一种基于仿射变换的网络度量方法和存储设备技术

本发明专利技术涉及人工智能技术领域，特别涉及一种基于仿射变换的网络度量方法和存储设备。所述一种基于仿射变换的网络度量方法，包括步骤：输入待测样本至预先训练好的仿射变换模型计算得所述待测样本的结构相似性损失值和相似度损失值；结合第一经验阈值、第二经验阈值、所述待测样本的结构相似性损失值和相似度损失值判断前后两次采样的待测样本是否发生变更。以上方法中，利用了预先训练好的仿射变换模型会对所述待测样本两次采样的图像位置角度和远近差异等进行校正，再计算校正后的前后两次采样的待测样本是否发生变更，进而判断机柜内是否发生变化，使得判断结果更准确。使得判断结果更准确。使得判断结果更准确。

【技术实现步骤摘要】
一种基于仿射变换的网络度量方法和存储设备


[0001]本专利技术涉及人工智能
，特别涉及一种基于仿射变换的网络度量方法和存储设备。

技术介绍

[0002]现有技术中，通过计算机视觉检测单个机柜内的设备是否产生了变更，机柜内的从上往下存在多个机位可摆放服务器设备，机柜内任一机位的服务器从有到无或从无到有的变化都视为机柜设备产生了变更。在任务中要求使用机柜前后两次采样的RGB图片进行对比以判断机柜设备是否产生了变更。
[0003]在实际场景中样本有如下具体的特点：1)采用由人工操作，采样设备的位置、角度以及距离存在产生一定的偏差；2)机柜前后两次的采样在不同的时间段，光线照射强弱不一致；3)目标样本存在多种不同的状态，如机柜内有k个机位可以摆放服务器设备，那么存在2k个不同的变更状态；4)目标样本的不同状态难以采集，由于机房处在实际运行的状态中，难以模拟设备变更状况，因此仅能通过每次采样时统计是否出现了新状态；5)单次采样样本数量少，一般不超过5张。
[0004]传统的计算机视觉方法完成上述检测任务一般采取像素级的图像对比，然后根据对比结果使用阈值判断的方法，但是由于两次采样的图像存在光线和位置的变化，即使是未变更的图像也会在像素级别上造成较大的差异，因此传统的方法难以较好的完成任务。
[0005]现有的方法基于深度模型，通过模型提取样本的深度特征，进行特征级别的比较来判别样本。使用深度模型完成任务的方案有两种，一是建立深度分类模型，将不同状态下的机柜标注为不同的类别，通过对比两次采样样本的类别来判别是否产生变更；二是使用深度网络度量两次样本的相似度，通过阈值来判别变更情况。由于分类模型需要大量的标注样本参与训练，但是在任务场景中缺乏大量不同状态下的样本，因此分类模型不适用于该任务。使用第二种方案不需要对样本的状态作标注，网络结构和训练过程简单。但是还存在着以下的难点：
[0006]1)根据任务中每次采样的样本数量，可以认为模型是在少样本场景下工作。模型在少样本的场景下学习时，加上受到样本内大量相似特征的影响，容易出现过拟合的现象。在过拟合的现象下模型更容易受到样本在采集过程中的位置偏移、角度旋转以及焦距远近的影响，即模型鲁棒性能下降。
[0007]2)由于受到任务实际情况的限制，模型在训练初期仅有少量的机柜样本，这些样本仅仅只占据机柜所有状态的极小的一部分，大多数不同的变更状态需要在长期的使用过程中继续采样。因此模型初期性能很大程度上受到初始训练样本的限制。

