CN113239899A - 用于处理图像和生成卷积核的方法、路侧设备和云控平台 - Google Patents
用于处理图像和生成卷积核的方法、路侧设备和云控平台 Download PDFInfo
- Publication number
- CN113239899A CN113239899A CN202110671221.1A CN202110671221A CN113239899A CN 113239899 A CN113239899 A CN 113239899A CN 202110671221 A CN202110671221 A CN 202110671221A CN 113239899 A CN113239899 A CN 113239899A
- Authority
- CN
- China
- Prior art keywords
- convolution
- initial
- convolution kernel
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 117
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 239000000306 component Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于处理图像和生成卷积核的方法、路侧设备及云控平台，涉及计算机技术领域，特别涉及人工智能和计算机视觉技术。具体实现方案为：获取待处理图像的目标卷积区域；利用预设的融合卷积核对该目标卷积区域进行卷积操作，生成卷积结果，其中，该融合卷积核基于该目标卷积区域相对于该待处理图像的空间位置与预先训练得到的卷积核生成，该融合卷积核的尺寸与该目标卷积区域的尺寸一致；基于该卷积结果，生成该待处理图像对应的特征图。从而弥补了传统卷积对空间信息特征不区分的缺点，提升了卷积网络的特征表征能力。
Description
技术领域
本公开涉及计算机技术领域，特别涉及人工智能和计算机视觉技术，尤其涉及用于处理图像和生成卷积核的方法、路测设备和云控平台。
背景技术
随着人工智能和计算机视觉技术的飞速发展，卷积神经网络(ConvolutionalNeural Networks,CNN)成为现阶段视觉任务的核心框架之一。卷积核是构成卷积神经网络的核心组件。
现有技术中，卷积操作具有通道唯一性和空间共享性的特点，空间共享性保证了卷积核在空间不同位置实现共享，具有平移不变性的特点；通道唯一性保证了卷积核可以收集到不同通道的信息。
发明内容
提供了一种用于处理图像和生成卷积核的方法、路侧设备及云控平台。
根据第一方面，提供了一种用于处理图像的方法，该方法包括：获取待处理图像的目标卷积区域；利用预设的融合卷积核对目标卷积区域进行卷积操作，生成卷积结果，其中，融合卷积核基于目标卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成，融合卷积核的尺寸与目标卷积区域的尺寸一致；基于卷积结果，生成待处理图像对应的特征图。
根据第二方面，提供了一种用于生成预先训练得到的网络权重和卷积核的方法，包括：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和对应的样本标签；获取初始局部独立感受野卷积网络，其中，初始局部独立感受野卷积网络包括初始网络权重和初始卷积核；以及执行以下训练步骤：对训练样本集合中的样本图像的目标卷积区域在通道数维度上基于初始网络权重进行重映射，生成初始映射结果；对初始映射结果进行重新排布，生成与初始卷积核的维度匹配的排布结果作为初始修正系数张量；基于初始修正系数张量与初始卷积核进行融合，生成初始融合卷积核；利用初始融合卷积核对样本图像进行卷积操作，生成卷积结果；基于卷积结果与样本图像对应的样本标签之间的差异，调整初始网络权重和初始卷积核；响应于确定不满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续执行训练步骤；响应于确定满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为预先训练得到的网络权重和预先训练得到的卷积核。
根据第三方面，提供了一种用于处理图像的装置，该装置包括：第一获取单元，被配置成获取待处理图像的目标卷积区域；卷积单元，被配置成利用预设的融合卷积核对目标卷积区域进行卷积操作，生成卷积结果，其中，融合卷积核基于目标卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成，融合卷积核的尺寸与目标卷积区域的尺寸一致；生成单元，被配置成基于卷积结果，生成待处理图像对应的特征图。
根据第四方面，提供了一种用于生成预先训练得到的网络权重和卷积核的装置，包括：第二获取单元，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和对应的样本标签；第三获取单元，被配置成获取初始局部独立感受野卷积网络，其中，初始局部独立感受野卷积网络包括初始网络权重和初始卷积核；训练单元，被配置成对练样本集合中的样本图像的目标卷积区域在通道数维度上基于初始网络权重进行重映射，生成初始映射结果；对初始映射结果进行重新排布，生成与初始卷积核的维度匹配的排布结果作为初始修正系数张量；基于初始修正系数张量与初始卷积核进行融合，生成初始融合卷积核；利用初始融合卷积核对样本图像进行卷积操作，生成卷积结果；基于卷积结果与样本图像对应的样本标签之间的差异，调整初始网络权重和初始卷积核；响应于确定不满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续训练；确定单元，被配置成响应于确定满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为预先训练得到的网络权重和预先训练得到的卷积核。
