基于超分辨的低质量图像识别方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能领域，提供一种基于超分辨的低质量图像识别方法、装置、设备及介质，能够自动生成一一匹配的正常分辨率图像与低分辨率图像，构建初始网络及构建损失函数，初始网络包括依次相连的超分辨网络及分类网络，损失函数包括超分辨损失及分类损失，利用训练样本训练初始网络，直至损失函数达到收敛，停止训练，得到低质量图像识别模型，将目标图像输入至低质量图像识别模型，并根据低质量图像识别模型的输出确定识别结果，进而结合超分辨网络及分类网络实现对低分辨率图像的细粒度分类，准确度更高。此外，本发明专利技术还涉及区块链技术，低质量图像识别模型可存储于区块链节点中。中。中。

【技术实现步骤摘要】
基于超分辨的低质量图像识别方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于超分辨的低质量图像识别方法、装置、设备及介质。

技术介绍

[0002]在人工智能领域，图像质量的高低会对最终的图像处理结果造成一定的影响，因此，如何准确的识别出低质量的图像则尤为重要，
[0003]现有技术中，为了对图像进行细粒度的分类，通常采用注意力机制，将网络的注意力引到决定细粒度分类的图像内容上，运算过程较为复杂。

技术实现思路

[0004]鉴于以上内容，有必要提供一种基于超分辨的低质量图像识别方法、装置、设备及介质，旨在解决对低质量图像进行细粒度识别的问题。
[0005]一种基于超分辨的低质量图像识别方法，所述基于超分辨的低质量图像识别方法包括：
[0006]采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率；
[0007]组合所述初始图像及所述转化图像，得到训练样本；
[0008]获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失；
[0009]利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型；
[0010]获取待识别图像，并对所述待识别图像进行预处理，得到目标图像；
[0011]将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
[0012]根据本专利技术优选实施例，所述将所述多张初始图像转化为多张转化图像包括：
[0013]对所述多张初始图像中的每张初始图像进行下采样处理，得到每张初始图像对应的中间图像；
[0014]对每张中间图像进行二次线性插值处理，得到每张初始图像对应的转化图像。
[0015]根据本专利技术优选实施例，所述方法还包括：
[0016]在所述超分辨网络中，将任意的图像输入至超分辨卷积层，得到残差图像，其中，所述超分辨卷积层由预设数量的超分辨卷积进行首尾相接而构成；
[0017]融合所述残差图像及所述任意的图像，得到所述超分辨网络的输出特征。
[0018]根据本专利技术优选实施例，每个所述超分辨卷积包括第一分支及第二分支，所述第一分支由第一形变卷积、第一激活函数层及第二形变卷积进行首尾相接而构成，所述第二分支由第三形变卷积、第二激活函数层及第四形变卷积进行首尾相接而构成，所述方法还
包括：
[0019]对于每个所述超分辨卷积，将接收到的图像分别输入至所述第一分支及所述第二分支；
[0020]获取所述第一分支的输出数据作为第一输出特征；
[0021]获取所述第二分支的输出数据作为第二输出特征；
[0022]计算所述接收到的图像、所述第一输出特征及所述第二输出特征的和作为每个所述超分辨卷积的输出特征；
[0023]将每个所述超分辨卷积的输出特征确定为相接的下一个超分辨卷积的第一分支及第二分支的输入数据。
[0024]根据本专利技术优选实施例，所述方法还包括：
[0025]采用下述公式构建所述超分辨损失：
[0026][0027]其中，L1表示所述超分辨损失，K表示所述训练样本的样本量，X
H
表示输入所述超分辨网络的初始图像，X
L
表示输入的初始图像对应的转化图像，g(X
L
)表示输入的初始图像对应的所述超分辨网络的输出特征；
[0028]将所述分类网络的交叉熵损失确定为所述分类损失；
[0029]计算所述超分辨损失与所述分类损失的和，得到所述初始网络的损失函数。
[0030]根据本专利技术优选实施例，所述方法还包括：
[0031]在利用所述训练样本训练所述初始网络时，配置所述超分辨网络的学习率为1，并按照衰减速度为0.1每100轮的方式进行衰减；
[0032]配置所述分类网络的学习率为0.1，并不进行衰减。
