[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法

有效

• 申請?zhí)枺?/td>: 201811219939.1
• 申請日: 2018-10-19
• 公開（公告）號: CN109447140B
• 公開（公告）日: 2021-10-12
• 發(fā)明（設(shè)計）人: 蔡廣宇;陳廣
• 申請（專利權(quán)）人: 廣州四十五度科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法，其特征在于，包括以下步驟：(ⅰ)廿層神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練提取：

使用多類別圖像數(shù)據(jù)庫中的帶分類標(biāo)簽圖像輸入到廿層卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行監(jiān)督學(xué)習(xí)，獲取逐層的代表性特征，并于第二十層輸出層取得預(yù)測結(jié)果和全局損失函數(shù)值，下稱前向傳播；

通過softmax回歸收斂分類計算損失函數(shù)關(guān)于權(quán)重和偏置參數(shù)矩陣數(shù)集的偏導(dǎo)數(shù)，并對這些權(quán)重和偏置參數(shù)進(jìn)行梯度下降優(yōu)化，這個梯度下降優(yōu)化過程，以下稱為反向傳播；

用梯度下降優(yōu)化后更新了的權(quán)重和偏置參數(shù)矩陣數(shù)集進(jìn)行新一輪的前向傳播計算，來回不停地進(jìn)行前向傳播和反向傳播，來訓(xùn)練更新權(quán)重和偏置參數(shù)矩陣數(shù)集使損失函數(shù)越來越小，使預(yù)測越來越精準(zhǔn)，達(dá)到提高圖像識別精度的效果；

直到找到全局損失函數(shù)的最優(yōu)值，根據(jù)整個訓(xùn)練集的監(jiān)督學(xué)習(xí)所得的訓(xùn)練精度，而提取合適的廿層神經(jīng)網(wǎng)絡(luò)模型；

(ⅱ)輸入無標(biāo)簽圖像到廿層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行深度學(xué)習(xí)聚類，提取圖像代表性特征，分類圖片，輸出圖像識別分類結(jié)果；

(ⅲ)圖像識別的分類輸出結(jié)果，結(jié)合對圖像輸入者個性化特征，如位置、時間、拍攝習(xí)慣、年齡、性別等事前采集的數(shù)據(jù)庫，采用決策樹算法進(jìn)行分析并得出圖像輸入者的興趣概率；

(ⅳ)調(diào)取自建的百科知識、教育題材、教學(xué)課程、問答試題、游戲、影音等素材的云數(shù)據(jù)庫，根據(jù)圖像識別分類結(jié)果和興趣概率，采用基于素材云數(shù)據(jù)庫內(nèi)容的機(jī)器學(xué)習(xí)模型協(xié)同過濾進(jìn)行計算預(yù)測的推薦系統(tǒng)算法，計算得出預(yù)測結(jié)果推送給圖像輸入者，以使該圖像輸入者對圖像相關(guān)知識進(jìn)行認(rèn)知學(xué)習(xí)；

針對所提取的廿層神經(jīng)網(wǎng)絡(luò)模型可有效識別的物體分類，建立相關(guān)分類物體知識的內(nèi)容素材云數(shù)據(jù)庫；

機(jī)器學(xué)習(xí)模型利用不同圖像輸入者錄入的相近圖像、分類模型產(chǎn)生的興趣概率、內(nèi)容標(biāo)簽等特征參數(shù)通過協(xié)同過濾規(guī)則，篩選云數(shù)據(jù)庫的內(nèi)容素材，把相近特征的內(nèi)容做初步選擇；將上述的位置、時間、代表物體分類的值、年齡、內(nèi)容標(biāo)簽等個性化特征進(jìn)行向量化，利用LSTM的長短期記憶效應(yīng)搭建分布式模型；并加入圖像輸入者的年齡、知識內(nèi)容偏好參數(shù)及偏置參數(shù)來進(jìn)行推薦的去噪音編碼處理；

模型不斷進(jìn)行在線學(xué)習(xí)以及增量學(xué)習(xí)，不斷優(yōu)化提高推薦系統(tǒng)的效果及推薦效率；

依據(jù)推薦系統(tǒng)算法計算得出的預(yù)測結(jié)果，將圖像輸入者可能有興趣的知識素材推送關(guān)聯(lián)鏈接，讓圖像輸入者從關(guān)聯(lián)鏈接中選擇相關(guān)素材進(jìn)行學(xué)習(xí)。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法，其特征在于，所述的廿層神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練提取，包括：

建構(gòu)的廿層卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、十九層隱藏層、輸出層，輸入層圖像數(shù)據(jù)輸入，在十九層隱藏層經(jīng)過自上而下的監(jiān)督學(xué)習(xí)，圖像經(jīng)過卷積、池化、邊緣填充、激活等處理提取圖像特征，最后進(jìn)行收斂分類并輸出結(jié)果；

隱藏層中每一層的輸出，均通過邏輯回歸下的梯度下降求解最優(yōu)值，對每一層的參數(shù)進(jìn)行微調(diào)，提高特征提取精度。

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法，其特征在于，所述的帶分類標(biāo)簽圖像和無標(biāo)簽圖像，均為使用數(shù)碼攝影設(shè)備靜態(tài)采集的圖片。

4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法，其特征在于，所述的興趣概率分析為通過構(gòu)建興趣分析的淺層神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)。

5.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法，其特征在于，所述的推薦系統(tǒng)的機(jī)器學(xué)習(xí)模型為經(jīng)過去噪音編碼處理的神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的圖像識別并推薦認(rèn)知的方法，其特征在于，所述的帶分類標(biāo)簽圖像，其種類包括：動物、植物、文體用品、生活日用品、食品、貨幣、數(shù)碼家電、汽車品牌、手勢、交通標(biāo)志、世界名畫、樂器、國旗、知名旅游景點、數(shù)字、字母、兒童玩具、卡通人物、著名商標(biāo)；并且，前述種類會因廿層卷積神經(jīng)網(wǎng)絡(luò)模型對圖像數(shù)據(jù)庫訓(xùn)練集的增加分類進(jìn)行增量學(xué)習(xí)而得到擴(kuò)充。