[發明專利]基于深度學習的訓練素材智能識別方法、裝置和設備

有效

• 申請號: 202110594522.9
• 申請日: 2021-05-28
• 公開（公告）號: CN113313169B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 徐慶堯;侯翔;耿艷棟;楊超;唐立文;周雯雯;涂遺;王代強;胥霖
• 申請（專利權）人: 中國人民解放軍戰略支援部隊航天工程大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/80;G06V10/82;G06N3/08;G06N3/04
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

1.一種基于深度學習的訓練素材智能識別方法，其特征在于，包括步驟：

獲取不同型號和分辨率的訓練采集圖像，對各所述訓練采集圖像進行標準化處理得到尺寸統一的各訓練圖像；

采用小尺度判別模型進行各所述訓練圖像的歸屬部位及質量判別，得到小尺度判別結果；所述小尺度判別模型為基于深度卷積神經網絡搭建的訓練數據質量及部位的小尺度判別模型，所述小尺度判別結果包括圖像質量的達標情況以及圖像所屬的部位；

采用基于監督式生成對抗網絡的圖像顯著性檢測模型，對判別的非顯性訓練圖像進行非顯著性信息識別檢測，輸出精確的顯著圖像；所述非顯性訓練圖像為所述小尺度判別結果中識別到疑似非規范動作的所述訓練圖像；

采用大尺度判別模型對所述顯著圖像進行特征識別，得到代表所述顯著圖像對應的所述訓練圖像的最優特征圖；所述大尺度判別模型為基于多尺度特征融合的訓練圖像質量及部位的大尺度判別模型。

2.根據權利要求1所述的基于深度學習的訓練素材智能識別方法，其特征在于，所述基于監督式生成對抗網絡的圖像顯著性檢測模型包括生成器網絡和鑒別器網絡，所述生成器網絡為U-Net網絡結構；

對判別的非顯性訓練圖像進行非顯著性信息識別檢測，輸出精確的顯著圖像的過程，包括：

將所述非顯性訓練圖像經過所述生成器網絡和鑒別器網絡進行交替訓練，提取圖像高級顯著特征并將編碼器輸出直連至同層級的解碼器；

通過所述鑒別器采用監督式學習調整優化網絡參數且所述生成器持續更新參數輸出更逼真圖，進行對抗訓練；

采用混合損失函數進行預測圖像處理，輸出精確的所述顯著圖像；所述混合損失函數包括基礎損失函數和改進損失函數，所述改進損失函數為：

其中，x表示輸入像素，表示真值圖像的代取期望，表示圖像元素的代取期望，D(x,y)表示采樣數據，y表示真值圖像數據，G(x)表示生成器輸出值。

3.根據權利要求1或2所述的基于深度學習的訓練素材智能識別方法，其特征在于，所述大尺度判別模型通過在經典卷積神經網絡的基礎上，引出conv4_3、conv7、conv8_2、conv9_2、conv10_2和conv11_2卷積層并在不同方向的特征圖前增加BN層訓練得到。

4.根據權利要求3所述的基于深度學習的訓練素材智能識別方法，其特征在于，采用大尺度判別模型對所述顯著圖像進行特征識別，得到代表所述顯著圖像對應的所述訓練圖像的最優特征圖的步驟，包括：

獲取所述大尺度判別模型進行特征識別輸出的融合后的特征圖；

采用3×3卷積核進行卷積處理，得到保留多尺度特征的特定訓練數據區域特征圖；

對所述特定訓練數據區域特征圖進行聚合后利用非極大抑制處理，得到所述最優特征圖。

5.根據權利要求1所述的基于深度學習的訓練素材智能識別方法，其特征在于，用于訓練得到所述小尺度判別模型的所述深度卷積神經網絡包括VGGNet、GoogleNet、ResNet和SENet。

6.一種基于深度學習的訓練素材智能識別裝置，其特征在于，包括：

數據標準化模塊，用于獲取不同型號和分辨率的訓練采集圖像，對各所述訓練采集圖像進行標準化處理得到尺寸統一的各訓練圖像；

小尺度識別模塊，用于采用小尺度判別模型進行各所述訓練圖像的歸屬部位及質量判別，得到小尺度判別結果；所述小尺度判別模型為基于深度卷積神經網絡搭建的訓練數據質量及部位的小尺度判別模型，所述小尺度判別結果包括圖像質量的達標情況以及圖像所屬的部位；

對抗識別模塊，用于采用基于監督式生成對抗網絡的圖像顯著性檢測模型，對判別的非顯性訓練圖像進行非顯著性信息識別檢測，輸出精確的顯著圖像；所述非顯性訓練圖像為所述小尺度判別結果中識別到疑似非規范動作的所述訓練圖像；

大尺度識別模塊，用于采用大尺度判別模型對所述顯著圖像進行特征識別，得到代表所述顯著圖像對應的所述訓練圖像的最優特征圖；所述大尺度判別模型為基于多尺度特征融合的訓練圖像質量及部位的大尺度判別模型。