[發明專利]一種針對圖像識別的最小二乘支持三階張量機建模方法

有效

• 申請號: 202010013260.8
• 申請日: 2020-01-07
• 公開（公告）號: CN111242200B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 孫濤;孫希明
• 申請（專利權）人: 大連理工大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06F17/11
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

本發明屬于人工智能中的圖像識別技術領域，提供一種針對圖像識別的最小二乘支持三階張量機建模方法，首先在圖片預處理的三階張量數據結構下建立原始的最小二乘支持三階張量機模型；其次通過利用拉格朗日乘子方法與張量?Tucker分解方法獲得具有Tucker分解形式的線性方程組；最后通過求解該線性方程組并獲得具有Tucker分解形式的最小二乘支持三階張量機識別模型。Tucker分解形式的最小二乘支持三階張量機識別模型充分考慮了圖像數據內部的自然空間關系。一方面避免了圖像數據本身在向量化訓練的過程中可能遇到的維度災難和誤差龐大等問題。另一方面保留了圖像數據的大部分核心信息，并能夠精準識別出未知標記的圖像數據。

技術領域

本發明屬于人工智能中的圖像識別技術領域，具體是針對兩種不同的圖像數據來設計一種最小二乘支持三階張量機的智能識別模型。

背景技術

圖像作為生活中最為常用的信息載體，其重要性與日俱增。另外，圖像處理中最基本的處理方式之一是圖像識別技術。圖像識別是使機器代替人類的思維對圖像加以理解并能夠正確識別不同的圖像。解決這個識別問題的主要思想是針對采集獲得的圖像數據來訓練出一種機器識別模型，從而根據這個識別模型來智能的識別出不同畫面的圖像以減輕人工識別的負擔。目前，圖像識別技術的方法主要有以下幾種：

(1)基于深度學習的人工智能方法。

該方法主要是來源于對人工神經網絡的研究。深度學習方法是通過將圖像的低層次特征進行組合形成高層次的表示以發現圖像數據中的分布式特征。深度學習方法強調網絡模型結構的深度，并且突出強調特征學習的重要性，即通過逐層特征變換，將原樣本空間的特征表示變換到另一個新的特征空間，從而更加容易的進行圖像識別。然而，這種深度學習方法過于復雜，它在訓練和識別時對機器的性能要求都非常高，通常需要使用高性能的處理器來進行并行計算，這就導致了在實際領域中很難應用深度學習方法來識別所考慮的圖像問題，因為實際領域中只擁有非常有限的存儲資源和計算能力。

(2)基于最小二乘支持向量機的人工智能方法。

該方法是一種基于統計學習中結構風險最小化理論的淺層模型。它在解決圖像數據等小樣本學習任務時通常具有較優秀的表現。但是，最小二乘支持向量機是把圖像數據集作為一種向量模式來處理的，這樣就破環了原始圖像中某些自然的空間耦合關系，因為圖像數據本質上是屬于一種類似三維空間的張量結構，而向量只是一種特殊的一階張量。因此，如果用最小二乘支持向量機來訓練圖像數據并設計識別模型必然會產生數值誤差。

綜合以上論述，本發明設計的最小二乘支持三階張量機是一種能夠精確識別有三階張量圖像數據結構的模型。

發明內容

本發明針對最小二乘支持向量機模型在圖像識別領域中所帶來的局限性問題，提出了一種最小二乘支持三階張量機識別模型，并獲得了更出色的識別精確度。由于圖像識別技術在實際生活中最為常見，并且圖像所生成的數據形式具有很強的多模態特征。因此，如何更好的精確識別出具有多維特征的圖像數據一直是一個挑戰性的難題。

本發明的技術方案：

一種針對圖像識別的最小二乘支持三階張量機建模方法，首先，在圖片預處理的三階張量數據結構下建立原始的最小二乘支持三階張量機模型；其次，通過利用拉格朗日乘子方法與張量-Tucker分解方法獲得具有Tucker分解形式的線性方程組；最后，通過求解該線性方程組并獲得具有Tucker分解形式的最小二乘支持三階張量機識別模型；

具體步驟如下：

步驟1：基于最小二乘支持向量機的思想以及預處理獲得的三階張量圖片數據集，設計一個具有三階張量形式的原始最小二乘支持三階張量優化模型；即原始最小二乘支持三階張量機如下：

1-y_i(W,X_i+b)＝e_i,i＝1,2,…,d. (1)