[发明专利]一种基于深度学习的图像与决策多源异类信息融合识别方法和装置

说明书

本发明提供了一种基于深度学习的图像与决策多源异类信息融合识别方法和装置，涉及多源异类信息技术领域，获得待识别图像数据与待融合决策信息，其中，所述待识别图像数据与所述待融合决策信息为多源异类信息；根据所述待识别图像数据与所述待融合决策信息，获得图像数据集与决策信息集；构造基于深度学习的图像与决策多源异类信息融合识别神经网络模型；利用所述图像数据集与所述决策信息集，训练所述神经网络模型；根据所述训练后的神经网络模型，对所述待识别图像数据与所述待融合决策信息进行并行融合计算处理，获得融合识别结果。实现了图像与决策多源异类信息的自动识别融合，有效提高识别精准度的技术效果。

技术领域

本发明涉及多源异类信息技术领域，尤其涉及一种基于深度学习的图像与决策多源异类信息融合识别方法和装置。

背景技术

在多平台联合侦察的背景下，由于平台通信能力、自身计算能力等有所差异，导致多平台向指挥中心传输的信息可能存在多源异类信息的情况，比如图像数据相对较大，若平台计算能力弱不能执行图像识别任务时，则需将图像数据(数据量极高，占用带宽大)传输至指挥中心，在指挥中心将该平台的图像数据与可能存在的其他平台传输的决策信息(其数据量极低，占用带宽小)进行多源异类信息融合识别，从而得到目标的识别结果。

然而，现有的多源信息融合识别只能在同一层次中进行，即融合的信息要么都是信号或数据，要么都是特征或决策，无法对异类信息进行同步融合。

但本申请发明人在实现本申请实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：

现有的多源信息融合识别方法，由于无法对不同层次的多源异类信息进行融合识别，从而造成单层次信息对目标识别带来的片面性，降低识别准确度的技术问题。

发明内容

本发明实施例提供了一种基于深度学习的图像与决策多源异类信息融合识别方法和装置，用以解决现有的多源信息融合识别方法，由于无法对不同层次的多源异类信息进行融合识别，从而造成单层次信息对目标识别带来的片面性，降低识别准确度的技术问题。实现了图像与决策多源异类信息的自动识别融合，有效提高识别精准度的技术效果。

鉴于上述问题，提出了本申请实施例以便提供一种基于深度学习的图像与决策多源异类信息融合识别方法和装置。

第一方面，本发明提供了一种基于深度学习的图像与决策多源异类信息融合识别方法，所述方法包括：获得待识别图像数据与待融合决策信息，其中，所述待识别图像数据与所述待融合决策信息为多源异类信息；根据所述待识别图像数据与所述待融合决策信息，获得图像数据集与决策信息集；构造基于深度学习的图像与决策多源异类信息融合识别神经网络模型；利用所述图像数据集与所述决策信息集，训练所述神经网络模型；根据所述训练后的神经网络模型，对所述待识别图像数据与所述待融合决策信息进行并行融合计算处理，获得融合识别结果。

优选的，所述构造基于深度学习的图像与决策多源异类信息融合识别神经网络模型，包括：图像数据输入模块，所述图像数据输入模块用于对所述待识别图像数据处理之后获得待识别图像数字化表示数据；决策信息输入模块，所述决策信息输入模块用于对所述待融合决策信息处理之后获得待融合决策信息数字化表示数据。

优选的，所述构造基于深度学习的图像与决策多源异类信息融合识别神经网络模型，还包括：卷积池化层，所述卷积池化层用于对所述待识别图像数字化表示数据进行卷积和池化处理之后，得到包含多个特征的图像降维数据；全连接输入层，所述全连接输入层结点由所述包含多个特征的图像降维数据结点和所述待融合决策信息数字化表示数据结点合并组成一层数据结点；全连接中间层，所述全连接中间层结点用于对经所述全连接输入层处理的所述包含多个特征的图像降维数据和所述待融合决策信息数字化表示数据进行全连接推理，计算所述待识别图像数据与所述待融合决策信息的相互关系；全连接输出层，所述全连接输出层结点用于输出所述神经网络模型的识别结果。

优选的，所述利用所述图像数据集与所述决策信息集，训练所述神经网络模型，具体包括：