根据所述目标图像处理数据，以及云计算容器 中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息的步骤，还包括：
获取用于监测目标云计算容器的图像编码进程接口列表，以及所述目标云计算容器中包含的各图像处理数据分布业务；
根据各图像处理数据分布业务对应所述目标云计算容器的卷积神经网络单元的上采样数据，以及各图像处理数据分布业务内容生成各图像处理数据分布业务的信息；
对各图像处理数据分布业务的信息提取出的图像处理模型控制脚本顺序排列得到编码集合；其中，预设初始对象的信息提取出的图像处理模型控制脚本位于所述编码集合的首位，预设末端对象的信息提取出的图像处理模型控制脚本位于所述编码集合的末位；
根据所述图像编码进程接口列表提取出的图像处理数据分布业务分类信息，以及所述编码集合中各图像处理模型控制脚本，配置所述云计算编辑模型，以学习得到所述图像处理数据分布业务分类信息和所述编码集合中的图像处理模型控制脚本组合，与所述图像处理数据分布业务的信息之间的对应关系。
在一种可能的示例中，所述对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息的步骤，包括：
根据所述目标图像处理数据中各图像处理数据分布业务，生成图像处理数据分布业务分布图谱，所述图像处理数据分布业务分布图谱中的图像处理数据分布业务用于指示所述目标图像处理数据中对应图像处理数据分布业务的图谱迁移节点；
对所述图像处理数据分布业务分布图谱进行数据解析，得到所述图像处理 数据分布业务分类信息。
根据本发明实施例的另一方面，提供一种基于云计算服务的图像数据处理系统，应用于服务器，所述服务器与云计算容器通信连接，所述系统包括：
获取模块，用于获取用于监测云计算容器的目标图像处理数据；
生成模块，用于根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息；其中，所述图像处理模型策略的信息包括图像处理模型对象和对应卷积神经网络单元的上采样数据，所述目标图像编码特征图谱的信息包括目标图像编码特征图谱类型和对应卷积神经网络单元的上采样数据；
第一确定模块，用于根据所述图像处理模型策略的信息确定图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及根据所述目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据；
第二确定模块，用于根据图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。
根据本发明实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行上述的基于云计算服务的图像数据处理方法的步骤。
相较于现有技术而言，本发明实施例提供的基于云计算服务的图像数据处理方法及系统，通过获取用于监测云计算容器的目标图像处理数据，并根据目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目 标图像编码特征图谱的信息，然后根据图像处理模型策略的信息确定图像处理模型对象对应云计算容器的卷积神经网络单元的上采样数据，以及根据目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应云计算容器的卷积神经网络单元的上采样数据，从而根据图像处理模型对象对应云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。如此，能够降低人力成本，并且提高图像数据处理效果。
为使本发明实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的服务器的组件示意图；
图2示出了本发明实施例所提供的基于云计算服务的图像数据处理方法的流程示意图；
图3示出了本发明实施例所提供的基于云计算服务的图像数据处理系统的功能模块框图。
为了使本技术领域的学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 描述的实施例仅是本发明一部分实施例，而不是全部的实施例。根据本发明中的实施例，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，都属于本发明保护的范围。
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”、“第三”等(如果存在)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例如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。
图1示出了服务器100的示例性组件示意图。服务器100可以包括一个或多个处理器104，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。服务器100还可以包括任何存储介质106，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储介质106可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储介质都可以使用任何技术来存储信息。进一步地，任何存储介质可以提供信息的易失性或非易失性保留。进一步地，任何存储介质可以表示服务器100的固定或可移除部件。在一种情况下，当处理器104执行被存储在任何存储介质或存储介质的组合中的相关联的指令时，服务器100可以执行相关联指令的任一操作。服务器100还包括用于与任何存储介质交互的一个或多个驱动单元108，诸如硬盘驱动单元、光盘驱动单元等。
服务器100还包括输入/输出110(I/O)，其用于接收各种输入(经由输入单元112)和用于提供各种输出(经由输出单元114))。一个具体输出机构可以包括呈现设备116和相关联的图形用户接口(GUI)118。服务器100还可以包括一个或多个网络接口120，其用于经由一个或多个通信单元122与其他设备交换数据。一个或多个通信总线124将上文所描述的部件耦合在一起。
