一种基于深度神经网络的扩展LargeVis图像特征降维方法技术

一种基于深度神经网络的扩展LargeVis图像特征降维方法属于图像处理领域。现有Largevis降维方法是利用数据间的距离关系而进行降维操作过程，因此无法实现对单一的高维数据进行降维。该方法利用深度神经网络对LargeVis隐式的高维数据到低维数据的映射关系进行建模，构建出映射函数f，使得LargeVis算法能够实现对单一高维数据的降维，同时能够取得更优良的降维性能。得更优良的降维性能。得更优良的降维性能。

【技术实现步骤摘要】
一种基于深度神经网络的扩展LargeVis图像特征降维方法


[0001]本专利技术属于图像处理领域，具体涉及数据降维、深度神经网络等技术。

技术介绍

[0002]随着计算机处理和图采集技术的不断进步，各类数字图像的数据量在近年来呈指数型增长，图像质量也有了极大得提升。在对图像进行处理的过程中，由于图像数据本身具有海量性和内容复杂性，导致提取出的图像特征维度往往过高。若直接将这些高维度特征应用于分类、识别等任务中，会导致“维度灾难”。此时，可以利用降维技术来克服这一问题。
[0003]降维的本质是学习一个映射函数f:x
‑
>y，其中x是原始高维数据，y是映射后的低维数据，通常y的维度小于x的维度。f可能是显式的或隐式的、线性的或非线性的。按照使用的映射函数f，可以将降维方法分为线性降维与非线性降维两大类。其中，线性降维根据初始样本集构造出线性映射函数f，将高维数据映射至低维空间上。这类降维方法是将所有特征作为一个整体去处理，更关注数据的全局特征结构；而非线性降维是根据初始样本集构造出非线性映射函数f，可以实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的扩展LargeVis图像特征降维方法，其特征在于包括以下步骤：步骤1：训练数据集的构建采用深度神经网络来拟合Largevis高维数据到低维数据的映射函数f；首先采用Largevis算法对待处理的大规模高维数据进行降维，得到相应的低维数据；将高维数据与低维数据相对应，构建出训练数据集；步骤2：深度神经网络的设计步骤2.1深度神经网络整体架构；采用的深度神经网络是由多个全连接层组成；全连接层的前向计算过程为一个线性的加权求和过程，全连接层的每一个输出y
m
都可看成前一层的每一个结点x
n
乘以一个权重系数W
mn
，最后加上一个偏置值b
m
得到，具体计算公式如下：y1＝W
11
*x1+W
12
*x2+
…
+W
1n
‑1*x
n
‑1+W
1n
*x
n
+b1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)y2＝W
21
*x1+W
22
*x2+
…
+W
2n
‑1*x
n
‑1+W
2n
*x
n
+b2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
……
y
m
‑1＝W
m
‑
11
*x1+W
m
‑
12
*x2+
…
+W
m
‑
1n
‑1*x
n
‑1+W
m
‑
1n
*x
n
+b
m
‑1ꢀꢀꢀꢀ
(3)y
m

【专利技术属性】
技术研发人员：卓力，刘斌，张菁，李嘉锋，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：