申请/专利权人：中国科学院自动化研究所;中国科学院数学与系统科学研究院

申请日：2023-12-13

公开（公告）日：2024-04-09

公开（公告）号：CN117853734A

主分类号：G06V10/30

分类号：G06V10/30;G06V10/774;G06V10/82;G06N3/045;G06N3/0442;G06N3/0464;G06N3/0495;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提供一种基于自监督持续学习的无人系统图像多噪声干扰抑制方法，包括：对目标图像的噪声类型和或噪声强度进行估计得到估计噪声类型和或估计噪声强度；从自监督持续学习神经网络中选择与对应的自监督持续学习神经网络分支，对目标图像进行去噪处理；网络的训练过程包括：以同一个类型和或强度的噪声图像对应一个任务，对至少一个类型和或强度的噪声图像进行多任务划分，得到噪声图像数据集；对至少一个任务的噪声图像数据集分别执行第一过程，并将最后一次第一过程中更新后的自监督持续学习神经网络作为完成训练的自监督持续学习神经网络；使网络能处理不同强度或不同类型的噪声图像，提高图像去噪的准确程度。

主权项：1.一种基于自监督持续学习的无人系统图像多噪声干扰抑制方法，其特征在于，包括：通过拟合密度函数对无人系统的目标图像的噪声类型和或噪声强度进行估计，得到目标图像的估计噪声类型和或估计噪声强度；从完成训练的自监督持续学习神经网络中，选择与所述估计噪声类型和或估计噪声强度对应的自监督持续学习神经网络分支；基于所述自监督持续学习神经网络分支，对所述目标图像进行去噪处理；其中，所述自监督持续学习神经网络的训练过程包括：以同一个噪声类型和或噪声强度的噪声图像对应一个任务，对至少一个噪声类型和或噪声强度的噪声图像进行多任务划分，得到至少一个任务的噪声图像数据集；对至少一个任务的噪声图像数据集分别执行第一过程，并将最后一次第一过程中更新后的自监督持续学习神经网络作为完成训练的自监督持续学习神经网络；所述第一过程包括：基于当前第一过程对应的任务的噪声图像数据集和当前的自监督持续学习神经网络，进行训练，并确定训练后的自监督持续学习神经网络中的第一部分层和第二部分层，其中，所述第一部分层分别对应的门控和卷积核的组合元件的相关性得分低于第二部分层分别对应的门控和卷积核的组合元件的相关性得分，且所述第一部分层不包括自监督持续学习神经网络的输出层，所述第二部分层为所述自监督持续学习神经网络中除了所述第一部分层和所述输出层以外的层；对训练后的自监督持续学习神经网络中第一部分层的卷积核置零，得到剪枝后的自监督持续学习神经网络；基于当前第一过程对应的任务的噪声图像数据集，通过剪枝后的自监督持续学习神经网络中的第二部分层进行参数调整，得到参数调整后的自监督持续学习神经网络；冻结参数调整后的自监督持续学习神经网络中第二部分层的卷积核的参数和所述输出层的参数，并对参数调整后的自监督持续学习神经网络中第二部分层的卷积核的参数和所述输出层的参数添加掩膜，得到更新后的自监督持续学习神经网络，所述更新后的自监督持续学习神经网络用于在下一次第一过程中基于下一个任务的噪声图像数据集进行训练。

全文数据：

权利要求：

百度查询： 中国科学院自动化研究所;中国科学院数学与系统科学研究院 基于自监督持续学习的无人系统图像多噪声干扰抑制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD