[发明专利]一种基于深度学习的多维度特征选择方法

权利要求书

1.一种基于深度学习的多维度特征选择方法，其特征在于，包括以下步骤：

S1：建立用于图像通用特征提取的深度学习网络模型G；

S2：在网络模型G后加上特征维度随机截取模型；

S3：通过在训练集上训练，获得训练集和测试集的通用特征；

S4：获得图像通用特征后，建立特征维度选择模型；

S5：训练和测试特征维度选择模型；

S6：建立用于提供后台接口的进程，提供检索入口以及返回检索结果。

2.根据权利要求1所述的基于深度学习的多维度特征选择方法，其特征在于，所述步骤S1的具体过程是：

S11：建立G网络的特征提取层，将预处理后的每个视频中的每一帧图片表示成一个低维的实数向量，在大规模标注照片上预训练好的模型导入Inception网络；

S12：通过训练该Inception网络来提取到一组设定好的长度的对于图像的特征向量X。

3.根据权利要求2所述的基于深度学习的多维度特征选择方法，其特征在于，所述步骤S2中，特征维度随机截取模型具体设计过程是：

S21：用一个全连接层将设定好长度的特征向量X映射成一个K维的实数向量，K为最大允许的特征维度大小；

S22：在S21将每一个向量编码成一个实数向量后，建立G网络的维度截取模块，通过维度截取模块从最小维度到最大维度中随机选择一个维度，顺序的截取，获得一个随机长度的特征，在一个小批次中使用相同的特征维度，每次通过这些不同维度的特征来训练网络，以此获得一个最大长度的通用特征，每当需要一个随机长度的特征时，只需要对该通用特征进行顺序地截取即可。

4.根据权利要求3所述的基于深度学习的多维度特征选择方法，其特征在于，所述步骤S3的具体过程是：

S31：将数据集分为训练数据以及测试数据；

S32：整体的模型要进行训练，G网络的训练步骤如下：由G网络提取出图像特征，经过特征维度随机截取模型进行特征随机截取后，使用损失函数的最小化来训练G网络模型，训练G网络的参数；

S33：将训练集数据经过特征提取模型G，得到最大的长度的通用特征，并将其储存在数据库中，对于测试集数据则在获得全长的通用特征后，评价通用特征的有效性。

5.根据权利要求4所述的基于深度学习的多维度特征选择方法，其特征在于，所述步骤S4的具体过程是：

S41：建立一个由几层全连接组成的Actor网络，该网络的功能是把一个图像的通用特征作为状态输入，输出预测的合适的维度；

S42：建立一个由几层全连接组成的Critic网络，该网络的功能是把一个图像的通用特征作为状态和Actor网络输出的维度输入，输出对Actor网络的评分，以此来优化Actor网络；

S43：建立一个Reward函数，该函数返回一个针对Actor网络输出的维度，结合维度的长度惩罚和实际评价标准的精度惩罚的评分作为Critic网络的监督信息。

6.根据权利要求5所述的基于深度学习的多维度特征选择方法，其特征在于，所述步骤S5的具体过程是：

S51：将数据集分为训练数据以及测试数据；

S52：整体的模型要进行训练，特征维度选择模型的训练步骤如下：由G网络提取出图像通用特征，每次更新模型分为两步，第一步，固定Critic网络，经过Actor网络获得其选择的维度，使用Critic网络的到评分来优化Actor网络；第二步，固定Actor网络，将Critic网络对Actor网络输出的评分和Reward函数的评分做比较来监督训练Critic网络；

S53：测试时使用Actor网络获得选择的维度d，与数据库中的训练集的通用特征的前d维进行距离比较，得到一个排序，将该排序使用评价标准进行评估。