CN116226789B - 基于人工智能的数据同分布判别方法、装置、设备及介质 - Google Patents

基于人工智能的数据同分布判别方法、装置、设备及介质 Download PDF

Info

Publication number
CN116226789B
CN116226789B CN202310507945.1A CN202310507945A CN116226789B CN 116226789 B CN116226789 B CN 116226789B CN 202310507945 A CN202310507945 A CN 202310507945A CN 116226789 B CN116226789 B CN 116226789B
Authority
CN
China
Prior art keywords
feature
data
features
fusion
number information
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
Application number
CN202310507945.1A
Other languages
English (en)
Other versions
CN116226789A (zh
Inventor
何良雨
王戬鑫
刘彤
张文刚
梅能华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fengrui Lingchuang Zhuhai Technology Co ltd
Original Assignee
Fengrui Lingchuang Zhuhai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fengrui Lingchuang Zhuhai Technology Co ltd filed Critical Fengrui Lingchuang Zhuhai Technology Co ltd
Priority to CN202310507945.1A priority Critical patent/CN116226789B/zh
Publication of CN116226789A publication Critical patent/CN116226789A/zh
Application granted granted Critical
Publication of CN116226789B publication Critical patent/CN116226789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/77—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
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的数据同分布判别方法、装置、设备及介质。该方法将获取的所有初始特征拼接为拼接特征，将拼接特征均分为特征块，根据特征块在拼接特征中的相对位置，构建编号信息并与特征块融合嵌入，得到嵌入特征，将嵌入特征输入对应的编码器，输出目标特征，以任一目标特征作为当前特征，根据编号顺序，确定当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和当前特征相加，将得到的M个融合特征输入预测器，根据输出的M个概率进行判别，得到判别结果，对多个待判别数据和参考数据的初始特征联合判别，仅通过调整参考数据即可泛用至多场景，提高同分布判别的泛用性及效率。

Description

基于人工智能的数据同分布判别方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的数据同分布判别方法、装置、设备及介质。
背景技术
在智能制造领域，产品检测通常由机器进行智能检测，检测项包括表面缺陷检测、产品尺寸检测、产品标识检测等。其中，产品标识检测包括对产品标识的内容一致性进行判断，以避免标识信息错误。现有的标识内容一致性判断方法通常采用模板匹配方法或基于深度学习的字符识别方法实现。
但是，模板匹配方法主要基于形状或图像灰度的相似度来对标识内容的一致性进行判断，因此对工况要求较为苛刻，通常需要采用复杂繁琐的预处理来保证采集图像和标识模板图像的工况参数一致，例如图像校正、图像灰度化等，而且泛用性较差，有时标识形状或标识文本字体稍有变化，便需要重新进行标识模板图像的设置。基于深度学习的字符识别方法通常先对标识的语义信息进行识别，再通过识别结果的比对来进行标识内容一致性的判断，相较于模板匹配方式泛用性有一定的提升，但也需要针对产品标识选择相应的训练集进行字符识别模型训练，模型具有局限性并且泛化能力有限，例如，当产品标识中只包含数字，则采用标识内由数字构成的样本组成训练集，导致训练得到的字符识别模型仅能够在以包含数字的产品标识之间进行泛用，并且模型识别精度受光照变化和印刷字体差异等影响，若产品标识中出现字母，则该模型难以扩展到包含字母的产品标识检测中，需要重新采集数据训练模型。因此，如何提升产品标识内容一致性判断的泛化性和效率成为亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种基于人工智能的数据同分布判别方法、装置、设备及介质，以解决产品标识内容一致性判断的泛用性和效率较差的问题。
第一方面，本发明实施例提供一种基于人工智能的数据同分布判别方法，所述数据同分布判别方法包括：
获取描述目标产品信息的参考数据，获取所述参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征，N为大于零的整数；
