一种基于感受野的特征选择的图像分类方法及系统技术方案

本发明专利技术涉及特征选择技术领域，具体为一种基于感受野的特征选择的图像分类方法及系统，包括以下步骤：获取数据；构建特征选择层；利用基于感受野的特征选择方法进行网络训练；利用训练得到的模型对验证集进行分类；有益效果为：本发明专利技术提出的基于感受野的特征选择的图像分类方法及系统，观测单个输入样本中特征的重要性分布，进而通过对样本全集的统计得到模型整体对每个特征的重要性评价；在模型的训练过程中进行特征筛选和优化，进一步减少了计算量和内存占用等问题。和内存占用等问题。和内存占用等问题。

【技术实现步骤摘要】
一种基于感受野的特征选择的图像分类方法及系统


[0001]本专利技术涉及特征选择
，具体为一种基于感受野的特征选择的图像分类方法及系统。

技术介绍

[0002]推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，应用推荐算法比较好的地方主要是网络。
[0003]现有技术中，由于推荐算法会考虑到诸多因素，将每种因素抽象为一种特征，那么推荐模型将会计算成千上万维的特征，而因素之间并非完全独立，当两种特征相互关联时，一种特征则可以用另一种特征进行表示。这也表明，特征是冗余的。大量的特征造成计算量增大，内存巨大占用等；解决模型特征冗余的方法有剪枝、量化等，这些方法都是在得到模型后对其进行特征选取，考虑在训练过程中，对特征进行筛选和训练，可以更好的优化模型参数。
[0004]但是，深度学习产生成千上万维的特征，高维度的特征带来计算耗时和内存占用大等问题，即使在GPU平台计算，也面临各种限制。

技术实现思路

[0005]本专利技术的目的在于提供一种基于感受野的特征选择的图像分类方法及系统，以解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于感受野的特征选择的图像分类方法，其特征在于：所述图像分类方法包括以下步骤：获取数据；构建特征选择层；利用基于感受野的特征选择方法进行网络训练；利用训练得到的模型对验证集进行分类。2.根据权利要求1所述的一种基于感受野的特征选择的图像分类方法，其特征在于：获取数据时，将数据划分为训练集和验证集。3.根据权利要求1所述的一种基于感受野的特征选择的图像分类方法，其特征在于：构建特征选择层时，在传统的神经网络模型中引入额外的一层特征选择层，将引入额外的一层特征选择层置于输入与第一层卷积之间，利用传统特征选择方法的值初始化权重，对输入特征进行缩放，增强或减弱部分特征对训练的影响，使网络更加关注有价值的信息。4.根据权利要求1所述的一种基于感受野的特征选择的图像分类方法，其特征在于：利用基于感受野的特征选择方法进行网络训练时，将输入抽象为特征，融合标签列，计算得到每个特征的权重，与当前特征相乘后正向传播，获得预测结果，与真实值计算loss后，反向传播，迭代训练。5.根据权利要求1所述的一种基于感受野的特征选择的图像分类方法，其特征在于：利用训练得到的模型对验证集进行分类时，取结果最优情况下各个特征的权重作为特征的重要性。6.一种如权利要求1
‑
5任意一项所述的基于感...

【专利技术属性】
技术研发人员：李雪，杨彤，段强，姜凯，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：