CN110175968A - 生成在神经网络中使用的人工图像 - Google Patents
生成在神经网络中使用的人工图像 Download PDFInfo
- Publication number
- CN110175968A CN110175968A CN201910125584.8A CN201910125584A CN110175968A CN 110175968 A CN110175968 A CN 110175968A CN 201910125584 A CN201910125584 A CN 201910125584A CN 110175968 A CN110175968 A CN 110175968A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image data
- filter
- consequence
- described image
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013213 extrapolation Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
方法包括为接收到的输入图像创建图像数据的输入矩阵,以及响应于选择第一图像滤波器以用于生成人工图像,该方法将第一图像滤波器的第一滤波器计算应用于图像数据的输入矩阵,其中应用第一滤波器计算生成了图像数据的第一结果矩阵。该方法将图像数据的第一结果矩阵级联到图像数据的输入矩阵,以生成图像数据的第一级联矩阵。该方法基于图像数据的级联矩阵生成适合在神经网络中使用的人工图像。
Description
技术领域
本发明涉及使用神经网络的图像处理,并且更具体地,涉及生成在神经网络中使用的人工图像(artificial image)。
背景技术
人工神经网络(artificial neural network,ANN)是受构成动物大脑的生物神经网络启发的计算***。这种***通过从示例中考虑和训练来学习并逐步提高任务表现。
ANN是基于被称为人工神经元的连接单元或节点的集合。神经元之间的每个连接(突触)都可以彼此相互传递信号。接收(突触后)神经元可以处理(多个)信号,然后向与其连接的神经元发送信号。
在常见的ANN实施方式中,突触信号是实数,并且每个神经元的输出由其输入之和的非线性函数计算。神经元和突触典型地具有随着学习的进行而调整的权重。权重增加或减少其跨突触传送的信号的强度。神经元可能有一个阈值,使得只有当总信号超过阈值时,信号才会被传送。
典型地,神经元是按层组织的。不同的层可以对其输入执行不同种类的变换。可能在多次穿越层之后,信号从第一(输入)层传播到最后(输出)层。
在机器学习中,卷积神经网络(convolutional neural network,ConvNet)是一类深度前馈(feed-forward)人工神经网络,其已成功应用于分析视觉成像。
ConvNet使用了多种多层感知器,该多层感知器被设计成要求最少的预处理。基于它们的共享权重体系结构和平移(translation)不变特性,它们也被称为移位不变或空间不变人工神经网络(space invariant artificial neural network,SIANN)。
与其它图像分类算法相比,ConvNet使用相对较少的预处理。这意味着网络学习了在传统算法中手工设计的滤波器。
神经网络典型地使用层之间的矩阵向量线性积,其中将公共函数逐元素地应用于结果(resulting)向量函数,这可能产生非线性层,诸如径向基层或阈值整流层。然而,要求诸如傅立叶分解、多项式或绝对值或多个阈值的每元素函数的更复杂的非线性层难以实施,并且通过这些层的反向传播并不总是可解的。
另外,层的结果会替换输入数据,而不是对输入数据的添加。如果需要诸如利用残差神经网络来传播先前的输入,则必须添加神经网络中的多条路径。
发明内容
根据本发明的实施例公开了一种用于生成在神经网络中使用的人工图像的方法、计算机程序产品和计算机***。为接收到的图像创建图像数据的输入矩阵。响应于被选择用于生成人工图像的第一图像滤波器,将第一图像滤波器的第一滤波器计算应用于图像数据的输入矩阵,其中应用第一滤波器计算生成了图像数据的第一结果矩阵。将图像数据的第一结果矩阵级联(concatenate)到图像数据的输入矩阵以生成图像数据的第一级联矩阵。基于图像数据的级联矩阵生成适合在神经网络中使用的人工图像。
附图说明
被视为本发明的主题在说明书的结论部分中被具体指出并明确要求保护。当结合附图阅读时,通过参考下面的详细描述,可以最好地理解本发明的操作的组织和方法,以及其目的、特征和优点。
现在将参考以下附图,仅通过示例的方式描述本发明的优选实施例,其中:
图1是根据本发明实施例的方法的示例实施例的流程图。
图2是根据本发明实施例的图1的方法的一方面的示例实施例的流程图。
图3是根据本发明实施例的图1的方法的另一方面的示例实施例的流程图。
图4是根据本发明实施例的输入图像和级联图像的示意图。
图5A、图5B和图5C是根据本发明实施例的输入图像和级联图像的照片图。
图6是根据本发明实施例的***的示例实施例的框图。
图7是其中可以实施本发明的计算机***或云服务器的实施例的框图。
图8是其中可以实施本发明的云计算环境的示意图。
图9是其中可以实施本发明的云计算环境的抽象模型层的图。
应当理解,为了说明的简单和清楚,附图中所示的元素不必按比例绘制。例如,为了清楚起见,元素中的一些元素的大小可以相对于其它元素被放大。此外,在认为合适的情况下,附图当中的参考编号可以重复,以指示相对应的或类似的特征。
具体实施方式
提供了一种用于生成在神经网络中使用的人工图像的方法和***。人工图像对输入数据使用添加方案,使得添加的信息只被计算一次,从而使得神经网络中计算设备的内存利用率降低。这意味着计算设备不需要对每个网络层的计算,并且不需要针对每个神经网络迭代的计算。这消除了使用神经网络中的层来计算线性或非线性滤波器的需要。
所述方法通过预先计算图像滤波器、通过增强图像来生成人工图像,从而改善对于神经网络的图像识别。通过预先计算图像滤波器并获得新的图像数据来增强初始图像,从而生成人工图像。人工图像可以被注入到神经网络中以用于更好的图像识别。
在计算机图形学中,光栅图形或位图图像是点阵数据结构,其表示像素或颜色点的大致矩形网格。光栅图像由波段组成,并且被存储在具有不同格式的图像文件中。对于具有多个波段(红色、绿色、蓝色、红外线等)的图像,每个像素每波段包含一个元素。
在所述方法中,元素被添加到表示输入图像的矩阵(诸如点阵数据结构)中,以创建相当于将经滤波的图像并排添加到原始图像的人工图像。