通信单元122可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信单元122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器100等的任何组合。
图2示出了本发明实施例提供的基于云计算服务的图像数据处理方法的流程示意图，该基于云计算服务的图像数据处理方法可由图1中所示的服务器100执行，该基于云计算服务的图像数据处理方法的详细步骤介绍如下。
步骤S110，获取用于监测云计算容器的目标图像处理数据；
步骤S120，根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息；其中，所述图像处理模型策略的信息包括图像处理模型对象和对应卷积神经网络单元的上采样数据，所述目标图像编码特征图谱的信息包括目标图像编码特征图谱类型和对应卷积神经网络单元的上采样数据；
步骤S130，根据所述图像处理模型策略的信息确定图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及根据所述目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据；
步骤S140，根据图像处理模型对象对应所述云计算容器的卷积神经网络单 元的上采样数据，以及目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。
基于上述步骤，本实施例通过获取用于监测云计算容器的目标图像处理数据，并根据目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息，然后根据图像处理模型策略的信息确定图像处理模型对象对应云计算容器的卷积神经网络单元的上采样数据，以及根据目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应云计算容器的卷积神经网络单元的上采样数据，从而根据图像处理模型对象对应云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。如此，能够降低人力成本，并且提高图像数据处理效果。
在一种可能的示例中，针对步骤S120，本实施例可以对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息；
对所述图像处理模型策略的信息进行数据解析，得到所述图像处理模型策略的图像处理模型控制脚本；
将所述图像处理数据分布业务分类信息和所述图像处理模型策略的图像处理模型控制脚本输入预先配置的云计算编辑模型中，得到所述目标图像编码特征图谱的信息。
在一种可能的示例中，本实施例循环执行将所述云计算编辑模型前次输出的目标图像编码特征图谱的信息进行数据解析得到的图像处理模型控制脚本，以及将所述图像处理数据分布业务分类信息输入所述云计算编辑模型中，得到所述云计算编辑模型本次输出的目标图像编码特征图谱的信息，直至所述云计 算编辑模型输出预设结束图像处理数据分布业务的信息为止。
在一种可能的示例中，本实施例可以获取用于监测目标云计算容器的图像编码进程接口列表，以及所述目标云计算容器中包含的各图像处理数据分布业务，然后根据各图像处理数据分布业务对应所述目标云计算容器的卷积神经网络单元的上采样数据，以及各图像处理数据分布业务内容生成各图像处理数据分布业务的信息，接着对各图像处理数据分布业务的信息提取出的图像处理模型控制脚本顺序排列得到编码集合；其中，预设初始对象的信息提取出的图像处理模型控制脚本位于所述编码集合的首位，预设末端对象的信息提取出的图像处理模型控制脚本位于所述编码集合的末位。如此，可以根据所述图像编码进程接口列表提取出的图像处理数据分布业务分类信息，以及所述编码集合中各图像处理模型控制脚本，配置所述云计算编辑模型，以学习得到所述图像处理数据分布业务分类信息和所述编码集合中的图像处理模型控制脚本组合，与所述图像处理数据分布业务的信息之间的对应关系。
在一种可能的示例中，本实施例可以根据所述目标图像处理数据中各图像处理数据分布业务，生成图像处理数据分布业务分布图谱，所述图像处理数据分布业务分布图谱中的图像处理数据分布业务用于指示所述目标图像处理数据中对应图像处理数据分布业务的图谱迁移节点，然后对所述图像处理数据分布业务分布图谱进行数据解析，得到所述图像处理数据分布业务分类信息。
图3示出了本发明实施例提供的基于云计算服务的图像数据处理系统200的功能模块图，该基于云计算服务的图像数据处理系统200实现的功能可以对应上述方法执行的步骤。该基于云计算服务的图像数据处理系统200可以理解为上述服务器100，或服务器100的处理器，也可以理解为独立于上述服务器100或处理器之外的在服务器100控制下实现本发明功能的组件，如图3所示， 下面分别对该基于云计算服务的图像数据处理系统200的各个功能模块的功能进行详细阐述。
获取模块210，用于获取用于监测云计算容器的目标图像处理数据；
生成模块220，用于根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息；其中，所述图像处理模型策略的信息包括图像处理模型对象和对应卷积神经网络单元的上采样数据，所述目标图像编码特征图谱的信息包括目标图像编码特征图谱类型和对应卷积神经网络单元的上采样数据；
第一确定模块230，用于根据所述图像处理模型策略的信息确定图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及根据所述目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据；
第二确定模块240，用于根据图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据。
在一种可能的示例中，所述生成模块220通过以下方式生成目标图像编码特征图谱的信息：
