CN116091796B - 基于人工智能的无人机采集数据处理方法及*** - Google Patents
基于人工智能的无人机采集数据处理方法及*** Download PDFInfo
- Publication number
- CN116091796B CN116091796B CN202310381912.7A CN202310381912A CN116091796B CN 116091796 B CN116091796 B CN 116091796B CN 202310381912 A CN202310381912 A CN 202310381912A CN 116091796 B CN116091796 B CN 116091796B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- exemplary
- vector
- richness
- 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.)
- Active
Links
Images
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/987—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns with the intervention of an operator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于人工智能的无人机采集数据处理方法及***,涉及人工智能技术领域。在本发明中,提取到目标无人机采集到的待处理图像数据;通过经过网络优化处理的图像丰富性评估网络,将待处理图像数据进行图像内容丰富性评估操作,以输出待处理图像数据对应的图像内容丰富性表征数据;基于图像内容丰富性表征数据,对待处理图像数据包括的少一个待处理图像进行筛选操作,以形成对应的目标图像数据,目标图像数据包括至少一个待处理图像,且进行筛选操作的筛选比例与图像内容丰富性表征数据之间具有正相关的对应关系;对目标图像数据进行用户推送操作。基于上述内容,可以在一定程度上提高数据推送的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于人工智能的无人机采集数据处理方法及***。
背景技术
在监控、信息采集等领域中,常常使用无人机来作为载体,以实现采集区域的可靠覆盖。其中,在通过无人机采集到图像数据之后,基于一定的需求,需要将图像数据推送给相应的用户,以进行可视化等处理。但是,在现有技术中,在进行图像数据推送的过程中,一般是将采集到的图像数据全部推送给相应的用户,使得存在图像数据推送的可靠度不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于人工智能的无人机采集数据处理方法及***,以在一定程度上提高数据推送的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于人工智能的无人机采集数据处理方法,包括:
提取到目标无人机采集到的待处理图像数据,所述待处理图像数据包括所述目标无人机采集到的至少一个待处理图像;
通过经过网络优化处理的图像丰富性评估网络,将所述待处理图像数据进行图像内容丰富性评估操作,以输出所述待处理图像数据对应的图像内容丰富性表征数据,所述图像内容丰富性表征数据用于反映所述待处理图像数据中的待处理图像具有的内容丰富程度;
基于所述图像内容丰富性表征数据,对所述待处理图像数据包括的所述少一个待处理图像进行筛选操作,以形成对应的目标图像数据,所述目标图像数据包括至少一个所述待处理图像,且进行筛选操作的筛选比例与所述图像内容丰富性表征数据之间具有正相关的对应关系;
对所述目标图像数据进行用户推送操作。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述基于人工智能的无人机采集数据处理方法还包括:
提取到示例性图像数据和图像分析用户的用户描述数据,所述图像分析用户属于对所述示例性图像数据的内容丰富程度进行分析评估的用户,所述用户描述数据包括所述图像分析用户的用户属性描述数据和所述图像分析用户对所述示例性图像数据的内容丰富程度进行分析评估形成的分析评估数据,所述用户属性描述数据至少包括所述图像分析用户的用户身份信息和对图像数据的偏好描述信息;
通过初始的图像丰富性评估网络,将所述示例性图像数据进行关键信息挖掘操作,以形成所述示例性图像数据对应的图像关键信息描述向量;
通过所述图像丰富性评估网络,将所述图像分析用户的用户属性描述数据进行特征空间映射操作,以形成所述图像分析用户对应的用户属性映射向量;
对所述用户属性映射向量进行聚合操作,以聚合到所述示例性图像数据对应的图像关键信息描述向量中,以形成对应的图像用户聚合向量,所述图像用户聚合向量携带所述示例性图像数据的图像特征信息和所述图像分析用户的用户特征信息;
通过所述分析评估数据、所述图像关键信息描述向量和所述图像用户聚合向量,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述通过初始的图像丰富性评估网络,将所述示例性图像数据进行关键信息挖掘操作,以形成所述示例性图像数据对应的图像关键信息描述向量的步骤,包括:
将所述示例性图像数据进图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据;
通过初始的图像丰富性评估网络,将所述多个示例性图像子数据中的每一个示例性图像子数据进行关键信息挖掘操作,以输出每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量,所述示例性图像子数据对应的图像粒度的关键信息描述向量用于表征该示例性图像子数据包括的各个示例性图像的图像特征信息;
依据每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量,确定出所述示例性图像数据对应的图像关键信息描述向量,所述图像关键信息描述向量中每一个图像粒度的关键信息描述向量,基于对应的示例性图像子数据在所述示例性图像数据中具有的时间先后关系进行排序,所述图像关键信息描述向量用于表征所述示例性图像数据中各个示例性图像的图像特征信息。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述示例性图像数据中包括多个采集位置,所述将所述示例性图像数据进图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据的步骤,包括:
确定出第一图像分割参数和第二图像分割参数,所述第一图像分割参数用于表征分割形成的两个邻接的示例性图像子数据之间的距离,所述第二图像分割参数用于表征分割形成的示例性图像子数据包括的采集位置的数目;
基于所述第一图像分割参数和所述第二图像分割参数,将所述示例性图像数据进行图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述图像关键信息描述向量中包括每一个示例性图像子数据对应的图像粒度的关键信息描述向量;所述对所述用户属性映射向量进行聚合操作,以聚合到所述示例性图像数据对应的图像关键信息描述向量中,以形成对应的图像用户聚合向量的步骤,包括:
