基于人工智能的档案管理系统及方法技术方案

本申请涉及智能管理领域，其具体地公开了一种基于人工智能的档案管理系统及方法，其通过采用基于深度学习的神经网络模型挖掘出检测图像和档案库图像的隐含差异性特征分布信息，以此来对于两者图像中关于目标对象的隐含差异性特征进行充分精准地表达，进而准确地判断两者图像的匹配度，以提高档案库中的图像检索精准度。索精准度。索精准度。

【技术实现步骤摘要】
基于人工智能的档案管理系统及方法


[0001]本申请涉及智能管理领域，且更为具体地，涉及一种基于人工智能的档案管理系统及方法。

技术介绍

[0002]随着档案管理系统的不断发展完善，各企业对档案管理工作的要求越来越高，如何更好地管理和利用档案资源为各项工作服务成为了档案管理工作的重要职责。目前档案的管理数字化支撑不足，档案的检索大部分仍通过人工方式进行，且档案数量繁多，需要投入大量的人力和时间，其规范性、完整性和适用性不能得到很好的保证。
[0003]因此，期望一种优化的基于人工智能的档案管理系统。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的档案管理系统及方法，其通过采用基于深度学习的神经网络模型挖掘出检测图像和档案库图像的隐含差异性特征分布信息，以此来对于两者图像中关于目标对象的隐含差异性特征进行充分精准地表达，进而准确地判断两者图像的匹配度，以提高档案库中的图像检索精准度。
[0005]根据本申请的一个方面，提供了一种基于人工智能的档案管理系统，其包括：
[0006]检测图像采集模块，用于获取待检测图片；
[0007]图像分块模块，用于对所述待检测图片进行图像分块处理以得到待检测图像块的序列；
[0008]图像嵌入化模块，用于将所述待检测图像块的序列输入嵌入层以得到待检测图像块嵌入向量的序列；
[0009]检测图像全局语义关联模块，用于将所述待检测图像块嵌入向量的序列通过ViT模型以得到多个待检测图像块上下文语义关联特征向量；
[0010]参考图像采集模块，用于获取备选档案库图像；
[0011]参考图像全局语义关联模块，用于对所述备选档案库图像进行图像分块处理后通过所述嵌入层和所述ViT模型以得到多个备选档案库图像块上下文语义关联特征向量；
[0012]差异性编码模块，用于分别计算每组对应的所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量之间的余弦距离值以得到由多个余弦距离值组成的分类特征向量；以及
[0013]匹配检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测图片和所述备选档案库图像之间的匹配度是否超过预定阈值。
[0014]在上述基于人工智能的档案管理系统中，所述检测图像全局语义关联模块，包括：上下文编码单元，用于使用所述ViT模型的转换器对所述待检测图像块嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义待检测图像块特征
向量；以及，级联单元，用于将所述多个全局上下文语义待检测图像块特征向量进行级联以得到所述多个待检测图像块上下文语义关联特征向量。
[0015]在上述基于人工智能的档案管理系统中，所述参考图像全局语义关联模块，包括：档案库图像分块单元，用于对所述备选档案库图像进行图像分块处理以得到备选档案库图像块的序列；档案库图像嵌入编码单元，用于将所述备选档案库图像块的序列输入所述嵌入层以得到备选档案库图像块嵌入向量的序列；以及，档案库图像全局关联编码模块，用于将所述备选档案库图像块嵌入向量的序列通过所述ViT模型以得到所述多个备选档案库图像块上下文语义关联特征向量。
[0016]在上述基于人工智能的档案管理系统中，所述差异性编码模块，包括：优化因数计算单元，用于计算所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；加权优化单元，用于以所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映射因数作为权重，对所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量进行加权以得到校正后待检测图像块上下文语义关联特征向量和校正后备选档案库图像块上下文语义关联特征向量；以及，余弦距离值计算单元，用于计算所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量之间的所述余弦距离值。
[0017]在上述基于人工智能的档案管理系统中，所述优化因数计算单元，用于：以如下优化公式计算所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量的关联
‑
概率密度分布仿射映射因数以得到所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映射因数；其中，所述公式为：；；
[0018]其中表示所述待检测图像块上下文语义关联特征向量，表示所述备选档案库图像块上下文语义关联特征向量，为所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量之间的逐位置关联得到的关联矩阵，和是所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量构成的高斯密度图的均值向量和逐位置方差矩阵，表示矩阵乘法，表示表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示所述第一关联
‑
概率密度分布仿射映射因数，表示所述第二关联
‑
概率密度分布仿射映射因数。
[0019]在上述基于人工智能的档案管理系统中，所述余弦距离值计算单元，用于：以如下距离公式来计算所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量之间的所述余弦距离值；其中，所述公式为：