级联图像的大小使得宽度*高度足以包含所有滤波器加上原始图像的(宽度*高度)之和。经滤波的图像可以以各种布置方式来放置并附加到最终图像,包括下方、右侧、左侧或混合位置,前提是选择的放置对于所有图像都是相同的。
向神经网络馈送由输入图像和当作一个单个图像的经滤波的图像组成的人工图像。这克服了利用卷积神经网络无法实现不可微(non-differentiable)滤波器的问题。通过馈送包括滤波器和不可微滤波器的人工图像,改善了识别率。
参考图1,流程图100示出了生成在神经网络中使用的人工图像的所述方法的示例实施例。该方法应用于在训练、交叉验证和测试集中的所有图像。训练后,同样的方法应用于被测试的任意图像。
可以加载101输入图像,例如,作为神经网络训练集中的多个图像之一,或者作为待识别的图像。
该方法可以对输入图像执行102任何经典的图像增强变换。经典的图像增强变换可以包括移位、翻转、旋转、噪声添加或消除、缩放等,或者这些变换的任意组合。这可以是自动化的过程,例如,使用Python预处理(Python是Python软件基金会的商标)。
可以读取图像文件并且可以创建具有数据的像素的工作矩阵103。这可以将输入图像加载为像素矩阵,该像素矩阵是灰色图像(全色)的宽度*高度的矩阵,或者彩色图像的宽度*高度*颜色层数(通常为红色、绿色和蓝色3层)的矩阵。
输入图像可以是全色的或彩色的。如果输入图像是彩色的,该方法可以确定104颜色平面或将彩色图像转换成灰度。参考图2进一步详细描述颜色平面处理。
如果图像是全色的,下面描述的滤波器计算过程可以作为单个实体应用于整个图像。
如果图像是彩色图像,则可以以替代方式处理除第一层外的颜色层的值矩阵。它们可以级联到第一层,创建相同宽度的、但是矩阵高度为颜色层数乘以原始高度的人工灰色图像。可替代地,另一方案是单独对每个颜色层应用滤波器计算过程。
因此,该方法可以输入105第一颜色平面或整个图像的输入矩阵以用于处理。
可以选择106待应用的滤波器。下面的滤波器列表是典型的列表,但是可以使用更多或更少的滤波器:
阈值二进制反转或不反转;
阈值截断;
阈值为零;
Canny边缘;
高斯模糊和中值模糊之间的绝对差异;
用将尺寸调整到图像尺寸的db1或其它小波算法的小波多重逼近,“a”,“aa”;
中值模糊;
Canny边缘上的轮廓。
上面列表中的滤波器是复杂的非线性滤波器,但是可以有更简单的或线性的滤波器。
该方法可以用选择的滤波器处理107颜色平面或整个图像的输入矩阵,并返回结果矩阵。每个选择的滤波器被实施为输入矩阵的函数,该函数返回结果矩阵作为输出。
结果矩阵可以与输入矩阵具有相同的尺寸,或者可以更大或更小,并且该方法可以容纳(accommodate)108不同尺寸的结果矩阵,如参考图3进一步详细描述的。
可以确定109是否存在另一个选择的滤波器。如果是,该方法可以针对下个滤波器循环迭代106。这样,如果是全色图像,可以将多个滤波器应用于颜色平面或整个图像。
一旦没有更多的滤波器来应用,该方法可以确定110是否存在另一颜色平面。如果是,该方法可以迭代到输入105下一个颜色平面的矩阵,并将滤波器应用于下一颜色平面。
一旦没有更多的颜色平面,该方法可以将所有结果矩阵作为级联数据的级联矩阵写入111新的人工图像中。结果矩阵被附加在输入图像矩阵或先前返回的结果矩阵附近。作为计算出的滤波器矩阵与限定每个颜色平面的每个原始矩阵的级联结果,产生了级联矩阵。如果所有颜色被分开地滤波为颜色平面,这可以创建具有相同数量的颜色平面的图像。
当输入中的所有图像都已被处理时,可以向神经网络馈送增强的人工图像。
参考图2,流程图200示出了确定104颜色平面或转换成灰度或全色图像的图1的方面的示例实施例。
该方法可以确定201是否存在多于一个的颜色平面。如果不存在多于一个颜色平面,则该方法可以在图1的步骤105中继续处理206整个图像。该图像是全色的,并且所述滤波器计算过程可以作为单个实体应用于整个图像。
如果存在多于一个的颜色平面,则可以确定202图像滤波器是否将在所有平面上使用。如果滤波器将不在所有颜色平面上使用,则该方法可以选择性地堆叠203颜色平面矩阵以创建新的人工单色平面图像。该图像可以被转换204为灰度图像。颜色平面可以级联到第一层,创建相同宽度的、但是矩阵高度为颜色层数乘以原始高度的人工灰色图像。该方法可以在图1的步骤105中继续处理206整个图像。
如果确定202图像滤波器将在所有平面上使用,则每个颜色平面可以被处理205为一个颜色平面,并且该方法可以在图1的步骤105中继续处理206每个颜色平面。
参考图3,流程图300示出了在应用滤波器之后容纳108不同尺寸的结果矩阵的图1的方面的示例性实施例。
可以确定301结果矩阵是否与输入图像尺寸相同。如果结果矩阵具有相同的尺寸,则通过将矩阵级联到原始图像数据附近,将该矩阵附加307到原始图像数据。
可以确定302结果矩阵是否小于输入矩阵,诸如利用小波逼近。如果是,可以使用303填充或尺寸调整的方法。结果矩阵数据可以通过使用常见图像尺寸调整功能(像素复制、内插或外推)来调整尺寸,或者矩阵可以被填充以使图像宽度和高度与常数值(通常为零)匹配。通过将改变的结果矩阵级联到原始图像数据附近,将该改变的结果矩阵附加307到原始图像数据。
如果确定302结果矩阵不小于输入矩阵,则结果矩阵大于原始宽度*高度。如果结果矩阵大于原始宽度*高度,则可以通过缩小尺寸或裁剪矩阵到与原始图像相同的宽度和高度来创建304新改变的矩阵。缩小尺寸使用经典的图像尺寸调整,诸如使用像素面积关系或双线性插值来重新采样。当裁剪时,图像宽度和高度的附加矩阵被计算以符合计算的滤波器的所有值,其中将不符合初始矩阵尺寸的数据移动305或裁剪到附加矩阵。该方法可以迭代以添加附加数据的附加矩阵,并且如果最后一次迭代导致较小的尺寸,则可以306使用填充或尺寸调整。
这样,通过裁剪到与原始图像相同的宽度,并且图像高度的附加矩阵被计算以符合计算的滤波器的所有值,来创建新改变的矩阵。改变的结果矩阵或多个结果矩阵被附加307在原始图像矩阵和任意先前处理过的滤波器附近。
滤波器矩阵元素的坐标不必与初始图像坐标匹配。然而,该过程需要一致,并且计算得到的相同滤波器数据需要始终放置在相同的逻辑中。这是神经网络的优点。神经网络逐行读取所有像素,并通过级联它们来创建向量。因此,来自给定滤波器的添加需要总是相对于原始图像位于相同的坐标。然后,正常的神经网络迭代将得出位于这些坐标的元素与原始图像中其它元素的坐标相关。
在优选实施例中,新的矩阵或多个矩阵被附加在原始图像矩阵及其先前添加的滤波器数据之下。然而,附加图像数据可以被放置在左侧、右侧、顶部或任何矩形布局的任何地方。
在优选实施例中,新图像的(宽度,高度)尺寸变为(宽度,高度*(1+滤波器的数量))。其它实施例可以选择(宽度*(1+滤波器的数量),高度)或(宽度*(1+x),高度(1+y)),其中(1+x)*(1+y)-1>滤波器的数量。
参考图4,示意图400示出了大小X*Y个像素402的原始输入图像401。图像由像素值组成,该像素值作为用于图像的颜色中的每一种颜色的矩阵被存储在文件中。通常,灰色或全色图像只需要一个矩阵,而红色、绿色和蓝色图像使用三个矩阵,每种颜色一个矩阵。
结果图像数据410被示出为具有级联滤波器数据的原始图像数据411,在这种情况下的滤波器数据为第一滤波器的滤波器数据412和第二滤波器的滤波器数据413。在此示例中,滤波器数据被级联在原始数据的下方。第二滤波器数据413大于原始图像数据411,因此高度被扩展了另一图像高度Y以容纳附加数据。
参考图5A、5B和5C,照片示意图示出了所述方法。示出了人的图像的输入图像501。
图5A示出了所创建的具有原始图像511和四个滤波器图像512、513、514、515的人工图像510。计算的滤波器产生了就像它们是图像数据一样被使用的矩阵。创建新图像的原因在于,用于分析图像的常规神经网络的过程没有改变,因为它需要额外的处理后的数据,该处理后的数据就像它是图像数据一样。
图5B示出了创建的人工图像520,其中添加了11个滤波器作为矩形填充。图5C示出了创建的人工图像530,其示出了进一步可能的滤波器而无需小波滤波器的尺寸调整。图5A、图5B和图5C中所示的滤波器被示出为灰度照片;然而,当处理颜色平面时,它们可以包括颜色图像。
图像数据被增强,因此过程是对初始输入数据的添加,并且实验示出神经网络权重的收敛速度明显加快。在一次测试中,当仅使用原始图像时,收敛在5个纪元(epoch)(迭代)而不是100个纪元内获得。
含义是,通过使用所述方法,神经网络将不需要发现简单的滤波器。另外,神经网络层可能无法计算诸如小波、等高线等的更复杂的滤波器中的一些。
结果是训练速度加快,而且更加精确。该方案改变了训练数据集,然后该训练数据集可以被馈送以用于处理。
参考图6,框图示出了计算***600的示例实施例,该计算***600包括与神经网络***650一起使用的人工图像生成器610。人工图像生成器610可以从神经网络***650远程提供。
计算***600可以包括至少一个处理器601、硬件模块或用于运行所述组件的功能的电路,所述组件可以是在至少一个处理器上运行的软件单元。可以提供运行并行处理线程的多个处理器,使得能够并行处理组件的功能中的一些或全部功能。存储器602可以被配置为向至少一个处理器601提供计算机指令603,以实行组件的功能。
人工图像生成器610可以包括用于接收一个或多个待处理图像的图像输入组件611和用于在创建输入矩阵之前对输入图像执行经典图像变换的图像变换组件612。
人工图像生成器610可以包括用于读取输入图像的输入图像读取组件613和用于创建输入图像数据的输入矩阵的矩阵生成组件614。
人工图像生成器610可以包括用于对输入矩阵应用一个或多个滤波器计算以返回结果矩阵的滤波器应用组件615。滤波器可以是线性或非线性滤波器,并且例如可以包括以下组中的一个或多个:阈值二进制反转或不反转;阈值截断;阈值为零;Canny边缘;高斯模糊和中值模糊之间的绝对差异;用将尺寸调整到图像尺寸的db1或其它小波算法的小波多重逼近,“a”,“aa”;中值模糊;和Canny边缘上的轮廓。
人工图像生成器610可以包括用于将结果矩阵级联到输入矩阵的矩阵级联组件616。矩阵级联组件616可以将结果矩阵附加到输入矩阵或者先前滤波器的先前返回的结果矩阵附近。输入图像具有(宽度,高度)的尺寸的情况下,人工图像可以具有以下组中的一个的结果尺寸:(宽度,高度*(1+滤波器的数量));(宽度*(1+滤波器的数量),高度);和(宽度*(1+x),高度(1+y)),其中(1+x)*(1+y)-1>滤波器的数量。
人工图像生成器610可以包括用于容纳与输入矩阵相比不同尺寸的结果矩阵的尺寸容纳组件617。尺寸容纳组件617可以包括用于容纳小于输入矩阵的结果图像的放大组件618。放大组件618可以使用以下组中的一个来调整尺寸:像素复制、插值或外推,以及用常量值填充以匹配输入图像尺寸。尺寸容纳组件617可以包括附加矩阵组件619,用于通过提供附加矩阵来容纳大于输入矩阵的结果矩阵以容纳附加尺寸。
人工图像生成器610可以包括用于处理彩色输入图像的颜色平面组件620,并且输入矩阵具有用于形式为宽度*高度*颜色层数的各个颜色的颜色层,并且滤波器应用组件615对每个颜色层应用滤波器。
人工图像生成器610可以包括颜色转换组件621,用于通过堆叠颜色平面矩阵来转换彩色输入图像,以创建人工灰色图像,并且滤波器应用组件615可以对灰色图像应用滤波器。
人工图像生成器610可以包括图像写入组件622,用于写入级联矩阵的图像数据作为适合在神经网络中使用的人工图像。
图7描绘了根据本发明实施例的图6的计算***600的组件的框图。应当理解,图7仅提供了一种实施方式的说明,并不暗示关于其中可以实施不同实施例的环境的任何限制。可以对所描绘的环境进行许多修改。
计算***600可以包括一个或多个处理器702、一个或多个计算机可读RAM(randomaccess memory,随机存取存储器)704、一个或多个计算机可读ROM(read-only memory,只读存储器)706、一个或多个计算机可读存储介质708、设备驱动器712、读/写驱动器或接口714以及网络适配器或接口716,所有这些都通过通信架构718互连。通信架构718可以用被设计为在处理器(诸如微处理器、通信和网络处理器等)、***存储器、***设备和***内的任何其它硬件组件之间传递数据和/或控制信息的任意体系结构来实施。
一个或多个操作***710和诸如人工图像生成器610和神经网络***650的应用程序711被存储在一个或多个计算机可读存储介质708上,以用于由一个或多个处理器702经由一个或多个相应RAM 704(其典型地包括高速缓存存储器)运行。在示出的实施例中,根据本发明的实施例,计算机可读存储介质708中的每一个可以是内部硬盘驱动器的磁盘存储设备、CD-ROM、DVD(digital versatile disk,数字通用盘)、记忆棒、磁带、磁盘、光盘、半导体存储设备(诸如RAM、ROM、EPROM(erasable programmable read-only memory,可擦除可编程只读存储器)、闪存)、或者可以存储计算机程序和数字信息的任何其它计算机可读存储介质。
计算***600还可以包括从一个或多个便携式计算机可读存储介质726读取或向一个或多个便携式计算机可读存储介质726写入的R/W驱动器或接口714。计算***600上的应用程序711可以存储在一个或多个便携式计算机可读存储介质726上,经由相应的R/W驱动器或接口714读取,并且加载到相应的计算机可读存储介质708中。