分别对所述用户属性映射向量和每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行聚合操作,以形成每一个示例性图像子数据对应的图像粒度的用户聚合向量;
基于对应的示例性图像子数据在所述示例性图像数据中具有的时间先后关系,对每一个所述示例性图像子数据对应的图像粒度的用户聚合向量进行按序组合操作,以形成所述示例性图像数据对应的图像用户聚合向量。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量中包括对应的示例性图像子数据包括的各个示例性图像的个体关键信息描述向量;所述示例性图像数据对应的任一个示例性图像子数据作为第一示例性图像子数据;
所述分别对所述用户属性映射向量和每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行聚合操作,以形成每一个示例性图像子数据对应的图像粒度的用户聚合向量的步骤,包括:
对所述用户属性映射向量和所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量进行聚合操作,以形成每一个示例性图像对应的个体图像用户聚合向量,使得所述示例性图像对应的个体图像用户聚合向量携带所述示例性图像的图像特征信息和所述图像分析用户的用户特征信息;
依据每一个所述示例性图像对应的个体图像用户聚合向量,确定出所述第一示例性图像子数据对应的图像粒度的用户聚合向量。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述通过所述分析评估数据、所述图像关键信息描述向量和所述图像用户聚合向量,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络的步骤,包括:
通过所述图像丰富性评估网络,依据所述图像关键信息描述向量和所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的示例性内容丰富性评估数据;
依据所述示例性内容丰富性评估数据和所述分析评估数据之间的区别信息,分析出所述图像丰富性评估网络对应的网络学习代价指标;
基于所述网络学习代价指标,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述通过所述图像丰富性评估网络,依据所述图像关键信息描述向量和所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的示例性内容丰富性评估数据的步骤,包括:
通过所述图像丰富性评估网络,依据所述图像关键信息描述向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的图像维度的内容丰富性评估数据;以及,通过所述图像丰富性评估网络,依据所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的聚合维度的内容丰富性评估数据;以及,基于所述图像维度的内容丰富性评估数据和所述聚合维度的内容丰富性评估数据,分析出所述示例性图像数据对应的示例性内容丰富性评估数据;
其中,所述图像关键信息描述向量中包括每一个示例性图像子数据对应的图像粒度的关键信息描述向量,所述通过所述图像丰富性评估网络,依据所述图像关键信息描述向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的图像维度的内容丰富性评估数据的步骤,包括:
通过所述图像丰富性评估网络,分别将每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行向量整合操作,以形成每一个所述示例性图像子数据对应的整合关键信息描述向量,每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量中包括对应的示例性图像子数据包括的各个示例性图像的个体关键信息描述向量,该向量整合操作的操作对象为所述示例性图像子数据包括的各个示例性图像的个体关键信息描述向量;
依据每一个所述示例性图像子数据对应的整合关键信息描述向量,将对应的所述示例性图像子数据进行内容丰富性评估操作,以输出每一个所述示例性图像子数据对应的内容丰富性评估子数据;
将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行融合操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据。
在一些优选的实施例中,在上述基于人工智能的无人机采集数据处理方法中,所述依据每一个所述示例性图像子数据对应的整合关键信息描述向量,将对应的所述示例性图像子数据进行内容丰富性评估操作,以输出每一个所述示例性图像子数据对应的内容丰富性评估子数据的步骤,包括:
通过圆激励函数,分别对每一个所述示例性图像子数据对应的整合关键信息描述向量进行激励操作,以实现对应的所述示例性图像子数据的内容丰富性评估操作,输出每一个所述示例性图像子数据对应的初始内容丰富性评估子数据;
基于第一调整参数,对所述初始内容丰富性评估子数据进行加权操作,并基于第二调整参数,对加权操作的结果进行叠加操作,以形成所述示例性图像子数据对应的内容丰富性评估子数据;
所述将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行融合操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据的步骤,包括:
将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行均值计算操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据。
本发明实施例还提供一种基于人工智能的无人机采集数据处理***,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现基于人工智能的无人机采集数据处理方法。
本发明实施例提供的基于人工智能的无人机采集数据处理方法及***,可以先提取到目标无人机采集到的待处理图像数据;通过经过网络优化处理的图像丰富性评估网络,将待处理图像数据进行图像内容丰富性评估操作,以输出待处理图像数据对应的图像内容丰富性表征数据;基于图像内容丰富性表征数据,对待处理图像数据包括的少一个待处理图像进行筛选操作,以形成对应的目标图像数据,目标图像数据包括至少一个待处理图像,且进行筛选操作的筛选比例与图像内容丰富性表征数据之间具有正相关的对应关系;对目标图像数据进行用户推送操作。基于前述的内容,由于在进行用户推送操作之前,会先进行图像数据的筛选,而筛选的依据是评估出的图像内容丰富性表征数据,因此,可以使得图像数据的筛选的可靠度更高,从而可以保障对筛选出的目标图像数据进行的用户推送操作的可靠度,进而在一定程度上提高数据推送的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能的无人机采集数据处理***的结构框图。
