【技术实现步骤摘要】
技术介绍
数字图像处理通常涉及处理数字图像(例如,来自数字静止图像或数字视频)以确知、检测和/或分类图像中的具体特征或对象。可以在图像处理期间应用模式识别以检测图像中的具体对象。具有模式识别的数字图像处理已经在广泛多种应用(诸如面部识别、来自航空照片的土地特征的检测、车辆牌照确定等)中使用。不同类型的常规机器学习功能可以用于模式识别,然而,许多常规机器学习功能不适合于或可能难以适合于数字图像处理中的模式识别。附图说明通过示例的方式图示本公开的特征,并且不局限于以下附图,其中,类似的标号指示类似的元件,其中:图1示出了根据本公开的示例的图像处理系统的系统图;图2示出了根据本公开的示例的指示对资产(property)损坏的程度的分类类别;图3示出了根据本公开的示例的图像处理服务器的数据存储(data store);图4示出了根据本公开的示例的用于使用卷积神经网络(CNN)对数字图像中的对象进行分类的计算设备的框图;图5示出了根据本公开的示例的使用CNN对数字图像中的对象进行分类的方法的流程图;和图6示出了根据本公开的示例的优化CNN的流程图。具体实施方式出于简化和说明目的,主要通过参照其示例对本公开进行描述。
在以下描述中,阐述了许多具体细节,以便提供对本公开的透彻理解。然而,显而易见的是,在不局限于这些具体细节的情况下,也可以实践本公开。在其它实例中,没有对一些方法和结构进行详细描述,以免不必要地模糊本公开。如本文中所使用的,术语“一”和“一个”旨在表示至少一个具体元素,术语“包括(includes)”意味着包括(includes)但不限于,术语 ...
【技术保护点】
一种图像处理方法,包括:从受损对象的图像创建训练集;选择用于卷积神经网络(CNN)的候选架构和候选参数以通过迭代过程对所述图像中的所述对象的损坏程度进行分类,其中,所述迭代过程包括:从多个候选架构中选择所述候选架构;选择用于所选择的候选架构的所述候选参数;针对所选择的候选架构和所选择的候选参数选择预处理协议以增强所述受损对象的所述图像中的所述信息内容;使用所述训练集构建中间CNN;评价所述中间CNN在验证集上的性能;确定所述中间CNN是否满足验证阈值;以及重复所述迭代过程直到预先确定数量的中间CNN满足所述验证阈值,其中,每个中间CNN对于所选择的候选参数具有不同的值;从所述预先确定数量的中间CNN创建中间CNN集合;以及对所述验证集中的每幅图像中的所述对象的损坏程度进行分类,其中,所述分类包括聚集来自所述中间CNN集合的预测。
【技术特征摘要】
2015.03.04 US 14/638,8731.一种图像处理方法,包括:从受损对象的图像创建训练集;选择用于卷积神经网络(CNN)的候选架构和候选参数以通过迭代过程对所述图像中的所述对象的损坏程度进行分类,其中,所述迭代过程包括:从多个候选架构中选择所述候选架构;选择用于所选择的候选架构的所述候选参数;针对所选择的候选架构和所选择的候选参数选择预处理协议以增强所述受损对象的所述图像中的所述信息内容;使用所述训练集构建中间CNN;评价所述中间CNN在验证集上的性能;确定所述中间CNN是否满足验证阈值;以及重复所述迭代过程直到预先确定数量的中间CNN满足所述验证阈值,其中,每个中间CNN对于所选择的候选参数具有不同的值;从所述预先确定数量的中间CNN创建中间CNN集合;以及对所述验证集中的每幅图像中的所述对象的损坏程度进行分类,其中,所述分类包括聚集来自所述中间CNN集合的预测。2.根据权利要求1所述的方法,其中,所述候选架构包括分类器类型以及若干个卷积层和子采样层。3.根据权利要求1所述的方法,其中,所述候选参数包括学习参数,其中,所述学习参数包括以下各项中的至少一项:学习率、批量大小、以及训练历元的最大数量。4.根据权利要求3所述的方法,其中,所述学习率介于0.05和0.1之间,所述批量大小介于2幅图像和128幅图像之间,并且所述训练历元的最大数量介于100和200之间。5.根据权利要求1所述的方法,其中,所述候选参数包括卷积和子采样参数,其中,所述卷积和子采样参数包括卷积滤波器大小、
\t特征映射图数量、以及子采样池大小。6.根据权利要求5所述的方法,其中,所述卷积滤波器大小介于2×2个像素和114×114个像素之间,第一卷积层中的所述特征映射图数量介于60和512之间,并且所述子采样池大小介于2×2个像素和4×4像素之间。7.根据权利要求1所述的方法,其中,所述候选参数包括分类器参数,其中,所述分类器参数包括图像输入大小、隐含层的数量、每个隐含层中的单元数量、分类器算法、以及输出种类数量。8.根据权利要求7所述的方法,其中,所述图像输入大小是等于特征映射图数量和最终卷积层的图像大小的乘积的数量,所述隐含层数量是2,所述每个隐含层中的单元数量介于6个单元和1024个单元之间,分类器算法是多层感知器(MLP)算法,并且所述输出种类数量是3。9.根据权利要求1所述的方法,其中,确定所述中间CNN是否满足所述验证阈值包括:确定所述中间CNN在所述验证集上的错误率是否小于20%。10.根据权利要求1所述的方法,其中,中间CNN的所述预先确定数量是25。11.一种图像处理服务器,包括:处理器;存储机器可读指令的存储器,所述机器可读指令使所述处理器:通过训练电路从受损对象的图像创建训练集;选择用于卷积神经网络(CNN)的候选架构和候选参数以通过迭代过程对所述图像中的所述对象的损坏程度进行分类,其中,所述迭代过程包括:通过模型构建器从多个候选架构中选择所述候选架构;通过所述模型构建器选择用于所选择的候选架构的所述候选参数;通过所述模型构建器使用所述训练集构建中间CNN;通过所述验证电路评价所述中间CNN在验证集上的性能,以及重复所述迭代过程,直到确定预先确定数量的中间CNN满足验证阈值,其中,每个中间CNN对于所选择的候选参数具有不同的值;通过所述验证电路从预先...
【专利技术属性】
技术研发人员:A·拉文德兰,O·塞利克汀马兹,M·巴达维,
申请(专利权)人:埃森哲环球服务有限公司,
类型:发明
国别省市:爱尔兰;IE
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。