计算***600还可以包括网络适配器或接口716,诸如TCP/IP适配器卡或无线通信适配器。计算***600上的应用程序711可以经由网络(例如,互联网、局域网或其它广域网或无线网络)和网络适配器或接口716从外部计算机或外部存储设备下载到计算设备。从网络适配器或接口716,程序可以被加载到计算机可读存储介质708中。网络可以包括铜线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和边缘服务器。
计算***600还可以包括显示屏720、键盘或小键盘722以及计算机鼠标或触摸板724。设备驱动器712与以下各项接口:用于成像的显示屏720、键盘或小键盘722、计算机鼠标或触摸板724、和/或用于字母数字字符输入和用户选择的压力感测的显示屏720。设备驱动器712、R/W驱动器或接口714以及网络适配器或接口716可以包括存储在计算机可读存储介质708和/或ROM 706中的硬件和软件。
本发明可以是任何可能的集成技术细节级别的***、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质),以用于使处理器实行本发明的各方面。
计算机可读存储介质可以是有形设备,其可以保存和存储指令以供指令运行设备使用。计算机可读存储介质可以是,例如,但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备,或者上述的任何适当组合。计算机可读存储介质的更具体示例的非穷举列表包括以下:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(staticrandom access memory,SRAM)、便携式光盘只读存储器(compact disc read-onlymemory,CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码设备(诸如其上记录有指令的凹槽中的穿孔卡或凸起结构)以及上述内容的任何适当组合。本文使用的计算机可读存储介质本身不应被解释为瞬时信号,诸如无线电波或其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如,通过光纤电缆的光脉冲)或通过导线发送的电信号。
本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备,或者经由网络(诸如互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令,并转发计算机可读程序指令以用于存储在相应计算/处理设备内的计算机可读存储介质中。
用于实行本发明操作的计算机可读程序指令可以是汇编指令、指令集体系结构(instruction-set-architecture,ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据,或者是以一种或多种编程语言的任意组合编写的源代码或对象代码,该编程语言包括面向对象的编程语言(诸如Smalltalk、C++等等),以及过程编程语言(诸如“C”编程语言或类似编程语言)。计算机可读程序指令可以完全在用户的计算机上运行,可以部分在用户的计算机上运行,作为独立软件包,可以部分在用户的计算机上且部分在远程计算机上运行或者可以完全在远程计算机或服务器上运行。在后一种情形下,远程计算机可以通过任何类型的网络连接到用户的计算机,该网络包括局域网(local area network,LAN)或广域网(wide area network,WAN),或者可以连接到外部计算机(例如,通过使用互联网服务提供商的互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(field-programmable gate array,FPGA)或可编程逻辑阵列(programmable logic array,PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来个性化电子电路以执行计算机可读程序指令,以便执行本发明的各方面。
本文参考根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图来描述本发明的方面。将理解,流程图和/或框图的每个框,以及流程图和/或框图中的框的组合,可以通过计算机可读程序指令来实施。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以产生机器,使得经由计算机或其它可编程数据处理装置的处理器运行的指令创建用于实施流程图和/或框图一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中,该计算机可读存储介质可以引导计算机、可编程数据处理装置和/或其它设备以特定方式运作,使得其中存储有指令的计算机可读存储介质包括制品,该制品包括实施流程图和/或框图一个或多个框中指定的功能/动作的方面的指令。
计算机可读程序指令还可以被加载到计算机、其它可编程数据处理装置或其它设备上,以使得一系列操作步骤将在计算机、其它可编程装置或其它设备上执行以产生计算机实施的过程,使得在计算机、其它可编程装置或其它设备上执行的指令实施流程图和/或框图的一个或多个框中指定的功能/动作。
图中的流程图和框图示出了根据本发明各种实施例的***、方法和计算机程序产品的可能实施方式的体系结构、功能和操作。在这点上,流程图或框图中的每个框可以表示指令的模块、段或部分,其包括用于实施(多个)指定逻辑功能的一个或多个可运行指令。在一些替代实施方式中,框中标注的功能可以出现在图中标注的次序之外。例如,连续示出的两个框实际上可以基本上同时运行,或者这些框有时可以以相反的次序执行,这取决于所涉及的功能。还将注意到,框图和/或流程图的每个框以及框图和/或流程图中的框的组合可以由执行指定功能或动作或实行专用硬件和计算机指令的组合的基于专用硬件的***来实施。
应当理解,尽管本公开包括关于云计算的详细描述,但其中记载的技术方案的实施却不限于云计算环境,而是能够结合现在已知或以后开发的任何其它类型的计算环境而实施。
云计算是一种服务交付模式,用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源,例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括:
