1.本技术涉及人工智能技术领域，特别是涉及一种基于特征显著性的目标识别方法、装置和计算机设备。
背景技术：2.准确的目标识别，是移动机器人完成感知决策、规划控制等任务的重要保障，是移动机器人环境感知技术中的一项基础性研究工作。特征则是实现有效鲁棒的目标识别的前提基础。然而当前不管是特征工程方法还是特征学习方法，特别是当前主流的基于深度神经网络的特征学习方法，其所得到的特征仍然存在判别泛化能力不足的问题，即面对训练数据以外的数据，识别精度不稳定。当前主流方法大多依据先验知识或工程经验，对已有的主流深度神经网络结构进行改进，设计增加与具体任务相关的功能网络模块，以此希望得到更加具有表征能力的特征，从而提升目标识别性能。然而，在这一思路下，小幅度的识别性能的提高，往往以网络复杂度的显著提升为代价，相应的数据需求量、训练代价与模型计算时间将急剧增加，导致目标识别的实时性能降低。
技术实现要素：3.基于此，有必要针对上述技术问题，提供一种基于特征显著性的目标识别方法、装置和计算机设备，以便提高兼顾目标识别的精度和速度。
4.一种基于特征显著性的目标识别方法，所述方法包括：
5.获取待识别图像的卷积特征；
6.构建并训练极限学习稀疏自编码网络；所述极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；
7.根据训练好的所述极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征；
8.将所述显著特征输入预先训练好的识别模型得到目标识别结果。
9.在其中一个实施例中，训练极限学习稀疏自编码网络的过程，包括：
10.获取卷积特征训练集；
11.将所述卷积特征训练集输入所述极限学习稀疏自编码网络，以所述隐藏层的激活输出矩阵、所述输出层的输出权重矩阵以及输入的所述卷积特征训练集构建所述极限学习稀疏自编码网络的第一目标函数；
12.求解所述第一目标函数得到训练好的极限学习稀疏自编码网络。
13.在其中一个实施例中，以所述隐藏层的激活输出矩阵、所述输出层的输出权重矩阵以及输入的所述卷积特征训练集构建所述极限学习稀疏自编码网络的第一目标函数，包括：
14.以所述隐藏层的激活输出矩阵、所述输出层的输出权重矩阵以及输入的所述卷积
特征训练集构建所述极限学习稀疏自编码网络的第一目标函数为：
[0015][0016]
其中，β
*
表示目标函数最优时对应的最优输出权重矩阵，af表示隐藏层的激活输出矩阵，xf表示卷积特征训练集，β表示输出权重矩阵，表示计算l1范数。
[0017]
在其中一个实施例中，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征，包括：
[0018]
将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，根据所述最优输出权重矩阵得到所述卷积特征的显著性成分：
[0019][0020]
其中，表示卷积特征的显著性成分，x
cnn
表示卷积特征；
[0021]
融合所述显著性成分和所述卷积特征得到显著特征：
[0022][0023]
其中，x
fc
表示显著特征。
[0024]
在其中一个实施例中，在获取待识别图像的卷积特征之前，包括：
[0025]
获取图像训练样本集；
[0026]
将所述图像训练样本集输入预先构建的卷积神经网络；
[0027]
构建所述卷积神经网络的代价函数：
[0028][0029]
其中，为训练样本的标签预测损失项，f(xi)表示卷积特征提取网络相对于输入第i个训练样本xi所对应的网络输出，yi表示第i个训练样本所对应的类别标签，n表示图像训练样本集中所包含的样本个数，表示网络权重正则化项，λ为网络权重正则化项的比重参数，k为神经网络层数。
[0030]
优化所述代价函数得到训练好的卷积神经网络，将所述训练好的卷积神经网络中的全连接层移除，得到卷积特征提取主干网络。
[0031]
在其中一个实施例中，所述识别模型的训练过程包括：
[0032]
获取显著特征训练样本集；
[0033]
将所述显著特征训练样本集输入待训练的识别模型，构建所述待训练的识别模型的第二目标函数：
[0034][0035]
其中，α表示待训练的识别模型的输出层的输出权重矩阵，α
*
最优输出权重矩阵，c
为正则化系数，a
fc
为待训练的识别模型的隐藏激活输出矩阵，l为训练样本标签矩阵；
[0036]
求解所述第二目标函数，得到训练好的识别模型的输出层的最优输出权重矩阵：
[0037][0038]
在其中一个实施例中，求解第一目标函数得到训练好的极限学习稀疏自编码网络，包括：
[0039]
采用快速迭代阈值收缩算法求解所述第一目标函数得到训练好的极限学习稀疏自编码网络。
[0040]
在其中一个实施例中，所述识别模型为极限学习机。
[0041]
一种基于特征显著性的目标识别装置，所述装置包括：
