基于顶层生成深度学习的数据转换方法、系统、介质和设备技术方案

本发明专利技术公开了一种基于顶层生成深度学习的数据转换方法、系统、介质和设备，所述方法包括：建立深度学习神经网络，学习目标分辨率的样本数据；将源分辨率数据转换为第一目标分辨率数据；将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中，通过深度学习神经网络生成第二目标分辨率数据，将第二目标分辨率数据作为源分辨率数据的转换结果。本发明专利技术能够满足数据转换时对数据细节一致性的需求，便于人们查看细节或全貌，以及有利于计算机更精细化或更省计算资源地处理。

【技术实现步骤摘要】
基于顶层生成深度学习的数据转换方法、系统、介质和设备
本专利技术涉及一种的数据转换方法，尤其是一种基于顶层生成深度学习的数据转换方法、系统、介质和设备，属于数据转换领域。
技术介绍
采集的数据分辨率往往受环境和采集设备的影响而分辨率达不到需求，例如照片由于天气雾霾、光线、摄像机分辨率等因素而分辨率不高，例如扫描出来的图片由于扫描仪的分辨率不高导致得到的扫描图片分辨率不高，这些情况下都需要提高数据的分辨率，现有提高数据分辨率的方式是插值或拟合，插值或拟合一般是根据相邻已知数据值进行加权平均得到需要插入的未知数据值，但实际数据的分布并不是固定的，而是变化的，而插值或拟合的方式只能采用固定的插值或拟合公式，因此以固定的方式对分布变化的数据进行插值或拟合显然会在提高了分辨率的同时造成了数据的失真。另一种是从高分辨率到底分辨率，现有技术往往通过删除一些数据来实现，可能会导致得到的低分辨率数据不连贯，另一种方式是通过高分辨率数据加权平均统计或拟合得到低分辨率数据，但实际数据的分布并不是固定的，而是变化的，而统计或拟合的方式只能采用固定的统计或拟合公式，因此以固定的方式对分布变化的数据进行统计或拟合显然会在降低了分辨率的同时造成了数据的失真。人类往往能根据低分辨率的数据想象出高分辨率的数据，也能根据高分辨率的数据想象出低分辨率的数据。人的大脑类似神经网络。深度学习技术是从神经网络技术发展而来的。现有深度学习技术能通过输入数据得到输出标签(例如通过头像得到该人身份证号，又如通过语音得到该人身份证号)，在自顶向下的监督训练阶段要通过带标签数据的监督训练(例如带有身份证号标签的头像，又如带有身份证号标签的语音)。但是现有深度学习技术中，无法通过输入一类数据得到另一类过于复杂的标签数据输出，因为只有比较简单的标签数据(例如类别标签)才能用于现有深度学习技术，因为过于复杂的标签数据输出会使得深度学习的计算复杂度剧增而无法在有效的时间内完成计算，因此过于复杂的标签数据无法作为现有深度学习神经网络的输出，因此，通过现有深度学习技术不可能实现输入低分辨率数据得到高分辨率数据的输出或输入高分辨率数据得到低分辨率数据的输出。同时，深度学习神经网络的认知过程只能认知出输入数据的特征，而不是无法从输入数据中认知出比输入数据更高低分辨率或更低分辨率的数据，所以通过深度学习神经网络的认知过程也无法实现从低分辨率数据得到高分辨率数据，或从高分辨率数据得到低分辨率数据。
技术实现思路
本专利技术的第一个目的是为了解决上述现有技术的缺陷，提供了一种基于顶层生成深度学习的数据转换方法，该方法能够满足数据转换时对数据细节一致性的需求，便于人们查看细节或全貌，以及有利于计算机更精细化或更省计算资源地处理。本专利技术的第二个目的在于提供一种基于顶层生成深度学习的数据转换机器人系统。本专利技术的第三个目的在于提供一种存储介质。本专利技术的第四个目的在于提供一种计算设备。本专利技术的第一个目的可以通过采取如下技术方案达到：基于顶层生成深度学习的数据转换方法，所述方法包括：建立深度学习神经网络，学习目标分辨率样本数据；将源分辨率数据转换为第一目标分辨率数据；将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中，通过深度学习神经网络生成第二目标分辨率数据，将第二目标分辨率数据作为源分辨率数据的转换结果。进一步的，所述建立深度学习神经网络，学习目标分辨率样本数据，具体包括：获取源分辨率数据，以及目标分辨率；获取目标分辨率样本数据；其中，目标分辨率样本数据与源分辨率数据的类别相同；将目标分辨率样本数据作为深度学习神经网络的输入，进行自下而上的无监督训练。进一步的，所述通过深度学习的认知过程得到深度学习神经网络的顶层概念，具体包括：从第一目标分辨率数据认知得到隐层第一层的概念，根据隐层第一层的概念认知得到隐层第二层的概念，依此类推，直到得到隐藏最后一层的概念，将隐藏最后一层的概念作为深度学习神经网络的顶层概念。进一步的，通过深度学习神经网络生成第二目标分辨率数据，具体包括：从顶层概念生成得到隐层倒数第二层的概念，根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念，依此类推，直到得到输入层的概念，将输入层的概念作为第二目标分辨率数据。本专利技术的第二个目的可以通过采取如下技术方案达到：基于顶层生成深度学习的数据转换机器人系统，所述系统包括：深度学习神经网络建立模块，用于建立深度学习神经网络，学习目标分辨率样本数据；数据转换模块，用于将源分辨率数据转换为第一目标分辨率数据；顶层概念获取模块，用于将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；数据生成模块，用于通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中，通过深度学习神经网络生成第二目标分辨率数据，将第二目标分辨率数据作为源分辨率数据的转换结果。进一步的，所述深度学习神经网络建立模块，具体包括：第一获取单元，用于获取源分辨率数据，以及目标分辨率；第二获取单元，用于获取目标分辨率样本数据；其中，目标分辨率样本数据与源分辨率数据的类别相同；无监督训练单元，用于将目标分辨率样本数据作为深度学习神经网络的输入，进行自下而上的无监督训练。进一步的，所述顶层概念获取模块中，所述通过深度学习的认知过程得到深度学习神经网络的顶层概念，具体包括：从第一目标分辨率数据认知得到隐层第一层的概念，根据隐层第一层的概念认知得到隐层第二层的概念，依此类推，直到得到隐藏最后一层的概念，将隐藏最后一层的概念作为深度学习神经网络的顶层概念。进一步的，所述数据生成模块中，所述通过深度学习神经网络生成第二目标分辨率数据，具体包括：从顶层概念生成得到隐层倒数第二层的概念，根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念，依此类推，直到得到输入层的概念，将输入层的概念作为第二目标分辨率数据。本专利技术的第三个目的可以通过采取如下技术方案达到：一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的数据转换方法。本专利技术的第四个目的可以通过采取如下技术方案达到：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的数据转换方法。本专利技术相对于现有技术具有如下的有益效果：1、本专利技术可以在学习阶段通过高分辨率样本数据对应的低分辨率样本数据学习和训练出能认知出低分辨率样本数据的顶层概念的深度学习神经网络，在应用阶段，将待转换的高分辨率数据转换为第一低分辨率数据，然后将第一低分辨率数据作为深度学习神经网络的输入，得到深度学习神经网络的顶层概念，再通过深度学习神经网络的顶层概念，由深度学习神经网络生成第二低分辨率数据，并将第二低分辨率数据作为给定待转换的高分辨率数据的转换结果，能够满足高分辨率数据转换为低分辨率分数时对数据细节一致性的需求。2、本专利技术可以在学习阶段通过低分辨率样本数据对应的高分辨率样本数据学习和训练出能认知出高分辨率样本数据的顶层概念的深度学习神经网络，在应用阶段，将待转换的低分辨率数据转换为第一高分辨率数据，然后将第一高分辨率数据作为深度学习神经网络的输入本文档来自技高网...

