基于自适应特征视图融合的图像深度表征方法技术

本发明专利技术公开了一种基于自适应特征视图融合的图像深度表征方法，首先利用多级编码器提取特征视图；之后利用拉格朗日优化法和KKT条件，提出了一个自适应特征视图权重框架，引了非线性逆权重，强化关键视图，同时保留了重要性不高但仍然相关的视图；最后提出一个基于结构化深度图的自适应特征视图融合算法，将最初提取到的特征视图用于融合算法后，生成的统一稀疏深度图对于不同类别的区分更加显著。本发明专利技术能够解决对卷积神经网络对低层特征利用不充分、传统方法在特征融合时只关注减少不重要特征视图的权重以及很少通过不同的特征视图自适应地建立内部结构和潜在联系的问题，同时本发明专利技术结果可用于聚类分析和深度图构造等数据分析任务。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及一种基于自适应特征视图融合的图像深度表征方法。

技术介绍

1、卷积神经网络(cnn)是人工智能领域中的代表算法之一，cnn具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。传统cnn专注于加深网络以提高性能，然而，仅获取深度表征可能会导致低层特征的丢失，如全局和边缘信息，这些对一些特定任务至关重要。实现特征的有效提取、融合以及表征数据中的关键信息对提高模型性能具有重要意义。充分利用深度网络中的低层特征是一种常用方法，许多研究关注于更好地提取低层表示中的有效信息，文献“d.haase,m.amthor,rethinking depthwise separableconvolutions:how intra-kernel correlations lead to improved mobilenets,in:proceedings of the ieee/cvf conference on computer vision and patternrecognition,2020,pp.14600–14609.”和“z.本文档来自技高网...

【技术保护点】

1.一种基于自适应特征视图融合的图像深度表征方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于自适应特征视图融合的图像深度表征方法，其特征在于，所述编码器包括开始块1、残差块2、残差块3、残差块4、残差块5和全连接层6；

3.根据权利要求1所述的一种基于自适应特征视图融合的图像深度表征方法，其特征在于，所述步骤1中通过对比学习策略进行训练的过程如下：

【技术特征摘要】

1.一种基于自适应特征视图融合的图像深度表征方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于自适应特征视图融合的图像深度表征方法，其特征在于，所述编码器包括开始块1、...

【专利技术属性】
技术研发人员：李学龙，张睿，程月龙，周诗谧，翟佳驰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：