图2为本发明实施例提供的基于人工智能的无人机采集数据处理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于人工智能的无人机采集数据处理装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明实施例提供了一种基于人工智能的无人机采集数据处理***。其中,所述基于人工智能的无人机采集数据处理***可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于人工智能的无人机采集数据处理方法。
应当理解的是,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。
应当理解的是,在一些实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上***(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些实施方式中,所述基于人工智能的无人机采集数据处理***可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于人工智能的无人机采集数据处理方法,可应用于上述基于人工智能的无人机采集数据处理***。其中,所述基于人工智能的无人机采集数据处理方法有关的流程所定义的方法步骤,可以由所述基于人工智能的无人机采集数据处理***实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,提取到目标无人机采集到的待处理图像数据。
在本发明实施例中,所述基于人工智能的无人机采集数据处理***可以提取到目标无人机采集到的待处理图像数据。所述待处理图像数据包括所述目标无人机采集到的至少一个待处理图像,所述至少一个待处理图像可以按照对应的采集时间进行排序。
步骤S120,通过经过网络优化处理的图像丰富性评估网络,将所述待处理图像数据进行图像内容丰富性评估操作,以输出所述待处理图像数据对应的图像内容丰富性表征数据。
在本发明实施例中,所述基于人工智能的无人机采集数据处理***可以通过经过网络优化处理的图像丰富性评估网络,将所述待处理图像数据进行图像内容丰富性评估操作,以输出所述待处理图像数据对应的图像内容丰富性表征数据。所述图像内容丰富性表征数据用于反映所述待处理图像数据中的待处理图像具有的内容丰富程度。
步骤S130,基于所述图像内容丰富性表征数据,对所述待处理图像数据包括的所述少一个待处理图像进行筛选操作,以形成对应的目标图像数据。
在本发明实施例中,所述基于人工智能的无人机采集数据处理***可以基于所述图像内容丰富性表征数据,对所述待处理图像数据包括的所述少一个待处理图像进行筛选操作,以形成对应的目标图像数据。所述目标图像数据包括至少一个所述待处理图像,且进行筛选操作的筛选比例与所述图像内容丰富性表征数据之间具有正相关的对应关系。
步骤S140,对所述目标图像数据进行用户推送操作。
在本发明实施例中,所述基于人工智能的无人机采集数据处理***可以对所述目标图像数据进行用户推送操作,例如,可以将所述目标图像数据发送给目标用户对应的终端设备等。
基于前述的内容(即上述描述的步骤S110-步骤S140对应的内容),由于在进行用户推送操作之前,会先进行图像数据的筛选,而筛选的依据是评估出的图像内容丰富性表征数据,因此,可以使得图像数据的筛选的可靠度更高,从而可以保障对筛选出的目标图像数据进行的用户推送操作的可靠度,进而在一定程度上提高数据推送的可靠度。
应当理解的是,在一些实施方式中,所述基于人工智能的无人机采集数据处理方法还进一步可以包括以下的详细实施内容:
提取到示例性图像数据和图像分析用户的用户描述数据,所述图像分析用户属于对所述示例性图像数据的内容丰富程度进行分析评估的用户,所述用户描述数据包括所述图像分析用户的用户属性描述数据和所述图像分析用户对所述示例性图像数据的内容丰富程度进行分析评估形成的分析评估数据,所述用户属性描述数据至少包括所述图像分析用户的用户身份信息和对图像数据的偏好描述信息;
通过初始的图像丰富性评估网络,将所述示例性图像数据进行关键信息挖掘操作,以形成所述示例性图像数据对应的图像关键信息描述向量;
通过所述图像丰富性评估网络,将所述图像分析用户的用户属性描述数据进行特征空间映射操作,以形成所述图像分析用户对应的用户属性映射向量,进行特征空间映射操作可以是指,将所述用户属性描述数据映射到特征空间,以通过向量的形式进行表示;
对所述用户属性映射向量进行聚合操作,以聚合到所述示例性图像数据对应的图像关键信息描述向量中,以形成对应的图像用户聚合向量,所述图像用户聚合向量携带所述示例性图像数据的图像特征信息和所述图像分析用户的用户特征信息;
通过所述分析评估数据、所述图像关键信息描述向量和所述图像用户聚合向量,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络,基于此,由于所述经过网络优化处理的图像丰富性评估网络是用于评估出图像内容丰富性表征数据,而图像内容丰富性表征数据则用于进行与用户推送操作相关的图像数据筛选,即最终目标与用户推送相关,因此,在进行网络优化操作的过程中,采用携带有图像分析用户的用户特征信息的图像用户聚合向量,使得可以学习到与用户相关的一些信息,从而提高与用户推送的匹配性。
应当理解的是,在一些实施方式中,所述通过初始的图像丰富性评估网络,将所述示例性图像数据进行关键信息挖掘操作,以形成所述示例性图像数据对应的图像关键信息描述向量的步骤,进一步可以包括以下的详细实施内容:
将所述示例性图像数据进图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据;
通过初始的图像丰富性评估网络,将所述多个示例性图像子数据中的每一个示例性图像子数据进行关键信息挖掘操作,即特征提取,可以通过卷积核实现,以输出每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量,所述示例性图像子数据对应的图像粒度的关键信息描述向量用于表征该示例性图像子数据包括的各个示例性图像的图像特征信息;
依据每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量,确定出所述示例性图像数据对应的图像关键信息描述向量,所述图像关键信息描述向量中每一个图像粒度的关键信息描述向量,基于对应的示例性图像子数据在所述示例性图像数据中具有的时间先后关系进行排序,所述图像关键信息描述向量用于表征所述示例性图像数据中各个示例性图像的图像特征信息,例如,所述示例性图像数据依次包括示例性图像子数据1、示例性图像子数据2、示例性图像子数据3,因此,所述图像关键信息描述向量可以为{示例性图像子数据1对应的图像粒度的关键信息描述向量,示例性图像子数据2对应的图像粒度的关键信息描述向量,示例性图像子数据3对应的图像粒度的关键信息描述向量}。
应当理解的是,在一些实施方式中,所述示例性图像数据中可以包括多个采集位置,基于此,所述将所述示例性图像数据进图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据的步骤,进一步可以包括以下的详细实施内容:
确定出第一图像分割参数和第二图像分割参数,所述第一图像分割参数用于表征分割形成的两个邻接的示例性图像子数据之间的距离(该距离可以是指间隔的示例性图像的数量),所述第二图像分割参数用于表征分割形成的示例性图像子数据包括的采集位置的数目,即一个示例性图像子数据包括的示例性图像的数量;
