科创中国

物理

本发明涉及机器学习领域，具体涉及一种利用行列式点过程的采样方法及装置。该方法及装置首先构建DPP概率模型，再使用DPP概率模型将图像掩码过程建模为行列式点过程，利用行列式点过程选取多样化的图像块，其中选取的图像块尽可能多的保留原图所包含的信息。可以为网络选取出更具有代表性的掩码后图像，减轻语义信息不对称对深度神经网络特征学习的影响，提升网络在下游任务的性能。

1.一种利用行列式点过程的采样方法，其特征在于，包括以下步骤： 构建DPP概率模型； 使用DPP概率模型将图像掩码过程建模为行列式点过程，利用行列式点过程选取多样化的图像块，其中选取的图像块尽可能多的保留原图所包含的信息。 2.根据权利要求1所述的利用行列式点过程的采样方法，其特征在于，在采样过程中，DPP概率模型计算每个图像块之间的距离，并选择与所选子集不相似的图像块。 3.根据权利要求1所述的利用行列式点过程的采样方法，其特征在于，当从待选集合中采样子集时，DPP概率模型同时捕获质量高和多样性强的子集，采集的子集包含更多原始图像信息的集合。 4.根据权利要求1所述的利用行列式点过程的采样方法，其特征在于，DPP概率模型通过其中的kernel函数，仅通过像素值判断不同像素块之间的距离。 5.根据权利要求1所述的利用行列式点过程的采样方法，其特征在于，DPP概率模型通过行列式点过程建模图像块之间同时出现的概率，选择最大化差异的图像块集合，被选择的图像块包含尽可能多的原图语义信息。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

点击查看