[發(fā)明專利]一種基于色彩空間的圖像無監(jiān)督分割優(yōu)化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011196798.3
• 申請(qǐng)日: 2020-10-31
• 公開（公告）號(hào): CN112215849B
• 公開（公告）日: 2023-07-07
• 發(fā)明（設(shè)計(jì)）人: 王艷沛;程利芳
• 申請(qǐng)（專利權(quán)）人: 鄭州航空工業(yè)管理學(xué)院
• 主分類號(hào): G06T7/10
• 分類號(hào): G06T7/10;G06T7/90;G06F16/51;G06N3/04;G06N3/096
• 代理公司: 鄭州芝麻知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 41173
• 代理人: 朱亞飛

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，尤其涉及一種基于色彩空間的圖像無監(jiān)督分割優(yōu)化方法，包括定義顏色參考點(diǎn)、采集色彩空間序列、生成標(biāo)簽數(shù)據(jù)、樣本類別以及批次劃分，通過第一、第二神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練獲取最優(yōu)網(wǎng)絡(luò)參數(shù)；解決了基于顏色域來執(zhí)行分割具有很強(qiáng)的通用性，但其算法復(fù)雜度高、推理速度慢的問題；本發(fā)明實(shí)現(xiàn)了基于樣本批次準(zhǔn)確率上升或下降數(shù)量動(dòng)態(tài)調(diào)節(jié)樣本批次，使得在促進(jìn)網(wǎng)絡(luò)優(yōu)化的同時(shí)，避免網(wǎng)絡(luò)陷入局部最優(yōu)解，減少優(yōu)化過程出現(xiàn)大幅度震蕩；相比于現(xiàn)有技術(shù)，本發(fā)明的網(wǎng)絡(luò)時(shí)間復(fù)雜度低，且可進(jìn)行大批次的網(wǎng)絡(luò)推理，大大提高了分割效率，減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，節(jié)約成本。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，尤其涉及一種基于色彩空間的圖像無監(jiān)督分割優(yōu)化方法。

背景技術(shù)

隨著機(jī)器學(xué)習(xí)的發(fā)展，無監(jiān)督學(xué)習(xí)方法的精度越來越高，相比于監(jiān)督學(xué)習(xí)方法，無監(jiān)督學(xué)習(xí)無需標(biāo)注標(biāo)簽，通常以某些特定規(guī)則實(shí)施，其中，基于顏色域來執(zhí)行分割具有很強(qiáng)的通用性，但是，其存在算法復(fù)雜度高、推理速度慢的問題。

目前，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程和推斷過程對(duì)于網(wǎng)絡(luò)計(jì)算的加速都有著較為迫切的需求，且神經(jīng)網(wǎng)絡(luò)在隱藏層神經(jīng)元數(shù)目的選擇和優(yōu)化問題上沒有一個(gè)確定性的理論指導(dǎo)，難以獲得速度與準(zhǔn)確率兼顧的最佳神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

發(fā)明內(nèi)容

本發(fā)明提供一種基于色彩空間的圖像無監(jiān)督分割優(yōu)化方法，解決的技術(shù)問題是，基于顏色域來執(zhí)行分割具有很強(qiáng)的通用性，但其算法復(fù)雜度高、推理速度慢。

為解決以上技術(shù)問題，本發(fā)明提供了一種基于色彩空間的圖像無監(jiān)督分割優(yōu)化方法，包括以下步驟：

S1.通過調(diào)色板定義顏色參考點(diǎn)，采集色彩空間序列，并利用最近鄰搜索生成標(biāo)簽數(shù)據(jù)；

S2.將屬于每個(gè)所述顏色參考點(diǎn)的所述色彩空間序列劃分為同一類別，并初始化網(wǎng)絡(luò)參數(shù)以及訓(xùn)練周期數(shù)；

S3.對(duì)于每一類別，動(dòng)態(tài)調(diào)整樣本批次，劃分得到屬于同一類別的訓(xùn)練樣本數(shù)據(jù)；

S4.將所述訓(xùn)練樣本數(shù)據(jù)以及所述標(biāo)簽數(shù)據(jù)輸入第一神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到顏色索引概率，并將所述顏色索引概率進(jìn)行轉(zhuǎn)換處理，得到訓(xùn)練索引；

S5.根據(jù)所述訓(xùn)練索引以及當(dāng)前的網(wǎng)絡(luò)參數(shù)，獲取新的網(wǎng)絡(luò)參數(shù)，具體包括：

S51.根據(jù)所述標(biāo)簽數(shù)據(jù)以及所述訓(xùn)練索引，獲取所述訓(xùn)練樣本數(shù)據(jù)的準(zhǔn)確率；

S52.統(tǒng)計(jì)設(shè)定周期內(nèi)，每個(gè)周期當(dāng)前所述訓(xùn)練樣本數(shù)據(jù)的準(zhǔn)確率，并計(jì)算所述設(shè)定周期內(nèi)的準(zhǔn)確率平均增量；

S53.將所述準(zhǔn)確率平均增量與預(yù)設(shè)的增量閾值對(duì)比，若所述準(zhǔn)確率平均增量小于所述增量閾值，則根據(jù)第一模型獲取新的網(wǎng)絡(luò)參數(shù)；

S6.將所述新網(wǎng)絡(luò)參數(shù)用于下一批次的所述訓(xùn)練樣本數(shù)據(jù)的訓(xùn)練，重復(fù)所述S4～S6步驟，直至所有類別訓(xùn)練結(jié)束；

S7.將所有所述網(wǎng)絡(luò)參數(shù)輸入第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練，輸出對(duì)應(yīng)的預(yù)測(cè)評(píng)價(jià)指標(biāo)，將所述預(yù)測(cè)評(píng)價(jià)指標(biāo)輸入第二模型，以獲取最優(yōu)網(wǎng)絡(luò)參數(shù)。

進(jìn)一步地，在所述步驟S3中，若當(dāng)前的所述訓(xùn)練樣本數(shù)據(jù)是第一個(gè)輸入的訓(xùn)練樣本，則初始化其樣本批次；若否，則動(dòng)態(tài)調(diào)整樣本批次，具體為：

根據(jù)所述準(zhǔn)確率，獲取在所述設(shè)定周期內(nèi)，當(dāng)前所述訓(xùn)練樣本數(shù)據(jù)的準(zhǔn)確率上升次數(shù)以及準(zhǔn)確率下降次數(shù)；

將所述準(zhǔn)確率上升次數(shù)、所述準(zhǔn)確率下降次數(shù)以及當(dāng)前所述訓(xùn)練樣本數(shù)據(jù)的數(shù)量輸入樣本批次模型中，獲取下一批次所述訓(xùn)練樣本數(shù)據(jù)的數(shù)量。

進(jìn)一步地，在所述步驟S43中，若所述準(zhǔn)確率平均增量大于所述增量閾值，則凍結(jié)此隱藏層的權(quán)重，然后對(duì)下一隱藏層進(jìn)行神經(jīng)元數(shù)量尋優(yōu)，直至所有隱藏層訓(xùn)練結(jié)束。

更進(jìn)一步地，所述第一模型為：