基于所述第一图像分割参数和所述第二图像分割参数,将所述示例性图像数据进行图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据,如每一个所述示例性图像子数据包括的示例性图像的数量可以等于所述第二图像分割参数。
应当理解的是,在一些实施方式中,所述图像关键信息描述向量中包括每一个示例性图像子数据对应的图像粒度的关键信息描述向量,如前相关描述,基于此,所述对所述用户属性映射向量进行聚合操作,以聚合到所述示例性图像数据对应的图像关键信息描述向量中,以形成对应的图像用户聚合向量的步骤,进一步可以包括以下的详细实施内容:
分别对所述用户属性映射向量和每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行聚合操作,以形成每一个示例性图像子数据对应的图像粒度的用户聚合向量,如此,可以将所述用户属性映射向量聚合到每一个示例性图像子数据对应的图像粒度的关键信息描述向量;
基于对应的示例性图像子数据在所述示例性图像数据中具有的时间先后关系,对每一个所述示例性图像子数据对应的图像粒度的用户聚合向量进行按序组合操作,以形成所述示例性图像数据对应的图像用户聚合向量。
应当理解的是,在一些实施方式中,每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量中包括对应的示例性图像子数据包括的各个示例性图像的个体关键信息描述向量,也就是说,通过对所述示例性图像进行关键信息挖掘操作,可以得到对应的个体关键信息描述向量,需要说明的是,个体关键信息描述向量、图像粒度的关键信息描述向量和图像关键信息描述向量,都是指挖掘到的关键信息描述向量,区别在于,个体关键信息描述向量是指示例性图像个体级别的,图像粒度的关键信息描述向量是指示例性图像子数据级别的,图像关键信息描述向量是指示例性图像数据级别的。所述示例性图像数据对应的任一个示例性图像子数据作为第一示例性图像子数据(可以依次或并行地将每一个示例性图像子数据都作为第一示例性图像子数据),基于此,所述分别对所述用户属性映射向量和每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行聚合操作,以形成每一个示例性图像子数据对应的图像粒度的用户聚合向量的步骤,进一步可以包括以下的详细实施内容:
对所述用户属性映射向量和所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量进行聚合操作,以形成每一个示例性图像对应的个体图像用户聚合向量,使得所述示例性图像对应的个体图像用户聚合向量携带所述示例性图像的图像特征信息和所述图像分析用户的用户特征信息;
依据每一个所述示例性图像对应的个体图像用户聚合向量,确定出所述第一示例性图像子数据对应的图像粒度的用户聚合向量,例如,将每一个所述示例性图像对应的个体图像用户聚合向量进行级联组合操作,以形成所述第一示例性图像子数据对应的图像粒度的用户聚合向量。
其中,应当理解的是,在一些实施方式中,所述对所述用户属性映射向量和所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量进行聚合操作,以形成每一个示例性图像对应的个体图像用户聚合向量的步骤,进一步可以包括以下的详细实施内容:
对于所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量,将该个体关键信息描述向量和所述用户属性映射向量进行级联组合操作,以形成该示例性图像对应的个体图像用户聚合向量。
其中,应当理解的是,在一些实施方式中,所述对所述用户属性映射向量和所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量进行聚合操作,以形成每一个示例性图像对应的个体图像用户聚合向量的步骤,进一步可以包括以下的详细实施内容:
对于所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量,基于第一映射矩阵,对该个体关键信息描述向量进行映射操作(如进行相乘运算),以形成第一待处理向量;
基于第二映射矩阵和第三映射矩阵,分别对所述用户属性映射向量进行映射操作,以形成第二待处理向量和第三待处理向量,所述第一映射矩阵、所述第二映射矩阵和所述第三映射矩阵可以是网络优化的对象;
将所述第二待处理向量的向量参数的行列对换结果和所述第一待处理向量进行相乘运算,以形成对应的相似度表征参数,以及,基于所述第一待处理向量的向量维度,对所述相似度表征参数进行调整操作,以形成对应的调整相似度表征参数,例如,在进行调整操作的过程中,可以计算所述相似度表征参数和所述第一待处理向量的向量维度的幂运算结果之间的比值,如0.5次幂,以得到对应的调整相似度表征参数;
基于所述调整相似度表征参数对所述第三待处理向量进行加权操作(如进行相乘运算),以形成对应的相似性描述向量;
将所述相似性描述向量和对应的所述个体关键信息描述向量进行叠加操作,以形成对应的示例性图像对应的个体图像用户聚合向量。
其中,应当理解的是,在一些实施方式中,所述对所述用户属性映射向量和所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量进行聚合操作,以形成每一个示例性图像对应的个体图像用户聚合向量的步骤,进一步可以包括以下的详细实施内容:
按照具有的时间先后关系,对所述第一示例性图像子数据包括的每一个示例性图像进行排序编号;
对于第一个示例性图像,基于第一映射矩阵,对该示例性图像对应的个体关键信息描述向量进行映射操作,以形成该示例性图像对应的第一待处理向量,基于第二映射矩阵和第三映射矩阵,分别对所述用户属性映射向量进行映射操作,以形成第二待处理向量和第三待处理向量,将所述第二待处理向量的向量参数的行列对换结果和该示例性图像对应的第一待处理向量进行相乘运算,以形成对应的相似度表征参数,以及,基于该示例性图像对应的第一待处理向量的向量维度,对该相似度表征参数进行调整操作,以形成对应的调整相似度表征参数,基于该调整相似度表征参数对所述第三待处理向量进行加权操作,以形成对应的相似性描述向量,将该相似性描述向量和该示例性图像对应的个体关键信息描述向量进行叠加操作,以形成该示例性图像对应的个体图像用户聚合向量;
对于第一个示例性图像以外的每一个示例性图像,基于所述第一映射矩阵,对该示例性图像对应的个体关键信息描述向量进行映射操作,以形成该示例性图像对应的第一待处理向量,基于所述第二映射矩阵和所述第三映射矩阵,分别对前一个示例性图像对应的个体图像用户聚合向量进行映射操作,以形成第四待处理向量和第五待处理向量,将所述第四待处理向量的向量参数的行列对换结果和该示例性图像对应的第一待处理向量进行相乘运算,以形成对应的相似度表征参数,以及,基于该示例性图像对应的第一待处理向量的向量维度,对该相似度表征参数进行调整操作,以形成对应的调整相似度表征参数,基于该调整相似度表征参数对所述第五待处理向量进行加权操作,以形成对应的相似性描述向量,将该相似性描述向量和该示例性图像对应的个体关键信息描述向量进行叠加操作,以形成该示例性图像对应的个体图像用户聚合向量。
其中,应当理解的是,在一些实施方式中,对所述示例性图像进行关键信息挖掘操作,得到对应的个体关键信息描述向量的步骤,包括:
对所述示例性图像进行特征空间映射操作,以形成所述示例性图像对应的示例性图像映射向量;
