北京，2023年8月21日/PRNewswire/-全球領先的全息增強現實（“AR”）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，已開發出一種基于連續多尺度特征學習系統模型網絡的新型圖像分類系統，該系統使用精心設計的預處理和建模架構。與現有方法相比，該模型受益于多尺度特征提取和連續特征學習，并通過使用具有不同感知的各種特征圖在速度和準确性方面實現了更好的性能。
WiMi的連續多尺度特征學習系統模型網絡采用了一種基于使用具有不同感受野的各種特征圖的連續特征學習方法，以實現更快的訓練/推理和更高的精度。系統網絡包含三個重要步驟，即數據預處理、數據學習和推理。在數據預處理階段，數據集圖像被表示為張量，這使得訓練過程中的計算更容易、更高效。在數據學習階段，使用基于連續多尺度特征學習的模型提取圖像的有用特征。在推理階段，在完成所提出的系統的第二步并獲得訓練後的模型後，可以使用該模型對圖像進行分類。
在數據預處理階段，數據集圖像被表示為張量，用于後續的計算和處理。這使得訓練期間的計算更加容易和高效。預處理過程包括圖像的歸一化、縮放和裁剪。這一步驟的目的是使數據在訓練過程中更加方便和高效，并提高後續處理的準确性和可靠性。這個過程是為了确保輸入數據得到正确處理，并且可以被模型正确識别和學習。
在數據學習階段，WiMi的網絡系統使用連續的多尺度特征學習方法從圖像中提取有用的特征。該方法的基本思想是将圖像分解為不同的尺度，然後在每個尺度上提取相應的特征。不同尺度的圖像信息包含不同的特征信息，例如，在低分辨率圖像中，細節信息被模糊，但圖像的全局信息和輪廓信息仍然被很好地保留。因此，多尺度特征提取可以提高模型的魯棒性和泛化能力。
具體而言，網絡架構由一系列特征提取模塊和特征融合模塊組成。特征提取模塊采用一系列卷積層、池化層和激活函數來提取不同尺度的特征圖。特征融合模塊用于融合不同尺度的特征圖，以獲得更全面、更具代表性的特征表示。特征融合模塊采用了一種特殊的方法，将不同尺度的特征圖連接起來，然後通過一些卷積層和激活函數對特征進行融合。該方法的優點是可以避免信息丢失，并且可以充分利用不同尺度的特征信息。
在推斷階段，WiMi可以使用經過訓練的模型對新圖像進行分類。具體來說，我們将測試圖像輸入到模型中，然後根據模型輸出的預測結果确定圖像的類别。為了提高模型的準确性和泛化能力，我們可以在測試階段對輸入圖像進行數據增強操作，如随機旋轉、裁剪和翻轉，以模拟更多的圖像變化。在這一步中，我們可以使用不同的技術和算法來優化模型的準确性和效率。例如，我們可以使用卷積神經網絡（CNN）從圖像中提取特征，或者使用遞歸神經網絡（RNN）處理序列數據。
