本发明公开了一种光盘库中图像清理方法及系统。所述方法，包括：对光盘库中目标图像的全像素矩阵进行建模，得到目标图像的减性向量、转换向量和全局向量；在减性向量中增加权重，得到更新后的减性向量；由更新后的减性向量构建减性权重力；基于减性权重力，采用交叉学习法对转换向量进行更新，得到更新后的转换向量；采用更新后的转换向量对减性权重力进行更新，得到更新后的减性权重力；将更新后的减性权重力与全局向量进行交叉学习，得到全局减性向量；基于全局减性向量和更新后的减性向量，确定遗忘力向量；根据遗忘力向量确定是否对目标图像进行清理。本发明能提高清理效率和光盘库的存储效率。
1.一种光盘库中图像清理方法，其特征在于，包括：对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量；
基于所述减性权重力，采用交叉学习法对所述转换向量进行更新，得到更新后的转换向量；所述更新后的转换向量具有减性特性；
采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力；
将所述更新后的减性权重力与所述全局向量进行交叉学习，得到全局减性向量；
基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量；
根据所述遗忘力向量确定是否对所述目标图像进行清理；
所述减性向量用于减掉目标图像中的冗余信息；所述减性向量M=[m1,m2,...,mp‑1,mp]=T T T
Km I，其中，p为向量维度，Km为减性遗忘头超参数矩阵，K m的上标T表示转置，mp表示减性向量中的第p个元素，m1、m2和mp‑1分别对应减性向量中的第1、2和p‑1个元素，I为目标图像的全像素矩阵；
其中，W表示减性权重力； 表示更新后的减性向量对应的权重， 表示更新后的减性向量。
2.根据权利要求1所述的一种光盘库中图像清理方法，其特征在于，所述对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量，具体包括：
采用减性遗忘头、转换遗忘头和全局遗忘头分别对目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量。
3.根据权利要求1所述的一种光盘库中图像清理方法，其特征在于，所述更新后的转换向量为：
其中， 表示更新后的转换向量；W表示减性权重力；H表示桥接矩阵；HT中的T表示转换向量；W的上标T表示转置。
4.根据权利要求1所述的一种光盘库中图像清理方法，其特征在于，所述采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力，具体包括：确定所述更新后的转换向量的权重分布；
计算所述权重分布和所述更新后的转换向量之间的交叉信息；
基于所述交叉信息，对所述减性权重力进行更新，得到更新后的减性权重力。
5.根据权利要求1所述的一种光盘库中图像清理方法，其特征在于，所述基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量，具体包括：采用超参数矩阵对所述全局减性向量进行更新，得到更新后的全局减性向量；
将所述更新后的全局减性向量与所述更新后的减性向量作差，得到遗忘力向量。
6.根据权利要求1所述的一种光盘库中图像清理方法，其特征在于，所述根据所述遗忘力向量确定是否对所述目标图像进行清理，具体包括：将所述遗忘力向量输入全连接层，得到所述全连接层的输出结果；
7.根据权利要求4所述的一种光盘库中图像清理方法，其特征在于，所述计算所述权重分布和所述更新后的转换向量之间的交叉信息，具体包括：计算所述权重分布和所述更新后的转换向量的点积；
将所述点积确定为所述权重分布和所述更新后的转换向量之间的交叉信息。
8.根据权利要求4所述的一种光盘库中图像清理方法，其特征在于，所述基于所述交叉信息，对所述减性权重力进行更新，得到更新后的减性权重力具体包括：对所述交叉信息中所有的元素进行求和，得到更新后的减性权重力。
9.一种光盘库中图像清理系统，其特征在于，包括：建模模块，用于对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量；
减性向量更新模块，用于在所述减性向量中增加权重，得到更新后的减性向量；
减性权重力构建模块，用于由所述更新后的减性向量构建减性权重力；
转换向量更新模块，用于基于所述减性权重力，采用交叉学习法对所述转换向量进行更新，得到更新后的转换向量；所述更新后的转换向量具有减性特性；
减性权重力更新模块，用于采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力；
