CN113657408A - 确定图像特征的方法、装置、电子设备和存储介质 - Google Patents
确定图像特征的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113657408A CN113657408A CN202110934300.7A CN202110934300A CN113657408A CN 113657408 A CN113657408 A CN 113657408A CN 202110934300 A CN202110934300 A CN 202110934300A CN 113657408 A CN113657408 A CN 113657408A
- Authority
- CN
- China
- Prior art keywords
- image
- local
- features
- determining
- preset position
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种确定图像特征的方法,涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术领域,可应用于图像处理、图像识别等场景。具体实现方案为:将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块;根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征;以及针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征。本公开还提供了一种确定图像特征的装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术领域,可应用于图像处理、图像识别等场景。更具体地,本公开提供了一种确定图像特征的方法、装置、电子设备和存储介质。
背景技术
图像特征包括全局特征和局部特征。全局特征可以采用Transformer模型进行计算。Transformer模型第一层的感受野就覆盖全部输入,因此Transformer模型具有计算全局特征的能力。局部特征可以采用卷积神经网络模型进行计算。卷积神经网络模型第一层的感受野可以覆盖局部输入,因此卷积神经网络模型具有计算局部特征的能力。
发明内容
本公开提供了一种确定图像特征的方法、装置、设备以及存储介质。
根据第一方面,提供了一种确定图像特征的方法,该方法包括:将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块;根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征;以及针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征。
根据第二方面,提供了一种确定图像特征的装置,该装置包括:划分模块,用于将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块;第一确定模块,用于根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征;以及第二确定模块,针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第四方面,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执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现根据本公开提供的方法。
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是根据本公开的一个实施例的可以应用确定图像特征的方法和装置的示例性***架构示意图;
图2是根据本公开的一个实施例的确定图像特征的方法的流程图;
图3是根据本公开的另一个实施例的确定图像特征的方法的流程图;
图4是根据本公开的另一个实施例的确定图像特征的方法的流程图;
图5A是根据本公开的一个实施例的计算局部特征的原理图;
图5B是根据本公开的一个实施例的计算全局特征的原理图;
图6是根据本公开的一个实施例的确定图像特征的装置的框图;
图7是根据本公开的一个实施例的可以应用确定图像特征的方法和装置的电子设备的框图。
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。
图像特征包括全局特征和局部特征。局部特征可以采用卷积神经网络模型计算。全局特征也可以采用卷积神经网络模型计算。卷积神经网络模型的每一层的感受野可以覆盖局部输入,可以增加卷积神经网络的层数,进而扩大感受野,从而卷积神经网络也可以具有计算全局特征的能力。全局特征还可以采用Transformer模型来计算,Transformer模型也包括多个神经网络层,并且可以从模型的第一层开始感受野就覆盖全部输入,让模型具有计算全局特征的能力。
计算局部特征所需计算量较少,但表达能力较差。全局特征有较强的表达能力,但计算全局特征需要巨大的计算量,不利于在计算受限的条件下部署。
应注意,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,且不违背公序良俗。
图1是根据本公开一个实施例的可以应用确定图像特征的方法和装置的示例性***架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101通过网络102与服务器103进行交互,以接收或发送消息等。终端设备101可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
