【技术实现步骤摘要】
本公开涉及图像处理，具体地，涉及一种基于切比雪夫多项式网络的图像处理方法及系统。
技术介绍
1、随着计算能力和深度学习技术的不断进步，人工智能在图像处理等领域取得了卓越成就。从最初的手工特征提取,到基于统计模式识别(如支持向量机svm)和信号处理(如小波变换)的方法，再到当前广泛使用的端到端神经网络，图像处理技术不断创新突破。然而，传统神经网络中不同层之间的关联方式较为简单，通常只是线性的全连接或卷积操作，这种固定的层间关系制约了网络对复杂函数的拟合能力。
2、为进一步提高神经网络的表达能力，研究人员开始探索扩展网络层间关联的新方法。一种思路是构造多项式网络，即将网络层的输出与一系列多项式项进行非线性组合，从而赋予网络多项式逼近的能力。由于任意连续函数在一定精度下都可被多项式函数逼近，因此多项式网络具有更强的函数逼近能力，有望显著提升神经网络在图像处理等领域的建模性能。
3、在构造多项式网络时，多项式族的选择至关重要。理论上，我们可以采用幂基多项式、legendre多项式、chebyshev(切比雪夫)多项式等不同多项式系统。其中，切比雪夫多项式具有良好的数学性质，在连续区间上是最佳一致逼近多项式，能够最小化多项式逼近的最大偏差。因此，采用切比雪夫多项式构造网络层间关联，可以赋予网络最佳的多项式逼近能力，从而最大限度提高网络对目标函数的拟合程度。
技术实现思路
1、针对现有技术中的缺陷，本公开的目的是提供一种基于切比雪夫多项式网络的图像处理方法及系统。>
2、为实现上述目的，根据本公开的第一方面，提供一种基于切比雪夫多项式网络的图像处理方法，包括：
3、根据预设的图像处理任务，确定主干网络，所述预设的图像处理任务包括图像分类、语义分割以及图像生成；
4、将所述主干网络和预设的切比雪夫多项式模块并联连接，构建切比雪夫多项式网络；
5、对所述切比雪夫多项式网络进行训练，确定经过训练的切比雪夫多项式网络；
6、采用所述经过训练的切比雪夫多项式网络执行所述图像处理任务，确定图像处理任务结果。
7、可选地，所述主干网络包括主干网络模块，所述预设的切比雪夫多项式模块包括一个或者多个切比雪夫多项式模块。
8、可选地，所述将所述主干网络和预设的切比雪夫多项式模块并行连接，构建切比雪夫多项式网络，包括：
9、将所述主干网络模块和一个或者多个所述切比雪夫多项式模块并联连接，确定所述切比雪夫多项式网络。
10、可选地，所述方法还包括：
11、根据所述预设的图像处理任务，确定所述预设的图像处理任务对应的图像训练数据和损失函数。
12、可选地，所述对所述切比雪夫多项式网络进行训练，确定经过训练的切比雪夫多项式网络，包括：
13、采用所述预设的图像处理任务对应的图像训练数据和损失函数对所述切比雪夫多项式网络进行训练，确定所述经过训练的切比雪夫多项式网络。
14、可选地，所述采用所述经过训练的切比雪夫多项式网络执行所述图像处理任务，确定图像处理任务结果，包括：
15、将输入信号输入所述主干网络模块，确定第一输出结果；
16、将所述第一输出结果进行映射操作，确定映射结果；
17、将所述映射结果输入所述预设的切比雪夫多项式模块的第一个切比雪夫模块，根据预设阶数，确定每一阶次的切比雪夫多项式；
18、将所述第一输出结果与所述每一阶次的切比雪夫多项式和所述第一输出结果的乘积作和，确定所述图像处理任务结果。
19、根据本公开的第二方面，提供一种基于切比雪夫多项式网络的图像处理系统，包括：
20、主干网络确定模块，用于根据预设的图像处理任务，确定主干网络，所述预设的图像处理任务包括图像分类、语义分割以及图像生成；
21、网络构建模块，用于将所述主干网络和预设的切比雪夫多项式模块并联连接，构建切比雪夫多项式网络；
22、网络训练模块，用于对所述切比雪夫多项式网络进行训练，确定经过训练的切比雪夫多项式网络；
23、图像处理模块，用于采用所述经过训练的切比雪夫多项式网络执行所述图像处理任务，确定图像处理任务结果。
24、根据本公开的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
25、根据本公开的第四方面，提供一种电子设备，包括：
26、存储器，其上存储有计算机程序；
27、处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
28、与现有技术相比，本公开实施例具有如下至少一种有益效果：
29、通过上述技术方案，根据预设的图像处理任务，确定主干网络，将主干网络和切比雪夫多项式模块并联连接，构建切比雪夫多项式网络，增强网络的表达能力和拟合能力，还能适应不同的网络结构，广泛地处理图像处理任务，例如图像分类、图像分割以及图像生成任务，提高图像处理任务的图像处理精度。
30、本公开的实施例，通过引入切比雪夫多项式递推关系和哈达玛积操作，构建灵活且高效的切比雪夫多项式网络，赋予网络多项式逼近能力，增强网络的表达能力和拟合能力，增强网络在图像处理领域的建模能力和处理能力，满足多种场景的应用需求。
本文档来自技高网...【技术保护点】
1.一种基于切比雪夫多项式网络的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述主干网络包括主干网络模块，所述预设的切比雪夫多项式模块包括一个或者多个切比雪夫多项式模块；
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述切比雪夫多项式网络进行训练，确定经过训练的切比雪夫多项式网络，包括：
5.根据权利要求2所述的方法，其特征在于，所述采用所述经过训练的切比雪夫多项式网络执行所述图像处理任务，确定图像处理任务结果，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述映射结果输入所述预设的切比雪夫多项式模块的第一个切比雪夫模块，根据预设阶数，确定每一阶次的切比雪夫多项式，包括：
7.根据权利要求6所述的方法，其特征在于，所述将所述第一输出结果与所述每一阶次的切比雪夫多项式和所述第一输出结果的乘积作和，确定所述图像处理任务结果，包括：
8.一种基于切比雪夫多项式网络的图像处理系统，其特征在于，包括：<...
【技术特征摘要】
1.一种基于切比雪夫多项式网络的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述主干网络包括主干网络模块，所述预设的切比雪夫多项式模块包括一个或者多个切比雪夫多项式模块；
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述切比雪夫多项式网络进行训练，确定经过训练的切比雪夫多项式网络，包括：
5.根据权利要求2所述的方法，其特征在于，所述采用所述经过训练的切比雪夫多项式网络执行所述图像处理任务，确定图像处理任务结果，包括：
6.根据权利要...
【专利技术属性】
技术研发人员：郑紫阳，忻岳，戴文睿，李成林，邹君妮，熊红凯，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。