对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息；
对所述图像处理模型策略的信息进行数据解析，得到所述图像处理模型策略的图像处理模型控制脚本；
将所述图像处理数据分布业务分类信息和所述图像处理模型策略的图像处 理模型控制脚本输入预先配置的云计算编辑模型中，得到所述目标图像编码特征图谱的信息。
在一种可能的示例中，所述生成模块220通过以下方式生成目标图像编码特征图谱的信息：
循环执行将所述云计算编辑模型前次输出的目标图像编码特征图谱的信息进行数据解析得到的图像处理模型控制脚本，以及将所述图像处理数据分布业务分类信息输入所述云计算编辑模型中，得到所述云计算编辑模型本次输出的目标图像编码特征图谱的信息，直至所述云计算编辑模型输出预设结束图像处理数据分布业务的信息为止。
在一种可能的示例中，所述生成模块220通过以下方式生成目标图像编码特征图谱的信息：
获取用于监测目标云计算容器的图像编码进程接口列表，以及所述目标云计算容器中包含的各图像处理数据分布业务；
根据各图像处理数据分布业务对应所述目标云计算容器的卷积神经网络单元的上采样数据，以及各图像处理数据分布业务内容生成各图像处理数据分布业务的信息；
对各图像处理数据分布业务的信息提取出的图像处理模型控制脚本顺序排列得到编码集合；其中，预设初始对象的信息提取出的图像处理模型控制脚本位于所述编码集合的首位，预设末端对象的信息提取出的图像处理模型控制脚本位于所述编码集合的末位；
根据所述图像编码进程接口列表提取出的图像处理数据分布业务分类信息，以及所述编码集合中各图像处理模型控制脚本，配置所述云计算编辑模型，以学习得到所述图像处理数据分布业务分类信息和所述编码集合中的图像处理 模型控制脚本组合，与所述图像处理数据分布业务的信息之间的对应关系。
在一种可能的示例中，所述生成模块220通过以下方式对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息：
根据所述目标图像处理数据中各图像处理数据分布业务，生成图像处理数据分布业务分布图谱，所述图像处理数据分布业务分布图谱中的图像处理数据分布业务用于指示所述目标图像处理数据中对应图像处理数据分布业务的图谱迁移节点；
对所述图像处理数据分布业务分布图谱进行数据解析，得到所述图像处理数据分布业务分类信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执 行规定的功能或动作的专用的根据硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句" 包括一个……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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，能够以其它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囊括在本发明内。不应将权利要求中的任何附图进销存确认视为限制所涉及的权利要求。
Claims (2)
- 一种基于云计算服务的图像数据处理方法，其特征在于，应用于服务器，所述服务器与云计算容器通信连接，所述方法包括：获取用于监测云计算容器的目标图像处理数据；根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息；其中，所述图像处理模型策略的信息包括图像处理模型对象和对应卷积神经网络单元的上采样数据，所述目标图像编码特征图谱的信息包括目标图像编码特征图谱类型和对应卷积神经网络单元的上采样数据；根据所述图像处理模型策略的信息确定图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及根据所述目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据；根据图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数据；所述根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息的步骤，包括：对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息；对所述图像处理模型策略的信息进行数据解析，得到所述图像处理模型策略的图像处理模型控制脚本；将所述图像处理数据分布业务分类信息和所述图像处理模型策略的图像处理模型控制脚本输入预先配置的云计算编辑模型中，得到所述目标图像编码特 征图谱的信息；所述根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息的步骤，还包括：循环执行将所述云计算编辑模型前次输出的目标图像编码特征图谱的信息进行数据解析得到的图像处理模型控制脚本，以及将所述图像处理数据分布业务分类信息输入所述云计算编辑模型中，得到所述云计算编辑模型本次输出的目标图像编码特征图谱的信息，直至所述云计算编辑模型输出预设结束图像处理数据分布业务的信息为止；所述根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息的步骤，还包括：获取用于监测目标云计算容器的图像编码进程接口列表，以及所述目标云计算容器中包含的各图像处理数据分布业务；根据各图像处理数据分布业务对应所述目标云计算容器的卷积神经网络单元的上采样数据，以及各图像处理数据分布业务内容生成各图像处理数据分布业务的信息；对各图像处理数据分布业务的信息提取出的图像处理模型控制脚本顺序排列得到编码集合；其中，预设初始对象的信息提取出的图像处理模型控制脚本位于所述编码集合的首位，预设末端对象的信息提取出的图像处理模型控制脚本位于所述编码集合的末位；根据所述图像编码进程接口列表提取出的图像处理数据分布业务分类信息，以及所述编码集合中各图像处理模型控制脚本，配置所述云计算编辑模型，以学习得到所述图像处理数据分布业务分类信息和所述编码集合中的图像处理模型控制脚本组合，与所述图像处理数据分布业务的信息之间的对应关系；所述对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息的步骤，包括：根据所述目标图像处理数据中各图像处理数据分布业务，生成图像处理数据分布业务分布图谱，所述图像处理数据分布业务分布图谱中的图像处理数据分布业务用于指示所述目标图像处理数据中对应图像处理数据分布业务的图谱迁移节点；对所述图像处理数据分布业务分布图谱进行数据解析，得到所述图像处理数据分布业务分类信息。