将所述拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据所述特征块在所述拼接特征中的相对位置，构建对应所述特征块的编号信息，M为大于一的奇数；
将所述特征块与所述编号信息进行融合嵌入，得到对应所述特征块的嵌入特征，使用对应所述特征块的编码器对所述嵌入特征进行特征提取，得到对应所述特征块的目标特征；
针对M个目标特征中任一目标特征，将所述目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定所述当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和所述当前特征相加，得到对应所述目标特征的融合特征；
使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征所述参考数据和所述N个待判别数据属于同分布的概率，根据所述M个融合特征对应的概率，对所述N个待判别数据和所述参考数据是否属于同分布进行判别，得到判别结果。
第二方面，本发明实施例提供一种基于人工智能的数据同分布判别装置，所述数据同分布判别装置包括：
特征获取模块，用于获取描述目标产品信息的参考数据，获取所述参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征，N为大于零的整数；
特征均分模块，用于将所述拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据所述特征块在所述拼接特征中的相对位置，构建对应所述特征块的编号信息，M为大于一的奇数；
特征提取模块，用于将所述特征块与所述编号信息进行融合嵌入，得到对应所述特征块的嵌入特征，使用对应所述特征块的编码器对所述嵌入特征进行特征提取，得到对应所述特征块的目标特征；
特征融合模块，用于针对M个目标特征中任一目标特征，将所述目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定所述当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和所述当前特征相加，得到对应所述目标特征的融合特征；
判别模块，用于使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征所述参考数据和所述N个待判别数据属于同分布的概率，根据所述M个融合特征对应的概率，对所述N个待判别数据和所述参考数据是否属于同分布进行判别，得到判别结果。
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的数据同分布判别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的数据同分布判别方法。
本发明实施例与现有技术相比存在的有益效果是：
获取描述目标产品信息的参考数据，获取参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征，将拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据特征块在拼接特征中的相对位置，构建对应特征块的编号信息，将特征块与编号信息进行融合嵌入，得到对应特征块的嵌入特征，使用对应特征块的编码器对嵌入特征进行特征提取，得到对应特征块的目标特征，针对M个目标特征中任一目标特征，将目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和当前特征相加，得到对应目标特征的融合特征，使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征参考数据和N个待判别数据属于同分布的概率，根据M个融合特征对应的概率，对N个待判别数据和参考数据是否属于同分布进行判别，得到判别结果。同时对多个待判别数据进行联合判别，并且对参考数据和待判别数据联合处理，从而仅通过调整参考数据即可泛用至多种场景下。本发明针对产品标识内容一致性判断的场景，发掘并充分利用了数据同分布的特性，节省了常规深度学习字符检测算法中对标识的语义信息进行识别的流程，并且在输入中引入参考数据，从而提高了本发明模型对产品标识内容一致性判断的效率和泛化性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于人工智能的数据同分布判别方法的一应用环境示意图；
图2是本发明实施例一提供的一种基于人工智能的数据同分布判别方法的流程示意图；
图3是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中拼接特征均分的示意图；
图4是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中编号信息构建的示意图；
图5是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中一组待判别数据和参考数据的示意图；
图6是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中另一组待判别数据和参考数据的示意图；
图7是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中上采样结果的示意图；
图8是本发明实施例二提供的一种基于人工智能的数据同分布判别装置的结构示意图；
