[发明专利]生成在神经网络中使用的人工图像

说明书

方法包括为接收到的输入图像创建图像数据的输入矩阵，以及响应于选择第一图像滤波器以用于生成人工图像，该方法将第一图像滤波器的第一滤波器计算应用于图像数据的输入矩阵，其中应用第一滤波器计算生成了图像数据的第一结果矩阵。该方法将图像数据的第一结果矩阵级联到图像数据的输入矩阵，以生成图像数据的第一级联矩阵。该方法基于图像数据的级联矩阵生成适合在神经网络中使用的人工图像。

技术领域

本发明涉及使用神经网络的图像处理，并且更具体地，涉及生成在神经网络中使用的人工图像(artificial image)。

背景技术

人工神经网络(artificial neural network，ANN)是受构成动物大脑的生物神经网络启发的计算系统。这种系统通过从示例中考虑和训练来学习并逐步提高任务表现。

ANN是基于被称为人工神经元的连接单元或节点的集合。神经元之间的每个连接(突触)都可以彼此相互传递信号。接收(突触后)神经元可以处理(多个)信号，然后向与其连接的神经元发送信号。

在常见的ANN实施方式中，突触信号是实数，并且每个神经元的输出由其输入之和的非线性函数计算。神经元和突触典型地具有随着学习的进行而调整的权重。权重增加或减少其跨突触传送的信号的强度。神经元可能有一个阈值，使得只有当总信号超过阈值时，信号才会被传送。

典型地，神经元是按层组织的。不同的层可以对其输入执行不同种类的变换。可能在多次穿越层之后，信号从第一(输入)层传播到最后(输出)层。

在机器学习中，卷积神经网络(convolutional neural network，ConvNet)是一类深度前馈(feed-forward)人工神经网络，其已成功应用于分析视觉成像。

ConvNet使用了多种多层感知器，该多层感知器被设计成要求最少的预处理。基于它们的共享权重体系结构和平移(translation)不变特性，它们也被称为移位不变或空间不变人工神经网络(space invariant artificial neural network，SIANN)。

与其它图像分类算法相比，ConvNet使用相对较少的预处理。这意味着网络学习了在传统算法中手工设计的滤波器。

神经网络典型地使用层之间的矩阵向量线性积，其中将公共函数逐元素地应用于结果(resulting)向量函数，这可能产生非线性层，诸如径向基层或阈值整流层。然而，要求诸如傅立叶分解、多项式或绝对值或多个阈值的每元素函数的更复杂的非线性层难以实施，并且通过这些层的反向传播并不总是可解的。

另外，层的结果会替换输入数据，而不是对输入数据的添加。如果需要诸如利用残差神经网络来传播先前的输入，则必须添加神经网络中的多条路径。

发明内容

根据本发明的实施例公开了一种用于生成在神经网络中使用的人工图像的方法、计算机程序产品和计算机系统。为接收到的图像创建图像数据的输入矩阵。响应于被选择用于生成人工图像的第一图像滤波器，将第一图像滤波器的第一滤波器计算应用于图像数据的输入矩阵，其中应用第一滤波器计算生成了图像数据的第一结果矩阵。将图像数据的第一结果矩阵级联(concatenate)到图像数据的输入矩阵以生成图像数据的第一级联矩阵。基于图像数据的级联矩阵生成适合在神经网络中使用的人工图像。

附图说明

被视为本发明的主题在说明书的结论部分中被具体指出并明确要求保护。当结合附图阅读时，通过参考下面的详细描述，可以最好地理解本发明的操作的组织和方法，以及其目的、特征和优点。

现在将参考以下附图，仅通过示例的方式描述本发明的优选实施例，其中：

图1是根据本发明实施例的方法的示例实施例的流程图。

图2是根据本发明实施例的图1的方法的一方面的示例实施例的流程图。