- 一种基于云计算服务的图像数据处理系统，其特征在于，应用于服务器，所述服务器与云计算容器通信连接，所述系统包括：获取模块，用于获取用于监测云计算容器的目标图像处理数据；生成模块，用于根据所述目标图像处理数据，以及云计算容器中包含的图像处理模型策略的信息，生成目标图像编码特征图谱的信息；其中，所述图像处理模型策略的信息包括图像处理模型对象和对应卷积神经网络单元的上采样数据，所述目标图像编码特征图谱的信息包括目标图像编码特征图谱类型和对应卷积神经网络单元的上采样数据；第一确定模块，用于根据所述图像处理模型策略的信息确定图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及根据所述目标图像编码特征图谱的信息确定目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据；第二确定模块，用于根据图像处理模型对象对应所述云计算容器的卷积神经网络单元的上采样数据，以及目标图像编码特征图谱类型对应所述云计算容器的卷积神经网络单元的上采样数据，确定目标卷积神经网络单元的上采样数 据；所述生成模块通过以下方式生成目标图像编码特征图谱的信息：对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息；对所述图像处理模型策略的信息进行数据解析，得到所述图像处理模型策略的图像处理模型控制脚本；将所述图像处理数据分布业务分类信息和所述图像处理模型策略的图像处理模型控制脚本输入预先配置的云计算编辑模型中，得到所述目标图像编码特征图谱的信息；所述生成模块通过以下方式生成目标图像编码特征图谱的信息：循环执行将所述云计算编辑模型前次输出的目标图像编码特征图谱的信息进行数据解析得到的图像处理模型控制脚本，以及将所述图像处理数据分布业务分类信息输入所述云计算编辑模型中，得到所述云计算编辑模型本次输出的目标图像编码特征图谱的信息，直至所述云计算编辑模型输出预设结束图像处理数据分布业务的信息为止；所述生成模块通过以下方式生成目标图像编码特征图谱的信息：获取用于监测目标云计算容器的图像编码进程接口列表，以及所述目标云计算容器中包含的各图像处理数据分布业务；根据各图像处理数据分布业务对应所述目标云计算容器的卷积神经网络单元的上采样数据，以及各图像处理数据分布业务内容生成各图像处理数据分布业务的信息；对各图像处理数据分布业务的信息提取出的图像处理模型控制脚本顺序排列得到编码集合；其中，预设初始对象的信息提取出的图像处理模型控制脚本 位于所述编码集合的首位，预设末端对象的信息提取出的图像处理模型控制脚本位于所述编码集合的末位；根据所述图像编码进程接口列表提取出的图像处理数据分布业务分类信息，以及所述编码集合中各图像处理模型控制脚本，配置所述云计算编辑模型，以学习得到所述图像处理数据分布业务分类信息和所述编码集合中的图像处理模型控制脚本组合，与所述图像处理数据分布业务的信息之间的对应关系；所述生成模块通过以下方式对所述目标图像处理数据中的图像处理数据分布业务的业务预测信息进行数据解析，得到图像处理数据分布业务分类信息：根据所述目标图像处理数据中各图像处理数据分布业务，生成图像处理数据分布业务分布图谱，所述图像处理数据分布业务分布图谱中的图像处理数据分布业务用于指示所述目标图像处理数据中对应图像处理数据分布业务的图谱迁移节点；对所述图像处理数据分布业务分布图谱进行数据解析，得到所述图像处理数据分布业务分类信息。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011255778.9 | 2020-11-11 | ||
| CN202011255778.9A CN113177567B (zh) | 2020-11-11 | 2020-11-11 | 一种基于云计算服务的图像数据处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022099754A1 true WO2022099754A1 (zh) | 2022-05-19 |
Family
ID=76923006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/130274 WO2022099754A1 (zh) | 2020-11-11 | 2020-11-20 | 一种基于云计算服务的图像数据处理方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113177567B (zh) |
| WO (1) | WO2022099754A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766798A (zh) * | 2017-09-28 | 2018-03-06 | 辽宁工程技术大学 | 一种基于云计算存储和深度学习的遥感图像目标检测方法 |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| US20190318210A1 (en) * | 2018-04-11 | 2019-10-17 | International Business Machines Corporation | Cognitive analysis and classification of apparel images |
