通过WordNet嵌入进行测试和更新的树形网络方法技术

通过WordNet嵌入进行测试和更新的树形网络方法，涉及图片智能分类。构建树形网络；预训练；基于SVM的动态剪枝，在测试过程中，可以动态剪枝特征映射的激活值过低的节点和节点的子树，因为若节点的激活值太低，则该节点表示的类的概率较低，因此后代节点的概率会较低并且可以忽略；每张特征图的激活值之和的具有较强的线性可分性，因此使用SVM在测试过程中进行模型的加速；基于分支的在线更新，使用检测到的图像作为训练样本，将预测概率高的样本回传给树形网络进行训练。

【技术实现步骤摘要】
通过WordNet嵌入进行测试和更新的树形网络方法
本专利技术涉及图片智能分类，尤其是涉及一种通过WordNet嵌入进行测试和更新的树形网络方法。
技术介绍
深卷积神经网络引发了多项计算机视觉任务的一系列突破，如图像分类[1-5]、目标检测[6-7]和语义分割[8-10]等。深度卷积神经网络带来了许多强大的优势：低维/中维/高维的特征整合[11]；端到端的训练方式和随着层数增加而增加的准确性。最近的许多工作都着重于堆叠网络深度，以获得更加出色的准确性，但却导致了越来越差的可解释性。虽然越来越深的网络获得了极好的评估指标，但它带来了更多的前向传播时间和更差的解释能力。另外，决策树拥有优秀的可解释性以及快速的测试速度，可用于广泛的应用领域，如诊断、认知科学、人工智能、博弈论、工程和数据挖掘。但由于它的模型空间较小，因此它在处理自然语言处理和计算机视觉的问题时，不像神经网络一样具有很强的泛化能力。参考文献：[1]Simonyan,K.,Zisserman,A.:Verydeepconvolutionalnetworksforlarge-scaleimagerecognition.Compu本文档来自技高网...

【技术保护点】
1.通过WordNet嵌入进行测试和更新的树形网络方法，其特征在于包括以下步骤：1)构建树形网络；2)预训练；3)基于SVM的动态剪枝，在测试过程中，可以动态剪枝特征映射的激活值过低的节点和节点的子树，因为若节点的激活值太低，则该节点表示的类的概率较低，因此后代节点的概率会较低并且可以忽略；每张特征图的激活值之和的具有较强的线性可分性，因此使用SVM在测试过程中进行模型的加速；4)基于分支的在线更新，使用检测到的图像作为训练样本，将预测概率高的样本回传给树形网络进行训练。

【技术特征摘要】
1.通过WordNet嵌入进行测试和更新的树形网络方法，其特征在于包括以下步骤：1)构建树形网络；2)预训练；3)基于SVM的动态剪枝，在测试过程中，可以动态剪枝特征映射的激活值过低的节点和节点的子树，因为若节点的激活值太低，则该节点表示的类的概率较低，因此后代节点的概率会较低并且可以忽略；每张特征图的激活值之和的具有较强的线性可分性，因此使用SVM在测试过程中进行模型的加速；4)基于分支的在线更新，使用检测到的图像作为训练样本，将预测概率高的样本回传给树形网络进行训练。2.如权利要求1所述通过WordNet嵌入进行测试和更新的树形网络方法，其特征在于在步骤1)中，构建树形网络的具体方法为：从英语词汇数据库中提取有关类之间语义关系和距离的信息，将带有先验知识的信息封装成一棵名为WordTree的树中，其中深层节点包含高维语义信息的类和更浅层节点包含低维语义信息的类；所述英语词汇数据库中，名词、动词、形容词和副词被分组成同组集合；裁剪所得到的WordTree：若一个节点只有一个孩子，则用它的后代节点替换它；因此，WordTree中的每个节点都包含...

【专利技术属性】
技术研发人员：张仲楠，曾鸣，朱展图，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35