[发明专利]基于深度学习的训练素材智能识别方法、装置和设备

说明书

本申请涉及基于深度学习的训练素材智能识别方法、装置和设备，方法包括：获取不同型号和分辨率的训练采集图像，对各训练采集图像进行标准化处理得到尺寸统一的各训练图像；采用小尺度判别模型进行各训练图像的归属部位及质量判别，得到小尺度判别结果；采用基于监督式生成对抗网络的图像显著性检测模型，对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像；非显性训练图像为小尺度判别结果中识别到疑似非规范动作的训练图像；采用大尺度判别模型对显著图像进行特征识别，得到代表显著图像对应的训练图像的最优特征图。大幅提升了训练图像数据采集质量。

技术领域

本申请涉及大数据处理与应用技术领域，特别是涉及一种基于深度学习的训练素材智能识别方法、装置和设备。

背景技术

随着军队信息化建设向纵深推进和以云计算、大数据、人工智能为代表的新技术的飞速发展，军事训练领域迎来了思想观念上的变革和方法手段上的革新。数字化、网络化程度不断提升，军事训练活动中产生数据的种类日益增多且数量成倍增长，用大数据理念指导军事训练实践，已经成为各级对训练规律认识、训练效果评估、训练效益评价和训练质量监察必不可少的基础支撑。

深入发掘训练数据的潜在价值，分析大数据技术在军事训练中的应用，积极探索推进军事训练大数据建设的对策措施，对于提高军事训练效益，推进军事训练创新发展具有十分重要的意义。然而，在实现本发明过程中，发明人发现前述传统的军事训练数据的处理方法中，除了装备产生的数据可以自动记录和采集外，大量训练数据需要人工采集，存在着训练图像数据采集质量不高的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种显著提升训练图像数据采集质量的基于深度学习的训练素材智能识别方法、一种基于深度学习的训练素材智能识别装置、一种计算机设备以及一种计算机可读存储介质。

为了实现上述目的，本发明实施例采用以下技术方案：

一方面，本发明实施例提供一种基于深度学习的训练素材智能识别方法，包括步骤：

获取不同型号和分辨率的训练采集图像，对各训练采集图像进行标准化处理得到尺寸统一的各训练图像；

采用小尺度判别模型进行各训练图像的归属部位及质量判别，得到小尺度判别结果；小尺度判别模型为基于深度卷积神经网络搭建的训练数据质量及部位的小尺度判别模型，小尺度判别结果包括图像质量的达标情况以及图像所属的部位；

采用基于监督式生成对抗网络的图像显著性检测模型，对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像；非显性训练图像为小尺度判别结果中识别到疑似非规范动作的训练图像；

采用大尺度判别模型对显著图像进行特征识别，得到代表显著图像对应的训练图像的最优特征图；大尺度判别模型为基于多尺度特征融合的训练图像质量及部位的大尺度判别模型。

另一方面，还提供一种基于深度学习的训练素材智能识别装置，包括：

数据标准化模块，用于获取不同型号和分辨率的训练采集图像，对各训练采集图像进行标准化处理得到尺寸统一的各训练图像；

小尺度识别模块，用于采用小尺度判别模型进行各训练图像的归属部位及质量判别，得到小尺度判别结果；小尺度判别模型为基于深度卷积神经网络搭建的训练数据质量及部位的小尺度判别模型，小尺度判别结果包括图像质量的达标情况以及图像所属的部位；

对抗识别模块，用于采用基于监督式生成对抗网络的图像显著性检测模型，对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像；非显性训练图像为小尺度判别结果中识别到疑似非规范动作的训练图像；

大尺度识别模块，用于采用大尺度判别模型对显著图像进行特征识别，得到代表显著图像对应的训练图像的最优特征图；大尺度判别模型为基于多尺度特征融合的训练图像质量及部位的大尺度判别模型。