| CN111210382A (zh) * | 2020-01-03 | 2020-05-29 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609598A (zh) * | 2017-09-27 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 图像鉴别模型训练方法、装置及可读存储介质 |
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN110852394B (zh) * | 2019-11-13 | 2022-03-25 | 联想(北京)有限公司 | 数据处理方法及装置、计算机系统以及可读存储介质 |
| CN111062473B (zh) * | 2019-12-16 | 2023-05-23 | 腾讯科技（深圳）有限公司 | 神经网络模型中的数据计算方法、图像处理方法及装置 |
| CN111368849B (zh) * | 2020-05-28 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111754532B (zh) * | 2020-08-12 | 2023-07-11 | 腾讯科技（深圳）有限公司 | 图像分割模型搜索方法、装置、计算机设备及存储介质 |
-
2020
- 2020-11-11 CN CN202011255778.9A patent/CN113177567B/zh active Active
- 2020-11-20 WO PCT/CN2020/130274 patent/WO2022099754A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766798A (zh) * | 2017-09-28 | 2018-03-06 | 辽宁工程技术大学 | 一种基于云计算存储和深度学习的遥感图像目标检测方法 |
| US20190318210A1 (en) * | 2018-04-11 | 2019-10-17 | International Business Machines Corporation | Cognitive analysis and classification of apparel images |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| CN111210382A (zh) * | 2020-01-03 | 2020-05-29 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177567B (zh) | 2021-09-17 |
| CN113177567A (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11537456B2 (en) | Selectively exposing application programming interfaces dynamically for microservices | |
| US11502899B2 (en) | Dynamic product installation based on user feedback | |
| CN113779409A (zh) | 基于大数据的意图挖掘方法及系统 | |
| WO2022099754A1 (zh) | 一种基于云计算服务的图像数据处理方法及系统 | |
| CN111274437B (zh) | 基于互联网的视频素材资源管理方法及系统 | |
| CN112100844B (zh) | 一种车联网信息配置仿真方法及系统 | |
| CN111948967B (zh) | 一种基于大数据的电力数据采集方法及系统 | |
| CN113253261B (zh) | 基于雷达摄像头的信息预警方法及系统 | |
| CN113221011A (zh) | 基于大数据的智慧办公信息推送方法及系统 | |
| CN113157546B (zh) | 基于视频流的虚拟仿真测试方法及系统 | |
| CN112650641A (zh) | 一种科技成果转化和知识产权交易管理服务监测方法及系统 | |
| CN111028019A (zh) | 一种网络商城运营数据分析方法及装置 | |
| CN111767437B (zh) | 一种企业科技项目管理方法及系统 | |
| CN113282292A (zh) | 软件开发的编译方法及系统 | |
| CN110976235B (zh) | 一种静电粉末喷淋处理方法及系统 | |
| CN113905046A (zh) | 一种云服务器远程监控方法及系统 | |
| CN113888149A (zh) | 一种基于区块链服务的智能支付信息上传方法及系统 | |
| CN113284510A (zh) | 基于人工智能的音频特征提取方法及系统 | |
| CN113268676A (zh) | 社交场景交互内容挖掘方法及系统 | |
| CN113901331A (zh) | 一种引流服务调用方法及系统 | |
| CN113282915A (zh) | 软件禁用处理方法及系统 | |
| CN113282739A (zh) | 基于人工智能的资讯信息提取推送方法及系统 | |
| CN113222444A (zh) | 基于大数据的智慧办公调度方法及系统 | |
| CN113518238A (zh) | 用于直播场景的直播行为挖掘方法及直播行为挖掘系统 | |
| CN112052278A (zh) | 一种基于大数据的科技成果转化服务数据处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20961308 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20961308 Country of ref document: EP Kind code of ref document: A1 |