[发明专利]基于流形深度学习和极限学习机的图像集分类系统及方法在审
| 申请号： | 201811503359.5 | 申请日： | 2018-12-10 |
| 公开（公告）号： | CN109615005A | 公开（公告）日： | 2019-04-12 |
| 发明（设计）人： | 雷方元;戴青云;蔡君;赵慧民;刘勋 | 申请（专利权）人： | 广东技术师范学院 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 北京科亿知识产权代理事务所(普通合伙) 11350 | 代理人： | 肖平安 |
| 地址： | 510665 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 格拉斯曼流形 流形 极限学习机 分类系统 投影层 图像集 转换层 映射 池化 低维 正交 矩阵 矩阵形成 目标对象 欧氏空间 实时在线 输入图像 数据特征 网络结构 线性映射 正交矩阵 子集表示 输出层 拟合 学习 测试 输出 融合 转换 | ||
1.基于流形深度学习和极限学习机的图像集分类系统，其特征在于：主要依次包括将输入图像中的同一目标对象的多视图子集表示为格拉斯曼流形中的一个点的流形层，通过线性映射将流形层中输入的格拉斯曼正交矩阵处理成新的低维矩阵的转换层，正交层，将流形的非欧氏空间中的格拉斯曼流形映射到欧氏空间的投影层，用于融合不同训练分支数据的池化层，用于加快网络训练并避免梯度下降迭代训练的ELM层，以及用于把训练结果输出的输出层；所述池化层还用于融合来自不同训练分支的数据，同时还用于降低格拉斯曼数据特征映射的复杂性并控制训练的过拟合。
2.根据权利要求1所述的基于流形深度学习和极限学习机的图像集分类系统，其特征在于：所述池化层采用均值函数来降低格拉斯曼数据特征映射的复杂性，以及融合来自不同训练分支的数据。
3.基于流形深度学习和极限学习机的图像集分类方法，其特征在于，主要包括以下步骤：
第一，通过流形层将输入图像中的同一目标对象的多视图子集表示为格拉斯曼流形中的一个点；
第二，通过转换层将流形层中输入的格拉斯曼正交矩阵进行降维处理，得到新的低维矩阵；
第三，通过正交层将转换层得到的低维矩阵进行正交化处理，得到格拉斯曼流形；
第四，通过投影层将正交层得到的非欧氏空间中的格拉斯曼流形映射到欧氏空间，以为后续在欧氏空间中进行分类任务得以实施；
第五，通过池化层将不同训练分支的数据进行融合，以降低格拉斯曼数据特征映射的复杂性，同时防止网络训练的参数过拟合；
第六，通过ELM层避免梯度下降迭代训练；
最后，通过输出层把训练的结果进行输出。
4.根据权利要求3所述的基于流形深度学习和极限学习机的图像集分类方法，其特征在于：所述第一步通过流形层将输入图像中的同一目标对象的多视图子集表示为格拉斯曼流形中的一个点的过程是采用SVD分解多视图图像集矩阵来实现的。
5.根据权利要求3所述的基于流形深度学习和极限学习机的图像集分类方法，其特征在于：所述第三步中是采用QR分解来将低维矩阵进行正交化处理的。
6.根据权利要求3所述的基于流形深度学习和极限学习机的图像集分类方法，其特征在于：所述第七步中输出结果为多分类输出。
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广东技术师范学院，未经广东技术师范学院许可，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/201811503359.5/1.html，转载请声明来源钻瓜专利网。