[0042]
获取模块，用于获取待识别图像的卷积特征；
[0043]
训练模块，用于构建并训练极限学习稀疏自编码网络；所述极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；
[0044]
融合模块，用于根据训练好的所述极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征；
[0045]
识别模块，用于将所述显著特征输入预先训练好的识别模型得到目标识别结果。
[0046]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0047]
获取待识别图像的卷积特征；
[0048]
构建并训练极限学习稀疏自编码网络；所述极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；
[0049]
根据训练好的所述极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征；
[0050]
将所述显著特征输入预先训练好的识别模型得到目标识别结果。
[0051]
上述基于特征显著性的目标识别方法、装置和计算机设备，通过构建并训练极限学习稀疏自编码网络，其中极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；根据训练好的极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，融合显著性成分和卷积特征得到显著特征；将显著特征输入预先训练好的识别模型得到目标识别结果。本发明的极限学习稀疏自编码网络是基于有监督学习提取的卷积特征进行显著性成分的无监督提取，通过隐藏层节点数的设计，将卷积特征中的显著性成分提取过程建模为重构原始的卷积特征的稀疏、低维变换，其中加入稀疏性约束使得显著特征的泛化能力大大提升，此外极限学习稀疏自编码网络借鉴了极限学习机的优化原理，大大节省了计算资源并提高了计算速度。总体上本发明可以兼顾识别结果的精度和计算速度。
附图说明
[0052]
图1为一个实施例中基于特征显著性的目标识别方法的流程示意图；
[0053]
图2为一个实施例中极限学习稀疏自编码网络的架构示意图；
[0054]
图3为一个实施例中显著性成分提取网络的构建方法和网络架构图；
[0055]
图4为另一个实施例中特征显著性的目标识别方法的总体框架示意图；
[0056]
图5为一个实施例中基于特征显著性的目标识别装置的结构框图；
[0057]
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
[0058]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0059]
在一个实施例中，如图1所示，提供了一种基于特征显著性的目标识别方法，包括以下步骤：
[0060]
步骤102，获取待识别图像的卷积特征。
[0061]
卷积特征是通过将待识别图像输入预训练的卷积神经网络中而得到的，值得说明的是，该卷积特征可以是卷积神经网络提取得到的多层级图像特征中的任一层级或者多个层级的特征，可根据实际情况自行选择。
[0062]
本方案可以不以原始图像为输入，一方面可以减少运算量，避免过多冗余信息的处理以及干扰信息的影响；另一方面可以方便地进行(单层或多层)卷积特征信息和典型图像特征信息(如hog)进行融合以及进行显著性信息的提取，从而补充原始cnn网络在逐层进行特征提取的过程中所产生的有利特征信息的损失，进一步提升后续分类识别的性能效果。
[0063]
步骤104，构建并训练极限学习稀疏自编码网络。
[0064]
极限学习稀疏自编码网络(selm-ae)包括输入层、隐藏层和输出层，如图2所示，提供极限学习稀疏自编码网络的架构示意图，可以看到极限学习稀疏自编码网络包括d个输入层节点，个隐藏层节点，d个输出层节点，隐藏层的节点数小于输入层的节点数和输出层的节点数，即其中隐藏层为编码特征层，由输入层和隐藏层构成极限学习(elm)稀疏编码器，由隐藏层和输出层构成极限学习(elm)稀疏解码器，其中elm为extreme learning machine，s代表稀疏(sparse)，ae代表自编码器(auto encoder)，β表示输出层的输出权重矩阵。极限学习稀疏自编码网络借鉴了极限学习机的优化原理，大大节省了计算资源，提高了计算速度。
[0065]
步骤106，根据训练好的极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，融合显著性成分和卷积特征得到显著特征。
[0066]