全局减性向量确定模块，用于将所述更新后的减性权重力与所述全局向量进行交叉学习，得到全局减性向量；
遗忘力向量确定模块，用于基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量；
图像清理模块，用于根据所述遗忘力向量确定是否对所述目标图像进行清理；
所述减性向量用于减掉目标图像中的冗余信息；所述减性向量M=[m1,m2,...,mp‑1,mp]=T T T
Km I，其中，p为向量维度，Km为减性遗忘头超参数矩阵，K m的上标T表示转置，mp表示减性向量中的第p个元素，m1、m2和mp‑1分别对应减性向量中的第1、2和p‑1个元素，I为目标图像的全像素矩阵；
其中，W表示减性权重力； 表示更新后的减性向量对应的权重， 表示更新后的减性向量。
一种光盘库中图像清理方法及系统
技术领域
[0001] 本发明涉及光盘存储技术领域，特别是涉及一种光盘库中图像清理方法及系统。
背景技术
[0002] 光盘库中的图像存储占据了光盘库90%以上的存储空间，而其中一半以上的图像属于无意义图像，因此，如何找出这些无意义的图像，并进行有效清理，更好地释放光盘库
空间，一直是光盘存储中亟待解决的问题。
[0003] 目前，对于光盘库中图像的清理，大多采用人工筛选的方法，通过人工判断，哪些图像不重要，可以进行删除，从而将垃圾图片进行手动删除。这种方法效率低下，大量耗费
人力，且海量图片会造成时间堆积，导致光盘库存储效率低。
发明内容
[0004] 基于此，本发明实施例提供一种光盘库中图像清理方法及系统，以提高清理效率和光盘库的存储效率。
[0005] 为实现上述目的，本发明提供了如下方案：
[0006] 一种光盘库中图像清理方法，包括：
[0007] 对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量；
[0008] 在所述减性向量中增加权重，得到更新后的减性向量；
[0009] 由所述更新后的减性向量构建减性权重力；
[0010] 基于所述减性权重力，采用交叉学习法对所述转换向量进行更新，得到更新后的转换向量；所述更新后的转换向量具有减性特性；
[0011] 采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力；
[0012] 将所述更新后的减性权重力与所述全局向量进行交叉学习，得到全局减性向量；
[0013] 基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量；
[0014] 根据所述遗忘力向量确定是否对所述目标图像进行清理。
[0015] 可选的，所述对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量，具体包括：
[0016] 采用减性遗忘头、转换遗忘头和全局遗忘头分别对目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量。
[0017] 可选的，所述减性权重力为
[0018] ；
[0019] 其中，W表示减性权重力； 表示更新后的减性向量对应的权重， 表示更新后的减性向量。
[0020] 可选的，所述更新后的转换向量为：
[0021] ；
[0022] 其中， 表示更新后的转换向量；W表示减性权重力；H表示桥接矩阵；HT中的T表示转换向量；W的上标T表示转置。
[0023] 可选的，所述采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力，具体包括：
[0024] 确定所述更新后的转换向量的权重分布；
[0025] 计算所述权重分布和所述更新后的转换向量之间的交叉信息；
[0026] 基于所述交叉信息，对所述减性权重力进行更新，得到更新后的减性权重力。
[0027] 可选的，所述基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量，具体包括：
[0028] 采用超参数矩阵对所述全局减性向量进行更新，得到更新后的全局减性向量；
[0029] 将所述更新后的全局减性向量与所述更新后的减性向量作差，得到遗忘力向量。
[0030] 可选的，所述根据所述遗忘力向量确定是否对所述目标图像进行清理，具体包括：
[0031] 将所述遗忘力向量输入全连接层，得到所述全连接层的输出结果；
[0032] 若所述输出结果为0，则保留所述目标图像；
[0033] 若所述输出结果为1，则清理所述目标图像。
[0034] 可选的，所述计算所述权重分布和所述更新后的转换向量之间的交叉信息，具体包括：
[0035] 计算所述权重分布和所述更新后的转换向量的点积；
[0036] 将所述点积确定为所述权重分布和所述更新后的转换向量之间的交叉信息。