根据第五方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被上述至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面或第二方面中任一实现方式所描述的方法。
根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机能够执行如第一方面或第二方面中任一实现方式所描述的方法。
根据第七方面，提供了一种一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面或第二方面中任一项所述的方法
根据第八方面，提供了一种路侧设备，包括如第五方面中所描述的电子设备。
根据第九方面，提供了一种云控平台，包括如第五方面中所描述的电子设备。
根据本公开的技术通过利用基于目标卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成的融合卷积核对目标卷积区域进行卷积操作，进而生成特征图。从而实现了在不同的空间采用不同的卷积核进行卷积操作，弥补了传统卷积对空间信息特征不区分的缺点。并且可以通过目标卷积区域的确定，保留传统卷积平移不变性的特点，从而提升了卷积网络的特征表征能力。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是可以实现本公开实施例的用于处理图像的方法的一个应用场景的示意图；
图4是根据本公开实施例的用于处理图像的装置的示意图；
图5是根据本公开实施例的用于生成预先训练得到的网络权重和卷积核的装置的示意图；
图6是用来实现本公开实施例的用于处理图像或用于生成预先训练得到的网络权重和卷积核的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是示出了根据本公开第一实施例的示意图100。该用于处理图像的方法包括以下步骤：
S101，获取待处理图像的目标卷积区域。
在本实施例中，用于处理图像的执行主体可以通过各种方式获取待处理图像的目标卷积区域。其中，上述待处理图像的目标卷积区域可以根据实际应用场景的不同而灵活设定。作为示例，上述待处理图像可以为输入层的原始图像，从而上述目标卷积区域可以包括上述待处理图像的感受野。作为又一示例，上述待处理图像可以为隐层输出的图像，从而上述目标卷积区域可以为待与相对应的卷积核进行卷积操作的区域。
需要说明的是，上述待处理图像的目标卷积区域的数目通常大于1；当全连接时，上述待处理图像的目标卷积区域也可以等于1。
S102，利用预设的融合卷积核对目标卷积区域进行卷积操作，生成卷积结果。
在本实施例中，上述执行主体可以通过各种方式利用预设的融合卷积核对上述步骤S101所获取的目标卷积区域进行卷积操作，生成卷积结果。其中，上述融合卷积核通常基于上述目标卷积区域相对于上述待处理图像的空间位置与预设初始卷积核生成。上述融合卷积核的尺寸通常与上述目标卷积区域的尺寸一致。
在本实施例中，上述目标卷积区域相对于上述待处理图像的空间位置可以有多种表示形式。作为示例，上述目标卷积区域中的任一像素可以用相对于待处理图像的坐标表示。作为又一示例，上述目标卷积区域中的任一像素也可以用其周围(例如包围其的8个)像素的值或分布来表示。在此不做限定。上述预先训练的卷积核可以是预先利用机器学习方式训练得到的卷积核。
S103，基于卷积结果，生成待处理图像对应的特征图。
在本实施例中，基于步骤S102所生成的卷积结果，上述执行主体可以通过各种方式生成上述待处理图像对应的特征图。作为示例，上述执行主体可以将上述步骤S102所生成的卷积结果按照步骤S101所对应获取的多个目标卷积区域在待处理图像中的位置进行排列，从而生成上述待处理图像对应的特征图。
本公开的上述实施例提供的方法，通过利用基于目标卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成的融合卷积核对目标卷积区域进行卷积操作，进而生成特征图。从而实现了在不同的空间采用不同的卷积核进行卷积操作，弥补了传统卷积对空间信息特征不区分的缺点。并且可以通过目标卷积区域的确定，保留传统卷积平移不变性的特点，从而提升了卷积网络的特征表征能力。
在本实施例的一些可选的实现方式中，上述预设的融合卷积核可以通过以下步骤生成：
第一步，根据目标卷积区域，生成预先训练得到的卷积核的修正系数张量。
在这些实现方式中，上述修正系数张量与上述目标卷积区域中像素值的分布相关联，从而可以保证卷积网络的平移不变性。上述修正系数张量的维度通常与上述预先训练得到的卷积核的维度匹配，以使两者能够融合。
第二步，基于修正系数张量与预先训练得到的卷积核进行融合，生成融合卷积核。
在这些实现方式中，基于上述第一步所生成的修正系数张量与预先训练得到的卷积核进行融合，上述执行主体可以通过各种方式生成上述融合卷积核。作为示例，上述融合方式可以根据匹配的维度而确定，此处不做限定。
基于上述可选的实现方式，本方案可以通过将融合卷积核分解为具有空间独立性的修正系数张量和具有空间共享性的预先训练得到的卷积核，从而可以针对不同的目标卷积区域生成不同的融合卷积核，因而丰富了具有空间独立性的融合卷积核的生成方式。
在本实施例的一些可选的实现方式中，基于上述可选的实现方式，根据目标卷积区域，上述执行主体还可以按照如下步骤生成预先训练得到的卷积核的修正系数张量：
S1、对目标卷积区域在通道数维度上基于预先训练得到的网络权重进行重映射，生成映射结果。
在这些实现方式中，上述执行主体可以将上述目标卷积区域按照通道数维度进行展开，并与预先训练得到的网络权重相乘。而后，基于上述相乘结果，上述执行主体可以通过各种方式生成映射结果。作为示例，上述执行主体可以对上述相乘结果进行批归一化处理(Batch Normalization)，将处理后的结果作为上述映射结果。作为又一示例，上述执行主体还可以对上述批归一化处理后得到的结果映射至0～1的范围，将所得到的0～1的范围的数值所组成的张量确定为上述映射结果。