基于深度神经网络的特征学习所得的相应特征在显著性上仍然存在改进空间，仍然存在相比于其他特征分量更加有利于增强样本间判别度、有利于提升最终分类识别精度的特征成分，即特征显著性成分。本发明认为，特征显著性是指样本特征中最能反映样本本质属性的程度，特征所包含的显著性成分在一定程度上可以看作是特征向量中对样本间判别度、对最终分类识别精度有显著影响的成分或成分的变换组合。这样的成分或其变换组
合，应当具有更强的表征能力与泛化能力。自然地，如果能够通过某种手段将这样的特征显著性成分学习提取出来，并应用于目标分类识别任务中，应当能够进一步提升相应的识别性能。
[0067]
如图3所示，提供显著性成分提取网络的构建方法和网络架构图，其中x为输入的卷积特征，为输出的显著性成分。可以看到，训练好的极限学习稀疏自编码网络的输入层和隐藏层分别作为显著性成分提取网络的输入层和输出层，那么在显著性成分提取网络中，输出层节点数小于输入层节点数，相当于将卷积特征中的显著性成分提取过程建模为重构原始的卷积特征的稀疏、低维变换。以自编码为代表的无监督学习无需标签，目标是充分发掘数据本身存在的内在规律与启发亮点，并且在加入稀疏性约束后，显著特征的泛化能力得到大幅度提升。
[0068]
步骤108，将显著特征输入预先训练好的识别模型得到目标识别结果。
[0069]
上述基于特征显著性的目标识别方法，通过构建并训练极限学习稀疏自编码网络，其中极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；根据训练好的极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，融合显著性成分和卷积特征得到显著特征；将显著特征输入预先训练好的识别模型得到目标识别结果。本方法的极限学习稀疏自编码网络是基于有监督学习提取的卷积特征进行显著性成分的无监督提取，通过隐藏层节点数的设计，将卷积特征中的显著性成分提取过程建模为重构原始的卷积特征的稀疏、低维变换，其中加入稀疏性约束使得显著特征的泛化能力大大提升，此外极限学习稀疏自编码网络借鉴了极限学习机的优化原理，大大节省了计算资源并提高了计算速度。本方法结合了有监督学习与无监督学习各自的优势，通过提取卷积特征的显著性成分并进一步与卷积特征进行融合进而输入到识别模型，可实现快速准确的目标识别。
[0070]
在一个实施例中，在获取待识别图像的卷积特征之前，包括：
[0071]
获取图像训练样本集，将图像训练样本集输入预先构建的卷积神经网络，构建卷积神经网络的代价函数：
[0072][0073]
其中，为训练样本的标签预测损失项，f(xi)表示卷积特征提取网络相对于输入第i个训练样本xi所对应的网络输出，yi表示第i个训练样本所对应的类别标签，n表示图像训练样本集中所包含的样本个数，表示网络权重正则化项，λ为网络权重正则化项的比重参数，可影响网络权重的稀疏化程度，k为神经网络层数。
[0074]
优化代价函数得到训练好的卷积神经网络，将训练好的卷积神经网络中的全连接层移除，得到卷积特征提取主干网络。
[0075]
本实施例中的上述过程即为用于提取卷积特征的卷积特征提取主干网络的训练和构建过程，其作用在于完成从输入的原始图像像素中学习提取相应的深度卷积特征，这
一过程主要通过在与目标识别任务相关的训练数据集上学习训练相应的深度卷积网络模型得以实现，并且训练所得到的深度卷积网络最后的全连接分类层将会被去除，仅保留特征提取相关的主干网络部分，当前具有代表性的深度卷积网络模型均可采用，例如vgg-m模型。
[0076]
在一个实施例中，训练极限学习稀疏自编码网络的过程，包括：
[0077]
获取卷积特征训练集，将卷积特征训练集输入极限学习稀疏自编码网络，以隐藏层的激活输出矩阵、输出层的输出权重矩阵以及输入的卷积特征训练集构建极限学习稀疏自编码网络的第一目标函数：
[0078][0079]
其中，β
*
表示目标函数最优时对应的最优输出权重矩阵，af表示隐藏层的激活输出矩阵，xf表示卷积特征训练集，β表示输出权重矩阵，表示计算l1范数。
[0080]
求解第一目标函数得到训练好的极限学习稀疏自编码网络，可以采用快速迭代阈值收缩算法求解第一目标函数。
[0081]
这一过程主要通过在与目标识别任务相关的训练数据集上进行相应的深度卷积特征提取，将所得到的深度卷积特征集作为输入，学习训练selm-ae网络得以实现。
[0082]
在一个实施例中，将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，融合显著性成分和卷积特征得到显著特征，包括：
[0083]
将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，根据最优输出权重矩阵得到卷积特征的显著性成分：
[0084][0085]
其中，表示卷积特征的显著性成分，x
cnn
表示卷积特征；
[0086]
融合显著性成分和卷积特征得到显著特征：
[0087][0088]
