[發明專利]一種用于圖像識別的卷積網絡可視化方法及裝置

有效

• 申請號: 202010417491.5
• 申請日: 2020-05-18
• 公開（公告）號: CN111598226B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 吳振東;李銳;金長新
• 申請（專利權）人: 山東浪潮科學研究院有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/94;G06N3/0464;G06N3/08;G06F9/455
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫晶偉

本發明公開一種用于圖像識別的卷積網絡可視化方法及裝置，涉及人工智能深度學習可視領域；利用Docker容器載入ubuntu鏡像，基于docker安裝Caffe，利用Docker容器封裝前端深度學習可視化工具箱，基于Caffe網絡架構，利用相應的卷積神經網絡模型識別圖像，通過深度學習可視化工具箱的可視化界面逐層展示圖像識別過程中卷積神經網絡模型的卷積核、以及原圖像在經過卷積之后所形成的圖像變化及相應參數；通過利用卷積神經網絡可視化技術，對整個圖像識別過程進行圖像化可視解釋，有利于對圖像做出更加準確的判斷，同時對結果提供更有說服力的依據。

技術領域

本發明公開一種可視化方法及裝置，涉及人工智能深度學習可視領域，具體地說是一種用于圖像識別的卷積網絡可視化方法及裝置。

背景技術

深度學習作為大數據分析所涉及的關鍵技術之一，克服了傳統機器學習算法依賴人為特征建立與篩選的限制，在語音識別、視覺對象識別、目標檢測、藥物發現等諸多領域都取得了較好的實踐結果。以深度學習為代表的“特征學習”，讓計算機能以大數據為基礎自動尋找目標的高維相關特征值，建立數據處理通道模型，實現全自動的智能處理流程，完成在指定應用場景下的目標的檢測、分割、分類及預測等任務。

深度學習中的卷積神經網絡，常被用于圖像識別，建立模型，進行有效識別，但其卷積計算的過程和識別結果，目前還沒有完善的檢測跟蹤以及直觀的展示解釋方式，導致卷積神經網絡所做出的決策往往難以被大眾接收，而使應用不能全面推廣。

發明內容

本發明針對現有技術的問題，提供一種用于圖像識別的卷積網絡可視化方法及裝置，通過利用卷積神經網絡可視化技術，對整個圖像識別過程進行圖像化可視解釋，有利于對圖像做出更加準確的判斷，同時對結果提供更有說服力的依據。

本發明提出的具體方案是：

一種用于圖像識別的卷積網絡可視化方法：利用Docker容器載入ubuntu鏡像，基于docker安裝Caffe，

利用Docker容器封裝前端深度學習可視化工具箱，

基于Caffe網絡架構，利用相應的卷積神經網絡模型識別圖像，通過深度學習可視化工具箱的可視化界面逐層展示圖像識別過程中卷積神經網絡模型的卷積核、以及原圖像在經過卷積之后所形成的圖像變化及相應參數。

所述的一種用于圖像識別的卷積網絡可視化方法中所述安裝Caffe過程：

利用Docker容器，使用docker?pull命令來載入ubuntu鏡像：docker?pullUbuntu，

基于docker安裝Caffe：docker?pull?elezar/caffe:cpu，

在交互模式下運行Caffe鏡像。

所述的一種用于圖像識別的卷積網絡可視化方法中基于Caffe網絡架構，利用Caffe內預制相關的卷積神經網絡模型和/或利用其他系統的卷積神經網絡模型識別圖像。

所述的一種用于圖像識別的卷積網絡可視化方法中所述獲取其他系統的卷積神經網絡模型過程：

將其他系統的卷積神經網絡模型所在文件路徑掛載到Docker容器，

并在Docker容器的配置文件中進行對應的設置。

所述的一種用于圖像識別的卷積網絡可視化方法中圖像識別及逐層展示過程：

通過深度學習可視化工具箱上傳原始圖像，

Caffe利用相應的卷積神經網絡模型識別圖像，并將識別過程中卷積神經網絡模型的卷積核、以及原圖像在經過卷積之后所形成的圖像變化及相應參數傳輸給深度學習可視化工具箱，