作为示例，上述执行主体可以按照如下公式进行重映射，生成映射结果：
F(X)＝σ(BN(WX))
其中，上述X可以用于表征上述目标卷积区域，其可以是形状为(C,1,1)的一个张量。其中，上述C可以用于表征上述目标卷积区域的通道数。上述W可以为上述预先训练得到的网络权重，其通常可以为一层全连接层的权重。上述BN()可以用于表征批归一化处理。上述σ可以用于表征将批归一化处理的结果映射至(0,1)的范围。上述F(X)可以用于表征映射结果。其中，上述在通道数维度展开后的F(X)可以是形状为(K×K,1,1)的张量。其中，上述K可以用于表征上述目标卷积区域的宽和高。
S2、对映射结果进行重新排布，生成与预先训练得到的卷积核的维度匹配的排布结果作为预先训练得到的卷积核的修正系数张量。
在这些实现方式中，上述执行主体可以通过各种方式对上述步骤S1得到的映射结果进行重新排布，生成与预先训练得到的卷积核的维度匹配的排布结果作为预先训练得到的卷积核的修正系数张量。作为示例，上述执行主体可以通过reshape函数对上述步骤S1得到的映射结果进行重新排布，生成与预先训练得到的卷积核的维度匹配的排布结果作为预先训练得到的卷积核的修正系数张量。作为示例，当上述预先训练得到的卷积核的维度为(O，C，K，K)时，上述修正系数张量的维度可以是(1，1，K,K)。其中，上述O可以用于表征输出通道数。上述C、K的含义可以与前述一致，此处不再赘述。
基于上述可选的实现方式，本方案可以利用预先训练得到的网络权重在通道数维度上进行映射进而重新排布，从而生成与预先训练得到的卷积核的维度匹配的排布结果作为预先训练得到的卷积核的修正系数张量，因而丰富了修正系数张量的生成方式。
可选地，基于上述可选的实现方式，上述执行主体还可以将上述修正系数张量与预先训练得到的卷积核进行点乘操作，生成融合卷积核。
基于上述可选的实现方式，本方案可以通过点乘操作的方式为预先训练得到的卷积核提供空间特征维度的系数修正，从而为提高所提取的特征表征能力提供基础。
在本实施例的一些可选的实现方式中，根据上述步骤S103所生成的特征图，上述执行主体还可以进一步生成上述待处理图像的处理结果。作为示例，根据图像处理任务的不同(例如图像检测)，上述执行主体可以利用预设的不同全连接层实现不同的图像处理任务，从而生成上述待处理图像的处理结果。
基于上述可选的实现方式，本方案可以将通过上述融合卷积核生成的特征图进一步应用于不同的图像处理任务，从而提升图像处理效果。
继续参见图2，图2是根据本公开第二实施例的示意图200。该用于生成预先训练得到的网络权重和卷积核的方法包括以下步骤：
S201，获取训练样本集合。
在本实施例中，用于生成预先训练得到的网络权重和卷积核的方法的执行主体可以通过各种方式从通信连接的电子设备或本地获取训练样本集合。其中，上述训练样本集合中的训练样本可以包括样本图像和对应的样本标签。上述样本图像对应的样本标签可以根据不同的图像处理任务而设定。作为示例，上述样本图像对应的样本标签可以用于指示样本图像中呈现的目标的名称，例如“猫”、“汽车”等。
S202，获取初始局部独立感受野卷积网络，以及执行以下训练步骤：
在本实施例中，上述执行主体可以通过各种方式从通信连接的电子设备或本地获取初始局部独立感受野卷积网络。其中，上述初始局部独立感受野卷积网络可以包括初始网络权重和初始卷积核。作为示例，上述初始网络权重可以包括一层全连接层对应的权重。
S203，对训练样本集合中的样本图像的目标卷积区域在通道数维度上基于初始网络权重进行重映射，生成初始映射结果。
在本实施例中，上述执行主体可以对上述步骤S201获取的训练样本集合中的样本图像的目标卷积区域在通道数维度上基于初始网络权重进行重映射，生成初始映射结果。
需要说明的是，上述生成初始映射结果的具体方式可以与前述实施例中步骤S102中可选的实现方式中的步骤S1的描述相类似，此处不再赘述。
S204，对初始映射结果进行重新排布，生成与初始卷积核的维度匹配的排布结果作为初始修正系数张量。
在本实施例中，上述执行主体可以对步骤S203所生成的初始映射结果进行重新排布，生成与上述初始局部独立感受野卷积网络中初始卷积核的维度匹配的排布结果作为初始修正系数张量。
需要说明的是，上述生成初始修正系数张量的具体方式可以与前述实施例中步骤S102中可选的实现方式中的步骤S2的描述相类似，此处不再赘述。
S205，基于初始修正系数张量与初始卷积核进行融合，生成初始融合卷积核。
在本实施例中，基于上述步骤S204所生成的初始修正系数张量与上述初始局部独立感受野卷积网络中初始卷积核进行融合，上述执行主体可以生成初始融合卷积核。
需要说明的是，上述生成初始融合卷积核的具体方式可以与前述实施例中步骤S102中可选的实现方式中的第二步及其可选的实现方式中的相应描述类似，此处不再赘述。
S206，利用初始融合卷积核对样本图像进行卷积操作，生成卷积结果。
在本实施例中，上述执行主体可以利用上述步骤S205所生成的初始融合卷积核对上述步骤S203所针对的样本图像进行卷积操作，生成卷积结果。
S207，基于卷积结果与样本图像对应的样本标签之间的差异，调整初始网络权重和初始卷积核。
在本实施例中，上述执行主体可以首先通过各种方式确定上述步骤S206所生成的卷积结果与上述步骤S203所针对的样本图像对应的样本标签之间的差异。作为示例，上述执行主体可以利用预设的损失函数计算损失值。而后，上述执行主体可以利用反向传播(Backpropagation，BP)法更新上述初始网络权重和初始卷积核。
S208，响应于确定不满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续执行训练步骤。
