(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221084845 3.4 (22)申请日 2022.07.19 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 曾宇骏　呼晓畅　方强　徐昕　 任君凯　兰奕星　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 李杨 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/46(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于特征显著性的目标识别方法、 装置和计 算机设备 (57)摘要 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。 权利要求书3页 说明书8页 附图4页 CN 115272821 A 2022.11.01 CN 115272821 A 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， 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。 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， xCNN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， xFc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；权　利　要　求　书 1/3 页 2 CN 115272821 A 2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(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。 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， AFc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， 其特征在权　利　要　求　书 2/3 页 3 CN 115272821 A 3