技术实现思路

[0008]为此，需要提供一种基于仿射变换的网络度量方法，用以解决样本量少时，深度模型检判断结果准确率低的问题。具体技术方案如下：
[0009]一种基于仿射变换的网络度量方法，包括步骤：
[0010]输入待测样本至预先训练好的仿射变换模型计算得所述待测样本的结构相似性损失值和相似度损失值；
[0011]结合第一经验阈值、第二经验阈值、所述待测样本的结构相似性损失值和相似度损失值判断前后两次采样的待测样本是否发生变更。
[0012]进一步的，所述“输入待测样本至预先训练好的模型计算得所述待测样本的结构相似性损失值和相似度损失值”前，具体还包括步骤：
[0013]第一对比样本和第二对比样本进行通道层次的拼接操作得拼接后的样本对；
[0014]通过姿态估计网络估计所述样本对的仿射变换矩阵；
[0015]使用所述仿射变换矩阵参数对所述第一对比样本进行仿射变换得第三对比样本；
[0016]使用图像结构相似性度量计算所述第三对比样本与所述第二对比样本的结构相似性损失值；
[0017]使用孪生网络计算所述第三对比样本与所述第二对比样本的相似度损失值；
[0018]根据平衡系数计算总损失值，根据所述总损失值更新所述姿态估计网络和所述孪生网络的参数，得训练后的仿射变换模型。
[0019]进一步的，所述“使用图像结构相似性度量计算所述第三对比样本与所述第二对比样本的结构相似性损失值”，具体还包括步骤：
[0020]所述结构相似性损失值计算使用如下公式：
[0021][0022]μ
x
，μ
y
，σ
x
，σ
y
分别是x和y的均值和方差，σ
xy
是协方差，c1，c2是两个常数。
[0023]进一步的，所述“使用孪生网络计算所述第三对比样本与所述第二对比样本的相似度损失值”，具体还包括步骤：
[0024]损失函数使用对数损失，若输入样本对为未变更样本对则真值标注为0，若输入样本对为变更样本对则真值标注为1；
[0025]损失函数的计算如公式如下：
[0026]I
Similarity
＝y logp+(1
‑
y)log(1
‑
p))
[0027]y，p分别是输入样本对的真值和模型输出的对应概率。
[0028]进一步的，所述“根据平衡系数计算总损失值”，具体还包括步骤：
[0029]总损失值的计算公式为：
[0030]L＝L
SSIM
+λL
Similarity
；
[0031]L
SSIM
为所述第三对比样本与所述第二对比样本的结构相似性损失值，L
Similarity
为所述第三对比样本与所述第二对比样本的相似度损失值，λ为平衡系数。
[0032]进一步的，所述“根据所述总损失值更新所述姿态估计网络和所述孪生网络的参数，得训练后的仿射变换模型”，具体还包括步骤：
[0033]反向传播所述总损失值，计算梯度并更新所述姿态估计网络和所述孪生网络的参数。
[0034]进一步的，所述“输入待测样本至预先训练好的仿射变换模型计算得所述待测样本的结构相似性损失值和相似度损失值”，具体还包括步骤：
[0035]所述待测样本包括：第一待测样本和第二待测样本，所述第一待测样本和所述第二待测样本为前后两次采样的待测样本；
[0036]第一待测样本和第二待测样本进行通道层次的拼接操作得拼接后的待测样本对；
[0037]通过姿态估计网络估计所述待测样本对的仿射变换矩阵；
[0038]使用所述仿射变换矩阵参数对所述第一待测样本进行仿射变换得第三待测样本；
[0039]使用图像结构相似性度量计算所述第三待测样本与所述第二待测样本的结构相似性损失值；
[0040]使用孪生网络计算所述第三待测样本与所述第二待测样本的相似度损失值。
[0041]进一步的，所述“结合第一经验阈值、第二经验阈值、所述待测样本的结构相似性损失值和相似度损失值判断前后两次采样的待测样本是否发生变更”，具体还包括步骤：
[0042]判断所述待测样本的结构相似性损失值大于等于所述第一经验阈值且所述相似度损失值大于等于所述第二经验阈值两者是否同时成立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于仿射变换的网络度量方法，其特征在于，包括步骤：输入待测样本至预先训练好的仿射变换模型计算得所述待测样本的结构相似性损失值和相似度损失值；结合第一经验阈值、第二经验阈值、所述待测样本的结构相似性损失值和相似度损失值判断前后两次采样的待测样本是否发生变更。2.根据权利要求1所述的一种基于仿射变换的网络度量方法，其特征在于，所述“输入待测样本至预先训练好的模型计算得所述待测样本的结构相似性损失值和相似度损失值”前，具体还包括步骤：第一对比样本和第二对比样本进行通道层次的拼接操作得拼接后的样本对；通过姿态估计网络估计所述样本对的仿射变换矩阵；使用所述仿射变换矩阵参数对所述第一对比样本进行仿射变换得第三对比样本；使用图像结构相似性度量计算所述第三对比样本与所述第二对比样本的结构相似性损失值；使用孪生网络计算所述第三对比样本与所述第二对比样本的相似度损失值；根据平衡系数计算总损失值，根据所述总损失值更新所述姿态估计网络和所述孪生网络的参数，得训练后的仿射变换模型。3.根据权利要求2所述的一种基于仿射变换的网络度量方法，其特征在于，所述“使用图像结构相似性度量计算所述第三对比样本与所述第二对比样本的结构相似性损失值”，具体还包括步骤：所述结构相似性损失值计算使用如下公式：μ
x
，μ
y
，σ
x
，σ
y
分别是x和y的均值和方差，σ
xy
是协方差，c1，c2是两个常数。4.根据权利要求2所述的一种基于仿射变换的网络度量方法，其特征在于，所述“使用孪生网络计算所述第三对比样本与所述第二对比样本的相似度损失值”，具体还包括步骤：损失函数使用对数损失，若输入样本对为未变更样本对则真值标注为0，若输入样本对为变更样本对则真值标注为1；损失函数的计算如公式如下：L
Similarity
＝ylogp+(1
‑
y)log(1
‑
p))y，p分别是输入样本对的真值和模型输出的对应概率。5.根据权利要求2所述的一种基于仿射变换的网络度量方法，其特征在于，所述“根据平衡...

【专利技术属性】
技术研发人员：郑蔚涛，吴飞，庄莉，王栋，肖传奇，蔡宇翔，粟仁杰，蒋鑫，张江龙，纪文，梁懿，于元隆，蒋伟杰，徐杰，潘进土，黄道，
申请(专利权)人：国网福建省电力有限公司福建亿榕信息技术有限公司国家电网有限公司福州大学国网信息通信产业集团有限公司国网信通亿力科技有限责任公司，
类型：发明
国别省市：