在本实施例中，上述执行主体可以首先确定是否满足预设训练停止条件。其中，上述训练停止条件可以包括但不限于以下至少一项：训练时间达到预设训练时长，迭代次数达到预设迭代次数，损失值收敛，训练集的预测准确率达到预设阈值。响应于确定不满足，上述执行主体可以将经过上述步骤S207调整后的初始网络权重和初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续执行步骤S203-S207的训练步骤。
S209，响应于确定满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为预先训练得到的网络权重和预先训练得到的卷积核。
在本实施例中，响应于确定满足预设训练停止条件，上述执行主体可以将经过上述步骤S207调整后的初始网络权重和初始卷积核分别确定为预先训练得到的网络权重和预先训练得到的卷积核。
从图2中可以看出，本实施例中的用于生成预先训练得到的网络权重和卷积核的方法的流程200体现了基于有监督训练同时调整网络权重和卷积核，从而在满足预设训练停止条件时得到网络权重和卷积核的步骤。由此，本实施例描述的方案提供了一种生成预先训练得到的网络权重和卷积核的方法，从而为据此生成的融合卷积核所提取的特征以及提升图像处理效果提供技术基础。
继续参见图3，图3是根据本公开的实施例的用于处理图像的方法的应用场景的一个示意图。在图3的应用场景中，服务器300可以获取待处理图像301的目标卷积区域3011。其中，上述目标卷积区域3011可以是以第3行第3列的像素点为中心的3×3区域。可选地，上述目标卷积区域3011还可以包括多个通道(例如R、G、B通道)。服务器300可以利用预设的融合卷积核302对上述目标卷积区域3011进行卷积操作，生成卷积结果303。其中，上述预设的融合卷积核302可以基于上述目标卷积区域3011相对于上述待处理图像301的空间位置与预先训练得到的卷积核3021生成。基于上述卷积结果303，服务器300可以在上述待处理图像中进行滑动得到其他目标卷积区域，通过重复上述步骤对其他卷积区域进行卷积，从而生成上述待处理图像301对应的特征图304。
目前，现有技术的卷积网络为了节省参数量和计算量，通常采用通过在空间上进行权重共享，但却因此丢弃了不同信息空间对特征产生的贡献，从而弱化了模型的表达能力。而本公开的上述实施例提供的方法，通过基于不同卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成的融合卷积核对不同位置进行卷积，从而可以针对不同的信息空间得出不同的处理结果，并且能够保留传统卷积网络平移不变性的特点，从而提高了由此生成的特征的表征能力，为进一步提升图像处理效果提供基础。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了用于处理图像的装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例提供的用于处理图像的装置400包括第一获取单元401、卷积单元402和生成单元403。其中，第一获取单元401，被配置成获取待处理图像的目标卷积区域；卷积单元402，被配置成利用预设的融合卷积核对目标卷积区域进行卷积操作，生成卷积结果，其中，融合卷积核基于目标卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成，融合卷积核的尺寸与目标卷积区域的尺寸一致；生成单元403，被配置成基于卷积结果，生成待处理图像对应的特征图。
在本实施例中，用于处理图像的装置400中：第一获取单元401、卷积单元402和生成单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述用于处理图像的装置400还可以包括：融合卷积核生成单元(图中未示出)，被配置成：根据目标卷积区域，生成预先训练得到的卷积核的修正系数张量；基于修正系数张量与预先训练得到的卷积核进行融合，生成融合卷积核。
在本实施例的一些可选的实现方式中，上述融合卷积核生成单元可以进一步被配置成：对目标卷积区域在通道数维度上基于预先训练得到的网络权重进行重映射，生成映射结果；对映射结果进行重新排布，生成与预先训练得到的卷积核的维度匹配的排布结果作为预先训练得到的卷积核的修正系数张量。
在本实施例的一些可选的实现方式中，上述融合卷积核生成单元可以进一步被配置成：将修正系数张量与预先训练得到的卷积核进行点乘操作，生成融合卷积核。
本公开的上述实施例提供的装置，通过卷积单元402利用基于目标卷积区域相对于待处理图像的空间位置与预先训练得到的卷积核生成的融合卷积核对第一获取单元401获取的目标卷积区域进行卷积操作，进而生成单元403生成特征图。从而实现了在不同的空间采用不同的卷积核进行卷积操作，弥补了传统卷积对空间信息特征不区分的缺点。并且可以通过目标卷积区域的确定，保留传统卷积平移不变性的特点，从而提升了卷积网络的特征表征能力。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成预先训练得到的网络权重和卷积核的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例提供的用于生成预先训练得到的网络权重和卷积核的装置500包括第二获取单元501、第三获取单元502、训练单元503和确定单元504。其中，第二获取单元501，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和对应的样本标签；第三获取单元502，被配置成获取初始局部独立感受野卷积网络，其中，初始局部独立感受野卷积网络包括初始网络权重和初始卷积核；训练单元503，被配置成对训练样本集合中的样本图像的目标卷积区域在通道数维度上基于初始网络权重进行重映射，生成初始映射结果；对初始映射结果进行重新排布，生成与初始卷积核的维度匹配的排布结果作为初始修正系数张量；基于初始修正系数张量与初始卷积核进行融合，生成初始融合卷积核；利用初始融合卷积核对样本图像进行卷积操作，生成卷积结果；基于卷积结果与样本图像对应的样本标签之间的差异，调整初始网络权重和初始卷积核；响应于确定不满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续训练；确定单元504，被配置成响应于确定满足预设训练停止条件，将调整后的初始网络权重和初始卷积核分别确定为预先训练得到的网络权重和预先训练得到的卷积核。