对于第一个示例性图像,基于配置的级联的多个滤波单元中的第一个滤波单元,对该示例性图像对应的示例性图像映射向量进行滤波操作,以形成该示例性图像对应的个体关键信息描述向量;
对于第一个示例性图像以外的每一个示例性图像,在所述多个滤波单元中,确定出与该示例性图像的排序相同的滤波单元,并将该滤波单元标记为该示例性图像对应的目标滤波单元,以及,将该示例性图像对应的示例性图像映射向量和前一个示例性图像对应的个体关键信息描述向量进行聚合操作,以形成该目标滤波单元对应的示例性图像对应的聚合向量,以及,通过该目标滤波单元对该聚合向量进行滤波操作,以形成该示例性图像对应的个体关键信息描述向量。
其中,应当理解的是,在一些实施方式中,所述将该示例性图像对应的示例性图像映射向量和前一个示例性图像对应的个体关键信息描述向量进行聚合操作,以形成该目标滤波单元对应的示例性图像对应的聚合向量的步骤,包括:
将所述示例性图像对应的示例性图像映射向量和前一个示例性图像对应的个体关键信息描述向量进行级联组合操作,以形成级联组合向量,以及,对所述级联组合向量进行压缩操作,如池化操作,以得到与所述示例性图像映射向量之间具有相同的向量尺寸和维度的压缩级联组合向量;
基于第四映射矩阵,对所述示例性图像对应的示例性图像映射向量进行映射操作,以形成对应的示例性映射向量;
基于第五映射矩阵和第六映射矩阵,分别对所述压缩级联组合向量进行映射操作,以形成对应的第一级联映射向量和第二级联映射向量,所述第四映射矩阵、所述第五映射矩阵和所述第六映射矩阵可以是网络优化的对象,以在相应的神经网络的优化过程中不断的进行优化调整;
将所述第一级联映射向量的向量参数的行列对换结果和所述示例性映射向量进行相乘运算,以形成对应的相关度表征参数,以及,基于所述示例性映射向量的向量维度,对该相关度表征参数进行调整操作,以形成对应的调整相关度表征参数,以及,基于所述调整相关度表征参数,对所述第二级联映射向量进行加权操作,再将加权操作的结果和所述示例性图像对应的示例性图像映射向量进行叠加操作,以形成对应的聚合向量。
应当理解的是,在一些实施方式中,所述通过所述分析评估数据、所述图像关键信息描述向量和所述图像用户聚合向量,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络的步骤,进一步可以包括以下的详细实施内容:
通过所述图像丰富性评估网络,依据所述图像关键信息描述向量和所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的示例性内容丰富性评估数据;
依据所述示例性内容丰富性评估数据和所述分析评估数据之间的区别信息,分析出所述图像丰富性评估网络对应的网络学习代价指标;
基于所述网络学习代价指标,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络,例如,通过将所述图像丰富性评估网络的网络参数进行调整,以降低所述网络学习代价指标,并在所述网络学习代价指标小于预设指标的情况下,确定完成网络优化,形成经过网络优化处理的图像丰富性评估网络。
应当理解的是,在一些实施方式中,所述通过所述图像丰富性评估网络,依据所述图像关键信息描述向量和所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的示例性内容丰富性评估数据的步骤,进一步可以包括以下的详细实施内容:
通过所述图像丰富性评估网络,依据所述图像关键信息描述向量,将所述示例性图像数据进行图像内容丰富性评估操作,如先进行全连接处理,然后,可以对全连接处理的结果进行激活输出,如基于softmax函数实现,以输出所述示例性图像数据对应的图像维度的内容丰富性评估数据;
通过所述图像丰富性评估网络,依据所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,如先进行全连接处理,然后,可以对全连接处理的结果进行激活输出,如基于softmax函数实现,以输出所述示例性图像数据对应的聚合维度的内容丰富性评估数据;
基于所述图像维度的内容丰富性评估数据和所述聚合维度的内容丰富性评估数据,分析出所述示例性图像数据对应的示例性内容丰富性评估数据,例如,可以将所述图像维度的内容丰富性评估数据和所述聚合维度的内容丰富性评估数据进行加权求和,以得到示例性内容丰富性评估数据。
应当理解的是,在一些实施方式中,所述图像关键信息描述向量中可以包括每一个示例性图像子数据对应的图像粒度的关键信息描述向量,基于此,所述通过所述图像丰富性评估网络,依据所述图像关键信息描述向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的图像维度的内容丰富性评估数据的步骤,进一步可以包括以下的详细实施内容:
通过所述图像丰富性评估网络,分别将每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行向量整合操作,以形成每一个所述示例性图像子数据对应的整合关键信息描述向量,每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量中包括对应的示例性图像子数据包括的各个示例性图像的个体关键信息描述向量,该向量整合操作的操作对象为所述示例性图像子数据包括的各个示例性图像的个体关键信息描述向量;
依据每一个所述示例性图像子数据对应的整合关键信息描述向量,将对应的所述示例性图像子数据进行内容丰富性评估操作,以输出每一个所述示例性图像子数据对应的内容丰富性评估子数据;
将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行融合操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据。
其中,应当理解的是,在一些实施方式中,所述通过所述图像丰富性评估网络,分别将每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行向量整合操作,以形成每一个所述示例性图像子数据对应的整合关键信息描述向量的步骤,进一步可以包括以下的详细实施内容:
对于所述示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量,对该个体关键信息描述向量与配置的一个一维的参数矩阵进行相乘,然后,对相乘的结果进行向量参数的区间映射,如映射到区间0到1,以得到该个体关键信息描述向量对应的映射个体关键信息描述向量,所述一维的参数矩阵可以作为网络优化的对象;
对所述映射个体关键信息描述向量的向量参数进行行参数与列参数的对换操作,以形成对应的对换个体关键信息描述向量;
对所述个体关键信息描述向量和所述个体关键信息描述向量对应的对换个体关键信息描述向量进行相乘,以形成所述个体关键信息描述向量对应的个体整合关键信息描述向量;
将所述示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量对应的个体整合关键信息描述向量进行级联组合操作,以形成所述示例性图像子数据对应的整合关键信息描述向量。
应当理解的是,在一些实施方式中,所述依据每一个所述示例性图像子数据对应的整合关键信息描述向量,将对应的所述示例性图像子数据进行内容丰富性评估操作,以输出每一个所述示例性图像子数据对应的内容丰富性评估子数据的步骤,进一步可以包括以下的详细实施内容:
