专利汇可以提供基于可变形卷积网络的流场识别方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于可 变形 卷积网络的流场识别方法,所述通过已有数据集对预训练网络进行预训练;将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中;通过所述流场识别模型对图像进行逐 像素 分类实现流场识别。本发明首先,利用预训练网络对已有数据集进行图像深层特征提取,并不断 迭代 学习,自动调整网络参数;其次,将预训练网络的全连接层更换成卷积层,并利用迁移学习思想,将预训练得到的权重参数迁移到识别模型中;最后,在网络中引入可变形卷积提取图像特征,并通过密集预测对图像进行逐像素分类,实现流场识别。,下面是基于可变形卷积网络的流场识别方法专利的具体信息内容。
1.一种基于可变形卷积网络的流场识别方法,其特征在于,该方法为:
所述通过已有数据集对预训练网络进行预训练;
将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中;
通过所述流场识别模型对图像进行逐像素分类实现流场识别。
2.根据权利要求1所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过已有数据集对预训练网络进行预训练,具体为:通过预训练网络对已有数据集进行图像深层特征提取,并不断迭代学习,自动调整网络参数;即,以卷积网络作为预训练模型,在已有数据集上进行训练,通过正向传播提取图像多层次特征,通过反向传播实现迭代学习与调整参数。
3.根据权利要求3所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过已有数据集对预训练网络进行预训练,具体为:在正向传播过程中,将图片输入预训练网络,经过网络的卷积层和池化层,分别进行卷积与最大池化操作,分别与大小为3×3的卷积核、以步长为1进行卷积,与大小为2×2的卷积核、以步长为2进行最大池化,通过卷积与池化操作提取不同层次的图像特征,浅层卷积网络提取的是图像的浅层细节特征,随着网络的加深,卷积层获得图像的深度特征图,提取了深层语义信息;在反向传播过程中,通过梯度下降法,即对参数求偏导更新权重参数,并反向将参数回传,实现不断迭代学习,自动调整网络参数。
4.根据权利要求1-3任意一项所述的基于可变形卷积网络的流场识别方法,其特征在于,所述将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中,具体为:假设卷积网络最后一层卷积结束后得到n×n的深层特征图,通过x个n×n的卷积核、以步长为1进行卷积,得到1×x的一维向量,表示x个类别的概率;而在全卷积网络中,前面的卷积操作不变,将最后的全连接层转换为x个卷积核大小为(1,1)的卷积层;通过迁移学习思想,将预训练模型的网络参数与微调后的全卷积网络迁移至流场识别模型中,进一步训练。
5.根据权利要求4所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过所述流场识别模型对图像进行逐像素分类实现流场识别,具体为:通过可变形卷积提取图像特征,通过密集预测对提取的图像特征进行逐像素分类,实现流场识别。
6.根据权利要求5所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过可变形卷积提取图像特征,具体为:规则的二维卷积使用规则网格Gg在输入特征图上进行采样,并采用双线性差值法W对采样值总和进行加权,网格Gg定义了感受野大小;而可变形卷积使用位移{ΔPn|n=1,...,Ng}增强网格Gg,表示可变形卷积在不规则且位移像素位置Pn+ΔPn上进行采样,其中Ng=|Gg|,即可变形卷积与规则卷积的网格数相同,对于输出特征图I的每个像素点位置P0可用式(1)表示:
其中,x表示输入的特征图,Pn是Gg中位置枚举;
其中,P=P0+Pn+ΔPn,表示可变形卷积对特征图做卷积操作的像素点位置,即Gg中位置枚举,q表示输入特征图的所有像素点位置,W(Pn)=D(q,P)是二维的双线性插值核函数,可分成两个一维核函数,如
D(q,P)=D1(qx,Px)·D1(qy,Py) (3)
其中,D1(a,b)=max(0,1-|a-b|),即D(q,P)=max(0,1-|qx-Px|)·max(0,1-|qy-Py|);
根据双线性差值逐层计算特征图提取图像特征。
7.根据权利要求6所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过密集预测对提取的图像特征进行逐像素分类,实现流场识别,具体为:在正向传播时,通过可变性卷积网络得到特征图,并经过softmax层在输出端得到每个像素点的预测值,即密集预测,其显示了每个像素的所属类别;在反向传播时,通过梯度下降调整参数值降低损失函数,修正密集预测结果,最终实现流场识别。
8.根据权利要求7所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过密集预测对提取的图像特征进行逐像素分类,实现流场识别,具体为:假设可变形卷积网络最后一层得到d个h×w大小特征图,其中h和w是空间维度,即图像的长宽分别为h和w个像素,每个像素点xij处的值为Ix,按式(4)计算每幅特征图的各个像素点的概率值,得到密集预测结果:
其中,Ix表示特征图的每个像素点值,I'x表示密集预测,即各像素点的预测概率值,若网络识别出该像素点属于流场,则概率值越接近1,反之越接近0,并根据式(5)计算损失函数:
其中,yx表示实际的概率值,I'x表示预测的概率值,损失函数越小,表明密集预测对真实结果的拟合程度越好,因此通过梯度下降进行反向传播,即对式(5)中参数求偏导的方式调整权重参数以降低损失函数值,并将参数回传,以迭代训练,修正密集预测结果,最终实现流场识别。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | 2020-05-14 | 830 |
一种近地面颗粒浓度估算方法及系统 | 2020-05-16 | 101 |
一种富水流塑地层盾构隧道下穿铁路框架桥施工方法 | 2020-05-13 | 899 |
一种图像识别的英语作文跑题判断方法 | 2020-05-11 | 938 |
一种基于神经网络的中文关系抽取方法 | 2020-05-14 | 810 |
一种基于句法模式和机器学习的开放式关系的抽取方法 | 2020-05-12 | 901 |
一种组合深度学习和概念图谱的电力故障事件抽取方法 | 2020-05-11 | 271 |
一种基于双重交错的医学图像分割网络 | 2020-05-15 | 751 |
一种基于卷积神经网络的联合图像去噪与弱光增强方法 | 2020-05-12 | 743 |
文本相似性计算方法、装置、电子设备及可读存储介质 | 2020-05-13 | 946 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。