一种实现图像转换标签的方法及系统技术方案

本发明专利技术公开了一种实现图像转换标签的方法及系统，其中，所述实现图像转换标签的方法包括：采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，提取图像基本信息；采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，获取降维后的图像基本信息；对所述降维后的图像基本信息通过嵌入层进行简化处理，获取简化图像基本信息；采用长短期记忆模型对所述简化图像基本信息进行计算，获取计算输出值；判断所述计算输出值是否为终止符号，若是则输出转换标签，若否，则重复上一步骤。在本发明专利技术实施例中，可以通过计算机自主生产对应的图像标签信息，提高了图像识别的效率和速度。

Method and system for implementing image conversion label

The invention discloses a method and system, image conversion label among them, the implementation method including image conversion tag: the convolution neural network model the image down sampling processing information for convolutional neural network, image basic information extraction; dimensionality reduction process with fully connected neural network basic information on the depth of the image information acquisition, image basic information after dimensionality reduction; simplified by embedding a layer of the lower dimensional image basic information, obtain the simplified image basic information; calculation of the simplified image basic information using long short term memory access model, calculate the output value; judging whether the output value is calculated for the termination if the output symbol conversion label, if not, repeat the last step. In the embodiment of the invention, the corresponding image label information can be independently produced by the computer, thereby improving the efficiency and speed of the image recognition.

【技术实现步骤摘要】
一种实现图像转换标签的方法及系统
本专利技术涉及图像处理
，尤其涉及一种实现图像转换标签的方法及系统。
技术介绍
随着社会的不断发展，计算机视觉领域也进入了高速发展的时代。但是目前的科学研究的发展还未能让计算机像人类一样具备自主思维，因此如何让计算机能够自动的识别一个图片的内容成为了迫在眉睫急需解决的问题。机器学习和深度学习的出现使得人们得以尝试通过让计算机自主提取特征的方式让计算机对人类世界的图像进行分析。现在通过卷积神经网络模型，已经可以进行有监督的较为精确率的图像识别功能。但是这还远远不足，人们需要让计算机自动的给图像标上标签，从而实现无监督的自主识别，进一步达成真正意义上的计算机对图片分类。但是在信息快速传播的今日，大数据填充着人们的生活，在这些数据中，不可能存在有大量贴好标签的数据，因此一种无监督的图像数据识别自动贴标签的技术越来越受到人们的生活需求。目前所用的图像识别技术为有监督的图像识别技术，即需要给出图像的标签，利用已知的标签信息对数据库中的图像进行模型的搭建并训练。通过使用训练好的模型架构来进行新的图像的分类。但是在信息快速传播的今日，大数据包围的我们很难有一个准确的已经人工贴好标签的数据集进行模型的训练，因此这种技术水平无法达到人们的需求。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种实现图像转换标签的方法及系统，可以通过计算机自主生产对应的图像标签信息，提高了图像识别的效率和速度。为了解决上述技术问题，本专利技术实施例提供了一种实现图像转换标签的方法所述实现图像转换标签的方法包括：采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，提取图像基本信息；采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，获取降维后的图像基本信息；对所述降维后的图像基本信息通过嵌入层进行简化处理，获取简化图像基本信息；采用长短期记忆模型对所述简化图像基本信息进行计算，获取计算输出值；判断所述计算输出值是否为终止符号，若是则输出转换标签，若否，则重复上一步骤。优选地，所述卷积神经网络模型采用21层神经网络层次架构，所述21层神经网络层次架构分别为16个卷积层和5个降采样层。优选地，所述采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，包括：所述卷积神经网络模型接收所述图像信息，并确定所述卷积神经网络模型最大降采样层；采用所述卷积神经网络模型最大降采样对所述图像信息进行采样处理，获取图像基本信息；所述图像基本信息至少包括图像长宽、图像像素、图像内容。优选地，所述采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，包括：采用全连接深度神经网络中的隐藏层激活函数对所述图像信息进行处理，获取处理结果；对所述处理结果采用全连接深度神经网络中的输出层激活函数进行处理，获取降维后的图像基本信息；所述获取降维后的图像基本信息为一维数据信息；所述隐藏层激活函数为ReLu函数，所述输出层激活函数为softmax函数。优选地，所述对所述降维后的图像基本信息通过嵌入层进行简化处理，包括：采用嵌入层中的查找表对所述降维后的图像基本信进行简化处理。优选地，所述采用长短期记忆模型对所述简化图像基本信息进行计算，包括：根据当前获取的所述简化图像基本信息与当前留存在单元格内的简化图像基本信息进行计算，获取留存简化图像基本信息；根据留存简化图像基本信息在所述单元内进行存储信息更新；根据所述单元格内存储的基本信息进行输出计算，获取计算输出值。另外，本专利技术实施例还提供了一种实现图像转换标签的系统，所述实现图像转换标签的系统包括：基本信息提取模块：用于采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，提取图像基本信息；降维处理模块：用于采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，获取降维后的图像基本信息；简化处理模块：用于对所述降维后的图像基本信息通过嵌入层进行简化处理，获取简化图像基本信息；输出值计算模块：用于采用长短期记忆模型对所述简化图像基本信息进行计算，获取计算输出值；判断模块：用于判断所述计算输出值是否为终止符号，若是则输出转换标签，若否，则重复上一步骤。优选地，所述基本信息提取模块包括：最大采样层确定单元：用于所述卷积神经网络模型接收所述图像信息，并确定所述卷积神经网络模型最大降采样层；基本信息提取单元：用于采用所述卷积神经网络模型最大降采样对所述图像信息进行采样处理，获取图像基本信息；所述图像基本信息至少包括图像长宽、图像像素、图像内容。优选地，所述降维处理模块包括：隐藏层处理单元：用于采用全连接深度神经网络中的隐藏层激活函数对所述图像信息进行处理，获取处理结果；降维单元：用于对所述处理结果采用全连接深度神经网络中的输出层激活函数进行处理，获取降维后的图像基本信息；所述获取降维后的图像基本信息为一维数据信息；所述隐藏层激活函数为ReLu函数，所述输出层激活函数为softmax函数。优选地，所述输出值计算模块包括：留存计算单元：用于根据当前获取的所述简化图像基本信息与当前留存在单元格内的简化图像基本信息进行计算，获取留存简化图像基本信息；信息更新单元：用于根据留存简化图像基本信息在所述单元内进行存储信息更新；输出计算单元：用于根据所述单元格内存储的基本信息进行输出计算，获取计算输出值。在本专利技术实施例中，解决了以往人们在图像数据处理过程中的人工手动贴标签的功能，通过使用本专利技术的模型，计算机可以自主生成对应的图像标签；在时间复杂度和模型复杂度的上，极大地优化了现有的模型，实现了计算机视觉处理的进一步深入的复杂功能；通过计算机运行基于卷积神经网络和长短期记忆模型来对输入任意的图像贴标签，从而减少了人们手动进行对图像贴标签然后再通过机器学习进行图像分类的功能，从真正意义上实现人工智能自主进行图像识别分类的无监督学习方法；提高了图像识别的效率和速度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的实现图像转换标签的方法的流程示意图；图2是本专利技术实施例中的实现图像转换标签的系统的结构组成示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。图1是本专利技术实施例中的实现图像转换标签的方法的流程示意图，如图1所示，S11：采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，提取图像基本信息；S12：采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，获取降维后的图像基本信息；S13：对所述降维后的图像基本信息通过嵌入层进行简化处理，获取简化图像基本信息；S14：采用长短期记忆模型对所述简化图像基本信息进行计算，获取计算输出值；S15：判断所述计算输出值是否为终止符号，若是则输出转换标签，若否，则重复本文档来自技高网...

