申请/专利权人：四川轻化工大学

申请日：2023-11-02

公开（公告）日：2024-05-24

公开（公告）号：CN117496531B

主分类号：G06V30/19

分类号：G06V30/19;G06V30/18;G06N3/0464;G06N3/0455;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.05.24#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明提供一种可减少汉字识别资源开销的卷积自编码器构建方法，属于人工智能及计算机视觉技术领域，解决了传统方法资源开销上的局限性问题；包括：使用双线性插值法增强图像数据，使用K均值聚类算法将图像数据中的关键特征进行聚类提取；建立层级数据库，单独存储具有不同关键特征的图像数据；结合卷积自编码器的输入与输出特征，构建出自定义损失函数和交叉熵损失函数；结合层级数据库中不同关键特征的图像数据，通过搭建卷积层、池化层和全连接层的方式，构建出卷积自编码器，作为汉字识别模型的核心结构；本发明相较于传统模型，具有更加精简的结构、更好的识别精度与识别速度，顺利实现了较少资源对中文汉字字符的模型训练。

主权项：1.一种可减少汉字识别资源开销的卷积自编码器构建方法，其特征在于，所述方法包括如下步骤：S1、获取数据集并预处理，使用双线性插值法，对数据集中的图像数据进行增强；S2、提取增强后图像数据的关键特征，使用K均值聚类算法，将关键特征相符的所有图像数据聚类，搭建出层级数据库；层级数据库中，单独构建数据表，存储具有不同关键特征的图像数据；S3、依据拟构建汉字识别模型的复杂性与融合性，结合卷积自编码器的输入与输出特征，构建出自定义损失函数和交叉熵损失函数，同时确定出卷积自编码器的综合评价指标；S4、依据卷积自编码器的结构标准，结合层级数据库中不同关键特征的图像数据，通过搭建卷积层、池化层和全连接层的方式，构建出卷积自编码器，作为汉字识别模型的核心结构；步骤S4中，构建的卷积自编码器结构包括编码器和解码器；编码器结构中，数据依次经过：3个卷积块，每个包括64个大小的卷积核所组成的卷积层；64个大小的卷积核所组成的卷积层；256个大小的卷积核所组成的卷积层；1个用于图像下采样的池化层；4个卷积块，每个包括128个大小的卷积核所组成的卷积层；128个大小的卷积核所组成的卷积层；512个大小的卷积核所组成的卷积层；最后1个用于图像下采样的池化层；经过上述结构后，数据通过编码器得到1个关键特征；解码器结构中，先对关键特征进行池化层上采样，然后经过：4个卷积块，每个包括128个大小的卷积核所组成的卷积层；128个大小的卷积核所组成的卷积层；512个大小的卷积核所组成的卷积层；1个用于图像上采样的池化层；3个卷积块，每个包括64个大小的卷积核所组成的卷积层；64个大小的卷积核所组成的卷积层；256个大小的卷积核所组成的卷积层；从而完成解码过程。

全文数据：

权利要求：

百度查询： 四川轻化工大学 一种可减少汉字识别资源开销的卷积自编码器构建方法

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