[发明专利]一种用基于张量的卷积网络提取高维特征的方法

摘要

本发明涉及一种用基于张量的卷积网络提取高维特征的方法，可应用于多维信号的分类识别场景中。模型核心部分是分离－融合模块，而分离－融合模块则由可分离卷积组件和特征融合组件构成，其中，可分离卷积组件主要由多个可分离卷积层组成，特征融合组件主要由一个多维卷积核组成。那么，整个基于张量的N维卷积模型由多个N维分离－融合模块、池化层和全连接层组成，最后一个最大池化层输出的一组N阶张量通过向量化的操作转成一个向量输入到全连接层中，最终输出一个识别分类的概率向量。本发明所提的网络模型不仅和现有的优秀模型在识别精度上性能相当，并且模型的参数量比它们少很多。

主权项

一种用基于张量的卷积网络提取高维特征的方法，其特征在于：建立基于张量的卷积网络：卷积网络核心部分是分离－融合模块，而分离－融合模块则由可分离卷积组件和特征融合组件构成，其中，可分离卷积组件包括多个可分离卷积层组成，特征融合组件包括一个多维卷积核；整个基于张量的N维卷积模型由多个N维分离－融合模块、池化层和全连接层组成；首先卷积层参数初始化，当输入N维信号时，在经过每个分离－融合模块时，N维信号先按张量展开操作展开成N组二维矩阵，每组二维矩阵输入到一个可分离卷积层中，各自执行一系列的一维卷积操作，将所得到的每组二维特征矩阵通过张量折叠操作折叠成一组N阶特征张量，那么每个可分离卷积层输出一组N阶特征张量，每个分离模块就输出N组N阶特征张量，这些N阶张量按照通道数级联起来，输入到融合模块中，经过一个N维的且每个维度的大小为1的卷积核做卷积运算，最终这个分离－融合模块输出一组N阶张量，接着将它们输入到每个维度感受野为2的N维最大池化层中进行下采样，输出一组每个维度大小减半的N阶张量，接着这组N阶张量作为新的N维信号输入到下一个分离－融合模块和最大池化层中，经过若干个这样的操作之后，操作次数与网络模型中所设置的分离－融合模块的个数相同；最后一个最大池化层输出的一组N阶张量通过向量化的操作转成一个向量输入到全连接层中，最终输出一个识别分类的概率向量。