[0020][0021]其中分别表示所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量，分别表示所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量的各个位置的特征值，表示所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量之间的所述余弦距离值。
[0022]在上述基于人工智能的档案管理系统中，所述匹配检测模块，用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为分类特征向量。
[0023]根据本申请的另一方面，提供了一种基于人工智能的档案管理方法，其包括：
[0024]获取待检测图片；
[0025]对所述待检测图片进行图像分块处理以得到待检测图像块的序列；
[0026]将所述待检测图像块的序列输入嵌入层以得到待检测图像块嵌入向量的序列；
[0027]将所述待检测图像块嵌入向量的序列通过ViT模型以得到多个待检测图像块上下文语义关联特征向量；
[0028]获取备选档案库图像；
[0029]对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的档案管理系统，其特征在于，包括：检测图像采集模块，用于获取待检测图片；图像分块模块，用于对所述待检测图片进行图像分块处理以得到待检测图像块的序列；图像嵌入化模块，用于将所述待检测图像块的序列输入嵌入层以得到待检测图像块嵌入向量的序列；检测图像全局语义关联模块，用于将所述待检测图像块嵌入向量的序列通过ViT模型以得到多个待检测图像块上下文语义关联特征向量；参考图像采集模块，用于获取备选档案库图像；参考图像全局语义关联模块，用于对所述备选档案库图像进行图像分块处理后通过所述嵌入层和所述ViT模型以得到多个备选档案库图像块上下文语义关联特征向量；差异性编码模块，用于分别计算每组对应的所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量之间的余弦距离值以得到由多个余弦距离值组成的分类特征向量；以及，匹配检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测图片和所述备选档案库图像之间的匹配度是否超过预定阈值；所述差异性编码模块，包括：优化因数计算单元，用于计算所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；加权优化单元，用于以所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映射因数作为权重，对所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量进行加权以得到校正后待检测图像块上下文语义关联特征向量和校正后备选档案库图像块上下文语义关联特征向量；以及，余弦距离值计算单元，用于计算所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量之间的所述余弦距离值；所述优化因数计算单元，用于：以如下优化公式计算所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量的关联
‑
概率密度分布仿射映射因数以得到所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映射因数；其中，所述公式为：；；其中表示所述待检测图像块上下文语义关联特征向量，表示所述备选档案库图像块上下文语义关联特征向量，为所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向量之间的逐位置关联得到的关联矩阵，和是所述待检测图像块上下文语义关联特征向量和所述备选档案库图像块上下文语义关联特征向
量构成的高斯密度图的均值向量和逐位置方差矩阵，表示矩阵乘法， 表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示所述第一关联
‑
概率密度分布仿射映射因数，表示所述第二关联
‑
概率密度分布仿射映射因数。2.根据权利要求1所述的基于人工智能的档案管理系统，其特征在于，所述检测图像全局语义关联模块，包括：上下文编码单元，用于使用所述ViT模型的转换器对所述待检测图像块嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义待检测图像块特征向量；以及，级联单元，用于将所述多个全局上下文语义待检测图像块特征向量进行级联以得到所述多个待检测图像块上下文语义关联特征向量。3.根据权利要求2所述的基于人工智能的档案管理系统，其特征在于，所述参考图像全局语义关联模块，包括：档案库图像分块单元，用于对所述备选档案库图像进行图像分块处理以得到备选档案库图像块的序列；档案库图像嵌入编码单元，用于将所述备选档案库图像块的序列输入所述嵌入层以得到备选档案库图像块嵌入向量的序列；以及，档案库图像全局关联编码模块，用于将所述备选档案库图像块嵌入向量的序列通过所述ViT模型以得到所述多个备选档案库图像块上下文语义关联特征向量。4.根据权利要求3所述的基于人工智能的档案管理系统，其特征在于，所述余弦距离值计算单元，用于：以如下距离公式来计算所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语义关联特征向量之间的所述余弦距离值；其中，所述公式为：；其中分别表示所述校正后待检测图像块上下文语义关联特征向量和所述校正后备选档案库图像块上下文语...

【专利技术属性】
技术研发人员：向雪峰，李佳佳，侯彦文，罗渊，赵曦明，
申请(专利权)人：云南远信科技有限公司，
类型：发明
国别省市：