按需自助式服务:云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入:计算能力可以通过标准机制在网络上获取,这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池:提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者,其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下,消费者不能控制或甚至并不知晓所提供的资源的确切位置,但可以在较高抽象程度上指定位置(例如国家、州或数据中心),因此具有位置无关性。
迅速弹性:能够迅速、有弹性地(有时是自动地)部署计算能力,以实施快速扩展,并且能迅速释放来快速缩小。在消费者看来,用于部署的可用计算能力往往显得是无限的,并能在任意时候都能获取任意数量的计算能力。
可测量的服务:云***通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力,自动地控制和优化资源效用。可以监测、控制和报告资源使用情况,为服务提供者和消费者双方提供透明度。
服务模型如下:
软件即服务(Software as a Service,SaaS):向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外,消费者既不管理也不控制包括网络、服务器、操作***、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(Platform as a Service,PaaS):向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用,这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作***或存储的底层云基础架构,但对其部署的应用具有控制权,对应用托管环境配置可能也具有控制权。
基础架构即服务(Infrastructure as a Service,IaaS):向消费者提供的能力是消费者能够在其中部署并运行包括操作***和应用的任意软件的处理、存储、网络和其它基础计算资源。消费者既不管理也不控制底层的云基础架构,但是对操作***、存储和其部署的应用具有控制权,对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下:
私有云:云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云:云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云:云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云:云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成,这些云依然是独特的实体,但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的,特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图8,其中显示了示例性的云计算环境50。如图所示,云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10,本地计算设备例如可以是个人数字助理(PDA)或移动电话54A,台式电脑54B、笔记本电脑54C和/或汽车计算机***54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样,云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解,图8显示的各类计算设备54A-N仅仅是示意性的,云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图9,其中显示了云计算环境50(图8)提供的一组功能抽象层。首先应当理解,图9所示的组件、层以及功能都仅仅是示意性的,本发明的实施例不限于此。如图3所示,提供下列层和对应功能:
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括:主机61;基于RISC(精简指令集计算机)体系结构的服务器62;服务器63;刀片服务器64;存储设备65;以及网络和网络组件66。在一些实施例中,软件组件的示例包括:网络应用服务器软件67和数据库软件68。
虚拟层70提供一个抽象层,该层可以提供下列虚拟实体的示例:虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作***74,以及虚拟客户端75。
在一个示例中,管理层80可以提供下述功能:资源供应功能81:提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取;计量和定价功能82:在云计算环境内对资源的使用进行成本跟踪,并为此提供帐单和***。在一个示例中,该资源可以包括应用软件许可。安全功能:为云的消费者和任务提供身份认证,为数据和其它资源提供保护。用户门户功能83:为消费者和***管理员提供对云计算环境的访问。服务水平管理功能84:提供云计算资源的分配和管理,以满足必需的服务水平。服务水平协议(SLA)计划和履行功能85:为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层90提供云计算环境可能实施的功能的示例。在该层中,可提供的工作负载或功能的示例包括:地图绘制与导航91;软件开发及生命周期管理92;虚拟教室的教学提供93;数据分析处理94;交易处理95;以及图像处理96。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改善,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
在不脱离本发明范围的情况下,可以对前述内容进行改善和修改。
Claims (20)
1.一种方法,包括:
由一个或多个处理器为接收到的图像创建图像数据的输入矩阵;
响应于选择第一图像滤波器以用于生成人工图像,由一个或多个处理器将第一图像滤波器的第一滤波器计算应用于所述图像数据的输入矩阵,其中应用所述第一滤波器计算生成图像数据的第一结果矩阵;
由一个或多个处理器将所述图像数据的第一结果矩阵级联到所述图像数据的输入矩阵,以生成图像数据的第一级联矩阵;以及
由一个或多个处理器基于所述图像数据的级联矩阵生成适合在神经网络中使用的人工图像。
2.根据权利要求1所述的方法,还包括:
