[發明專利]基于仿海馬體記憶機制的圖像處理方法及其相關設備

在審

• 申請號: 202211544163.7
• 申請日: 2022-12-03
• 公開（公告）號: CN115908934A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 薛晗慶;李磊;陳超;拓萬琛;趙俊翔;趙翔宇;許偉;鄭昭虎;施衛科;王晨;李萌萌;張雪;尹瓊;潘宇
• 申請（專利權）人: 北京臨近空間飛行器系統工程研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于仿海馬體記憶機制的圖像處理方法，其特征在于，所述方法包括：

基于深度自編碼器對接收的樣本圖像信息進行特征提取，得到樣本圖像的特征圖；

利用與任務背景相關的圖像和所述樣本圖像的特征圖建立背景知識圖譜；

利用生成模型和鑒別模型對所述樣本圖像的特征圖進行對抗式訓練，得到與所述樣本圖像的特征圖獨立同分布的擴增特征圖；

基于所述背景知識圖譜獲取當前場景下與待識別目標場景相關的目標數據，利用仿海馬體記憶機制對所述目標數據和所述擴增特征圖進行時域信息推理得到時域信息推理結果T，對所述時域信息推理結果T進行識別得到時域信息識別結果M，對所述時域信息推理結果T和時域信息識別結果M進行IOT計算，得到基于仿海馬體記憶機制的識別結果HM；

將所述擴增特征圖輸入元學習深度神經網絡進行訓練，輸出元學習的小樣本學習識別結果Meta；

利用聚類算法對所述基于仿海馬體記憶機制的識別結果HM和所述小樣本學習識別結果Meta進行聚類分析，得到基于仿海馬體記憶機制的圖像處理結果。

2.根據權利要求1所述的圖像處理方法，其特征在于，所述基于深度自編碼器對接收的樣本圖像信息進行特征提取，得到樣本圖像的特征圖，包括：

將接收的樣本圖像信息輸入到深度自編碼器進行特征編碼，形成終邊表示張量；

根據所述終邊表示張量構造一組樣本圖像估計Z，將所述樣本圖像估計Z輸入到深度自編碼器由解碼器生成樣本圖像的特征圖。

3.根據權利要求1所述的圖像處理方法，其特征在于，所述利用與任務背景相關的圖像和所述樣本圖像的特征圖建立背景知識圖譜，包括：

通過開源數據集獲得與背景相關的數據，對所述數據進行屬性、關系和實體抽取；

利用抽取的屬性、關系和實體抽取所述樣本圖像的特征圖得到本體信息，關聯所述本體信息得到背景知識圖譜。

4.根據權利要求1所述的圖像處理方法，其特征在于，所述利用生成模型和鑒別模型對所述樣本圖像的特征圖進行對抗式訓練，得到與所述樣本圖像的特征圖獨立同分布的擴增特征圖，包括：

P1：判斷生成模型是否收斂；

P2：若收斂，將讀取的多張所述樣本圖像的特征圖輸入到生成模型進行前向推理，生成與所述樣本圖像的特征圖獨立同分布的擴增特征圖；

P3：若不收斂，初始化鑒別模型的迭代次數n為0；

P4：分別從真實樣本圖像和預測圖像樣本中抽取m個樣本，計算所述真實樣本圖像和預測圖像樣本的損失函數值，利用梯度上升法更新鑒別模型，更新迭代次數n；

P5：如果迭代次數n大于所述生成模型的迭代次數k時，返回步驟P4；

P6：如果迭代次數n小于等于所述生成模型的迭代次數k時，從所述預測圖像樣本中抽取m個樣本，使用梯度下降法更新鑒別模型，返回步驟P1。

5.根據權利要求1所述的圖像處理方法，其特征在于，所述將所述擴增特征圖輸入元學習深度神經網絡進行訓練，輸出元學習的小樣本學習識別結果Meta，包括：

將所述擴增特征圖輸入元學習深度神經網絡，通過元學習的小樣本學習模型將所述擴增特征圖映射訓練為新的特征圖，利用相似性度量區分新的特征圖的不同目標與類型，得到所述元學習的小樣本學習識別結果Meta。

6.根據權利要求1所述的圖像處理方法，其特征在于，所述深度自編碼器由編碼器、分布估計和解碼器順序串聯而成。