本公开实施例所提供的确定图像特征的方法中一般可以由服务器103执行。相应地,本公开实施例所提供的确定图像特征的装置一般可以设置于服务器103中。本公开实施例所提供的确定图像特征的方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的确定图像特征的装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中
图2是根据本公开的一个实施例的确定图像特征的方法的流程图。
如图2所示,该确定图像特征的方法200可以包括操作S210~操作S230。
在操作S210,将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块。
在本公开实施例中,局部图像之间可以不重叠。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像。针对该原始图像,共有4个局部图像。
例如,原始图像是4*3的图像,可以在原始图像一侧进行边缘填充(比如填充固定值),形成4*4的图像后,再进行划分,得到4个2*2的局部图像。
在本公开实施例中,局部图像之间可以重叠。
例如,原始图像是4*3的图像,可以直接进行划分,得到4个2*2的局部图像。这些局部图像中,两个局部图像包括两个相同的图像块,另外两个局部图像包括另外两个相同的图像块。
在本公开实施例中,上述多个图像块为N*N个图像块,N为大于等于2的整数。
例如,局部图像可以包括2*2个图像块。又例如,局部图像可以包括3*3个图像块。
在操作S220,根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征。
在本公开实施例中,根据每个局部图像中各个图像块之间的关系,确定每个局部图像的局部特征,进而确定待处理图像的局部特征。
例如,可以采用卷积神经网络对每个局部图像进行卷积处理,得到每个局部图像的局部特征,可以融合每个局部图像的局部特征,进而得到待处理图像的局部特征。在一个示例中,局部图像是2*2的图像,可以采用2*2的卷积核或1*1的卷积核进行卷积,卷积的结果可以作为待处理图像的局部特征。
又例如,可以采用注意力模块(Attention Model)对每个局部图像进行处理,得到每个局部图像的局部特征,可以融合每个局部图像的局部特征,进而得到待处理图像的局部特征。
在操作S230,针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征。
在本公开实施例中,预设位置可以是每个局部图像上的不同位置。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置可以分别是第1个局部图像的左上角、第2个局部图像的右上角、第3个局部图像的左下角及第4个局部图像的右下角。
在本公开实施例中,预设位置可以是每个局部图像上的同一位置。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置可以分别是4个局部图像的左上角。
在本公开实施例中,预设位置不少于一个。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置包括第一预设位置和第二预设位置,第一预设位置可以分别是4个局部图像的左上角,第二预设位置可以分别是4个局部图像的左下角。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置包括第一预设位置、第二预设位置、第三预设位置及第四预设位置,第一预设位置可以分别是4个局部图像的左上角,第二预设位置可以分别是4个局部图像的左下角,第三预设位置可以分别是4个局部图像的右上角,第四预设位置可以分别是4个局部图像的右下角。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置可以分别是4个局部图像的左上角,进而可以得到包括的1个第一图像块和3个第二图像块,可以比较这4个图像块,根据这4个图像块的区别或相似性,确定全局特征。
应该理解,本公开实施例中,可以先执行操作S220,再执行操作S230;或者先执行操作S230,再执行操作S220;或者操作S220可以与操作S230并行执行。
通过本公开实施例,将图像划分为多个局部图像,对各个局部图像计算局部特征,并根据各个局部图像中相同位置的图像块之间的关系计算全局特征,能够使得局部特征的计算和全局特征的计算相结合,有较强的表达能力和较高的运行效率。
图3是根据本公开的另一个实施例的确定图像特征的方法的流程图。
如图3所示,该确定图像特征的方法300可以包括:将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块。
该确定图像特征的方法还可以根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征,下面将参考下述操作S301~操作S302进行详细说明。
在操作S301,计算每个局部图像中各个图像块之间的关系,得到每个局部图像的局部特征。
例如,局部图像为2*2的图像,共有4个图像块,可以根据图像块之间的关系(比如图像块之间的相似度),得到局部图像的局部特征。
在操作S302,根据上述多个局部图像的局部特征,得到上述待处理图像的局部特征。
例如,原始图像为4*4的图像,共有4个局部图像,均为2*2的图像,得到的4个局部图像的局部特征可以进行融合,得到待处理图像的局部特征。在一个示例中,可以将4个局部图像的局部特征进行拼接。拼接时,1个局部特征在待处理图像的局部特征上的位置,与得到该局部特征的局部图像在待处理图像上的位置相对应。
接下来,该确定图像特征的方法300可以根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征。下面将参考下述操作S303~操作S304进行详细说明。上述预设位置包括多个,每个预设位置对应一个图像块。