图9是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于人工智能的数据同分布判别方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本、云端终端设备、个人数字助理（personal digital assistant，PDA）等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务端和客户端可以应用于智能制造场景下，以用作产品检测任务，产品检测任务可以是指针对于产品表面缺陷、产品标识、产品尺寸等进行异常检测，产品可以是指螺母、齿轮等机械零部件、晶圆、薄膜电感等实体产品，服务端可以与图像采集设备连接，图像采集设备可以采用摄像头、摄影机、手持摄影设备、扫描仪等，图像采集设备可以对待检测产品进行图像采集，以获取到待判别数据。
参见图2，是本发明实施例一提供的一种基于人工智能的数据同分布判别方法的流程示意图，上述数据同分布判别方法可以应用于图1中的客户端，客户端对应的计算机设备与服务端连接，以从服务端获取参考数据和N个待判别数据分别对应的初始特征，参考数据可以是由服务端提供的描述目标产品信息的数据，待判别数据可以是指由服务端连接的图像采集设备采集到的需要进行数据同分布判别的数据，初始特征可以是指参考数据和待判别数据经过预处理后得到的特征数据。如图2所示，该数据同分布判别方法可以包括以下步骤：
步骤S201，获取描述目标产品信息的参考数据，获取参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征。
其中，目标产品可以是指产品检测任务中的标准产品，参考数据可以用于描述目标产品的信息，参考数据在本实施例中可以为图像数据，参考数据可以是指目标产品表面的图像数据、目标产品整体的图像数据、目标产品标识的图像数据等，待判别数据可以是指由图像采集设备针对待检测产品采集到的图像数据，N为大于零的整数。
初始特征可以是指参考数据和N个待判别数据经过预处理后得到的基础特征，拼接特征可以包括所有初始特征的特征信息。
具体地，可以直接将参考数据和待判别数据自身作为初始特征，在本实施例中，初始特征的尺寸一致，均为[1，16，243，243]，则将所有初始特征拼接后，得到[N，16，243，243]尺寸的拼接数据，对拼接数据进行降维处理，降维处理可以采用维度联结操作，例如，在第一个维度执行联结操作，得到[N*16，243，243]尺寸的联结数据，以该联结数据作为拼接特征，需要说明的是，上述尺寸中的具体数值仅用于示例，实施者在应用时的尺寸信息可以根据实际情况确定。
在一种实施方式中，也可以对参考数据和待判别数据进行预处理后，得到对应的初始特征，预处理可以包括图像灰度化、图像去噪、图像畸变校正等。
可选的是，获取参考数据和N个待判别数据分别对应的初始特征，包括：
以参考数据和N个待判别数据中的任一个作为待处理数据，将待处理数据输入预设的特征提取层进行特征提取，输出数据特征；
将数据特征输入预设的池化层进行尺寸归一化，得到对应待处理数据的初始特征，初始特征的尺寸符合预设尺寸。
其中，待处理数据可以是指需要进行后续尺寸归一化处理的数据，特征提取层可以用于提取待处理数据的特征信息，数据特征可以表征待处理数据的特征信息，池化层可以用于对数据特征进行尺寸归一化，初始特征的尺寸均相同，均为预设尺寸。
具体地，待处理数据的尺寸可以表示为[1，C，H，W]，其中，C可以是指待处理数据的通道数，例如，在采用灰度相机采集到待处理数据时，C为1，在采用RGB采集到待处理数据时，C为3，需要说明的是，参考数据和N个待判别数据应采用同一图像采集设备采集，也即参考数据和N个待判别数据的通道数均相同，H可以表示待处理数据的高，W可以表示待处理数据的宽，待处理数据的高应大于预设尺寸的高，待处理数据的宽应大于预设尺寸的宽，在本实施例中，预设尺寸的宽和高均设置为243。
特征提取层可以包括二维卷积层、批归一化层和激活函数层，二维卷积层可以采用3*3尺寸的卷积核实现，二维卷积层在卷积处理时，采用填充的方式进行卷积，使得二维卷积层的输出尺寸和输入尺寸一致，也即与待处理数据的尺寸一致，激活函数层可以采用ReLU激活函数实现。
特征提取层的输出尺寸和待处理数据的尺寸一致，将特征提取层的输出和待处理数据相加后，以相加结果作为数据特征输入预设的池化层。
池化层可以包括二维卷积层、批归一化层、激活函数层和自适应池化层，二维卷积层可以采用大卷积核实现，例如21*21、23*23、25*25等尺寸，大卷积核个数设置为预设个数，例如在本实施例中设置为16，则二维卷积层的输出通道数对应为16，激活函数层可以采用SiLU函数实现，自适应池化层的输出尺寸设置为预设尺寸，也即上述243*243的尺寸。
则对于尺寸为[1，C，H，W]的待处理数据，经特征提取层和池化层处理后，得到尺寸为[1，16，243，243]的对应待处理数据的初始特征。
本实施例中，对参考数据和N个待判别数据进行尺寸归一化操作，使得获取的待判别数据可以是满足大于预设尺寸条件的不同尺寸，相较于现有检测模型的输入通常限定为固定尺寸，使得数据同分布判别能够应用于不同尺寸的待判别数据，进一步提高了灵活性，进而提高了对产品标识内容一致性判断的泛化性。
上述获取描述目标产品信息的参考数据，获取参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征的步骤，将参考数据和N个待判别数据的初始特征拼接，使得拼接特征能够同时包含参考数据和N个待判别数据的信息，在模型输入中加入参考数据，使得模型进行同分布判别时能够融合有先验信息，进而在后续数据同分布判别中进行批量判别，提高了对产品标识内容一致性判断的效率。
步骤S202，将拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据特征块在拼接特征中的相对位置，构建对应特征块的编号信息。
其中，M为大于一的奇数，特征块可以用于表征拼接特征的局部信息，相对位置可以表征特征块在拼接特征中的位置信息，编号信息可以用标识出对应的特征块。
参见图3，是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中拼接特征均分的示意图，其中，M设置为9，例如，对于[N*16，243，243]尺寸的拼接特征，均分为9个特征块后，每个特征块的尺寸为[N*16，81，81]。