[0033]根据本专利技术优选实施例，所述对所述待识别图像进行预处理，得到目标图像包括：
[0034]对所述待识别图像进行归一化处理，得到所述目标图像。
[0035]一种基于超分辨的低质量图像识别装置，所述基于超分辨的低质量图像识别装置包括：
[0036]转化单元，用于采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率；
[0037]组合单元，用于组合所述初始图像及所述转化图像，得到训练样本；
[0038]构建单元，用于获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失；
[0039]训练单元，用于利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型；
[0040]预处理单元，用于获取待识别图像，并对所述待识别图像进行预处理，得到目标图像；
[0041]识别单元，用于将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。
Computing)的由大量主机或网络服务器构成的云。
[0055]所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0056]其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0057]人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0058]所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
[0059]S10，采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率。
[0060]在本实施例中，每张初始图像的分辨率为正常图像的分辨率，每张转化图像的分辨率代表低分辨率。
[0061]由于具有正常分辨率的图像较为容易获取，因此，本实施例对具有正常分辨率的图像进行转换，得到低分辨率图像。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超分辨的低质量图像识别方法，其特征在于，所述基于超分辨的低质量图像识别方法包括：采集多张初始图像，并将所述多张初始图像转化为多张转化图像，其中，所述初始图像的分辨率高于转化后对应的所述转化图像的分辨率；组合所述初始图像及所述转化图像，得到训练样本；获取预先构建的初始网络及所述初始网络的损失函数，其中，所述初始网络包括依次相连的超分辨网络及分类网络，所述损失函数包括超分辨损失及分类损失；利用所述训练样本训练所述初始网络，直至所述损失函数达到收敛，停止训练，得到低质量图像识别模型；获取待识别图像，并对所述待识别图像进行预处理，得到目标图像；将所述目标图像输入至所述低质量图像识别模型，并根据所述低质量图像识别模型的输出确定识别结果。2.如权利要求1所述的基于超分辨的低质量图像识别方法，其特征在于，所述将所述多张初始图像转化为多张转化图像包括：对所述多张初始图像中的每张初始图像进行下采样处理，得到每张初始图像对应的中间图像；对每张中间图像进行二次线性插值处理，得到每张初始图像对应的转化图像。3.如权利要求1所述的基于超分辨的低质量图像识别方法，其特征在于，所述方法还包括：在所述超分辨网络中，将任意的图像输入至超分辨卷积层，得到残差图像，其中，所述超分辨卷积层由预设数量的超分辨卷积进行首尾相接而构成；融合所述残差图像及所述任意的图像，得到所述超分辨网络的输出特征。4.如权利要求3所述的基于超分辨的低质量图像识别方法，其特征在于，每个所述超分辨卷积包括第一分支及第二分支，所述第一分支由第一形变卷积、第一激活函数层及第二形变卷积进行首尾相接而构成，所述第二分支由第三形变卷积、第二激活函数层及第四形变卷积进行首尾相接而构成，所述方法还包括：对于每个所述超分辨卷积，将接收到的图像分别输入至所述第一分支及所述第二分支；获取所述第一分支的输出数据作为第一输出特征；获取所述第二分支的输出数据作为第二输出特征；计算所述接收到的图像、所述第一输出特征及所述第二输出特征的和作为每个所述超分辨卷积的输出特征；将每个所述超分辨卷积的输出特征确定为相接的下一个超分辨卷积的第一分支及第二分支的输入数据。5.如权利要求1所述的基于超分辨的低质量图像识别方法，其特征在于，所述方法还包括：采用下述公式构建所述超分辨损失：
...

【专利技术属性】
技术研发人员：陈昊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：