[發明專利]一種基于K-NN圖模塊度的模型剪枝識別方法及系統

在審

• 申請號: 202111571284.6
• 申請日: 2021-12-21
• 公開（公告）號: CN114266922A
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 宣琦;陳依萍;楊文
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種基于K-NN圖模塊度的模型剪枝識別方法，其特征在于，包括以下步驟：

S1：模型獲取：將集中獲得的生物樣本圖輸入優化模型獲取預訓練模型；

S2：構建K-NN(K-Nearest Neighbor)：提取模型特征表示，測量特征值之間距離，得到一系列K-NN圖；

S3：動態圖模塊度計算：將不同時間間隔的K-NN靜態圖視為特殊動態圖，根據K-NN真值標簽劃定社區，計算每個K-NN圖的模塊度；

S4：冗余層識別剪枝：繪制動態圖的模塊度曲線，確定剪枝的范圍，定位修剪層數，進行剪枝處理；

S5：重復訓練：重復進行上述步驟，獲得最終的模型剪枝結果；

S6：生物分類：將待分類生物圖輸入上述剪枝后分類器模型，輸出分類結果。

2.如權利要求1所述的一種基于K-NN圖模塊度的模型剪枝識別方法，其特征在于：所述步驟S1具體包括：

S1.1：將一系列生物圖像作為待分類對象，作為圖分類的輸入樣本；

S1.2：利用隨機梯度下降法作為優化模型，設計模型參數為初始學習率為0.01，批量大小為256，權重衰減0.0005，動量0.9，設置數據集分類數為3，設置樣本數目為500；

S1.3：將獲得的集中樣本輸入上述優化模型獲取預訓練模型VGGs(Visual GraphicsGenerator)和ResNets(Residual Networks)。

3.如權利要求1所述的一種基于K-NN圖模塊度的模型剪枝識別方法，其特征在于：所述步驟S2具體包括：

S2.1:將獲取的樣本輸入參數固定的優化DNN(Deep Neural Networks，深度神經網絡)中，神經網絡的特征表示：

其中L為層數，C_i為第i層的通道數，W_i和H_i分別為第i層特征映射的寬度和高度，利用映射函數降維：

其中M_i＝C_i×W_i×H_I,獲得一組特征表示F＝{F₁，F₂，…，F_L}；

S2.2：測量不同特征之間的余弦距離，利用了兩個矢量之間的角度來度量相似度，相似矩陣：

其中和分別表示為樣本j和k在第i層的特征表示向量，||·||₂表示為2范數，為每個節點設置邊和相應權重，得到鄰接矩陣A_i，利用公式將鄰接矩陣A_i變為對稱鄰接矩陣

S2.3：基于特征表示F_i以及第i層K-NN圖的對稱鄰接矩陣構造一系列K-NN圖

4.如權利要求1所述的一種基于K-NN圖模塊度的模型剪枝識別方法，其特征在于：所述步驟S3具體包括：

S3.1：通過步驟S2得到一系列K-NN圖{G¹，G²，…，Gⁱ}，將相互關聯的一系列K-NN圖視為一種特殊的動態圖DG，即{G¹，G²，…，Gⁱ}＝DG，i＝1，…，L，其中L為層數；

S3.2：根據真值標簽將樣本劃分為k個真值社區，k為分類數，利用模塊度公式計算每個K-NN圖的模塊度，公式如下：

其中a_ij為節點i和節點j之間的邊的權重，W為標準化因子，W＝∑_i∑_ja_ij是所有節點之間邊的權重之和，s_i＝∑_ja_ij和s_j＝∑_ia_ij分別為節點i和j的強度，c_i和c_j分別表示為節點i和j所屬的社區，如果節點i和節點j在同一個社區中，δ(c_i，c_j)表示為1，否則為0。