申请/专利权人：中科方寸知微(南京)科技有限公司;中科南京人工智能创新研究院

申请日：2020-09-29

公开（公告）日：2024-04-09

公开（公告）号：CN112184587B

主分类号：G06T5/60

分类号：G06T5/60;G06T3/4046;G06T5/50;G06T3/4053;G06N3/0464;G06T1/60

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.09.17#著录事项变更;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明提出了一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统，该方法通过对网络模型中卷积网络感受野的减少、图像处理中的重叠切分以及硬件方面对内存扩展三者之间的协同优化，实现了对图像边缘数据的有效增强，在图像超分辨重建、去模糊、去雾化等低等级视觉任务的深度学习算法领域达到在适用于边缘端部署应用的目的。本发明同时也解决了在计算能力弱、内存空间小的边缘端部署深度神经网络的问题，以及发明中涉及的边缘端实时处理图像信号的任务，可以代替一些监控场景中传统的实时处理图像信号的模块，进而实现更加丰富的功能，和更加优秀的成像效果。

主权项：1.一种边缘数据增强模型，其特征在于，包括：图像处理模块，用于对图像的规格进行重置，并将其输入神经网络；所述图像处理模块对硬件存储中的图片进行图片访问，将其经过切分得到预定数量的小图像块数，并将获得的小图像块传输至神经网络中；其中切分按照重叠方式切分，图像边界部分按照重叠方式多切分预定量的像素区域；每个小图像块向外部扩充预定个像素，其中原图的边缘部分进行填零处理；神经网络模块，用于接收经过图像处理的图片，并完成对切分图像的重组；所述神经网络模块包含下采样、上采样、像素重组；其中下采样中由卷积层和最大池化层构成，在卷积层完成卷积运算后，将获得的数值传输至最大池化层，利用最大池化的平移不变性选取小图像块内最大的数值，舍弃其他节点并保持原有平面结构输出；其中上采样由数据上采样、连接层、卷积层构成，对接收到经过卷积的图像利用上采样进行图像的特征的进一步提取；其中像素重组将在图像处理过程中切分且同时经过神经网络处理的小图像块，按照切分时的排列顺序重新合并为一张图像，即合并的图像为增强过后的图像；其中合并时出现的重叠区域，取两侧图像的平均值；为了增强对图像局部特征的学习，对于神经网络中的卷积进行感受野的减少，从而减少对高层次语义特征的学习，加快网络收敛的速度；硬件存储模块，用于存储图像处理中的图片，以及配合神经网络提取图片时，对其进行访问；用于为神经网络计算提供存储空间，通过扩展片内存储空间，将内存全部缓存在CPU的片内存储系统中。

全文数据：

权利要求：

百度查询： 中科方寸知微(南京)科技有限公司;中科南京人工智能创新研究院 一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统

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