一种基于人工神经网络的空间信息学习方法技术
A method of spatial information learning based on artificial neural network
The invention relates to a spatial information learning method based on an artificial neural network, which belongs to the field of deep learning technology. Including: the use of traditional neural network is an abstract expression of the input image, feature extraction by F feature vector in the traditional neural network in high-rise building; F filter to enhance the data mapping operation LF of LF significantly; through the convolution neural network to convolution operation to feature more abstract expression of X; GAP the dimension of the characteristic points are X* on X; on X* by the formula D = X
【技术实现步骤摘要】
一种基于人工神经网络的空间信息学习方法
本专利技术涉及一种一种基于人工神经网络的空间信息学习方法，是一种采用神经网络提取不变性特征的方法，特别涉及采用深层卷积神经网络提取空间信息的方法，属于深度学习
技术介绍
卷积神经网络(CNN)作为一个现阶段最优秀的特征提取器之一，其表现力不仅已经在计算机视觉领域大放光彩，而且卷积核的局部感知原理已经让NLP、围棋博弈(AlphaGo)等非视觉领域有了进步。为了提取到更具有表现力的特征，更多的研究者致力于研究如何设计一个高效的卷积神经网络架构。例如，Alexnet—它是卷积神经网络近期第一次飞跃式的结果提升，VGG、Inception—用较少的参数可以让网络达到更深，残差网络—通过残差单元中的恒等映射来降低信号在每一层之间的传播误差，从而降低训练集的错误率使得我们在理论上可以训练非常深的模型。有了这些具有表现力的特征提取架构，才能使得具体的视觉任务得到根本性的提高。传统的神经网络激活缺乏全局几何不变性。(GongY,WangL,GuoR,etal.Multi-scaleOrderlessPoolingofDeepCo...
【技术保护点】
一种基于人工神经网络的空间信息学习方法，其特征在于：包括以下步骤：步骤一、利用传统神经网络对输入图片进行抽象表达，在传统神经网络的中高层提取特征图得到特征向量F；步骤二，对F通过下式进行滤波映射操作得到结构特征矩阵LF以增强数据显著性：LF＝conv(F，Filter)；其中，Filter表示卷积滤波选用的核函数，conv表示滤波映射操作采用的是卷积形式；步骤三，对LF通过卷积神经网络进行卷积操作以得到更加抽象的特征表达X；步骤四，由于计算能力的限制，步骤三计算产生的特征表达X无法在步骤五中计算相关矩阵，因此对抽象特征表达X进行GAP降维处理得到特征点X*；步骤五、对X*通...
【技术特征摘要】
1.一种基于人工神经网络的空间信息学习方法，其特征在于：包括以下步骤：步骤一、利用传统神经网络对输入图片进行抽象表达，在传统神经网络的中高层提取特征图得到特征向量F；步骤二，对F通过下式进行滤波映射操作得到结构特征矩阵LF以增强数据显著性：LF＝conv(F，Filter)；其中，Filter表示卷积滤波选用的核函数，conv表示滤波映射操作采用的是卷积形式；步骤三，对LF通过卷积神经网络进行卷积操作以得到更加抽象的特征表达X；步骤四，由于计算能力的限制，步骤三计算产生的特征表达X无法在步骤五中计算相关矩阵，因此对抽象特征表达X进行GAP降维处理得到特征点X*；步骤五、对X*通过如下公式进行相关性分析得到相关矩阵D＝X*×X*T；步骤六、对D通过如下公式进行投影操作，得到结构特征向量CD：CD＝D...
【专利技术属性】
技术研发人员：陈宇峰，张铂，吴丹，霍盼盼，陶泽綦，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。