在操作S303,计算每个预设位置的第一图像块的局部特征与上述第二图像块的局部特征之间的关系,得到每个预设位置的全局特征
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置包括第一预设位置、第二预设位置、第三预设位置及第四预设位置,第一预设位置可以分别是4个局部图像的左上角,第二预设位置可以分别是4个局部图像的左下角,第三预设位置可以分别是4个局部图像的右上角,第四预设位置可以分别是4个局部图像的右下角。
可以根据一个局部图像上位于第一预设位置的第一图像块的局部特征,与其他局部图像上位于第一预设位置的第二图像块的局部特征之间的关系(比如4个位于第一预设位置的图像块的局部特征之间的相似度),确定第一预设位置的全局特征。按照相同或类似的方式,可以确定第二预设位置至第四预设位置的全局特征。
在操作S304,根据上述多个预设位置的全局特征,确定上述待处理图像的全局特征。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置包括第一预设位置、第二预设位置、第三预设位置及第四预设位置。根据第一预设位置的全局特征至第四预设位置的全局特征,可以确定待处理图像的全局特征。在一个示例中,全局特征为颜色特征,可以根据4个预设位置的颜色特征得到待处理图像的颜色特征。比如,可以用颜色直方图表示颜色特征,可以对4个预设位置的颜色直方图进行整合,得到1个表示待处理图像的颜色特征。
图4是根据本公开的另一个实施例的确定图像特征的方法的流程图。
该确定图像特征的方法400可以包括:将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块。
接下来,该确定图像特征的方法400可以根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征。下面将参考下述操作S401~操作S402进行详细说明。上述预设位置包括多个,每个预设位置对应一个图像块。
在操作S401,计算每个预设位置的第一图像块与上述第二图像块之间的关系,得到每个预设位置的全局特征。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置包括第一预设位置、第二预设位置、第三预设位置及第四预设位置,第一预设位置可以分别是4个局部图像的左上角,第二预设位置可以分别是4个局部图像的左下角,第三预设位置可以分别是4个局部图像的右上角,第四预设位置可以分别是4个局部图像的右下角。
可以根据一个局部图像上位于第一预设位置的第一图像块,与其他局部图像上位于第一预设位置的第二图像块之间的关系(比如4个位于第一预设位置的图像块之间的相似度),确定第一预设位置的全局特征。按照相同或类似的方式,可以确定第二预设位置至第四预设位置的全局特征。
在操作S402,根据上述多个预设位置的全局特征,确定上述待处理图像的全局特征。
例如,原始图像是4*4的图像,局部图像可以是2*2的图像,局部图像共有4个,预设位置包括第一预设位置、第二预设位置、第三预设位置及第四预设位置。根据第一预设位置的全局特征至第四预设位置的全局特征,可以确定待处理图像的全局特征。在一个示例中,全局特征为颜色特征,可以根据4个预设位置的颜色特征得到待处理图像的颜色特征。比如,可以用颜色直方图表示颜色特征,可以对4个预设位置的颜色直方图进行整合,得到1个表示待处理图像的颜色特征。
接下来,该确定图像特征的方法400还可以根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征,下面将参考下述操作S403~操作S404进行详细说明。
在操作S403,计算每个局部图像中各个图像块的全局特征之间的关系,得到每个局部图像的局部特征,其中,各个图像块的全局特征为与该图像块对应的预设位置的全局特征。
例如,局部图像为2*2的图像,共有4个图像块,每个图像块分别与一个预设位置对应,可以根据图像块的全局特征之间的关系(比如图像块的全局特征之间的相似度),得到局部图像的局部特征。
在操作S404,根据上述多个局部图像的局部特征,得到上述待处理图像的局部特征。
例如,原始图像为4*4的图像,共有4个局部图像,均为2*2的图像,得到的4个局部图像的局部特征可以进行融合,得到待处理图像的局部特征。在一个示例中,可以将4个局部图像的局部特征进行拼接。
图5A是根据本公开的一个实施例的计算局部特征的原理图。
如图5A所示,原始图像被划分为4个局部图像后,作为待处理图像500。位于待处理图像500左上方的局部图像包括4个图像块,分别为图像块501、图像块502、图像块503及图像块504。
可以根据图像块501、图像块502、图像块503及图像块504之间的关系确定局部图像的局部特征。按照相同或类似的方式,可以确定其他3个局部图像的局部特征,进而可以确定待处理图像500的局部特征。
图5B是根据本公开的一个实施例的计算全局特征的原理图。
如图5B所示,原始图像500被划分为4个局部图像后,作为待处理图像500。每个局部图像包括4个图像块。
针对每个局部图像,预设位置可以是局部图像的右上角(例如上述第二预设位置)。可以根据位于4个局部图像中预设位置的4个图像块(比如图5B中图像块502、图像块505、图像块506及图像块507)之间的关系,确定针对上述预设位置的全局特征。类似地,可以得到针对其他预设位置的全局特征,基于针对所有预设位置的全局特征的组合,可以得到待处理图像500的全局特征。
需要说明的是,局部特征的计算与全局特征的计算可以组合使用,例如可以生成用于实现上述局部特征的计算与全局特征的计算的功能模块,该功能模块的运行可以先进行局部特征的计算后进行全局特征的计算,或者也可以先进行全局特征的计算,后进行局部特征的计算。
上述功能模块可以作为神经网络的处理层,来替换现有神经网络中的某些层,使得现有神经网络兼顾表达能力与运行效率。
例如,在CNN模型中包括多个卷积层,可以将上述功能模块作为CNN模型的处理层来替换CNN模型中原有的预设层(例如最后3层卷积层),使得CNN网络提高表达能力。
