一种基于深度学习的图片视频存储方法技术

本发明专利技术属于图片视频存储技术领域，具体涉及一种基于深度学习的图片视频存储方法，首先将图片视频数据写入存储系统，并为图片视频数据附加相应的标签；其次存储系统针对附加标签后的图片视频数据进行周期性采样，并生成SRGAN Net Generator模型，通过采样数据进行该模型训练和保存；再针对采样范围内的图片视频数据进行压缩处理；再通过训练后的模型对压缩后的图片视频数据进行超分转换；最后对超分转换后的图片视频数据进行结构相似性评价，当结构相似性评价满足要求，再删除原始图片视频，否则保留原始图片视频。存储系统在压缩过程中能够根据不同场景动态调整超分因子，在保证需求的前提下最大限度地减少存储空间占用。

【技术实现步骤摘要】

本专利技术属于图片视频存储，尤其涉及一种基于深度学习的图片视频存储方法。

技术介绍

1、随着人工智能（ai）技术的发展，数据采集、模型训练、推理、推理结果存证等ai应用的过程，会产生大量的数据，特别是在应用非常广泛的视频图形领域。

2、在智慧生产领域的光学检查、在智慧城市的城市治理里，每天会产生大量的推理结果，这些结果往往会保存在服务器和存储系统里，只起到一个存证的作用，平时也很少访问，但是会占用大量的存储空间。

3、不同应用平台会针对这些图片视频数据进行压缩再进行存储，在减少空间占用的同时，还需要保证后续对图片视频数据查看的清晰度，比如一般只将高清的未压缩的图片用编码算法压缩转换成jpg或者png格式。这些图片和视频数据写入存储系统后，无法进行进一步的压缩，还是会导致大量的存储空间浪费。

4、因此如何对产生的图片视频进行压缩处理后再存储，在减少空间占用的同时能够保证后续查看过程中的图片视频的清晰度，是目前亟需解决的技术问题。

技术实现思路

1、本专利技术的目的在于提供一种本文档来自技高网...

【技术保护点】

1.一种基于深度学习的图片视频存储方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤S1中，为图片视频数据附加的标签包括超分因子标签，超分因子标签为不同场景需求的超分数值，标签的格式为csr_label-upscale factor；

3.根据权利要求2所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤S2的同时会根据写入的图片视频数据附加的不同超分因子生成不同SRGAN Net Generator模型，并对不同的SRGAN Net Generator模型分别进行超分训练。

4.根...

【技术特征摘要】

1.一种基于深度学习的图片视频存储方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤s1中，为图片视频数据附加的标签包括超分因子标签，超分因子标签为不同场景需求的超分数值，标签的格式为csr_label-upscale factor；

3.根据权利要求2所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤s2的同时会根据写入的图片视频数据附加的不同超分因子生成不同srgan net generator模型，并对不同的srgan net generator模型分别进行超分训练。

4.根据权利要求3所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤s3中，在进行图片视频数据进行压缩的过程中，其中的压缩率与图片视频数据附加的超分因子标签相对应，首先会读取图片视频数据附加标签中的超分因子，再根据读取超分因子进行相应的压缩处理。

5.根据权利要求1所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤s4中，所述srgan net generator模型中设置至少5个残差块，所述残差块的数量根据不同场景的图片视频数据进行系统设置实现动态调整。

6.根据权利要求1所述的一种基于深度学习的图片视频存储方法，其特征在于，在步骤s5中的结构相似性评价指的是将超分后的图片视频与原始的图片视频进行对比，提取超分后的图片视频和原始的图片视频的特...

【专利技术属性】
技术研发人员：刘羽，张力航，江鹏，钟亚君，黄耀年，董博，王皓，
申请(专利权)人：四川省华存智谷科技有限责任公司，
类型：发明
国别省市：