在本实施例中，用于生成预先训练得到的网络权重和卷积核的装置500中：第二获取单元501、第三获取单元502、训练单元503和确定单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤S201-S209的相关说明，在此不再赘述。
本公开的上述实施例提供的装置，训练单元503利用第二获取单元501获取的训练样本集合基于有监督训练同时调整第三获取单元502所获取的初始局部独立感受野卷积网络中的初始网络权重和初始卷积核，从而在满足预设训练停止条件时由确定单元504确定网络权重和卷积核的步骤。由此，本实施例描述的方案提供了一种生成预先训练得到的网络权重和卷积核的装置，从而为据此生成的融合卷积核所提取的特征以及提升图像处理效果提供技术基础。
本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于处理图像的方法或用于生成预先训练得到的网络权重和卷积核的方法。例如，在一些实施例中，用于处理图像的方法或用于生成预先训练得到的网络权重和卷积核的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于处理图像的方法或用于生成预先训练得到的网络权重和卷积核的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于处理图像的方法或用于生成预先训练得到的网络权重和卷积核的方法。
可选地，路侧设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算。可选的，电子设备自身也可以具备感知数据获取功能和通信功能，例如是AI相机，电子设备可以直接基于获取的感知数据进行图像视频处理和数据计算。
可选地，云控平台在云端执行处理，云控平台包括的电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算；云控平台也可以称为车路协同管理平台、边缘计算平台、云计算平台、中心***、云端服务器等。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种用于处理图像的方法，包括：
获取待处理图像的目标卷积区域；
利用预设的融合卷积核对所述目标卷积区域进行卷积操作，生成卷积结果，其中，所述融合卷积核基于所述目标卷积区域相对于所述待处理图像的空间位置与预先训练得到的卷积核生成，所述融合卷积核的尺寸与所述目标卷积区域的尺寸一致；
基于所述卷积结果，生成所述待处理图像对应的特征图。
2.根据权利要求1所述的方法，其中，所述预设的融合卷积核通过以下步骤生成：
根据所述目标卷积区域，生成所述预先训练得到的卷积核的修正系数张量；
基于所述修正系数张量与所述预先训练得到的卷积核进行融合，生成所述融合卷积核。
3.根据权利要求2所述的方法，其中，所述根据所述目标卷积区域，生成所述预先训练得到的卷积核的修正系数张量，包括：
对所述目标卷积区域在通道数维度上基于预先训练得到的网络权重进行重映射，生成映射结果；
对所述映射结果进行重新排布，生成与所述预先训练得到的卷积核的维度匹配的排布结果作为所述预先训练得到的卷积核的修正系数张量。
4.根据权利要求2或3所述的方法，其中，所述基于所述修正系数张量与所述预先训练得到的卷积核进行融合，生成所述融合卷积核，包括：
将所述修正系数张量与所述预先训练得到的卷积核进行点乘操作，生成所述融合卷积核。
5.一种用于生成预先训练得到的网络权重和卷积核的方法，包括：
获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本图像和对应的样本标签；
获取初始局部独立感受野卷积网络，其中，所述初始局部独立感受野卷积网络包括初始网络权重和初始卷积核；以及执行以下训练步骤：
对所述训练样本集合中的样本图像的目标卷积区域在通道数维度上基于所述初始网络权重进行重映射，生成初始映射结果；
对所述初始映射结果进行重新排布，生成与所述初始卷积核的维度匹配的排布结果作为初始修正系数张量；
基于所述初始修正系数张量与所述初始卷积核进行融合，生成初始融合卷积核；
利用所述初始融合卷积核对所述样本图像进行卷积操作，生成卷积结果；
基于所述卷积结果与所述样本图像对应的样本标签之间的差异，调整所述初始网络权重和所述初始卷积核；
响应于确定不满足预设训练停止条件，将调整后的初始网络权重和所述初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续执行所述训练步骤；
响应于确定满足所述预设训练停止条件，将调整后的初始网络权重和所述初始卷积核分别确定为所述预先训练得到的网络权重和预先训练得到的卷积核。
6.一种用于处理图像的装置，包括：
第一获取单元，被配置成获取待处理图像的目标卷积区域；
卷积单元，被配置成利用预设的融合卷积核对所述目标卷积区域进行卷积操作，生成卷积结果，其中，所述融合卷积核基于所述目标卷积区域相对于所述待处理图像的空间位置与预先训练得到的卷积核生成，所述融合卷积核的尺寸与所述目标卷积区域的尺寸一致；
生成单元，被配置成基于所述卷积结果，生成所述待处理图像对应的特征图。
7.根据权利要求6所述的装置，其中，所述装置还包括：
融合卷积核生成单元，被配置成：
根据所述目标卷积区域，生成所述预先训练得到的卷积核的修正系数张量；
基于所述修正系数张量与所述预先训练得到的卷积核进行融合，生成所述融合卷积核。
8.根据权利要求7所述的装置，其中，所述融合卷积核生成单元被进一步配置成：
对所述目标卷积区域在通道数维度上基于预先训练得到的网络权重进行重映射，生成映射结果；
