[发明专利]一种基于张量分解的RNNPool网络目标识别方法

说明书

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。

技术领域

本发明属于机器学习技术领域，涉及一种基于张量分解的RNNPool网络目标识别方法。

背景技术

科学技术的持续发展大大改善了人类的生活质量，其从各个维度影响着人们的生活状态，使生活变得更加智能化与高效化。而伴随着这种趋势以及大数据、云计算、物联网等的发展，社会中的数据逐渐形成了融合多种维度信息的多维数据，比如视频数据、工业化数据以及高光谱数据等。这些数据通过多个角度对信息进行表示，可以更加精准地在空间、时间、物理等各个维度上反映出人们的历史轨迹。

而因为涉及到了人、机、物等多个空间维度，社会中的数据具有多维度以及大数据量的特征。所以针对其数据的特征，张量作为向量以及矩阵在高维度上的延展，可以从多维度上表达数据的多类属性，从而对数据进行表示。目前，张量已经被广泛应用于临床研究、工业数据处理、地形图数据解析等各种领域当中。相比而言，向量作为一阶数据只能从单个维度上表示数据的特征，矩阵可以从行、列两个维度来表示数据，张量作为其二者延伸形式，可以将每一阶都表示为数据的一种特征属性，从而对多维度数据进行更加清晰的表达。而对高阶张量数据进行张量分解可以有效地提取出张量每一阶上代表的数据特征，也可以将冗余的数据进行压缩以获得更高的工作效率。

同时由于计算能力的迅速提高，人工智能的应用也变得更加多样化。其中，目标识别问题是许多专家学者所关注的热点问题，其目的意在将大批量重复的图像以较高的精度实现分类以节省人力物力以及时间消耗。而目前针对此类问题，较为先进的技术是RNNPool网络模型，其针对普通卷积神经网络CNN需要大量运行内存，标准池化算子对特征图仅进行了粗略的聚合导致实验结果精度显著降低等问题进行了改进。但目前，RNNPool网络仍然存在着无法合理处理多属性多维度数据、各阶处理单一化以及网络中参数量过大的问题。

发明内容

针对现有技术中RNNPool网络存在的仅能处理二阶数据并且处理方式单一化以及参数量过大的问题，本发明提供了一种基于张量分解的RNNPool网络目标识别方法。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。

本发明采用的技术方案如下：

一种基于张量分解的RNNPool网络目标识别方法，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；