【技术保护点】
1.一种基于顶层生成深度学习的数据转换方法，其特征在于：所述方法包括：建立深度学习神经网络，学习目标分辨率样本数据；将源分辨率数据转换为第一目标分辨率数据；将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中，通过深度学习神经网络生成第二目标分辨率数据，将第二目标分辨率数据作为源分辨率数据的转换结果。

【技术特征摘要】
1.一种基于顶层生成深度学习的数据转换方法，其特征在于：所述方法包括：建立深度学习神经网络，学习目标分辨率样本数据；将源分辨率数据转换为第一目标分辨率数据；将第一目标分辨率数据作为深度学习神经网络的输入，通过深度学习的认知过程得到深度学习神经网络的顶层概念；通过深度学习神经网络将第一目标分辨率数据获取到顶层概念中，通过深度学习神经网络生成第二目标分辨率数据，将第二目标分辨率数据作为源分辨率数据的转换结果。2.根据权利要求1所述的数据转换方法，其特征在于：所述建立深度学习神经网络，学习目标分辨率样本数据，具体包括：获取源分辨率数据，以及目标分辨率；获取目标分辨率样本数据；其中，所述目标分辨率样本数据与源分辨率数据的类别相同；将目标分辨率样本数据作为深度学习神经网络的输入，进行自下而上的无监督训练。3.根据权利要求1所述的数据转换方法，其特征在于：所述通过深度学习的认知过程得到深度学习神经网络的顶层概念，具体包括：从第一目标分辨率数据认知得到隐层第一层的概念，根据隐层第一层的概念认知得到隐层第二层的概念，依此类推，直到得到隐藏最后一层的概念，将隐藏最后一层的概念作为深度学习神经网络的顶层概念。4.根据权利要求1所述的数据转换方法，其特征在于：通过深度学习神经网络生成第二目标分辨率数据，具体包括：从顶层概念生成得到隐层倒数第二层的概念，根据隐层倒数第二层的概念认知得到隐层倒数第三层的概念，依此类推，直到得到输入层的概念，将输入层的概念作为第二目标分辨率数据。5.一种基于顶层生成深度学习的数据转换机器人系统，其特征在于：所述系统包括：深度学习神经网络建立模块，用于建立深度学习神经网络，学习目标分辨率样本数据；数据转换模块，用于将源分辨率数据转换为第一目标分辨率数据；顶层概念获取模块，用于...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：大国创新智能科技东莞有限公司，朱定局，
类型：发明
国别省市：广东,44