[0037] 可选的，所述基于所述交叉信息，对所述减性权重力进行更新，得到更新后的减性权重力具体包括：
[0038] 对所述交叉信息中所有的元素进行求和，得到更新后的减性权重力。
[0039] 本发明还提供了一种光盘库中图像清理系统，包括：
[0040] 建模模块，用于对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量；
[0041] 减性向量更新模块，用于在所述减性向量中增加权重，得到更新后的减性向量；
[0042] 减性权重力构建模块，用于由所述更新后的减性向量构建减性权重力；
[0043] 转换向量更新模块，用于基于所述减性权重力，采用交叉学习法对所述转换向量进行更新，得到更新后的转换向量；所述更新后的转换向量具有减性特性；
[0044] 减性权重力更新模块，用于采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力；
[0045] 全局减性向量确定模块，用于将所述更新后的减性权重力与所述全局向量进行交叉学习，得到全局减性向量；
[0046] 遗忘力向量确定模块，用于基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量；
[0047] 图像清理模块，用于根据所述遗忘力向量确定是否对所述目标图像进行清理。
[0048] 与现有技术相比，本发明的有益效果是：
[0049] 本发明实施例提出了一种光盘库中图像清理方法及系统，通过对图像的全像素矩阵建模，构建减性权重力，并基于交叉学习法实现与图像内容进行交互，进而进行计算遗忘
力矩阵，根据遗忘力矩阵对图像进行清理，可以有效去除光盘库中的无意义图像文件，大大
释放光盘库空间，提升了光盘库的存储效率，并且与人工筛选的方法相比，实现了对光盘库
中的图像的自动清理，提高了清理效率。
附图说明
[0050] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0051] 图1为本发明实施例提供的光盘库中图像清理方法的流程图；
[0052] 图2为本发明实施例提供的光盘库中图像清理系统的结构图。
具体实施方式
[0053] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0054] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0055] 图1为本发明实施例提供的光盘库中图像清理方法的流程图。参见图1，本实施例的光盘库中图像清理方法，包括：
[0056] 步骤101：对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量。具体的：
[0057] 记目标图像的全像素矩阵为I，其中，I∈Rh×w×c，h为图像长，w为图像宽，c为图像通h×w×c
道，R 表示维度为h×w×c的空间，采用3个独立遗忘头（减性遗忘头、转换遗忘头和全局
遗忘头）分别对目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量M、转换向
量T和全局向量G。具体建模方法为：
[0058] 为了减掉目标图像中的冗余信息，构建减性向量M=[m1,m2,...,mp‑1,mp]=KTm I，其T T
中，p为向量维度，K m为减性遗忘头超参数矩阵，K m的上标T表示转置，mp表示减性向量中的
第p个元素，该元素描述了冗余信息。同理，m1、m2和mp‑1分别对应减性向量中的第1、2和p‑1个
元素。
[0059] 为了对目标图像中的信息进行转换传递，构建转换向量T=[t1,t2,...,tp‑1,tp]=T T T
Kt I，其中，K t为转换遗忘头超参数矩阵，K t的上标T表示转置，tp表示转换向量中的第p个
元素，该元素描述了转换信息。同理，t1、t2和tp‑1分别对应转换向量中的第1、2和p‑1个元素。
[0060] 构建携带有目标图像的全局信息的全局向量G=[g1,g2,...,gp‑1,gp]=KTg I，其中，T T
Kg为全局遗忘头超参数矩阵，Kg的上标T表示转置，gp表示全局向量中的第p个元素，该元素
描述了全局信息。同理，g1、g2和gp‑1分别对应全局向量中的第1、2和p‑1个元素。
[0061] 步骤102：在所述减性向量中增加权重，得到更新后的减性向量，并由所述更新后的减性向量构建减性权重力。具体的：
[0062] 将得到的减性向量M经过权重均衡调整后，得到减性权重力W，减性权重力W携带有图像是否应该被剔除的特征信息，具体过程为：
[0063] 在所述减性向量中增加权重，得到更新后的减性向量 ：
[0064] ；