又例如,在Transformer模型中包括多个全局特征计算层,可以将上述功能模块作为Transformer模型的处理层来替换Transformer模型中原有的预设层(例如前3层全局特征计算层),使得Transformer模型提高运行效率。
图6是根据本公开的一个实施例的确定图像特征的装置的框图。
如图6所示,该确定图像特征的600可以包括划分模块610、第一确定模块620及第二确定模块630。
划分模块610,用于将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块。
第一确定模块620,用于根据每个局部图像中各个图像块之间的关系,确定上述待处理图像的局部特征。
第二确定模块630,针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中上述预设位置的第二图像块之间的关系,确定上述待处理图像的全局特征。
在一些实施例中,上述第一确定模块包括:第一计算单元,用于计算每个局部图像中各个图像块之间的关系,得到每个局部图像的局部特征;以及第一确定单元,用于根据上述多个局部图像的局部特征,得到上述待处理图像的局部特征。
在一些实施例中,上述预设位置包括多个,每个预设位置对应一个图像块,上述第二确定模块包括:第二计算单元,用于计算每个预设位置的第一图像块的局部特征与上述第二图像块的局部特征之间的关系,得到每个预设位置的全局特征;以及第二确定单元,用于根据上述多个预设位置的全局特征,确定上述待处理图像的全局特征。
在一些实施例中,上述预设位置包括多个,每个预设位置对应一个图像块,上述第二确定模块包括:第三计算单元,用于计算每个预设位置的第一图像块与上述第二图像块之间的关系,得到每个预设位置的全局特征;以及第三确定单元,用于根据上述多个预设位置的全局特征,确定上述待处理图像的全局特征。
在一些实施例中,上述第一确定模块包括:第四计算单元,用于计算每个局部图像中各个图像块的全局特征之间的关系,得到每个局部图像的局部特征,其中,各个图像块的全局特征为与该图像块对应的预设位置的全局特征;以及第四确定单元,用于根据上述多个局部图像的局部特征,得到上述待处理图像的局部特征。
在一些实施例中,上述多个图像块为N*N个图像块,N为大于等于2的整数。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如确定图像特征的方法。例如,在一些实施例中,确定图像特征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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的确定图像特征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701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定图像特征的方法。
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。
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,本发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)
1.一种确定图像特征的方法,包括:
将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块;
根据每个局部图像中各个图像块之间的关系,确定所述待处理图像的局部特征;以及
针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中所述预设位置的第二图像块之间的关系,确定所述待处理图像的全局特征。
2.根据权利要求1所述的方法,其中,所述根据每个局部图像中各个图像块之间的关系,确定所述待处理图像的局部特征包括:
计算每个局部图像中各个图像块之间的关系,得到每个局部图像的局部特征;以及
根据所述多个局部图像的局部特征,得到所述待处理图像的局部特征。
3.根据权利要求2所述的方法,其中,所述预设位置包括多个,每个预设位置对应一个图像块,所述根据该局部图像中预设位置的第一图像块与其他局部图像中所述预设位置的第二图像块之间的关系,确定所述待处理图像的全局特征包括:
计算每个预设位置的第一图像块的局部特征与所述第二图像块的局部特征之间的关系,得到每个预设位置的全局特征;以及
根据所述多个预设位置的全局特征,确定所述待处理图像的全局特征。
4.根据权利要求1所述的方法,其中,所述预设位置包括多个,每个预设位置对应一个图像块,所述根据该局部图像中预设位置的第一图像块与其他局部图像中所述预设位置的第二图像块之间的关系,确定所述待处理图像的全局特征包括:
计算每个预设位置的第一图像块与所述第二图像块之间的关系,得到每个预设位置的全局特征;以及
根据所述多个预设位置的全局特征,确定所述待处理图像的全局特征。
5.根据权利要求4所述的方法,其中,所述根据每个局部图像中各个图像块之间的关系,确定所述待处理图像的局部特征包括:
计算每个局部图像中各个图像块的全局特征之间的关系,得到每个局部图像的局部特征,其中,各个图像块的全局特征为与该图像块对应的预设位置的全局特征;以及
根据所述多个局部图像的局部特征,得到所述待处理图像的局部特征。
6.根据权利要求1至5中任一项所述的方法,其中,所述多个图像块为N*N个图像块,N为大于等于2的整数。
7.一种确定图像特征的装置,包括:
划分模块,用于将原始图像划分为多个局部图像作为待处理图像,每个局部图像包括多个图像块。
第一确定模块,用于根据每个局部图像中各个图像块之间的关系,确定所述待处理图像的局部特征。
第二确定模块,针对每个局部图像,根据该局部图像中预设位置的第一图像块与其他局部图像中所述预设位置的第二图像块之间的关系,确定所述待处理图像的全局特征。