通过圆激励函数,分别对每一个所述示例性图像子数据对应的整合关键信息描述向量进行激励操作,以实现对应的所述示例性图像子数据的内容丰富性评估操作,输出每一个所述示例性图像子数据对应的初始内容丰富性评估子数据,所述圆激励函数可以是tanh函数;
基于第一调整参数,对所述初始内容丰富性评估子数据进行加权操作,并基于第二调整参数,对加权操作的结果进行叠加操作,以形成所述示例性图像子数据对应的内容丰富性评估子数据,所述第一调整参数和所述第二调整参数可以作为神经网络的网络参数,以参与网络优化,初始的时候,所述第一调整参数可以等于1,所述第二调整参数也可以等于1。
应当理解的是,在一些实施方式中,所述将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行融合操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据的步骤,进一步可以包括以下的详细实施内容:
将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行均值计算操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据,即对多个内容丰富性评估子数据进行均值计算操作,以得到图像维度的内容丰富性评估数据。
结合图3,本发明实施例还提供一种基于人工智能的无人机采集数据处理装置(一种虚拟装置),可应用于上述基于人工智能的无人机采集数据处理***。其中,所述基于人工智能的无人机采集数据处理装置可以包括:
图像数据提取模块,用于提取到目标无人机采集到的待处理图像数据,所述待处理图像数据包括所述目标无人机采集到的至少一个待处理图像;
内容丰富性评估模块,用于通过经过网络优化处理的图像丰富性评估网络,将所述待处理图像数据进行图像内容丰富性评估操作,以输出所述待处理图像数据对应的图像内容丰富性表征数据,所述图像内容丰富性表征数据用于反映待处理图像数据中的待处理图像具有的内容丰富程度;
图像数据筛选模块,用于基于所述图像内容丰富性表征数据,对所述待处理图像数据包括的所述少一个待处理图像进行筛选操作,以形成对应的目标图像数据,所述目标图像数据包括至少一个所述待处理图像,且进行筛选操作的筛选比例与所述图像内容丰富性表征数据之间具有正相关的对应关系;
图像数据推送模块,用于对所述目标图像数据进行用户推送操作。
综上所述,本发明提供的基于人工智能的无人机采集数据处理方法及***,可以先提取到目标无人机采集到的待处理图像数据;通过经过网络优化处理的图像丰富性评估网络,将待处理图像数据进行图像内容丰富性评估操作,以输出待处理图像数据对应的图像内容丰富性表征数据;基于图像内容丰富性表征数据,对待处理图像数据包括的少一个待处理图像进行筛选操作,以形成对应的目标图像数据,目标图像数据包括至少一个待处理图像,且进行筛选操作的筛选比例与图像内容丰富性表征数据之间具有正相关的对应关系;对目标图像数据进行用户推送操作。基于前述的内容,由于在进行用户推送操作之前,会先进行图像数据的筛选,而筛选的依据是评估出的图像内容丰富性表征数据,因此,可以使得图像数据的筛选的可靠度更高,从而可以保障对筛选出的目标图像数据进行的用户推送操作的可靠度,进而在一定程度上提高数据推送的可靠度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的无人机采集数据处理方法,其特征在于,包括:
提取到目标无人机采集到的待处理图像数据,所述待处理图像数据包括所述目标无人机采集到的至少一个待处理图像;
通过经过网络优化处理的图像丰富性评估网络,将所述待处理图像数据进行图像内容丰富性评估操作,以输出所述待处理图像数据对应的图像内容丰富性表征数据,所述图像内容丰富性表征数据用于反映所述待处理图像数据中的待处理图像具有的内容丰富程度;
基于所述图像内容丰富性表征数据,对所述待处理图像数据包括的所述至少一个待处理图像进行筛选操作,以形成对应的目标图像数据,所述目标图像数据包括至少一个所述待处理图像,且进行筛选操作的筛选比例与所述图像内容丰富性表征数据之间具有正相关的对应关系;
对所述目标图像数据进行用户推送操作。
2.如权利要求1所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述基于人工智能的无人机采集数据处理方法还包括:
提取到示例性图像数据和图像分析用户的用户描述数据,所述图像分析用户属于对所述示例性图像数据的内容丰富程度进行分析评估的用户,所述用户描述数据包括所述图像分析用户的用户属性描述数据和所述图像分析用户对所述示例性图像数据的内容丰富程度进行分析评估形成的分析评估数据,所述用户属性描述数据至少包括所述图像分析用户的用户身份信息和对图像数据的偏好描述信息;
通过初始的图像丰富性评估网络,将所述示例性图像数据进行关键信息挖掘操作,以形成所述示例性图像数据对应的图像关键信息描述向量;
通过所述图像丰富性评估网络,将所述图像分析用户的用户属性描述数据进行特征空间映射操作,以形成所述图像分析用户对应的用户属性映射向量;
对所述用户属性映射向量进行聚合操作,以聚合到所述示例性图像数据对应的图像关键信息描述向量中,以形成对应的图像用户聚合向量,所述图像用户聚合向量携带所述示例性图像数据的图像特征信息和所述图像分析用户的用户特征信息;
通过所述分析评估数据、所述图像关键信息描述向量和所述图像用户聚合向量,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络。
3.如权利要求2所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述通过初始的图像丰富性评估网络,将所述示例性图像数据进行关键信息挖掘操作,以形成所述示例性图像数据对应的图像关键信息描述向量的步骤,包括:
将所述示例性图像数据进图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据;
通过初始的图像丰富性评估网络,将所述多个示例性图像子数据中的每一个示例性图像子数据进行关键信息挖掘操作,以输出每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量,所述示例性图像子数据对应的图像粒度的关键信息描述向量用于表征该示例性图像子数据包括的各个示例性图像的图像特征信息;
依据每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量,确定出所述示例性图像数据对应的图像关键信息描述向量,所述图像关键信息描述向量中每一个图像粒度的关键信息描述向量,基于对应的示例性图像子数据在所述示例性图像数据中具有的时间先后关系进行排序,所述图像关键信息描述向量用于表征所述示例性图像数据中各个示例性图像的图像特征信息。
4.如权利要求3所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述示例性图像数据中包括多个采集位置,所述将所述示例性图像数据进图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据的步骤,包括:
确定出第一图像分割参数和第二图像分割参数,所述第一图像分割参数用于表征分割形成的两个邻接的示例性图像子数据之间的距离,所述第二图像分割参数用于表征分割形成的示例性图像子数据包括的采集位置的数目;