编号信息可以采用[0，M-1]范围内的整数进行编号，例如，根据特征块在拼接特征中的相对位置，以从上到下，从左到右的顺序依次进行编号信息构建，参见图4，是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中编号信息构建的示意图，其中，M设置为9，则采用[0，8]范围内的整数进行编号。
可选的是，根据特征块在拼接特征中的相对位置，构建对应特征块的编号信息，包括：
获取特征块在拼接特征中的相对位置；
使用预设的映射表将相对位置映射为特征块的编号信息，映射表包括相对位置和编号信息之间的映射关系。
其中，相对位置可以包括左上角位置、右下角位置等，映射表内包含相对位置和编号信息之间的映射关系，例如，映射表内包含左上角位置对应编号信息为0的映射关系、右下角位置对应编号信息为8的映射关系等。
本实施例中，通过映射方式根据相对位置确定编号信息，操作简便且不易出错，从而提升数据同分布判别的效率。
上述将拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据特征块在拼接特征中的相对位置，构建对应特征块的编号信息的步骤，为后续编号信息嵌入提供编号信息，由编号信息提供特征块的位置信息，从而丰富特征表示的内容，提高对产品标识内容一致性判断的准确率。
步骤S203，将特征块与编号信息进行融合嵌入，得到对应特征块的嵌入特征，使用对应特征块的编码器对嵌入特征进行特征提取，得到对应特征块的目标特征。
其中，嵌入特征可以包含特征块的特征信息和特征块的位置信息，编码器可以用于对嵌入特征进行进一步特征提取，目标特征可以是用于表征特征块的深层特征信息。
具体地，不同特征块对应的编码器结构相同，但编码器参数不同，编码器结构可以包括二维卷积层、批归一化层、激活函数层和自适应池化层，二维卷积层仍可以采用3*3尺寸的卷积核实现，卷积核的数量可以确定输出的通道数，本实施例中，卷积核数量设置为4，激活函数层仍可以采用SiLU激活函数实现，自适应池化层约束输出为第二预设尺寸，在本实施例中，第二预设尺寸可以设置为40*40，则目标特征的尺寸为[4，40，40]。
可选的是，将特征块与编号信息进行融合嵌入，得到对应特征块的嵌入特征，包括：
初始化编号特征，编号特征与特征块的尺寸仅有通道维度不同，编号特征的通道维度为一；
获取编号信息对应的映射值，使用映射值填充编号特征，将填充后的编号特征和特征块按照通道维度进行拼接，得到嵌入特征。
其中，编号特征可以是指用于嵌入对应特征块的特征，映射值可以是指用于填充编号特征的预设值。
具体地，以特征块尺寸为[N*16，81，81]为例，编号特征尺寸初始化为[1，81，81]。
将所有编号信息从小到大排序，得到编号序列，取编号序列的中位数，由于特征块数量为奇数，则中位数对应于一特征块，将中位数的映射值确定为0，将其他编号信息按照从小到大的顺序均匀映射到[-1，1]的区间内，例如，对于[0，8]范围内的编号信息，编号信息为0，对应的映射值为-1，编号信息为1，对应的映射值为-0.75，编号信息为2，对应的映射值为-0.5，编号信息为3，对应的映射值为-0.25，编号信息为4，对应的映射值为0，编号信息为5，对应的映射值为0.25，编号信息为6，对应的映射值为0.5，编号信息为7，对应的映射值为0.75，编号信息为8，对应的映射值为1。
在得到映射值后，使用映射值填充对应编号信息的编号特征，将[1，81，81]尺寸的编号特征内的元素值均设置映射值。
将填充后的编号特征和特征块按照通道维度进行拼接，得到嵌入特征，嵌入特征的尺寸为[N*16+1，81，81]。
本实施例中，将编号信息以编号特征的方式与特征块按照通道维度进行融合嵌入，使得编号信息所表征的位置信息能够有效保留在嵌入特征中，避免编号信息在嵌入特征中被抑制，保证了嵌入特征丰富的表征能力。
上述将特征块与编号信息进行融合嵌入，得到对应特征块的嵌入特征，使用对应特征块的编码器对嵌入特征进行特征提取，得到对应特征块的目标特征的步骤，在特征块内额外嵌入了位置信息，使得嵌入特征能够表征更加丰富的特征信息，进而提高后续对产品标识内容一致性判断的准确率。
步骤S204，针对M个目标特征中任一目标特征，将目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和当前特征相加，得到对应目标特征的融合特征。
其中，编号顺序可以包括按照预设顺序排列的所有编号信息，融合特征可以包含至少一个目标特征的特征信息。
具体地，在本实施例中，沿用上述M为9，编号信息为[0，8]的整数的示例，预设顺序可以是4，0，1，2，3，5，6，7，8，也即中位数对应的编号信息为首位，其他编号信息按照从小到的顺序排列。
则对于编号信息为4的目标特征，以其自身为融合特征，对于编号信息为1的目标特征，以编号信息为4的目标特征和编号信息为1的目标特征的相加结果，作为其融合特征，对于编号信息为2的目标特征，以编号信息为4的目标特征、编号信息为1的目标特征和编号信息为2的目标特征的相加结果，作为其融合特征，以此类推，可以得到M个对应目标特征的融合特征。
上述针对M个目标特征中任一目标特征，将目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和当前特征相加，得到对应目标特征的融合特征的步骤，以中位数编号信息对应的感受野较大的目标特征为基础，逐步增加局部特征，使得特征信息逐步完善，而得到的多个融合特征分别表征特征信息从局部到整体过程中的各阶段信息，为后续同分布判别提供更加丰富的特征信息，提高对产品标识内容一致性判断的准确率。
步骤S205，使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征参考数据和N个待判别数据属于同分布的概率，根据M个融合特征对应的概率，对N个待判别数据和参考数据是否属于同分布进行判别，得到判别结果。