对所述映射结果进行重新排布，生成与所述预先训练得到的卷积核的维度匹配的排布结果作为所述预先训练得到的卷积核的修正系数张量。
9.根据权利要求7或8所述的装置，其中，所述融合卷积核生成单元被进一步配置成：
将所述修正系数张量与所述预先训练得到的卷积核进行点乘操作，生成所述融合卷积核。
10.一种用于生成预先训练得到的网络权重和卷积核的装置，包括：
第二获取单元，被配置成获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本图像和对应的样本标签；
第三获取单元，被配置成获取初始局部独立感受野卷积网络，其中，所述初始局部独立感受野卷积网络包括初始网络权重和初始卷积核；
训练单元，被配置成对所述训练样本集合中的样本图像的目标卷积区域在通道数维度上基于所述初始网络权重进行重映射，生成初始映射结果；对所述初始映射结果进行重新排布，生成与所述初始卷积核的维度匹配的排布结果作为初始修正系数张量；基于所述初始修正系数张量与所述初始卷积核进行融合，生成初始融合卷积核；利用所述初始融合卷积核对所述样本图像进行卷积操作，生成卷积结果；基于所述卷积结果与所述样本图像对应的样本标签之间的差异，调整所述初始网络权重和所述初始卷积核；响应于确定不满足预设训练停止条件，将调整后的初始网络权重和所述初始卷积核分别确定为新的初始网络权重和新的初始卷积核，以及继续训练；
确定单元，被配置成响应于确定满足所述预设训练停止条件，将调整后的初始网络权重和所述初始卷积核分别确定为所述预先训练得到的网络权重和预先训练得到的卷积核。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
14.一种路侧设备，包括如权利要求11所述的电子设备。
15.一种云控平台，包括如权利要求11所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110671221.1A CN113239899B (zh) | 2021-06-17 | 2021-06-17 | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110671221.1A CN113239899B (zh) | 2021-06-17 | 2021-06-17 | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113239899A true CN113239899A (zh) | 2021-08-10 |
| CN113239899B CN113239899B (zh) | 2024-05-28 |
Family
ID=77140163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110671221.1A Active CN113239899B (zh) | 2021-06-17 | 2021-06-17 | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239899B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120740A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳光启合众科技有限公司 | 图片分类方法和装置、机器人 |
| CN109756740A (zh) * | 2019-01-18 | 2019-05-14 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
| US20190197083A1 (en) * | 2017-12-18 | 2019-06-27 | Nanjing Horizon Robotics Technology Co., Ltd. | Method and electronic device for convolution calculation in neutral network |
| CN110113593A (zh) * | 2019-06-11 | 2019-08-09 | 南开大学 | 基于卷积神经网络的宽基线多视点视频合成方法 |
| US20190297326A1 (en) * | 2018-03-21 | 2019-09-26 | Nvidia Corporation | Video prediction using spatially displaced convolution |
| CN110334716A (zh) * | 2019-07-04 | 2019-10-15 | 北京迈格威科技有限公司 | 特征图处理方法、图像处理方法及装置 |
| WO2019233244A1 (zh) * | 2018-06-08 | 2019-12-12 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
| CN110717553A (zh) * | 2019-06-20 | 2020-01-21 | 江苏德劭信息科技有限公司 | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 |
| CN111259901A (zh) * | 2020-01-13 | 2020-06-09 | 镇江优瞳智能科技有限公司 | 一种利用空间信息提升语义分割精度的高效方法 |
| CN111401524A (zh) * | 2020-03-17 | 2020-07-10 | 深圳市物语智联科技有限公司 | 卷积神经网络处理方法、装置、设备、存储介质及模型 |