基于所述第一图像分割参数和所述第二图像分割参数,将所述示例性图像数据进行图像分割操作,以形成所述示例性图像数据对应的多个示例性图像子数据。
5.如权利要求2所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述图像关键信息描述向量中包括每一个示例性图像子数据对应的图像粒度的关键信息描述向量;所述对所述用户属性映射向量进行聚合操作,以聚合到所述示例性图像数据对应的图像关键信息描述向量中,以形成对应的图像用户聚合向量的步骤,包括:
分别对所述用户属性映射向量和每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行聚合操作,以形成每一个示例性图像子数据对应的图像粒度的用户聚合向量;
基于对应的示例性图像子数据在所述示例性图像数据中具有的时间先后关系,对每一个所述示例性图像子数据对应的图像粒度的用户聚合向量进行按序组合操作,以形成所述示例性图像数据对应的图像用户聚合向量。
6.如权利要求5所述的基于人工智能的无人机采集数据处理方法,其特征在于,每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量中包括对应的示例性图像子数据包括的各个示例性图像的个体关键信息描述向量;所述示例性图像数据对应的任一个示例性图像子数据作为第一示例性图像子数据;
所述分别对所述用户属性映射向量和每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行聚合操作,以形成每一个示例性图像子数据对应的图像粒度的用户聚合向量的步骤,包括:
对所述用户属性映射向量和所述第一示例性图像子数据包括的每一个示例性图像的个体关键信息描述向量进行聚合操作,以形成每一个示例性图像对应的个体图像用户聚合向量,使得所述示例性图像对应的个体图像用户聚合向量携带所述示例性图像的图像特征信息和所述图像分析用户的用户特征信息;
依据每一个所述示例性图像对应的个体图像用户聚合向量,确定出所述第一示例性图像子数据对应的图像粒度的用户聚合向量。
7.如权利要求2所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述通过所述分析评估数据、所述图像关键信息描述向量和所述图像用户聚合向量,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络的步骤,包括:
通过所述图像丰富性评估网络,依据所述图像关键信息描述向量和所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的示例性内容丰富性评估数据;
依据所述示例性内容丰富性评估数据和所述分析评估数据之间的区别信息,分析出所述图像丰富性评估网络对应的网络学习代价指标;
基于所述网络学习代价指标,将所述图像丰富性评估网络进行网络优化操作,以形成对应的经过网络优化处理的图像丰富性评估网络。
8.如权利要求7所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述通过所述图像丰富性评估网络,依据所述图像关键信息描述向量和所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的示例性内容丰富性评估数据的步骤,包括:
通过所述图像丰富性评估网络,依据所述图像关键信息描述向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的图像维度的内容丰富性评估数据;以及,通过所述图像丰富性评估网络,依据所述图像用户聚合向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的聚合维度的内容丰富性评估数据;以及,基于所述图像维度的内容丰富性评估数据和所述聚合维度的内容丰富性评估数据,分析出所述示例性图像数据对应的示例性内容丰富性评估数据;
其中,所述图像关键信息描述向量中包括每一个示例性图像子数据对应的图像粒度的关键信息描述向量,所述通过所述图像丰富性评估网络,依据所述图像关键信息描述向量,将所述示例性图像数据进行图像内容丰富性评估操作,以输出所述示例性图像数据对应的图像维度的内容丰富性评估数据的步骤,包括:
通过所述图像丰富性评估网络,分别将每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量进行向量整合操作,以形成每一个所述示例性图像子数据对应的整合关键信息描述向量,每一个所述示例性图像子数据对应的图像粒度的关键信息描述向量中包括对应的示例性图像子数据包括的各个示例性图像的个体关键信息描述向量,该向量整合操作的操作对象为所述示例性图像子数据包括的各个示例性图像的个体关键信息描述向量;
依据每一个所述示例性图像子数据对应的整合关键信息描述向量,将对应的所述示例性图像子数据进行内容丰富性评估操作,以输出每一个所述示例性图像子数据对应的内容丰富性评估子数据;
将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行融合操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据。
9.如权利要求8所述的基于人工智能的无人机采集数据处理方法,其特征在于,所述依据每一个所述示例性图像子数据对应的整合关键信息描述向量,将对应的所述示例性图像子数据进行内容丰富性评估操作,以输出每一个所述示例性图像子数据对应的内容丰富性评估子数据的步骤,包括:
通过圆激励函数,分别对每一个所述示例性图像子数据对应的整合关键信息描述向量进行激励操作,以实现对应的所述示例性图像子数据的内容丰富性评估操作,输出每一个所述示例性图像子数据对应的初始内容丰富性评估子数据;
基于第一调整参数,对所述初始内容丰富性评估子数据进行加权操作,并基于第二调整参数,对加权操作的结果进行叠加操作,以形成所述示例性图像子数据对应的内容丰富性评估子数据;
所述将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行融合操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据的步骤,包括:
将所述示例性图像数据包括的多个示例性图像子数据对应的内容丰富性评估子数据进行均值计算操作,以形成所述示例性图像数据对应的图像维度的内容丰富性评估数据。
10.一种基于人工智能的无人机采集数据处理***,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310381912.7A CN116091796B (zh) | 2023-04-11 | 2023-04-11 | 基于人工智能的无人机采集数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310381912.7A CN116091796B (zh) | 2023-04-11 | 2023-04-11 | 基于人工智能的无人机采集数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091796A CN116091796A (zh) | 2023-05-09 |
CN116091796B true CN116091796B (zh) | 2023-06-02 |