响应于选择第二图像滤波器以用于生成人工图像,由一个或多个处理器将第二图像滤波器的第二滤波器计算应用于所述图像数据的输入矩阵;以及
由一个或多个处理器将所述图像数据的第一结果矩阵和图像数据的第二结果矩阵级联到所述图像数据的输入矩阵,以生成图像数据的第二级联矩阵。
3.根据权利要求2所述的方法,还包括:
由一个或多个处理器将所述图像数据的第一结果矩阵附加到所述图像数据的第二结果矩阵附近。
4.根据权利要求1所述的方法,还包括:
由一个或多个处理器修改所述图像数据的第一结果矩阵的第一尺寸,以匹配所述图像数据的输入矩阵的第二尺寸。
5.根据权利要求4所述的方法,其中,所述图像数据的第一结果矩阵的第一尺寸小于所述图像数据的输入矩阵,并且修改所述图像数据的第一结果矩阵的第一尺寸包括像素复制、插值、外推或用常数值填充以匹配所述图像数据的输入矩阵的第二尺寸。
6.根据权利要求4所述的方法,其中,所述图像数据的第一结果矩阵的第一尺寸大于所述图像数据的输入矩阵,并且修改所述图像数据的第一结果矩阵的第一尺寸包括提供附加矩阵以容纳附加矩阵数据。
7.根据权利要求1所述的方法,其中,接收到的图像是全色的。
8.根据权利要求1所述的方法,其中,将所述第一图像滤波器的第一滤波器计算应用于所述图像数据的输入矩阵还包括:
由一个或多个处理器将所述第一滤波器计算分开地应用于所述图像数据的输入矩阵的每个颜色层,以返回每个颜色平面的单个级联矩阵。
9.根据权利要求8所述的方法,其中,每个颜色层被堆叠以创建图像数据的人工灰色图像输入矩阵。
10.一种计算机***,包括:
一个或多个计算机处理器;
一个或多个计算机可读存储介质;和
存储在计算机可读存储介质上的程序指令,用于由所述一个或多个计算机处理器中的至少一个计算机处理器运行,所述程序指令包括:
程序指令,用于为接收到的图像创建图像数据的输入矩阵;
程序指令,用于响应于选择第一图像滤波器以用于生成人工图像,将第一图像滤波器的第一滤波器计算应用于所述图像数据的输入矩阵,其中应用所述第一滤波器计算生成图像数据的第一结果矩阵;
程序指令,用于将所述图像数据的第一结果矩阵级联到所述图像数据的输入矩阵,以生成图像数据的第一级联矩阵;以及
程序指令,用于基于所述图像数据的级联矩阵生成适合在神经网络中使用的人工图像。
11.根据权利要求10所述的计算机***,还包括存储在一个或多个计算机可读存储介质上的程序指令,所述程序指令在由处理器运行时,使得所述处理器:
响应于选择第二图像滤波器以用于生成人工图像,将第二图像滤波器的第二滤波器计算应用于所述图像数据的输入矩阵;以及
将所述图像数据的第一结果矩阵和图像数据的第二结果矩阵级联到所述图像数据的输入矩阵,以生成第二级联图像数据矩阵。
12.根据权利要求11所述的计算机***,还包括存储在一个或多个计算机可读存储介质上的程序指令,所述程序指令在由处理器运行时,使得所述处理器:
将所述图像数据的第一结果矩阵附加到所述图像数据的第二结果矩阵附近。
13.根据权利要求10所述的计算机***,还包括存储在一个或多个计算机可读存储介质上的程序指令,所述程序指令在由处理器运行时,使得所述处理器:
修改所述图像数据的第一结果矩阵的第一尺寸,以匹配所述图像数据的输入矩阵的第二尺寸。
14.根据权利要求13所述的计算机***,其中,所述图像数据的第一结果矩阵的第一尺寸小于所述图像数据的输入矩阵,并且修改所述图像数据的第一结果矩阵的第一尺寸包括像素复制、插值、外推或用常数值填充以匹配所述图像数据的输入矩阵的第二尺寸。
15.根据权利要求13所述的计算机***,其中,所述图像数据的第一结果矩阵的第一尺寸大于所述图像数据的输入矩阵,并且修改所述图像数据的第一结果矩阵的第一尺寸包括提供附加矩阵以容纳附加矩阵数据。
16.根据权利要求10所述的计算机***,其中,接收到的图像是全色的。
17.根据权利要求10所述的计算机***,其中,将所述第一图像滤波器的第一滤波器计算应用于所述图像数据的输入矩阵还包括存储在一个或多个计算机可读存储介质上的程序指令,所述程序指令在由处理器运行时,使得所述处理器:
将所述第一滤波计算分开地应用于所述图像数据的输入矩阵的每个颜色层,以返回每个颜色平面的单个级联矩阵。
18.根据权利要求17所述的计算机***,其中每个颜色层被堆叠以创建图像数据的人工灰色图像输入矩阵。
19.一种计算机程序产品,包括:
一个或多个计算机可读存储介质和存储在一个或多个存储介质中的至少一个存储介质上的程序指令,所述程序指令包括:
程序指令,用于为接收到的图像创建图像数据的输入矩阵;
程序指令,用于响应于选择第一图像滤波器以用于生成人工图像,将第一图像滤波器的第一滤波器计算应用于所述图像数据的输入矩阵,其中应用所述第一滤波器计算生成图像数据的第一结果矩阵;
程序指令,用于将所述图像数据的第一结果矩阵级联到所述图像数据的输入矩阵,以生成图像数据的第一级联矩阵;以及
程序指令,用于基于所述图像数据的级联矩阵生成适合在神经网络中使用的人工图像。
20.根据权利要求19所述的计算机程序产品,还包括存储在一个或多个计算机可读存储介质上的程序指令,所述程序指令在由处理器运行时,使得所述处理器:
响应于选择第二图像滤波器以用于生成人工图像,将第二图像滤波器的第二滤波器计算应用所述于图像数据的输入矩阵;以及
将所述图像数据的第一结果矩阵和图像数据的第二结果矩阵级联到所述图像数据的输入矩阵,以生成第二级联图像数据矩阵。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/900,921 | 2018-02-21 | ||
US15/900,921 US10586129B2 (en) | 2018-02-21 | 2018-02-21 | Generating artificial images for use in neural networks |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175968A true CN110175968A (zh) | 2019-08-27 |
CN110175968B CN110175968B (zh) | 2023-05-09 |
Family
ID=67617361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910125584.8A Active CN110175968B (zh) | 2018-02-21 | 2019-02-20 | 生成在神经网络中使用的人工图像 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10586129B2 (zh) |
