一种基于多任务迁移学习的数字档案图像的矫正方法技术

本发明专利技术公开了一种基于多任务迁移学习的数字档案图像的矫正方法，方法包括：构建多任务学习数字档案图像数据库；将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将多任务学习数字档案图像数据库中的数字档案图像输入至多任务迁移学习模型的共享特征层，构建全连接层，以训练多任务迁移学习模型；将测试的数字档案图像输入至训练完成后的多任务迁移学习模型中，得到任务输出结果。本发明专利技术利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。

【技术实现步骤摘要】
一种基于多任务迁移学习的数字档案图像的矫正方法
本专利技术涉及图像处理
，特别涉及一种基于多任务迁移学习的数字档案图像的矫正方法。
技术介绍
随着深度学习技术的发展，研究者们逐渐认识到深度学习对图像矫正的重要性。深度学习方法用于图像矫正需要大量训练样本，图像矫正研究的现有数据库规模一般不大，从而使直接训练一个深层网络模型不仅困难而且易出现过拟合的问题，同时现有的图像矫正只能基于单任务进行预测，但是图像矫正还受到其它图像任务的影响，例如图像盲修复和图像超分辨率。因此，如何避免重新训练大规模的深度网络，提高图像矫正的准确率是一个亟待解决的问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于多任务迁移学习的数字档案图像的矫正方法。能够利用训练好的网络模型直接进行参数迁移，避免重新训练大规模的深度网络，并通过多个任务之间的相关性和差异性来提高数字档案图像矫正的准确性和提高网络模型的泛化能力。本专利技术的第一方面，提供了一种基于多任务迁移学习的数字档案图像的矫正方法，包括本文档来自技高网...

【技术保护点】
1.一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，包括以下步骤：/n构建多任务学习数字档案图像数据库，所述多任务包括主任务和辅助任务，所述主任务为数字档案图像矫正，所述辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；/n将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将所述多任务学习数字档案图像数据库中的数字档案图像输入至所述多任务迁移学习模型的共享特征层，构建全连接层，以训练所述多任务迁移学习模型；/n将测试的数字档案图像输入至训练完成后的所述多任务迁移学习模型中，得到任务输出结果。/n

【技术特征摘要】
1.一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，包括以下步骤：
构建多任务学习数字档案图像数据库，所述多任务包括主任务和辅助任务，所述主任务为数字档案图像矫正，所述辅助任务包括数字档案图像盲修复和数字档案图像超分辨率；
将已训练完成的卷积神经网络模型进行模型迁移，构建多任务迁移学习模型，将所述多任务学习数字档案图像数据库中的数字档案图像输入至所述多任务迁移学习模型的共享特征层，构建全连接层，以训练所述多任务迁移学习模型；
将测试的数字档案图像输入至训练完成后的所述多任务迁移学习模型中，得到任务输出结果。


2.根据权利要求1所述的一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，所述多任务学习数字档案图像数据库的数据采集，包括步骤：
根据深感相机拍摄真实纸张和针浮雕系统改变真实纸张不同位置的高度，得到深度图，通过深感相机的参数计算点云；
对点云进行平滑和球旋转处理得到网格，为网格的每个顶点指定UV坐标，再对网格进行旋转和裁剪的增广处理；
对数字档案图像进行渲染处理，得到3D标注信息。


3.根据权利要求2所述的一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，所述训练数字档案图像矫正，包括步骤：
将所述多任务学习数字档案图像数据库中的形变图像输入至3D循环神经网络，设置损失函数，得到3D坐标图，将3D坐标图进行反向映射处理得到2D坐标图，矫正形变图像。


4.根据权利要求2所述的一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，所述训练数字档案图像盲修复，包括步骤：
提取所述多任务学习数字档案图像数据库中的待修复图像的图像块特征，搜索相似样本，通过点扩散函数估计待修复图像的结构，引入度量误差，对局部图像和全局图像进行合理匹配，修复图像。


5.根据权利要求2所述的一种基于多任务迁移学习的数字档案图像的矫正方法，其特征在于，所述训练数字档案图像超分辨率，包括步骤：

【专利技术属性】
技术研发人员：翟懿奎，柯琪锐，周文略，王金鑫，张俊亮，宋甜睿，徐颖，甘俊英，应自炉，曾军英，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44