买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学

摘要：本发明公开了一种基于张量分解的RNNPool网络目标识别方法，属于机器学习技术领域。本发明方法首先针对三阶彩色图像，将RNNPool网络扩展至高阶，提取三阶彩色图像的行阶特征、列阶特征以及通道阶特征；然后针对三阶彩色图像中通道阶所代表的三原色分量与行、列两阶代表的空间坐标点明暗程度的区别，优化了通道阶的特征提取；最后将结合张量链分解的神经网络结构运用于RNNPool网络当中，提高模型运行效率。本发明的目标识别方法有效提升了训练效果及收敛速度，可以用更少的拟合时间达到效果较好的准确率结果。

主权项：1.一种基于张量分解的RNNPool网络目标识别方法，其特征在于，包括下列步骤：S1：基于高阶RNNPool网络提取三阶彩色图像的整体特征，所述整体特征包含行阶特征、列阶特征以及通道阶特征；S11:将三阶彩色图像输入高阶RNNPool网络；S12:对三阶彩色图像进行划分，得到若干个小尺寸的感受野，每个感受野中的输入为四阶张量其中b表示批次阶的维度，ch表示通道阶的维度，r表示行阶的维度，c表示列阶的维度，N为行阶分割份数，M为列阶分割份数；S13:通过高阶RNNPool网络对四阶张量进行特征提取，得到行阶特征、列阶特征，然后将通道阶作为目标阶，行阶或者列阶作为辅助阶，进行通道阶特征提取，得到通道阶特征；最后整合三阶特征，得到感受野的整体特征；所述目标阶指特征被输入高阶RNNPool网络的递归神经网络时，作为高阶张量的第一阶；所述递归神经网络以目标阶作为时间序列进行拟合，并在输出时取其最后一个节点作为该序列的输出结果；所述辅助阶用于将特征整合到所需维度作为下一步骤的输入；S14:将每个感受野的输出还原至相对应的位置，拼接得到三阶彩色图像的整体特征；S2：对三阶彩色图像进行分类识别，完成目标识别任务；2S21:将数据集中的三阶彩色图像按比例划分为训练集和测试集；S22:搭建高阶RNNPool分类模型，由依次连接的第一卷积层、第一BN层、第二卷积层、第二BN层、高阶RNNPool网络层、第三卷积层、第三BN层、第四卷积层、第四BN层、全连接层、Softmax层构成；S23:在训练阶段，首先自定义超参数，再将训练集中的三阶彩色图像输入至高阶RNNPool分类模型，以减小训练集的损失函数为目标优化模型参数，提升模型的分类准确率，得到优化后的高阶RNNPool分类模型；S24:在测试阶段，将测试集中的三阶彩色图像输入至优化后的高阶RNNPool分类模型中，完成目标识别任务；步骤S1中的通道阶特征提取及整合方式如下：A1:针对辅助阶对感受野中的四阶张量进行张量折叠处理，得到张量或A2:将张量或进行针对目标阶的折叠处理，然后经过单向递归神经网络，输出张量或其中h1为单向递归神经网络隐藏层神经元数量；A3:将张量或进行再次折叠，然后经过隐藏层神经元数量为h2的双向递归神经网络，得到通道阶特征张量或再将通道阶特征与行阶特征或列阶特征进行拼接得到该感受野的输出特征。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于张量分解的RNNPool网络目标识别方法