[发明专利]图数据识别方法、装置、计算机设备和存储介质

权利要求书

1.一种图数据识别方法，其特征在于，所述方法包括：

获取输入已训练的卷积神经网络的当前卷积层的输入特征图，所述输入特征图为根据图数据生成的特征图；

获取所述当前卷积层的第一偏置矩阵，其中所述第一偏置矩阵为生成所述已训练的卷积神经网络时生成的矩阵；

根据所述输入特征图生成第二偏置矩阵；

获取参考邻接矩阵，计算所述参考邻接矩阵、所述第一偏置矩阵和所述第二偏置矩阵的和，得到目标邻接矩阵；

获取所述当前卷积层的卷积核；

根据所述当前卷积层的卷积核、所述目标邻接矩阵和所述输入特征图生成目标输出特征图；

根据所述目标输出特征图，识别出所述图数据对应的识别结果。

2.根据权利要求1所时述的方法，其特征在于，所述根据所述输入特征图生成的第二偏置矩阵，包括：

采用所述已训练的卷积神经网络中的降维函数对所述输入特征图进行降维，得到降维矩阵；

归一化所述降维矩阵，得到归一化矩阵，所述归一化矩阵为所述第二偏置矩阵。

3.根据权利要求2所述的方法，其特征在于，所述降维函数包括两个，所述输入特征图至少包括三个维度，其中，第一维度为通道数，所述方法包括：

根据所述降维函数中的第一降维函数对所述输入特征图的各个通道的矩阵进行降维，得到各个通道的第一降维矩阵；

根据所述降维函数中的第二降维函数对所述输入特征图的各个通道的矩阵进行降维，得到各个所述通道的第二降维矩阵；

计算各个通道的所述第一降维矩阵和第二降维矩阵的乘积，得到各个通道的第一乘积矩阵；

归一化各个通道的第一乘积矩阵，得到所述归一化矩阵对应的通道的矩阵。

4.根据权利要求1所述的方法，其特征在于，生成所述已训练的卷积神经网络的步骤，包括：

获取包含多个训练图数据的训练集合，所述训练图数据携带标签信息；

将所述训练图数据和所述标签信息输入初始卷积神经网络，通过所述初始卷积神经网络提取各个所述训练图数据的特征；

根据各个所述训练图数据的特征，识别出各个所述训练图数据对应的识别结果；

按照预设损失函数计算各个所述训练图数据的识别结果和所述标签的损失值；

当所述损失值小于或等于预设损失值时，得到所述已训练的卷积神经网络。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当所述损失值大于所述预设损失值时，根据所述损失值通过梯度回传算法更新所述初始卷积神经网络的网络参数；

采用更新了网络参数的初始卷积神经网络作为所述初始卷积神经网络，进入将所述训练图数据和所述标签信息输入初始卷积神经网络，直至所述按照预设损失函数计算各个所述训练图数据的识别结果和所述标签的损失值，小于或等于所述预设损失值时，得到所述已训练的卷积神经网络。

6.根据权利要求5所述的方法，其特征在于，所述初始卷积神经网络模型包括至少一个卷积层，所述卷积层中包括初始偏置矩阵和初始降维函数，所述根据所述损失值通过梯度回传算法更新所述初始卷积神经网络的网络参数，包括：

通过所述梯度回传算法将所述损失值回传到任意一个所述卷积层时，得到各个所述卷积层的回传值；

根据各个所述卷积层的回传值更新所述卷积层的网络参数，所述网络参数包括初始降维函数的参数和所述初始偏置矩阵的参数。