[发明专利]一种基于张量分解的RNNPool网络目标识别方法

权利要求书

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；

S21: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。

2.如权利要求1所述的一种基于张量分解的RNNPool网络目标识别方法，其特征在于，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列阶特征进行拼接得到该感受野的输出特征。

3.如权利要求1所述的一种基于张量分解的RNNPool网络目标识别方法，其特征在于，步骤S1中的通道阶特征提取及整合方式如下：

B1:针对辅助阶将感受野中四阶张量的行阶与列阶进行折叠处理，合并至一阶；

B2:将折叠处理后的张量或进行针对目标阶的折叠处理，然后经过隐藏层神经元数量为h_k的单向递归神经网络，得到通道阶特征张量或

B3:将通道阶特征与行阶特征和列阶特征拼接得到该感受野的输出特征。

4.如权利要求2或3所述的一种基于张量分解的RNNPool网络目标识别方法，其特征在于，递归神经网络采用改进的递归神经网络，所述改进的递归神经网络如下：

C1:将权重张量构建为张量链形式；

C2:设置张量链权重的乘法方式其中表示高阶张量形式的递归神经网络权重，为偏移量，表示N阶张量输入，I₁,I₂,…,I_n…,I_N分别表示张量第1阶到第N阶的维度；

C3:将该张量链权重的乘法方式应用于长短期记忆网络LSTM的权重张量，作为改进的递归神经网络；

C4:对长短期记忆网络LSTM中四个逻辑门的权重张量进行并行处理，提高运算效率。