微云全息（NASDAQ HOLO）基于深度感知算法的矢量图形高效处理软件与可扩展训练数据集

计算机视觉以图像处理为基础。图像处理在深度学习中占据重要地位，几乎所有深度学习框架都支持图像处理工具。随着信息技术发展，深度学习渗透到计算机各领域，如人工智能、图像识别、文字识别等，这些领域的发展与深度学习紧密相关。

深度学习网络需大量训练数据以实现良好归纳和准确性。机器学习或深度学习模型的训练目标是成为 “通用” 模型，要求不能过度拟合训练数据集。但实际中常面临图像数据量不足或拟合度过高的问题，难以实现泛化模型。

微云全息（NASDAQ HOLO）提出基于深度感知算法的矢量图形高效处理软件，该软件采用图像数据增强处理技术增加训练数据。此技术可通过基础图像处理操作，如翻转、添加噪声等，或依据现有数据生成新样本，增加训练样本多样性，提升数据质量。具体而言，翻转操作可水平或垂直翻转图像生成新样本；添加噪声操作能在图像中加入随机噪声，如高斯噪声、椒盐噪声等。同时，利用深度学习模型在原始数据潜在空间生成新数据点，扩充数据集。

软件具备强大的图像变换操作和性能优化功能。图像变换操作丰富多样，包括位置平移变换、尺度变换、旋转、反射变换、颜色变换、对比度变换、遮挡、噪声扰动等。位置平移变换将图像在水平或垂直方向移动；尺度变换改变图像大小；旋转操作按不同角度旋转图像；反射变换进行水平或垂直反射；颜色变换改变图像颜色分布；对比度变换调整图像对比度；遮挡操作在图像中添加部分遮挡；噪声扰动加入随机噪声。这些操作能为模型提供更多训练样本，适应不同情况。在性能优化方面，对图像变换操作进行优化，确保不损失图像质量前提下提高变换速度和效率。同时，为不同计算机视觉任务提供简洁强大的图像增强接口，如对象分类、分割、检测等任务。

微云全息采用经过训练的卷积神经网络制定融合规则。在特征提取和图像重建过程中，深度学习模型先对背景图片进行分割，选取特征部分，如场景背景；再对前景图片分割，得到重点关注特征部分，如人物动物。然后在背景图片上进行路径规划，将前景图片分割结果叠加到背景图像上。为避免神经网络模型训练数据过拟合，通过多种变换方式进行数据增强，包括位置平移变换、尺度变换、旋转、反射变换、颜色变换、对比度变换、遮挡、噪声扰动等。这些变换方式能间接获取更多数据，提高模型泛化能力和鲁棒性。

由于采集成像场景区域照明变化大，且受成像设备技术限制，传感器捕获图像通常处于有限动态曝光范围内。进行图像识别时，常因原始图像数量不足导致输出曲线过拟合，无法训练出能泛化到新图像集的模型。微云全息软件中的图像增强技术发挥重要作用。通过增强图像对比度，使人物或事物更明显，利于后续识别处理。有目的地强调图像整体或局部特征，如改善颜色、亮度、对比度等，使不清晰图像变清晰或强调感兴趣特征，扩大不同物体特征差别，抑制不感兴趣特征，提高图像视觉效果。

微云全息（NASDAQ HOLO）提出的基于深度感知算法的矢量图形高效处理软件可根据已知图像数据集生成更多训练图像，利用多种随机变换增加原始图像数量，解决深度学习模型数据单一问题。在医学诊断领域，有助于医生更准确诊断疾病，提高诊断准确性和效率；在无损探伤领域，能更好检测材料缺陷，提高检测可靠性；在纹理识别领域，使模型更好识别不同纹理特征，为材料分析和质量控制提供支持；在卫星图像处理领域，提高对地球表面的监测和分析能力，为环境保护、资源管理等提供重要信息。