CN (1) | CN110175968B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344832A (zh) * | 2021-05-28 | 2021-09-03 | 杭州睿胜软件有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833263B (zh) * | 2020-06-08 | 2024-06-07 | 北京嘀嘀无限科技发展有限公司 | 图像处理方法、装置、可读存储介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19836071A1 (de) * | 1998-08-10 | 2000-02-17 | Schlafhorst & Co W | Verfahren zur Erkennung von Fadenresten auf Spinnkopshülsen |
US20010048771A1 (en) * | 2000-05-25 | 2001-12-06 | Nec Corporation | Image processing method and system for interpolation of resolution |
US20080212887A1 (en) * | 2005-05-12 | 2008-09-04 | Bracco Imaging S.P.A. | Method For Coding Pixels or Voxels of a Digital Image and a Method For Processing Digital Images |
US20090003723A1 (en) * | 2007-06-26 | 2009-01-01 | Nik Software, Inc. | Method for Noise-Robust Color Changes in Digital Images |
US20120051667A1 (en) * | 2010-08-27 | 2012-03-01 | Korea University Research And Business Foundation | Method and system of reconstructing super-resolution image |
CN103514583A (zh) * | 2012-06-30 | 2014-01-15 | 华为技术有限公司 | 图像锐化方法及设备 |
WO2015078130A1 (zh) * | 2013-11-29 | 2015-06-04 | 华为技术有限公司 | 目标检测方法及装置 |
US20170243053A1 (en) * | 2016-02-18 | 2017-08-24 | Pinscreen, Inc. | Real-time facial segmentation and performance capture from rgb input |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2809954B2 (ja) * | 1992-03-25 | 1998-10-15 | 三菱電機株式会社 | 画像感知および処理のための装置および方法 |
US6792159B1 (en) * | 1999-12-29 | 2004-09-14 | Ge Medical Systems Global Technology Company, Llc | Correction of defective pixels in a detector using temporal gradients |
US9542626B2 (en) | 2013-09-06 | 2017-01-10 | Toyota Jidosha Kabushiki Kaisha | Augmenting layer-based object detection with deep convolutional neural networks |
CN105849274B (zh) | 2013-10-28 | 2020-01-21 | 分子装置有限公司 | 用于显微图像中的单独细胞的分类和识别的方法和*** |
CN104992177A (zh) | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深层卷积神经网络的网络色情图像检测方法 |
US10162086B2 (en) * | 2016-03-07 | 2018-12-25 | Microsoft Technology Licensing, Llc | Imaging through highly diffusive media with wavefront shaping |
EP3315907A1 (de) * | 2016-10-27 | 2018-05-02 | Leica Geosystems AG | Verfahren zur visuellen darstellung von scandaten |
CN106780466A (zh) | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
-
2018
- 2018-02-21 US US15/900,921 patent/US10586129B2/en not_active Expired - Fee Related
-
2019
- 2019-02-20 CN CN201910125584.8A patent/CN110175968B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19836071A1 (de) * | 1998-08-10 | 2000-02-17 | Schlafhorst & Co W | Verfahren zur Erkennung von Fadenresten auf Spinnkopshülsen |
US20010048771A1 (en) * | 2000-05-25 | 2001-12-06 | Nec Corporation | Image processing method and system for interpolation of resolution |
US20080212887A1 (en) * | 2005-05-12 | 2008-09-04 | Bracco Imaging S.P.A. | Method For Coding Pixels or Voxels of a Digital Image and a Method For Processing Digital Images |