[0065] 其中， ，i表示向量维度的序号，mi表示减性向量中的第i个元素，αi表示减性向量中的第i个元素对应的权重，i∈[1，p]。
[0066] 由更新后的减性向量确定的减性权重力为
[0067]
[0068] 其中，W表示减性权重力， 表示更新后的减性向量对应的权重， 表示更新后的减性向量， 表示更新后的减性向量中的第i个元素对应的权重，i∈[1，p]。
[0069] 步骤103：基于所述减性权重力，采用交叉学习法对所述转换向量进行更新，得到更新后的转换向量。所述更新后的转换向量具有减性特性。具体的：
[0070] 将得到的减性权重力与转换向量T进行交叉学习，得到带有减性特性的更新后的转换向量 。交叉学习的过程为：
[0071] ；
[0072] 其中， 表示更新后的转换向量；W表示减性权重力；H表示桥接矩阵；HT中的T表示转换向量；W的上标T表示转置；n表示更新后的转换向量的向量维度， 表示更
新后的转换向量中的第j个元素，j∈[1，n]。
[0073] 步骤104：采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力。
[0074] 所述步骤104，具体包括：
[0075] 1）确定所述更新后的转换向量的权重分布S。
[0076] ；
[0077] 其中，sj表示S中的第j个元素，j∈[1，n]。
[0078] 2）计算所述权重分布和所述更新后的转换向量之间的交叉信息L。具体的：计算所述权重分布和所述更新后的转换向量的点积；将所述点积确定为所述权重分布和所述更新
后的转换向量之间的交叉信息。交叉信息L为：
[0079] 。
[0080] 3）基于所述交叉信息，对所述减性权重力进行更新，得到更新后的减性权重力。具体的：对所述交叉信息中所有的元素进行求和，得到更新后的减性权重力 。
[0081] 。
[0082] 步骤105：将所述更新后的减性权重力与所述全局向量进行交叉学习，得到全局减性向量。全局减性向量GM为：
[0083]
[0084] 步骤106：基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量。具体的：
[0085] 1）采用超参数矩阵KTc对所述全局减性向量GM进行更新，得到更新后的全局减性向量 。计算公式为：
[0086] 。
[0087] 2）将所述更新后的全局减性向量与所述更新后的减性向量作差，得到遗忘力向量F。计算公式为：
[0088] 。
[0089] 步骤107：根据所述遗忘力向量确定是否对所述目标图像进行清理。具体的：
[0090] 构建全连接层（Fully Connected layers，FC），全连接层起到“分类器”的作用，遗忘力向量代表了目标图像是否要被清理的信息，将所述遗忘力向量输入全连接层，得到所
述全连接层的输出结果；若所述输出结果为0，则保留所述目标图像；若所述输出结果为1，
则清理所述目标图像。
[0091] 本实施例的步骤101‑107实现过程，可称之为forgetformer机制，通过步骤101‑107的计算后，得到目标图像是否被清理的指令，程序自动对光盘库中的图像进行清理，大
大提升了光盘库的存储效率，为光盘库节省了存储空间，间接提升了光盘库的存储性能，达
到缩减光盘库容量的目的。
[0092] 本发明还提供了一种光盘库中图像清理系统，图2为本发明实施例提供的光盘库中图像清理系统的结构图。参见图2，所述系统，包括：
[0093] 建模模块201，用于对光盘库中目标图像的全像素矩阵进行建模，得到所述目标图像的减性向量、转换向量和全局向量。
[0094] 减性向量更新模块202，用于在所述减性向量中增加权重，得到更新后的减性向量。
[0095] 减性权重力构建模块203，用于由所述更新后的减性向量构建减性权重力。
[0096] 转换向量更新模块204，用于基于所述减性权重力，采用交叉学习法对所述转换向量进行更新，得到更新后的转换向量；所述更新后的转换向量具有减性特性。
[0097] 减性权重力更新模块205，用于采用所述更新后的转换向量对所述减性权重力进行更新，得到更新后的减性权重力。
[0098] 全局减性向量确定模块206，用于将所述更新后的减性权重力与所述全局向量进行交叉学习，得到全局减性向量。
[0099] 遗忘力向量确定模块207，用于基于所述全局减性向量和所述更新后的减性向量，确定遗忘力向量。
[0100] 图像清理模块208，用于根据所述遗忘力向量确定是否对所述目标图像进行清理。
[0101] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说
明即可。
[0102] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不
应理解为对本发明的限制。
