[发明专利]基于深度学习的训练素材智能识别方法、装置和设备

权利要求书

1.一种基于深度学习的训练素材智能识别方法，其特征在于，包括步骤：

获取不同型号和分辨率的训练采集图像，对各所述训练采集图像进行标准化处理得到尺寸统一的各训练图像；

采用小尺度判别模型进行各所述训练图像的归属部位及质量判别，得到小尺度判别结果；所述小尺度判别模型为基于深度卷积神经网络搭建的训练数据质量及部位的小尺度判别模型，所述小尺度判别结果包括图像质量的达标情况以及图像所属的部位；

采用基于监督式生成对抗网络的图像显著性检测模型，对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像；所述非显性训练图像为所述小尺度判别结果中识别到疑似非规范动作的所述训练图像；

采用大尺度判别模型对所述显著图像进行特征识别，得到代表所述显著图像对应的所述训练图像的最优特征图；所述大尺度判别模型为基于多尺度特征融合的训练图像质量及部位的大尺度判别模型。

2.根据权利要求1所述的基于深度学习的训练素材智能识别方法，其特征在于，所述基于监督式生成对抗网络的图像显著性检测模型包括生成器网络和鉴别器网络，所述生成器网络为U-Net网络结构；

对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像的过程，包括：

将所述非显性训练图像经过所述生成器网络和鉴别器网络进行交替训练，提取图像高级显著特征并将编码器输出直连至同层级的解码器；

通过所述鉴别器采用监督式学习调整优化网络参数且所述生成器持续更新参数输出更逼真图，进行对抗训练；

采用混合损失函数进行预测图像处理，输出精确的所述显著图像；所述混合损失函数包括基础损失函数和改进损失函数，所述改进损失函数为：

其中，x表示输入像素，表示真值图像的代取期望，表示图像元素的代取期望，D(x,y)表示采样数据，y表示真值图像数据，G(x)表示生成器输出值。

3.根据权利要求1或2所述的基于深度学习的训练素材智能识别方法，其特征在于，所述大尺度判别模型通过在经典卷积神经网络的基础上，引出conv4_3、conv7、conv8_2、conv9_2、conv10_2和conv11_2卷积层并在不同方向的特征图前增加BN层训练得到。

4.根据权利要求3所述的基于深度学习的训练素材智能识别方法，其特征在于，采用大尺度判别模型对所述显著图像进行特征识别，得到代表所述显著图像对应的所述训练图像的最优特征图的步骤，包括：

获取所述大尺度判别模型进行特征识别输出的融合后的特征图；

采用3×3卷积核进行卷积处理，得到保留多尺度特征的特定训练数据区域特征图；

对所述特定训练数据区域特征图进行聚合后利用非极大抑制处理，得到所述最优特征图。

5.根据权利要求1所述的基于深度学习的训练素材智能识别方法，其特征在于，用于训练得到所述小尺度判别模型的所述深度卷积神经网络包括VGGNet、GoogleNet、ResNet和SENet。

6.一种基于深度学习的训练素材智能识别装置，其特征在于，包括：

数据标准化模块，用于获取不同型号和分辨率的训练采集图像，对各所述训练采集图像进行标准化处理得到尺寸统一的各训练图像；

小尺度识别模块，用于采用小尺度判别模型进行各所述训练图像的归属部位及质量判别，得到小尺度判别结果；所述小尺度判别模型为基于深度卷积神经网络搭建的训练数据质量及部位的小尺度判别模型，所述小尺度判别结果包括图像质量的达标情况以及图像所属的部位；

对抗识别模块，用于采用基于监督式生成对抗网络的图像显著性检测模型，对判别的非显性训练图像进行非显著性信息识别检测，输出精确的显著图像；所述非显性训练图像为所述小尺度判别结果中识别到疑似非规范动作的所述训练图像；

大尺度识别模块，用于采用大尺度判别模型对所述显著图像进行特征识别，得到代表所述显著图像对应的所述训练图像的最优特征图；所述大尺度判别模型为基于多尺度特征融合的训练图像质量及部位的大尺度判别模型。