【技术保护点】
一种实现图像转换标签的方法，其特征在于，所述实现图像转换标签的方法包括：采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，提取图像基本信息；采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，获取降维后的图像基本信息；对所述降维后的图像基本信息通过嵌入层进行简化处理，获取简化图像基本信息；采用长短期记忆模型对所述简化图像基本信息进行计算，获取计算输出值；判断所述计算输出值是否为终止符号，若是则输出转换标签，若否，则重复上一步骤。

【技术特征摘要】
1.一种实现图像转换标签的方法，其特征在于，所述实现图像转换标签的方法包括：采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，提取图像基本信息；采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，获取降维后的图像基本信息；对所述降维后的图像基本信息通过嵌入层进行简化处理，获取简化图像基本信息；采用长短期记忆模型对所述简化图像基本信息进行计算，获取计算输出值；判断所述计算输出值是否为终止符号，若是则输出转换标签，若否，则重复上一步骤。2.根据权利要求1所述的实现图像转换标签的方法，其特征在于，所述卷积神经网络模型采用21层神经网络层次架构，所述21层神经网络层次架构分别为16个卷积层和5个降采样层。3.根据权利要求1所述的实现图像转换标签的方法，其特征在于，所述采用卷积神经网络模型对图像信息进行卷积神经网络降采样处理，包括：所述卷积神经网络模型接收所述图像信息，并确定所述卷积神经网络模型最大降采样层；采用所述卷积神经网络模型最大降采样对所述图像信息进行采样处理，获取图像基本信息；所述图像基本信息至少包括图像长宽、图像像素、图像内容。4.根据权利要求1所述的实现图像转换标签的方法，其特征在于，所述采用全连接深度神经网络对所述图像信息的基本信息进行降维处理，包括：采用全连接深度神经网络中的隐藏层激活函数对所述图像信息进行处理，获取处理结果；对所述处理结果采用全连接深度神经网络中的输出层激活函数进行处理，获取降维后的图像基本信息；所述获取降维后的图像基本信息为一维数据信息；所述隐藏层激活函数为ReLu函数，所述输出层激活函数为softmax函数。5.根据权利要求1所述的实现图像转换标签的方法，其特征在于，所述对所述降维后的图像基本信息通过嵌入层进行简化处理，包括：采用嵌入层中的查找表对所述降维后的图像基本信进行简化处理。6.根据权利要求1所述的实现图像转换标签的方法，其特征在于，所述采用长短期记忆模型对所述简化图像基本信息进行计算，包括：根据当前获取的所述简化图像基本信息与当前留存在单元格内的简化图像基本信息进行计算，获取留存简化图像基...

【专利技术属性】
技术研发人员：胡建国，商家煜，黄俊威，李仕仁，梁津铨，
申请(专利权)人：广州智慧城市发展研究院，广州搏创信息科技有限公司，
类型：发明
国别省市：广东,44