[发明专利]基于顶层生成深度学习的数据转换方法、系统、介质和设备

说明书

本发明公开了一种基于顶层生成深度学习的数据转换方法、系统、介质和设备，所述方法包括：建立深度学习神经网络，学习目标分辨率的样本数据；将源分辨率数据转换为第一目标分辨率数据；将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中，通过深度学习神经网络生成第二目标分辨率数据，将第二目标分辨率数据作为源分辨率数据的转换结果。本发明能够满足数据转换时对数据细节一致性的需求，便于人们查看细节或全貌，以及有利于计算机更精细化或更省计算资源地处理。

技术领域

本发明涉及一种的数据转换方法，尤其是一种基于顶层生成深度学习的数据转换方法、系统、介质和设备，属于数据转换领域。

背景技术

采集的数据分辨率往往受环境和采集设备的影响而分辨率达不到需求，例如照片由于天气雾霾、光线、摄像机分辨率等因素而分辨率不高，例如扫描出来的图片由于扫描仪的分辨率不高导致得到的扫描图片分辨率不高，这些情况下都需要提高数据的分辨率，现有提高数据分辨率的方式是插值或拟合，插值或拟合一般是根据相邻已知数据值进行加权平均得到需要插入的未知数据值，但实际数据的分布并不是固定的，而是变化的，而插值或拟合的方式只能采用固定的插值或拟合公式，因此以固定的方式对分布变化的数据进行插值或拟合显然会在提高了分辨率的同时造成了数据的失真。另一种是从高分辨率到低分辨率，现有技术往往通过删除一些数据来实现，可能会导致得到的低分辨率数据不连贯，另一种方式是通过高分辨率数据加权平均统计或拟合得到低分辨率数据，但实际数据的分布并不是固定的，而是变化的，而统计或拟合的方式只能采用固定的统计或拟合公式，因此以固定的方式对分布变化的数据进行统计或拟合显然会在降低了分辨率的同时造成了数据的失真。人类往往能根据低分辨率的数据想象出高分辨率的数据，也能根据高分辨率的数据想象出低分辨率的数据。人的大脑类似神经网络。深度学习技术是从神经网络技术发展而来的。

现有深度学习技术能通过输入数据得到输出标签(例如通过头像得到该人身份证号，又如通过语音得到该人身份证号)，在自顶向下的监督训练阶段要通过带标签数据的监督训练(例如带有身份证号标签的头像，又如带有身份证号标签的语音)。但是现有深度学习技术中，无法通过输入一类数据得到另一类过于复杂的标签数据输出，因为只有比较简单的标签数据(例如类别标签)才能用于现有深度学习技术，因为过于复杂的标签数据输出会使得深度学习的计算复杂度剧增而无法在有效的时间内完成计算，因此过于复杂的标签数据无法作为现有深度学习神经网络的输出，因此，通过现有深度学习技术不可能实现输入低分辨率数据得到高分辨率数据的输出或输入高分辨率数据得到低分辨率数据的输出。同时，深度学习神经网络的认知过程只能认知出输入数据的特征，而不是无法从输入数据中认知出比输入数据更高低分辨率或更低分辨率的数据，所以通过深度学习神经网络的认知过程也无法实现从低分辨率数据得到高分辨率数据，或从高分辨率数据得到低分辨率数据。

发明内容

本发明的第一个目的是为了解决上述现有技术的缺陷，提供了一种基于顶层生成深度学习的数据转换方法，该方法能够满足数据转换时对数据细节一致性的需求，便于人们查看细节或全貌，以及有利于计算机更精细化或更省计算资源地处理。

本发明的第二个目的在于提供一种基于顶层生成深度学习的数据转换机器人系统。

本发明的第三个目的在于提供一种存储介质。

本发明的第四个目的在于提供一种计算设备。

本发明的第一个目的可以通过采取如下技术方案达到：

基于顶层生成深度学习的数据转换方法，所述方法包括：

建立深度学习神经网络，学习目标分辨率样本数据；

将源分辨率数据转换为第一目标分辨率数据；

将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；