[发明专利]一种连续图像序列中隐含信息深度学习方法在审
申请号: | 201810838463.3 | 申请日: | 2018-07-27 |
公开(公告)号: | CN109271843A | 公开(公告)日: | 2019-01-25 |
发明(设计)人: | 刘贵全;范寅 | 申请(专利权)人: | 苏州女娲机器人有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00 |
代理公司: | 南京乐羽知行专利代理事务所(普通合伙) 32326 | 代理人: | 缪友建 |
地址: | 215000 江苏省苏州市苏州工业*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 隐含 连续图像序列 连续图像 图像集合 学习 科学问题 理论框架 图像序列 拓扑结构 序列分析 预设算法 不变性 新框架 高维 分析 认知 筛选 图像 输出 引入 | ||
1.一种连续图像序列中隐含信息深度学习方法,其特征在于包括以下步骤:
(1)对杂乱无章的连续图像进行归集,将所需图像归集为待处理的图像集合;
(2)通过引入层次认知模型及预设算法对图像集合进行筛选;
(3)利用范畴理论的建立“模型+分析”的深度学习理论框架;
(4)输出连续图像的序列分析结论。
2.根据权利要求1所述的连续图像序列中隐含信息深度学习方法,其特征在于:所述范畴理论包括图像序列特征的范畴、图像序列隐含信息深度特征不变性的李群子范畴、图像序列隐含信息深度特征拓扑结构的张量子范畴以及图像序列隐含信息深度特征维数的纤维丛子范畴。
3.根据权利要求2所述的连续图像序列中隐含信息深度学习方法,其特征在于:所述建立“模型+分析”的深度学习理论框架是将每一个学习问题用n个表达式来表示,其中n=1,2,…,而每个表达式为一种数据结构,该数据结构的集合构成一个子范畴,进而对学习问题形成一个抽象的结构,进一步充分利用范畴理论知识建立“模型+分析”的深度学习理论框架。
4.根据权利要求2所述的连续图像序列中隐含信息深度学习方法,其特征在于:所述图像序列隐含信息深度特征不变性的李群子范畴是指在识别图像序列中的一幅图像时主要是抓住图像的不变性进行识别,该图像的不变性是由图像的最小生成元决定的,通过最小生成元的基本元素,就可以生成复杂的图像。
5.根据权利要求2所述的连续图像序列中隐含信息深度学习方法,其特征在于:所述图像序列隐含信息深度特征维数的纤维丛子范畴是微分几何对象的整体与局部性质之间的关系,纤维丛理论所特有的联系和处理不同几何空间和不同空间几何量的方法,得出图像序列的全局与局部关系数学关系。
6.根据权利要求2所述的连续图像序列中隐含信息深度学习方法,其特征在于:所述图像序列隐含信息深度特征拓扑结构的张量子范畴是对于已知复杂的扩散张量数据场,基于三维数据空间中每一个体素数据为一个对称正定的二阶张量;张量场分析方法还基于局部结构张量的图像结构分析和电磁学上材料的压力和应力分析在获取张量场的过程中进行一些规则化或过滤处理以减少噪音。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏州女娲机器人有限公司,未经苏州女娲机器人有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810838463.3/1.html,转载请声明来源钻瓜专利网。