一种应用于自然图像的处理模型的搭建方法及装置制造方法及图纸

本发明专利技术提供一种应用于自然图像的处理模型的搭建方法及装置，涉及深度学习技术领域，该方法包括以下步骤：采集自然图像，得到样本图像，并将样本图像作为数据集；对数据集进行分割，得到训练集和测试集；其中，训练集和测试集的交集为空集；为训练集补充三维信息，将二维图像数据映射成三维点云数据后作为训练使用的输入数据，采用深度学习方式进行训练，得到用于生成待识别自然图像的分类结果的处理模型，本发明专利技术通过为二维图像还原其三维原型来扩大特征嵌入空间，以同时结合全局和局部的特征进行快速的少样本学习和预测，可以在只有少量数据的情况下快速学习和预测，并且能结合多种的特征的特点，能更好地运用在自然图像分类方面。方面。方面。

【技术实现步骤摘要】
一种应用于自然图像的处理模型的搭建方法及装置


[0001]本专利技术涉及深度学习
，尤其涉及一种应用于自然图像的处理模型的搭建方法及装置。

技术介绍

[0002]深度神经网络(Deep Neural Network，DNN)是机器学习(Machine Learning，ML)领域中一种技术。目前深层神经网络在计算机视觉领域通过丰富的、可访问的标记数据实现了突破，但是随着标记成本的增加，深度学习的发展已经逐渐放缓；另一方面，深度学习中，在用少量的数据进行归纳总结非常好，但是这与当前深度学习的发展明显是矛盾的。由于这些原因，目前在深度神经网络技术中更加注重少学习。其中，元学习(Meta Learning，ML)是指个体获得学习机制的学习，涉及的是关于个体如何获得其赖以进行学习的机能的问题，元学习的目的是学习一个元模型，元模型可以被快速推广到新的任务中。其中，少样本学习法是最流行的学习方法，也有其他元学习方法，如零样本学习。
[0003]深度神经网络利用有限的数据进行学习是图像分类的一个挑战，目前许多少量学习方法通过学习可见类与不可见类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于自然图像的处理模型的搭建方法，其特征在于，包括以下步骤：采集自然图像，得到样本图像，并将所述样本图像作为数据集；对所述数据集进行分割，得到训练集和测试集；其中，所述训练集和所述测试集的交集为空集；为所述训练集补充三维信息，将二维图像数据映射成三维点云数据后作为训练使用的输入数据，采用深度学习方式进行训练，得到用于生成待识别自然图像的分类结果的处理模型。2.根据权利要求1所述的应用于自然图像的处理模型的搭建方法，其特征在于，所述对所述数据集进行分割，得到训练集和测试集中，按预设比例对所述数据集进行分割，得到第一占比的所述训练集和第二占比的所述测试集；其中，第一占比的数值大于第二占比的数值。3.根据权利要求2所述的应用于自然图像的处理模型的搭建方法，所述预设比例为所述第一占比与所述第二占比之间的比例为4:1。4.根据权利要求1所述的应用于自然图像的处理模型的搭建方法，所述为所述训练集补充三维信息，将二维图像数据映射成三维点云数据后作为训练使用的输入数据，采用深度学习方式进行训练，得到用于生成待识别自然图像的分类结果的处理模型，具体包括以下步骤：利用全卷积神经网络，分解所述训练集，得到二维局部特征的集合；为所述二维局部特征补充三维信息，并以点云的形式将补充后的所述二维局部特征插入三维空间，得到三维局部特征；其中，所述三维信息包括所述二维局部特征在三维空间上的绝对位置、插入维度以及变形方案；将所述三维局部特征作为训练使用的输入数据，采用基于点云的深度学习方式，得到用于生成待识别自然图像的分类结果的所述处理模型；其中，所述处理模型为元学习架构卷积神经网络模型，且，在元测试中让询问集中的中每个样本图像执行一次神经网络的前馈，所述绝对位置和几何中心组合得到一组余弦向量，让余弦向量和绝对位置向量进行加权求和，得到度量结果，让支持集向量与询问集向量进行比较得到图像分类的结果。5.根据权利要求5所述的应用于自然图像的处理模型的搭建方法，所述补充信息通过以下步骤得到：利用多层感知器让每个所述二维局部特征回归出...

【专利技术属性】
技术研发人员：马喜波，刘宇浩，雷震，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：