[发明专利]模型采样方法、装置、计算机设备及存储介质在审

专利信息
申请号: 202011185071.5 申请日: 2020-10-30
公开(公告)号: CN112308138A 公开(公告)日: 2021-02-02
发明(设计)人: 梅栋 申请(专利权)人: 中国平安财产保险股份有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06N3/08
代理公司: 深圳国新南方知识产权代理有限公司 44374 代理人: 周雷
地址: 518000 广东省深圳市福田区益田路*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 模型 采样 方法 装置 计算机 设备 存储 介质
【说明书】:

发明涉及人工智能技术领域,尤其涉及一种模型采样方法、装置、设备及存储介质。该模型采样方法包括获取低分辨率图像;其中,所述低分辨率图像包括多个特征通道;对所述多个特征通道进行均匀分组,得到多组待测图像;将每组所述待测图像输入至预先训练好的注意力模型中,得到每组所述待测图像对应的权重图像;采用每组所述待测图像对应的权重图像对每组所述待测图像进行不均匀采样处理,得到每组所述待测图像对应的显著图像;对多个所述显著图像进行融合处理,得到待分类图像;将所述待分类图像输入至分类网络中进行分类。该模型采样方法可通过不均匀采样的方式突出图像中重点关注区域,从而提升后续分类网络的准确率。

技术领域

本发明涉及人工智能技术领域,尤其涉及一种模型采样方法、装置、计算机设备及存储介质。

背景技术

随着深度学习的普及,现代的图像描述方法通常采用卷积神经网络(Convolutional Neural Network,CNN)进行图像检测。但对于图像检测任务,检测物的大小会影响不同卷积层对其的检测效果,高层卷积将原图像缩小的比例高,导致网络对小物体检测性能较差。

目前,为保证检测性能,一般是通过采用多尺度特征融合的方式,即使用不同层的输出作为对不同尺度物体识别的特征图输入,但这样会引入较大计算量,且不同层的输出结果的融合效果也无法保证。

发明内容

本发明实施例提供一种模型采样方法、装置、计算机设备及存储介质,以解决目前卷积神经网络中,由于高层卷积将原图像缩小的比例高,导致卷积网络对小物体检测性能较差的问题。

一种模型采样方法,包括:

获取低分辨率图像;其中,所述低分辨率图像包括多个特征通道;

对所述多个特征通道进行均匀分组,得到多组待测图像;

将每组所述待测图像输入至预先训练好的注意力模型中,得到每组所述待测图像对应的权重图像;

采用每组所述待测图像对应的权重图像对每组所述待测图像进行不均匀采样处理,得到每组所述待测图像对应的显著图像;

对多个所述显著图像进行融合处理,得到待分类图像;

将所述待分类图像输入至分类网络中进行分类。

一种模型采样方法装置,包括:

低分辨率图像获取模块,用于获取低分辨率图像;其中,所述低分辨率图像包括多个特征通道;

通道分组模块,用于对所述多个特征通道进行均匀分组,得到多组待测图像;

注意力处理模块,用于将每组所述待测图像输入至预先训练好的注意力模型中,得到每组所述待测图像对应的权重图像;

不均匀采样模块,用于采用每组所述待测图像对应的权重图像对每组所述待测图像进行不均匀采样处理,得到每组所述待测图像对应的显著图像;

图像融合模块,用于对多个所述显著图像进行融合处理,得到待分类图像;

图像分类模块,用于将所述待分类图像输入至分类网络中进行分类。

一种计算机设备,包括存储器、处理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上述模型采样方法的步骤。

一种计算机存储介质,所述计算机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上述模型采样方法的步骤。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国平安财产保险股份有限公司,未经中国平安财产保险股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011185071.5/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code