其中，预测器可以用于对融合特征所表征的参考数据和N个待判别数据属于同一数据分布进行预测，概率可以表征参考数据和N个待判别数据属于同分布的可能性，判别结果可以包括待判别数据和参考数据属于同分布与待判别数据和参考数据不属于同分布。
具体地，预测器可以包括两个二维卷积层，两个批归一化层、激活函数层、两个池化层和线性层，融合特征依次经过第一个二维卷积层、第一个批归一化层、激活函数层、第一个池化层、第二个二维卷积层、第二个批归一化层、第二个池化层，得到预测器进行特征提取的结果，在本实施例中，第一个二维卷积层可以采用9*9尺寸的卷积核实现，激活函数层可以采用ReLU激活函数实现，两个池化层均可以采用最大池化层实现，第二个二维卷积层可以采用7*7尺寸的卷积核实现，第二个二维卷积层约束通道数为1，第二个池化层约束输出尺寸为5*5，则输出的特征尺寸为[1，5，5]。
将输出的特征进行展平操作，展平为一维向量，则展平后的特征尺寸为[1，25]，将展平后的特征输入线性层，线性层约束输出尺寸为1，则经线性层输出的结果即为对应融合特征的概率，共得到M个概率。
参见图5，是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中一组待判别数据和参考数据的示意图，其中，5-a、5-b、5-c、5-d和5-e均为带判别数据，5-f为参考数据，此时，N取值为5，沿用上述实例，M设置为9，则得到的M个概率可以形成概率向量进行表示，概率向量形如[0.83096，0.84869，0.84968，0.85354，0.88147，0.89338，0.90137，0.97962，0.98787]。
参见图6，是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中另一组待判别数据和参考数据的示意图，其中，6-a、6-b、6-c、6-d和6-e均为带判别数据，6-f为参考数据，5-a和6-a相同，5-b和6-b相同，5-c和6-c相同，5-d和6-d相同，5-f和6-f相同，仅有5-e和6-e不同，此时，得到的概率向量形如[0.46117，0.43929，0.29407，0.28247，0.26318，0.25198，0.20228，0.16944，0.13155]。
可选的是，使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征参考数据和N个待判别数据属于同分布的概率，包括：
针对任一个融合特征，将融合特征输入预测器中，输出对应融合特征的预测值，对预测值进行归一化处理，得到对应融合特征的概率；
遍历所有融合特征，得到M个对应融合特征的概率。
其中，预测值可以表征融合特征在输出特征空间的映射值。
具体地，区别于上述实施例直接通过线性层预测得到概率值的方式，本实施例中，线性层约束输出尺寸为2，也即分别预测待判别数据和参考数据是否属于同分布的可能性，得到两个预测值，对两个预测值进行归一化处理，归一化处理可以采用指数归一化方式，得到对应预测值的归一化结果，以预测待判别数据和参考数据属于同分布的预测值对应的归一化结果作为对应融合特征的概率。
本实施例中，以分类的方式进行概率预测，降低了模型推理的复杂性，相较于直接预测出[0，1]范围内的概率值，使用映射值的方式能够更利于模型收敛，降低预测器的训练时长。
可选的是，将融合特征输入预测器中，输出对应融合特征的预测值，包括：
将融合特征按照通道维度进行分离，得到分离结果，对所有分离结果进行拼接，得到上采样结果；
将上采样结果输入预测器中，输出对应融合特征的预测值。
其中，分离结果可以是指按照通道进行数据分离处理后的结果，上采样结果可以是指所有分离结果按顺序拼接后的结果。
具体地，以[4，40，40]尺寸的融合特征为例，按照通道维度分离，则分离结果尺寸为[1，40，40]，按照通道标识的顺序进行拼接，得到上采样结果，上采样结果尺寸为[1，80，80]。
参见图7，是本发明实施例一提供的一种基于人工智能的数据同分布判别方法中上采样结果的示意图，其中，0，1，2，3均为通道标识。
本实施例中，通过通道分离再拼接的方式，将通道信息融合，为后续预测器的特征提取过程提供更丰富的信息，提高同分布判别的准确率。
可选的是，根据M个融合特征对应的概率，对N个待判别数据和参考数据是否属于同分布进行判别，得到判别结果，包括：
统计所有概率中，大于预设概率阈值的概率的数量，得到统计结果；
若统计结果大于预设的数量阈值，则确定判别结果为N个待判别数据和参考数据属于同分布；
若统计结果小于或者等于数量阈值，则确定判别结果为N个待判别数据和参考数据不属于同分布。
其中，预设概率阈值可以用于衡量基于融合特征预测的N个待判别数据和参考数据属于同分布的可信程度，数量阈值用于确定预测得到N个待判别数据和参考数据属于同分布所基于的融合特征数量。
具体地，在本实施例中，预设概率阈值可以设置为0.5，数量阈值可以设置为M/2，实施者可以根据实际情况调整该预设概率阈值和数量阈值。
在一实施方式中，实施者还可以根据M个概率，采用软投票机制进行判别，也即将所有概率取均值，进而根据均值和预设概率阈值的比较结果，确定判别结果。
本实施例中，通过输出多个概率进行联合投票方式进行判别结果的确定，相较于常规检测模型输出单个检测结果的方式，使得判别结果更加可信，且判别方式简单，能够保证对产品标识内容一致性判断的效率更高。
上述使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征参考数据和N个待判别数据属于同分布的概率，根据M个融合特征对应的概率，对N个待判别数据和参考数据是否属于同分布进行判别，得到判别结果的步骤，根据丰富的局部信息，也即多个融合特征，预测得到的概率联合确定判别结果，提高了对产品标识内容一致性判断的准确率。