8.根据权利要求7所述的装置,其中,所述第一确定模块包括:
第一计算单元,用于计算每个局部图像中各个图像块之间的关系,得到每个局部图像的局部特征;以及
第一确定单元,用于根据所述多个局部图像的局部特征,得到所述待处理图像的局部特征。
9.根据权利要求8所述的装置,其中,所述预设位置包括多个,每个预设位置对应一个图像块,所述第二确定模块包括:
第二计算单元,用于计算每个预设位置的第一图像块的局部特征与所述第二图像块的局部特征之间的关系,得到每个预设位置的全局特征;以及
第二确定单元,用于根据所述多个预设位置的全局特征,确定所述待处理图像的全局特征。
10.根据权利要求7所述的装置,其中,所述预设位置包括多个,每个预设位置对应一个图像块,所述第二确定模块包括:
第三计算单元,用于计算每个预设位置的第一图像块与所述第二图像块之间的关系,得到每个预设位置的全局特征;以及
第三确定单元,用于根据所述多个预设位置的全局特征,确定所述待处理图像的全局特征。
11.根据权利要求10所述的装置,其中,所述第一确定模块包括:
第四计算单元,用于计算每个局部图像中各个图像块的全局特征之间的关系,得到每个局部图像的局部特征,其中,各个图像块的全局特征为与该图像块对应的预设位置的全局特征;以及
第四确定单元,用于根据所述多个局部图像的局部特征,得到所述待处理图像的局部特征。
12.根据权利要求7至11中任一项所述的装置,所述多个图像块为N*N个图像块,N为大于等于2的整数。
13.一种电子设备,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至6中任一项所述的方法。
14.一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至6中任一项所述的方法。
15.一种计算机程序产品,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至6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934300.7A CN113657408B (zh) | 2021-08-13 | 2021-08-13 | 确定图像特征的方法、装置、电子设备和存储介质 |
PCT/CN2022/088396 WO2023015942A1 (zh) | 2021-08-13 | 2022-04-22 | 确定图像特征的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934300.7A CN113657408B (zh) | 2021-08-13 | 2021-08-13 | 确定图像特征的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657408A true CN113657408A (zh) | 2021-11-16 |
CN113657408B CN113657408B (zh) | 2022-11-18 |
Family
ID=78480312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934300.7A Active CN113657408B (zh) | 2021-08-13 | 2021-08-13 | 确定图像特征的方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113657408B (zh) |
WO (1) | WO2023015942A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023015942A1 (zh) * | 2021-08-13 | 2023-02-16 | 北京百度网讯科技有限公司 | 确定图像特征的方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040218838A1 (en) * | 2003-04-30 | 2004-11-04 | Canon Kabushiki Kaisha | Image processing apparatus and method therefor |
US20160210528A1 (en) * | 2014-02-24 | 2016-07-21 | Beijing University Of Technology | Method for detecting visual saliencies of video image based on spatial and temporal features |
CN108615042A (zh) * | 2016-12-09 | 2018-10-02 | 炬芯(珠海)科技有限公司 | 视频格式识别的方法和装置以及播放器 |
CN111932544A (zh) * | 2020-10-19 | 2020-11-13 | 鹏城实验室 | 篡改图像检测方法、装置及计算机可读存储介质 |
CN112163601A (zh) * | 2020-09-14 | 2021-01-01 | 华南理工大学 | 图像分类方法、***、计算机设备及存储介质 |
CN112330788A (zh) * | 2020-11-26 | 2021-02-05 | 北京字跳网络技术有限公司 | 图像处理方法、装置、可读介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886345B (zh) * | 2019-02-27 | 2020-11-13 | 清华大学 | 基于关系推理的自监督学习模型训练方法和装置 |
CN112446834A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 图像增强方法和装置 |