Family
ID=86208667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310381912.7A Active CN116091796B (zh) | 2023-04-11 | 2023-04-11 | 基于人工智能的无人机采集数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091796B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662415B (zh) * | 2023-07-28 | 2023-10-20 | 泰山学院 | 基于数据挖掘的智能匹配方法及*** |
CN117150065B (zh) * | 2023-08-16 | 2024-05-28 | 内蒙古惠强科技有限公司 | 一种图像信息的采集方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2354973A1 (en) * | 2010-02-05 | 2011-08-10 | Research In Motion Limited | Display placeholders for rich media content |
CN104079800A (zh) * | 2014-06-24 | 2014-10-01 | 上海波汇通信科技有限公司 | 一种视频监控中视频图像的抗抖动方法 |
CN109409221A (zh) * | 2018-09-20 | 2019-03-01 | 中国科学院计算技术研究所 | 基于帧选择的视频内容描述方法和*** |
CN110147851A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像筛选方法、装置、计算机设备及存储介质 |
JP2022096883A (ja) * | 2020-12-18 | 2022-06-30 | 凸版印刷株式会社 | 評価システム、評価方法、及びプログラム |
CN115170838A (zh) * | 2022-07-11 | 2022-10-11 | 杭州海康威视数字技术股份有限公司 | 一种数据筛选方法及装置 |
CN115588144A (zh) * | 2022-10-25 | 2023-01-10 | 山东海量信息技术研究院 | 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备 |
-
2023
- 2023-04-11 CN CN202310381912.7A patent/CN116091796B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2354973A1 (en) * | 2010-02-05 | 2011-08-10 | Research In Motion Limited | Display placeholders for rich media content |
CN104079800A (zh) * | 2014-06-24 | 2014-10-01 | 上海波汇通信科技有限公司 | 一种视频监控中视频图像的抗抖动方法 |
CN109409221A (zh) * | 2018-09-20 | 2019-03-01 | 中国科学院计算技术研究所 | 基于帧选择的视频内容描述方法和*** |
CN110147851A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像筛选方法、装置、计算机设备及存储介质 |
JP2022096883A (ja) * | 2020-12-18 | 2022-06-30 | 凸版印刷株式会社 | 評価システム、評価方法、及びプログラム |
CN115170838A (zh) * | 2022-07-11 | 2022-10-11 | 杭州海康威视数字技术股份有限公司 | 一种数据筛选方法及装置 |
CN115588144A (zh) * | 2022-10-25 | 2023-01-10 | 山东海量信息技术研究院 | 基于高斯动态阈值筛选的实时姿态捕捉方法及装置、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116091796A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116091796B (zh) | 基于人工智能的无人机采集数据处理方法及*** | |
CN115205765B (zh) | 一种基于fpga的视频分析方法及*** | |
CN116126947B (zh) | 应用于企业管理***的大数据分析方法及*** | |
CN114140713A (zh) | 一种图像识别***、图像识别方法 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及*** | |
CN114187763A (zh) | 一种智慧交通的车辆行驶数据筛选方法及*** | |
CN113902993A (zh) | 一种基于环境监测的环境状态分析方法及*** | |
CN116610745B (zh) | 应用数字孪生技术的ai场景信息推送处理方法及*** | |
CN115757900B (zh) | 应用人工智能模型的用户需求分析方法及*** | |
CN116070149A (zh) | 基于人工智能的数据分析方法、***及云平台 | |
CN117274913A (zh) | 一种基于智慧楼宇的安全保障方法及*** | |
CN116109988A (zh) | 基于人工智能和无人机的异常监控方法及*** | |
CN115174638B (zh) | 光伏板数据采集设备的组网方法及*** | |
CN115100541B (zh) | 一种卫星遥感数据的处理方法、***及云平台 | |
CN115620243A (zh) | 基于人工智能的污染源监测方法、***及云平台 | |
CN115616408A (zh) | 电池热管理数据处理方法及*** | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及*** | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN116958838B (zh) | 一种基于无人机航测技术的森林资源监测方法及*** | |
CN117171390B (zh) | 基于大数据的信息推送方法及*** | |
CN115761598B (zh) | 一种基于云端业务平台的大数据分析方法及*** | |
CN117149846B (zh) | 一种基于数据融合的电力数据分析方法和*** | |
CN115658946B (zh) | 基于5g互联网的监控数据可视化方法及*** | |
CN117150065B (zh) | 一种图像信息的采集方法及*** | |
CN115700821B (zh) | 一种基于图像处理的细胞识别方法及*** |
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 |