本实施例中，本发明针对产品标识内容一致性判断的场景，发掘并充分利用了数据同分布的特性，节省了常规深度学习字符检测算法中对标识的语义信息进行识别的流程，并且在输入中引入参考数据，从而提高了本发明模型对产品标识内容一致性判断的效率和泛化性。
对应于上文实施例的基于人工智能的数据同分布判别方法，图8示出了本发明实施例二提供的基于人工智能的数据同分布判别装置的结构框图，上述数据同分布判别装置应用于客户端，客户端对应的计算机设备与服务端连接，以从服务端获取参考数据和N个待判别数据分别对应的初始特征，参考数据可以是由服务端提供的描述目标产品信息的数据，待判别数据可以是指由服务端连接的图像采集设备采集到的需要进行数据同分布判别的数据，初始特征可以是指参考数据和待判别数据经过预处理后得到的特征数据。为了便于说明，仅示出了与本发明实施例相关的部分。
参见图8，该数据同分布判别装置包括：
特征获取模块81，用于获取描述目标产品信息的参考数据，获取参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征，N为大于零的整数；
特征均分模块82，用于将拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据特征块在拼接特征中的相对位置，构建对应特征块的编号信息，M为大于一的奇数；
特征提取模块83，用于将特征块与编号信息进行融合嵌入，得到对应特征块的嵌入特征，使用对应特征块的编码器对嵌入特征进行特征提取，得到对应特征块的目标特征；
特征融合模块84，用于针对M个目标特征中任一目标特征，将目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和当前特征相加，得到对应目标特征的融合特征；
判别模块85，用于使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征参考数据和N个待判别数据属于同分布的概率，根据M个融合特征对应的概率，对N个待判别数据和参考数据是否属于同分布进行判别，得到判别结果。
可选的是，上述特征获取模块81包括：
数据特征提取单元，用于以参考数据和N个待判别数据中的任一个作为待处理数据，将待处理数据输入预设的特征提取层进行特征提取，输出数据特征；
尺寸归一化单元，用于将数据特征输入预设的池化层进行尺寸归一化，得到对应待处理数据的初始特征，初始特征的尺寸符合预设尺寸。
可选的是，上述特征均分模块82包括：
相对位置确定单元，用于获取特征块在拼接特征中的相对位置；
编号信息映射单元，用于使用预设的映射表将相对位置映射为特征块的编号信息，映射表包括相对位置和编号信息之间的映射关系。
可选的是，上述特征提取模块83包括：
初始化单元，用于初始化编号特征，编号特征与特征块的尺寸仅有通道维度不同，编号特征的通道维度为一；
特征填充单元，用于获取编号信息对应的映射值，使用映射值填充编号特征，将填充后的编号特征和特征块按照通道维度进行拼接，得到嵌入特征。
可选的是，上述判别模块85包括：
概率归一化单元，用于针对任一个融合特征，将融合特征输入预测器中，输出对应融合特征的预测值，对预测值进行归一化处理，得到对应融合特征的概率；
特征遍历单元，用于遍历所有融合特征，得到M个对应融合特征的概率。
可选的是，上述概率归一化单元包括：
特征分离子单元，用于将融合特征按照通道维度进行分离，得到分离结果，对所有分离结果进行拼接，得到上采样结果；
结果分类子单元，用于将上采样结果输入预测器中，输出对应融合特征的预测值。
可选的是，上述判别模块85包括：
数量统计单元，用于统计所有概率中，大于预设概率阈值的概率的数量，得到统计结果；
第一判别单元，用于若统计结果大于预设的数量阈值，则确定判别结果为N个待判别数据和参考数据属于同分布；
第二判别单元，用于若统计结果小于或者等于数量阈值，则确定判别结果为N个待判别数据和参考数据不属于同分布。
需要说明的是，上述模块、单元、子单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图9为本发明实施例三提供的一种计算机设备的结构示意图。如图9所示，该实施例的计算机设备包括：至少一个处理器（图9中仅示出一个）、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个数据同分布判别方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图9仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作***和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作***、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的数据同分布判别方法，其特征在于，所述数据同分布判别方法包括：
获取描述目标产品信息的参考数据，获取所述参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征，N为大于零的整数；
将所述拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据所述特征块在所述拼接特征中的相对位置，构建对应所述特征块的编号信息，M为大于一的奇数；
将所述特征块与所述编号信息进行融合嵌入，得到对应所述特征块的嵌入特征，使用对应所述特征块的编码器对所述嵌入特征进行特征提取，得到对应所述特征块的目标特征；
针对M个目标特征中任一目标特征，将所述目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定所述当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和所述当前特征相加，得到对应所述目标特征的融合特征；
