[发明专利]一种基于ViT网络的图像成像设备识别方法

权利要求书

1.一种基于ViT网络的图像成像设备识别方法，其特征在于，至少包括以下步骤：

预先训练得到图像成像设备识别模型；

将待识别图像输入图像成像设备识别模型并输出识别结果，以得到该图像的成像设备类型；

其中，图像成像设备识别模型的训练包括以下步骤：

步骤S10：通过相机拍摄标准校色板和不包含校色板的标准图像；

步骤S20：根据校色板真值和拍摄的校色板数据，使用色彩校正矩阵计算公式得出色彩校正矩阵V_CCM；

步骤S30：将V_CCM作为ViT网络的学习目标设计网络中的L1Loss；

步骤S40：将不包含校色板的标准图像作为输入训练ViT网络，通过反向传播不断更新网络参数；

步骤S50：在训练好的ViT网络后端连接KNN，将待识别图像送入ViT网络，最终得出该图像的设备型号识别结果。

2.根据权利要求1所述的基于ViT网络的图像成像设备识别方法，其特征在于，步骤S40中，使用了L1Loss进行了网络提取的色彩校正特征和S20中计算的色彩校正矩阵特征的L1距离计算，并通过反向传播反馈给网络，进而不断更新网络参数，其中L1Loss计算公式如下：

其中，y_i是目标值，f(x_i)是模型输入图像x后得到的估计值，对两者做绝对值差值取均值得到损失。

3.根据权利要求1所述的基于ViT网络的图像成像设备识别方法，其特征在于，在步骤S40中，网络训练特征提取过程中，使用了自注意力机制的特征提取，包括以下步骤：

S401：当一张新的训练图像X∈R^H×W×C送入进ViT网络中，首先使用一个尺度和步长P的卷积核将图片信息重塑扁平化为二维碎片序列其中HW是原始图像的分辨率，C是通道数，P是每个图像碎片的分辨率；N＝HW/P²是产生的碎片数；

S402：在embedding中将拉平后的二维碎片经过线性投影成一维数据，得到N个展开的一维图片向量；同时添加一个可学习的类别块，这个类别块将用于与所有的图像小块进行交互，最终从类别块中学习到用于分类的特征；并且对以上的输入特征加入位置编码信息，位置编码用于标示每一个图像块的相对位置；

S403：将图像块输入到transformer中进行自注意力的特征提取，其中，自注意力特征提取的计算过程如下：

首先将步骤S402中的图像块转化为嵌入向量，将图像块看成是键值对序列，得到K＝(k₁,k₂,…,k_N)，V＝(v₁,v₂,…,v_N)，Q＝(q₁,q₂,…,q_M)三个向量，Q表示查询序列，K和V分别表示键序列和值序列，使用下面公式计算查询q_t和每个k_i注意力的得分e_ti，得分e_ti的计算公式为：

使用softmax等函数对注意力得分做归一化处理，得到每个键的权重w_ti，每个键的权重w_ti的计算公式为：

将权重w_ti和其对应的值v_i加权求和作为注意力特征输出，注意力特征的计算公式为：

Attention(q_t,K,V)＝∑_iw_tiv_i。

4.根据权利要求1所述的基于ViT网络的图像成像设备识别方法，其特征在于，步骤S50中，当型号待识别图像送入训练好的ViT网络中，得到该图像的色彩校正向量，使用KNN对该色彩校正特征进行分类，最终得出相机设备型号预测类别。