| CN111598131A (zh) * | 2020-04-17 | 2020-08-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| US20200288205A1 (en) * | 2019-05-27 | 2020-09-10 | Beijing Dajia Internet Information Technology Co., Ltd. | Method, apparatus, electronic device, and storage medium for recommending multimedia resource |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111783934A (zh) * | 2020-05-15 | 2020-10-16 | 北京迈格威科技有限公司 | 卷积神经网络构建方法、装置、设备及介质 |
| CN111783935A (zh) * | 2020-05-15 | 2020-10-16 | 北京迈格威科技有限公司 | 卷积神经网络构建方法、装置、设备及介质 |
| WO2020216227A1 (zh) * | 2019-04-24 | 2020-10-29 | 华为技术有限公司 | 图像分类方法、数据处理方法和装置 |
| CN111882035A (zh) * | 2020-07-21 | 2020-11-03 | 北京百度网讯科技有限公司 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
| US20210049423A1 (en) * | 2019-07-31 | 2021-02-18 | Zhejiang University | Efficient image classification method based on structured pruning |
| CN112598673A (zh) * | 2020-11-30 | 2021-04-02 | 北京迈格威科技有限公司 | 全景分割方法、装置、电子设备和计算机可读介质 |
| CN112597941A (zh) * | 2020-12-29 | 2021-04-02 | 北京邮电大学 | 一种人脸识别方法、装置及电子设备 |
| CN112800928A (zh) * | 2021-01-25 | 2021-05-14 | 北京工业大学 | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 |
-
2021
- 2021-06-17 CN CN202110671221.1A patent/CN113239899B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120740A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳光启合众科技有限公司 | 图片分类方法和装置、机器人 |
| US20190197083A1 (en) * | 2017-12-18 | 2019-06-27 | Nanjing Horizon Robotics Technology Co., Ltd. | Method and electronic device for convolution calculation in neutral network |
| US20190297326A1 (en) * | 2018-03-21 | 2019-09-26 | Nvidia Corporation | Video prediction using spatially displaced convolution |
| WO2019233244A1 (zh) * | 2018-06-08 | 2019-12-12 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
| CN109756740A (zh) * | 2019-01-18 | 2019-05-14 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| WO2020216227A1 (zh) * | 2019-04-24 | 2020-10-29 | 华为技术有限公司 | 图像分类方法、数据处理方法和装置 |
| US20200288205A1 (en) * | 2019-05-27 | 2020-09-10 | Beijing Dajia Internet Information Technology Co., Ltd. | Method, apparatus, electronic device, and storage medium for recommending multimedia resource |
| CN110113593A (zh) * | 2019-06-11 | 2019-08-09 | 南开大学 | 基于卷积神经网络的宽基线多视点视频合成方法 |
| CN110717553A (zh) * | 2019-06-20 | 2020-01-21 | 江苏德劭信息科技有限公司 | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 |
| CN110334716A (zh) * | 2019-07-04 | 2019-10-15 | 北京迈格威科技有限公司 | 特征图处理方法、图像处理方法及装置 |
| US20210049423A1 (en) * | 2019-07-31 | 2021-02-18 | Zhejiang University | Efficient image classification method based on structured pruning |
| CN111259901A (zh) * | 2020-01-13 | 2020-06-09 | 镇江优瞳智能科技有限公司 | 一种利用空间信息提升语义分割精度的高效方法 |
