[發明專利]圖表轉換方法及裝置

有效

• 申請號: 201710463761.4
• 申請日: 2017-06-16
• 公開（公告）號: CN107221019B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 王家奎;田衛衛;魏星;趙越超;沈重耳
• 申請（專利權）人: 武漢唯理科技有限公司
• 主分類號: G06T11/60
• 分類號: G06T11/60;G06N3/08;G06K9/00
• 代理公司: 深圳市港灣知識產權代理有限公司 44258
• 代理人: 劉向英

1.一種圖表轉換方法，其特征在于，所述方法包括以下步驟：

獲取若干樣本靜態圖表的第二像素數據以及對應的第二圖表描述數據；

通過所述第二像素數據以及對應的第二圖表描述數據對神經網絡模型進行訓練；

將訓練后的神經網絡模型作為圖表轉換模型；

獲取待轉換靜態圖表的第一像素數據；

根據圖表轉換模型對所述第一像素數據進行識別，獲得對應的第一圖表描述數據；

根據所述第一圖表描述數據生成相應的矢量圖表；

其中，所述神經網絡模型包括：深度卷積神經網絡層、雙循環神經網絡編碼層和輸出解碼層；

其中，所述通過所述第二像素數據以及對應的第二圖表描述數據對神經網絡模型進行訓練，具體包括：

通過所述深度卷積神經網絡層從所述第二像素數據中提取視覺特征；

通過所述雙循環神經網絡編碼層對提取的視覺特征進行重新組織與序列化；

通過所述輸出解碼層根據重新組織與序列化后的視覺特征生成對應的預測表述數據；

根據所述第二像素數據和預測表述數據之間的差別對神經網絡中的各層參數進行調整，以實現對所述神經網絡模型進行訓練；

其中，所述根據圖表轉換模型對所述第一像素數據進行識別，獲得對應的第一圖表描述數據，具體包括：

通過所述圖表轉換模型中的深度卷積神經網絡層從所述第一像素數據中提取視覺特征，所述視覺特征包括形狀特征或顏色特征；

通過所述圖表轉換模型中的雙循環神經網絡編碼層對提取的視覺特征進行重新組織與序列化；

通過所述圖表轉換模型中的輸出解碼層根據重新組織與序列化后的視覺特征生成所述第一圖表描述數據。

2.如權利要求1所述的方法，其特征在于，所述深度卷積神經網絡層包括：卷積層和池化層；

相應地，所述通過所述深度卷積神經網絡層從所述第二像素數據中提取視覺特征，具體包括：

通過若干次卷積層和若干次池化層從所述第二像素數據中提取視覺特征。

3.一種圖表轉換裝置，其特征在于，所述裝置包括：

第二數據獲取模塊，用于獲取若干樣本靜態圖表的第二像素數據以及對應的第二圖表描述數據；

模型訓練模塊，用于通過所述第二像素數據以及對應的第二圖表描述數據對神經網絡模型進行訓練，將訓練后的神經網絡模型作為所述圖表轉換模型；

第一數據獲取模塊，用于獲取待轉換靜態圖表的第一像素數據；

數據識別模塊，用于根據圖表轉換模型對所述第一像素數據進行識別，獲得對應的第一圖表描述數據；

圖表生成模塊，用于根據所述第一圖表描述數據生成相應的矢量圖表；

其中，所述神經網絡模型包括：深度卷積神經網絡層、雙循環神經網絡編碼層和輸出解碼層；

其中，所述模型訓練模塊，還用于通過所述深度卷積神經網絡層從所述第二像素數據中提取視覺特征；通過所述雙循環神經網絡編碼層對提取的視覺特征進行重新組織與序列化；通過所述輸出解碼層根據重新組織與序列化后的視覺特征生成對應的預測表述數據；根據所述第二像素數據和預測表述數據之間的差別對所述神經網絡中的各層參數進行調整，以實現對所述神經網絡模型進行訓練；

所述數據識別模塊，還用于通過所述圖表轉換模型中的深度卷積神經網絡層從所述第一像素數據中提取視覺特征，所述視覺特征包括形狀特征或顏色特征；通過所述圖表轉換模型中的雙循環神經網絡編碼層對提取的視覺特征進行重新組織與序列化；通過所述圖表轉換模型中的輸出解碼層根據重新組織與序列化后的視覺特征生成所述第一圖表描述數據。

4.如權利要求3所述的裝置，其特征在于，所述深度卷積神經網絡層包括：卷積層和池化層；

相應地，所述模型訓練模塊，還用于通過若干次卷積層和若干次池化層從所述第二像素數據中提取視覺特征。