基于群卷积特征拓扑空间的深度学习网络及其训练方法技术

本发明专利技术公开了一种基于群卷积特征拓扑空间的深度学习网络，包括卷积特征提取层、群卷积拓扑层和深度特征识别层；卷积特征提取层用于提取样本数据的多通道CNN卷积特征，将提取结果作为群卷积拓扑层的输入；群卷积拓扑层用于结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L，将拉普拉斯矩阵L作为深度特征识别层的输入；深度特征识别层用于根据输入的拉普拉斯矩阵L，输出样本数据对应的群卷积特征拓扑空间图特征。本发明专利技术能够赋予不同通道下CNN特征的图拓扑空间规则，从而加快传统CNN训练与收敛速度。

【技术实现步骤摘要】
基于群卷积特征拓扑空间的深度学习网络及其训练方法
本专利技术涉及人工智能
，具体而言涉及一种基于群卷积特征拓扑空间的深度学习网络及其训练方法。
技术介绍
卷积神经网络(ConvolutionNeuralNetwork，CNN)是深度学习的代表算法之一，包含卷积计算且具有深度结构的神经网络。如今大部分图像识别方法利用CNN自动提取图像特征，从而实现从经验驱动的人造特征范式到数据驱动的表示学习范式转变。然而CNN也有着以下缺点：(1)训练需要大量样本，且训练速度很慢；(2)卷积核仅提取局部特征，最终用于识别的特征是局部特征的聚合，某种程度缺乏全局的空间特征。数据实际上可以被看作是图，将数据表示成图可以提供很大的灵活性，并能在处理问题的时候提供截然不同的视角。用图拓扑对数据关系进行建模，图节点表示数据实体，图边表示实体间的关系，众多节点和边构成的图即可对数据进行完善清晰的描述。然而传统的图分析方法难以实现与计算机视觉领域相当的应用水平和模型性能，而现有的机器学习算法又不能直接应用于图数据中。图神经网络(GraphNeuralNetwor本文档来自技高网...

【技术保护点】
1.一种基于群卷积特征拓扑空间的深度学习网络，其特征在于，所述深度学习网络包括依次连接的卷积特征提取层、群卷积拓扑层和深度特征识别层；/n所述卷积特征提取层包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层，用于提取样本数据的多通道CNN卷积特征，将提取结果作为群卷积拓扑层的输入；/n所述群卷积拓扑层包括依次连接的群卷积特征层、图网络输入层、图神经网络隐藏层和图网络输出层，用于结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L，将拉普拉斯矩阵L作为深度特征识别层的...

【技术特征摘要】
1.一种基于群卷积特征拓扑空间的深度学习网络，其特征在于，所述深度学习网络包括依次连接的卷积特征提取层、群卷积拓扑层和深度特征识别层；
所述卷积特征提取层包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层，用于提取样本数据的多通道CNN卷积特征，将提取结果作为群卷积拓扑层的输入；
所述群卷积拓扑层包括依次连接的群卷积特征层、图网络输入层、图神经网络隐藏层和图网络输出层，用于结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L，将拉普拉斯矩阵L作为深度特征识别层的输入；
所述深度特征识别层包括依次连接的拉平层、全连接层、全连接输出层和Softmax层，用于根据输入的拉普拉斯矩阵L，输出样本数据对应的群卷积特征拓扑空间图特征。


2.一种基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，所述基于群卷积特征拓扑空间的深度学习网络采用权利要求1所述深度学习网络；
所述训练方法包括：
S1，根据输入的样本数据提取多通道CNN卷积特征；
S2，结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L；
S3，将生成的拉普拉斯矩阵L送入GNN隐层网络，输出群卷积特征拓扑空间图特征。


3.根据权利要求2所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，步骤S1中，根据样本数据的数据特征，选择性利用迁移学习算法对卷积特征提取层进行处理。


4.根据权利要求3所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，所述根据样本数据的数据特征，选择性利用迁移学习算法对卷积特征提取层进行处理是指：
对样本数据的数据量和相似度进行分析：
1)当样本数据的数据量小于数...

【专利技术属性】
技术研发人员：钱夔，田磊，刘义亭，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32