| CN111401524A (zh) * | 2020-03-17 | 2020-07-10 | 深圳市物语智联科技有限公司 | 卷积神经网络处理方法、装置、设备、存储介质及模型 |
| CN111598131A (zh) * | 2020-04-17 | 2020-08-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111783934A (zh) * | 2020-05-15 | 2020-10-16 | 北京迈格威科技有限公司 | 卷积神经网络构建方法、装置、设备及介质 |
| CN111783935A (zh) * | 2020-05-15 | 2020-10-16 | 北京迈格威科技有限公司 | 卷积神经网络构建方法、装置、设备及介质 |
| CN111882035A (zh) * | 2020-07-21 | 2020-11-03 | 北京百度网讯科技有限公司 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
| CN112598673A (zh) * | 2020-11-30 | 2021-04-02 | 北京迈格威科技有限公司 | 全景分割方法、装置、电子设备和计算机可读介质 |
| CN112597941A (zh) * | 2020-12-29 | 2021-04-02 | 北京邮电大学 | 一种人脸识别方法、装置及电子设备 |
| CN112800928A (zh) * | 2021-01-25 | 2021-05-14 | 北京工业大学 | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| FANG, X. ET AL.: "Division and Fusion: Rethink Convolutional Kernels for 3D Medical Image Segmentation", 《MACHINE LEARNING IN MEDICAL IMAGING》, pages 161 - 169 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113239899B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033537B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
| CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
| CN113538235B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113379813A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
| CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
| CN113177472A (zh) | 动态手势识别方法、装置、设备以及存储介质 | |
| CN113177451A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN112528995B (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
| CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113592932A (zh) | 深度补全网络的训练方法、装置、电子设备及存储介质 | |
| CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
| CN115147831A (zh) | 三维目标检测模型的训练方法和装置 | |
| JP2023531759A (ja) | 車線境界線検出モデルの訓練方法、車線境界線検出モデルの訓練装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN113177466A (zh) | 基于人脸图像的身份识别方法、装置、电子设备及介质 | |
| CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
| CN113344200B (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
| CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
| CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
| CN115482443A (zh) | 图像特征融合及模型训练方法、装置、设备以及存储介质 | |
| CN115641481A (zh) | 用于训练图像处理模型和图像处理的方法、装置 | |
| CN113239899B (zh) | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 | |
| CN113361719A (zh) | 基于图像处理模型的增量学习方法和图像处理方法 | |
| CN114882313A (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
| CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 |
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 |