使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征所述参考数据和所述N个待判别数据属于同分布的概率，根据所述M个融合特征对应的概率，对所述N个待判别数据和所述参考数据是否属于同分布进行判别，得到判别结果；
所述根据所述M个融合特征对应的概率，对所述N个待判别数据和所述参考数据是否属于同分布进行判别，得到判别结果，包括：
统计所有概率中，大于预设概率阈值的概率的数量，得到统计结果；
若所述统计结果大于预设的数量阈值，则确定所述判别结果为所述N个待判别数据和所述参考数据属于同分布；
若所述统计结果小于或者等于所述数量阈值，则确定所述判别结果为所述N个待判别数据和所述参考数据不属于同分布。
2.根据权利要求1所述的数据同分布判别方法，其特征在于，所述获取所述参考数据和N个待判别数据分别对应的初始特征，包括：
以所述参考数据和所述N个待判别数据中的任一个作为待处理数据，将所述待处理数据输入预设的特征提取层进行特征提取，输出数据特征；
将所述数据特征输入预设的池化层进行尺寸归一化，得到对应所述待处理数据的初始特征，所述初始特征的尺寸符合预设尺寸。
3.根据权利要求1所述的数据同分布判别方法，其特征在于，所述根据所述特征块在所述拼接特征中的相对位置，构建对应所述特征块的编号信息，包括：
获取所述特征块在所述拼接特征中的相对位置；
使用预设的映射表将所述相对位置映射为所述特征块的编号信息，所述映射表包括所述相对位置和所述编号信息之间的映射关系。
4.根据权利要求1所述的数据同分布判别方法，其特征在于，所述将所述特征块与所述编号信息进行融合嵌入，得到对应所述特征块的嵌入特征，包括：
初始化编号特征，所述编号特征与所述特征块的尺寸仅有通道维度不同，所述编号特征的通道维度为一；
获取所述编号信息对应的映射值，使用所述映射值填充所述编号特征，将填充后的编号特征和所述特征块按照通道维度进行拼接，得到所述嵌入特征。
5.根据权利要求1所述的数据同分布判别方法，其特征在于，所述使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征所述参考数据和所述N个待判别数据属于同分布的概率，包括：
针对任一个融合特征，将所述融合特征输入所述预测器中，输出对应所述融合特征的预测值，对所述预测值进行归一化处理，得到对应所述融合特征的概率；
遍历所有融合特征，得到所述M个对应融合特征的概率。
6.根据权利要求5所述的数据同分布判别方法，其特征在于，所述将所述融合特征输入所述预测器中，输出对应所述融合特征的预测值，包括：
将所述融合特征按照通道维度进行分离，得到分离结果，对所有分离结果进行拼接，得到上采样结果；
将所述上采样结果输入所述预测器中，输出对应所述融合特征的预测值。
7.一种基于人工智能的数据同分布判别装置，其特征在于，所述判别装置包括：
特征获取模块，用于获取描述目标产品信息的参考数据，获取所述参考数据和N个待判别数据分别对应的初始特征，将所有初始特征拼接，得到拼接特征，N为大于零的整数；
特征均分模块，用于将所述拼接特征均分为M个不重叠的特征块，针对任一个特征块，根据所述特征块在所述拼接特征中的相对位置，构建对应所述特征块的编号信息，M为大于一的奇数；
特征提取模块，用于将所述特征块与所述编号信息进行融合嵌入，得到对应所述特征块的嵌入特征，使用对应所述特征块的编码器对所述嵌入特征进行特征提取，得到对应所述特征块的目标特征；
特征融合模块，用于针对M个目标特征中任一目标特征，将所述目标特征作为当前特征，根据所有编号信息确定的编号顺序，确定所述当前特征对应的编号信息之前的所有编号信息，将所有编号信息对应的目标特征和所述当前特征相加，得到对应所述目标特征的融合特征；
判别模块，用于使用预设的预测器分别对M个融合特征进行预测，得到对应融合特征的表征所述参考数据和所述N个待判别数据属于同分布的概率，根据所述M个融合特征对应的概率，对所述N个待判别数据和所述参考数据是否属于同分布进行判别，得到判别结果；
所述判别模块包括：
数量统计单元，用于统计所有概率中，大于预设概率阈值的概率的数量，得到统计结果；
第一判别单元，用于若所述统计结果大于预设的数量阈值，则确定所述判别结果为所述N个待判别数据和所述参考数据属于同分布；
第二判别单元，用于若所述统计结果小于或者等于所述数量阈值，则确定所述判别结果为所述N个待判别数据和所述参考数据不属于同分布。
8.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的数据同分布判别方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的数据同分布判别方法。
CN202310507945.1A 2023-05-08 2023-05-08 基于人工智能的数据同分布判别方法、装置、设备及介质 Active CN116226789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310507945.1A CN116226789B (zh) 2023-05-08 2023-05-08 基于人工智能的数据同分布判别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310507945.1A CN116226789B (zh) 2023-05-08 2023-05-08 基于人工智能的数据同分布判别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116226789A CN116226789A (zh) 2023-06-06
CN116226789B true CN116226789B (zh) 2023-08-18

Family

