科创中国

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。

自监督学习旨在通过使用仅基于输入功能生成的伪标签来求解辅助预测任务(或借口任务)来提取语义特征。尽管已经提出了各种任务以进行自我监督的学习，但一个直观的想法是通过从损坏的结构中恢复原始数据来学习表示。图像掩码自监督学习就是通过重建掩码过后的图像这一任务来达到特征学习的目的。这种方法首先由DenoisingAutoencoder引入，并在自然语言处理的应用中取得重大进展。该方法已经成为了自然语言处理中的例行程序。受益于新的神经网络架构，例如ViT等，图像掩码自监督学习正变得越来越流行。

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。

本发明实施例中的利用行列式点过程的采样方法及装置，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。

技术合作 

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。