其中，x
fc
表示显著特征。
[0089]
在一个实施例中，识别模型为极限学习机，极限学习机将单隐层前馈神经网络的训练转化为对特定线性系统最小二乘解的求解，以解析式的矩阵运算代替传统的迭代式梯度下降，从而使得应用超限学习机原理训练神经网络，具备计算快速可满足实时学习、待人工设定的学习参量少、准确度高和泛化能力良好等突出优势。
[0090]
识别模型的训练过程包括：获取显著特征训练样本集，将显著特征训练样本集输入待训练的识别模型，构建待训练的识别模型的第二目标函数：
[0091][0092]
其中，α表示待训练的识别模型的输出层的输出权重矩阵，α
*
最优输出权重矩阵，c为正则化系数，a
fc
为待训练的识别模型的隐藏激活输出矩阵，l为训练样本标签矩阵；
[0093]
求解第二目标函数，得到训练好的识别模型的输出层的最优输出权重矩阵：
[0094][0095]
在分类器学习训练过程中，待设置的参数主要为elm分类器的隐藏层节点数以及相应的激活函数类型，较为常用的为sigmoid函数、gaussian函数以及双曲正切函数等。
[0096]
如图4所示，提供基于特征显著性的目标识别方法的总体框架示意图。
[0097]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0098]
在一个实施例中，如图5所示，提供了一种基于特征显著性的目标识别装置，包括：获取模块、训练模块、融合模块和识别模块，其中：
[0099]
获取模块，用于获取待识别图像的卷积特征；
[0100]
训练模块，用于构建并训练极限学习稀疏自编码网络；极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；
[0101]
融合模块，用于根据训练好的极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，融合显著性成分和卷积特征得到显著特征；
[0102]
识别模块，用于将显著特征输入预先训练好的识别模型得到目标识别结果。
[0103]
在一个实施例中，训练模块还用于获取卷积特征训练集，将卷积特征训练集输入极限学习稀疏自编码网络，以隐藏层的激活输出矩阵、输出层的输出权重矩阵以及输入的卷积特征训练集构建极限学习稀疏自编码网络的第一目标函数：
[0104][0105]
其中，β
*
表示目标函数最优时对应的最优输出权重矩阵，af表示隐藏层的激活输出矩阵，xf表示卷积特征训练集，β表示输出权重矩阵，表示计算l1范数。
[0106]
采用快速迭代阈值收缩算法求解第一目标函数得到训练好的极限学习稀疏自编码网络。
[0107]
在一个实施例中，融合模块还用于将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，根据最优输出权重矩阵得到卷积特征的显著性成分：
[0108][0109]
其中，表示卷积特征的显著性成分，x
cnn
表示卷积特征；
[0110]
融合显著性成分和卷积特征得到显著特征：
[0111][0112]
其中，x
fc
表示显著特征。
[0113]
关于基于特征显著性的目标识别装置的具体限定可以参见上文中对于基于特征显著性的目标识别方法的限定，在此不再赘述。上述基于特征显著性的目标识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0114]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于特征显著性的目标识别方法。
[0115]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0116]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
[0117]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
[0118]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synch link)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0119]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0120]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
技术特征：1.一种基于特征显著性的目标识别方法，其特征在于，所述方法包括：获取待识别图像的卷积特征；构建并训练极限学习稀疏自编码网络；所述极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；根据训练好的所述极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征；将所述显著特征输入预先训练好的识别模型得到目标识别结果。2.根据权利要求1所述的方法，其特征在于，训练极限学习稀疏自编码网络的过程，包括：获取卷积特征训练集；将所述卷积特征训练集输入所述极限学习稀疏自编码网络，以所述隐藏层的激活输出矩阵、所述输出层的输出权重矩阵以及输入的所述卷积特征训练集构建所述极限学习稀疏自编码网络的第一目标函数；求解所述第一目标函数得到训练好的极限学习稀疏自编码网络。3.根据权利要求2所述的方法，其特征在于，以所述隐藏层的激活输出矩阵、所述输出层的输出权重矩阵以及输入的所述卷积特征训练集构建所述极限学习稀疏自编码网络的第一目标函数，包括：以所述隐藏层的激活输出矩阵、所述输出层的输出权重矩阵以及输入的所述卷积特征训练集构建所述极限学习稀疏自编码网络的第一目标函数为：其中，β
*
表示目标函数最优时对应的最优输出权重矩阵，a
f
表示隐藏层的激活输出矩阵，x
f
表示卷积特征训练集，β表示输出权重矩阵，表示计算l1范数。4.根据权利要求3所述的方法，其特征在于，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征，包括：将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，根据所述最优输出权重矩阵得到所述卷积特征的显著性成分：其中，表示卷积特征的显著性成分，x
cnn
表示卷积特征；融合所述显著性成分和所述卷积特征得到显著特征：其中，x
fc
表示显著特征。5.根据权利要求1所述的方法，其特征在于，在获取待识别图像的卷积特征之前，包括：获取图像训练样本集；
将所述图像训练样本集输入预先构建的卷积神经网络；构建所述卷积神经网络的代价函数：其中，为训练样本的标签预测损失项，f(x
i
)表示卷积特征提取网络相对于输入第i个训练样本x
i
所对应的网络输出，y
i
表示第i个训练样本所对应的类别标签，n表示图像训练样本集中所包含的样本个数，表示网络权重正则化项，λ为网络权重正则化项的比重参数，k为神经网络层数。优化所述代价函数得到训练好的卷积神经网络，将所述训练好的卷积神经网络中的全连接层移除，得到卷积特征提取主干网络。6.根据权利要求1所述的方法，其特征在于，所述识别模型的训练过程包括：获取显著特征训练样本集；将所述显著特征训练样本集输入待训练的识别模型，构建所述待训练的识别模型的第二目标函数：其中，α表示待训练的识别模型的输出层的输出权重矩阵，α
*
最优输出权重矩阵，c为正则化系数，a
fc
为待训练的识别模型的隐藏激活输出矩阵，l为训练样本标签矩阵；求解所述第二目标函数，得到训练好的识别模型的输出层的最优输出权重矩阵：7.根据权利要求x所述的方法，其特征在于，求解第一目标函数得到训练好的极限学习稀疏自编码网络，包括：采用快速迭代阈值收缩算法求解所述第一目标函数得到训练好的极限学习稀疏自编码网络。8.根据权利要求1所述的方法，其特征在于，所述识别模型为极限学习机。9.一种基于特征显著性的目标识别装置，其特征在于，所述装置包括：获取模块，用于获取待识别图像的卷积特征；训练模块，用于构建并训练极限学习稀疏自编码网络；所述极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；融合模块，用于根据训练好的所述极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将所述卷积特征输入显著性成分提取网络得到所述卷积特征的显著性成分，融合所述显著性成分和所述卷积特征得到显著特征；识别模块，用于将所述显著特征输入预先训练好的识别模型得到目标识别结果。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在
于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
技术总结本申请涉及一种基于特征显著性的目标识别方法、装置和计算机设备，通过构建并训练极限学习稀疏自编码网络，其中极限学习稀疏自编码网络中的隐藏层节点数小于输入层节点数和输出层节点数；根据训练好的极限学习稀疏自编码网络的输入层和隐藏层构建显著性成分提取网络，将卷积特征输入显著性成分提取网络得到卷积特征的显著性成分，融合显著性成分和卷积特征得到显著特征；将显著特征输入预先训练好的识别模型得到目标识别结果。本发明可以兼顾识别结果的精度和计算速度。识别结果的精度和计算速度。识别结果的精度和计算速度。
技术研发人员：曾宇骏 呼晓畅 方强 徐昕 任君凯 兰奕星
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.07.19
技术公布日：2022/11/1