ID=86580933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310507945.1A Active CN116226789B (zh) 2023-05-08 2023-05-08 基于人工智能的数据同分布判别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116226789B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062767A (zh) * 2018-02-11 2018-05-22 河海大学 基于时序sar图像的统计同分布空间像素选择方法
CN110321932A (zh) * 2019-06-10 2019-10-11 浙江大学 一种基于深度多源数据融合的全城市空气质量指数估计方法
CN112990328A (zh) * 2021-03-25 2021-06-18 北京百度网讯科技有限公司 特征融合方法、装置、设备、存储介质以及程序产品
CN113705492A (zh) * 2021-08-31 2021-11-26 杭州艾芯智能科技有限公司 人脸训练样本图像的生成方法、***、计算机设备及存储介质
CN115690587A (zh) * 2022-11-16 2023-02-03 中国人民解放军国防科技大学 一种红外小目标方法、装置、设备及存储介质
WO2023061087A1 (zh) * 2021-10-12 2023-04-20 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919251A (zh) * 2019-03-21 2019-06-21 腾讯科技（深圳）有限公司 一种基于图像的目标检测方法、模型训练的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062767A (zh) * 2018-02-11 2018-05-22 河海大学 基于时序sar图像的统计同分布空间像素选择方法
CN110321932A (zh) * 2019-06-10 2019-10-11 浙江大学 一种基于深度多源数据融合的全城市空气质量指数估计方法
CN112990328A (zh) * 2021-03-25 2021-06-18 北京百度网讯科技有限公司 特征融合方法、装置、设备、存储介质以及程序产品
CN113705492A (zh) * 2021-08-31 2021-11-26 杭州艾芯智能科技有限公司 人脸训练样本图像的生成方法、***、计算机设备及存储介质
WO2023061087A1 (zh) * 2021-10-12 2023-04-20 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品
CN115690587A (zh) * 2022-11-16 2023-02-03 中国人民解放军国防科技大学 一种红外小目标方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116226789A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN111080660B (zh) 一种图像分割方法、装置、终端设备及存储介质
CN111369545B (zh) 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN112017192B (zh) 基于改进U-Net网络的腺体细胞图像分割方法及***
CN110569856A (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN111340796A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN112560845A (zh) 字符识别方法、装置、智能取餐柜、电子设备及存储介质
CN114038004A (zh) 一种证件信息提取方法、装置、设备及存储介质
CN113780492A (zh) 一种二维码二值化方法、装置、设备及可读存储介质
CN112052702A (zh) 一种识别二维码的方法和装置
CN111507119B (zh) 标识码识别方法、装置、电子设备及计算机可读存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN113033305B (zh) 活体检测方法、装置、终端设备和存储介质
CN112037174B (zh) 染色体异常检测方法、装置、设备及计算机可读存储介质
CN117727046A (zh) 新型山洪前端仪器仪表读数自动识别方法及***
CN116226789B (zh) 基于人工智能的数据同分布判别方法、装置、设备及介质
CN112802034A (zh) 图像分割、识别方法、模型构建方法、装置及电子设备
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN115512203A (zh) 信息检测方法、装置、设备及存储介质
CN112614107A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN115439850A (zh) 基于审单的图文字符识别方法、装置、设备及存储介质
CN113139617B (zh) 一种输电线路自主定位方法、装置及终端设备
CN112750124A (zh) 模型生成、图像分割方法、装置、电子设备及存储介质
CN113269195A (zh) 读数表图像字符识别方法和装置以及可读存储介质
CN116433674B (zh) 半导体硅晶圆检测方法、装置、计算机设备及介质
CN112288685B (zh) 抗酸杆菌的检测方法、装置、终端设备及可读存储介质

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