CN113657408B (zh) * | 2021-08-13 | 2022-11-18 | 北京百度网讯科技有限公司 | 确定图像特征的方法、装置、电子设备和存储介质 |
-
2021
- 2021-08-13 CN CN202110934300.7A patent/CN113657408B/zh active Active
-
2022
- 2022-04-22 WO PCT/CN2022/088396 patent/WO2023015942A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040218838A1 (en) * | 2003-04-30 | 2004-11-04 | Canon Kabushiki Kaisha | Image processing apparatus and method therefor |
US20160210528A1 (en) * | 2014-02-24 | 2016-07-21 | Beijing University Of Technology | Method for detecting visual saliencies of video image based on spatial and temporal features |
CN108615042A (zh) * | 2016-12-09 | 2018-10-02 | 炬芯(珠海)科技有限公司 | 视频格式识别的方法和装置以及播放器 |
CN112163601A (zh) * | 2020-09-14 | 2021-01-01 | 华南理工大学 | 图像分类方法、***、计算机设备及存储介质 |
CN111932544A (zh) * | 2020-10-19 | 2020-11-13 | 鹏城实验室 | 篡改图像检测方法、装置及计算机可读存储介质 |
CN112330788A (zh) * | 2020-11-26 | 2021-02-05 | 北京字跳网络技术有限公司 | 图像处理方法、装置、可读介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
YIYOU GUO ET AL: "Global-Local Attention Network for Aerial Scene Classification", 《IEEE ACCESS》 * |
孙建国: "《数字化智能放疗》", 31 December 2019 * |
王宗跃等: "自适应图像组的稀疏正则化图像复原", 《光学精密工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023015942A1 (zh) * | 2021-08-13 | 2023-02-16 | 北京百度网讯科技有限公司 | 确定图像特征的方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113657408B (zh) | 2022-11-18 |
WO2023015942A1 (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
EP3876197A2 (en) | Portrait extracting method and apparatus, electronic device and storage medium | |
CN115294349A (zh) | 训练模型的方法、装置、电子设备及存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112528995B (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
CN113920313B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116451174A (zh) | 任务执行装置、方法、电子设备和存储介质 | |
CN113657408B (zh) | 确定图像特征的方法、装置、电子设备和存储介质 | |
CN114819084A (zh) | 模型推理方法、装置、设备及存储介质 | |
CN113361535A (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
CN114897147A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN114386577A (zh) | 用于执行深度学习模型的方法、设备和存储介质 | |
CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 | |
CN113327194A (zh) | 图像风格迁移方法、装置、设备和存储介质 | |
CN113052771B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113342413B (zh) | 用于处理组件的方法、装置、设备、介质和产品 | |
CN114820908B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114090158B (zh) | 显示方法、装置、电子设备和介质 | |
CN117112446B (zh) | 编辑器调试方法、装置、电子设备及介质 | |
CN113657353B (zh) | 公式识别方法、装置、电子设备及存储介质 | |
CN113407844B (zh) | 小程序框架的版本推荐方法、装置、设备以及存储介质 |
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 |