US20090003723A1 (en) * | 2007-06-26 | 2009-01-01 | Nik Software, Inc. | Method for Noise-Robust Color Changes in Digital Images |
US20120051667A1 (en) * | 2010-08-27 | 2012-03-01 | Korea University Research And Business Foundation | Method and system of reconstructing super-resolution image |
CN103514583A (zh) * | 2012-06-30 | 2014-01-15 | 华为技术有限公司 | 图像锐化方法及设备 |
WO2015078130A1 (zh) * | 2013-11-29 | 2015-06-04 | 华为技术有限公司 | 目标检测方法及装置 |
US20170243053A1 (en) * | 2016-02-18 | 2017-08-24 | Pinscreen, Inc. | Real-time facial segmentation and performance capture from rgb input |
Non-Patent Citations (2)
Title |
---|
SADANANDAN S K等: "《Feature augmented deep neural networks for segmentation of cells》", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
王津航等: "《基于色调优化的图像视频细节增强》", 《计算机软件及计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344832A (zh) * | 2021-05-28 | 2021-09-03 | 杭州睿胜软件有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110175968B (zh) | 2023-05-09 |
US10586129B2 (en) | 2020-03-10 |
US20190258898A1 (en) | 2019-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7087079B2 (ja) | 深層学習アプリケーションのための堅牢な勾配重み圧縮方式 | |
EP3602402B1 (en) | Learning visual concepts using neural networks | |
Bernardes et al. | Environmental correlations and Markovian to non-Markovian transitions in collisional models | |
CN110390401A (zh) | 使用嵌入空间之间的变分映射生成跨域数据 | |
CN107506828A (zh) | 计算装置和方法 | |
CN109034206A (zh) | 图像分类识别方法、装置、电子设备及计算机可读介质 | |
CN106934397A (zh) | 图像处理方法、装置及电子设备 | |
CN105843703A (zh) | 将***管理员动作提取到提供***问题解决方案的工作流 | |
CN104937544B (zh) | 用于计算任务结果的方法、计算机可读介质和计算机*** | |
US12045914B2 (en) | Image coloring method and apparatus based on artificial intelligence, electronic device, and computer readable storage medium | |
CN108257100A (zh) | 一种图像修复方法及服务器 | |
Maximo et al. | Hardware‐Assisted Projected Tetrahedra | |
CN110175968A (zh) | 生成在神经网络中使用的人工图像 | |
CN115268883A (zh) | 一种可视化配置页面的方法及装置、电子设备、存储介质 | |
CN110059113A (zh) | 基于知识图的问题校正 | |
Yadlapalli et al. | Artificially intelligent decentralized autonomous organization | |
Zillner | Business models and ecosystem for big data | |
Lurstwut et al. | Rice seed germination analysis | |
CN115690304A (zh) | 数据处理方法、***及电子设备 | |
Vieira | Quaternionic Convolutional Neural Networks with Trainable Bessel Activation Functions | |
Loizides et al. | The empathic visualisation algorithm (EVA)-An automatic mapping from abstract data to naturalistic visual structure | |
Zhang | Visualization for decision-making support | |
Janik | Interpretability of a Deep Learning Model for Semantic Segmentation: Example of Remote Sensing Application | |
Rebollo et al. | Three-dimensional trees for virtual globes | |
Qorbani et al. | A deep convolutional neural network based on U-Net to predict annual luminance maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |