CN112488038B - 一种基于图网络学习的目标识别方法 - Google Patents

一种基于图网络学习的目标识别方法 Download PDF

Info

Publication number
CN112488038B
CN112488038B CN202011472272.3A CN202011472272A CN112488038B CN 112488038 B CN112488038 B CN 112488038B CN 202011472272 A CN202011472272 A CN 202011472272A CN 112488038 B CN112488038 B CN 112488038B
Authority
CN
China
Prior art keywords
data
normal data
residual
network
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011472272.3A
Other languages
English (en)
Other versions
CN112488038A (zh
Inventor
成清
程光权
黄金才
冯旸赫
吴克宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202011472272.3A priority Critical patent/CN112488038B/zh
Publication of CN112488038A publication Critical patent/CN112488038A/zh
Application granted granted Critical
Publication of CN112488038B publication Critical patent/CN112488038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于图网络学习的目标识别方法，利用多源传感器捕捉目标的模拟数据，通过特征向量选择方法将模拟数据分为基础正常数据和剩余正常数据，其中基础正常数据在通过预设的自回归模型进行迭代算法，之后对基础正常数据和剩余生产数据计算残差，并观测残差值是否有异常，若残差值过大则数据异常需要重新对数据进行计算，若残差值较低则输出数据，所述特征向量选择对模拟数据进行初选剔除部分干扰数据，同时对模拟数据进行抽样，抽样数据形成剩余正常数据，剩余的模拟数据则为基础正常数据，本发明利用多源传感器捕捉数据后，利用图神经网络进行深度学习和分析，对目标进行识别和捕捉。

Description

一种基于图网络学习的目标识别方法
技术领域
本发明涉及图神经网络应用技术领域，具体为一种基于图网络学习的目标识别方法。
背景技术
图神经网络(GNN)最主要是提供了图嵌入(Graph Embedding)这一可以用来进行图表征学习的技术，将传统的图分析引入，扩展了深度学习对于非欧几里得数据的处理能力，提供了对非规则数据提取特征的方法，它被广泛应用于社交网络，推荐系统，金融风控，物理系统，分子化学，生命科学，知识图谱，交通预测等领域。但对于非结构化数据(文本，图像),目前研究人员均有所尝试，但具体的应用成果比较少。
机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
现有的机器视觉识别效率较低精准度较差，而图神经网络与机器视觉具有高度的契合度，具有很强的开发前景。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于图网络学习的目标识别方法，以解决上述背景技术中提出的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于图网络学习的目标识别方法，利用多源传感器捕捉目标的模拟数据，通过特征向量选择方法将模拟数据分为基础正常数据和剩余正常数据，其中基础正常数据在通过预设的自回归模型进行迭代算法，之后对基础正常数据和剩余正常数据计算残差，并观测残差值是否有异常，若残差值过大则特征向量选择方法划分的基础正常数据和剩余正常数据异常，需要重新划分基础正常数据和剩余正常数据并将重新划分后的基础正常数据通过预设的自回归模型进行迭代算法，后对重新划分的基础正常数据和剩余正常数据进行残差计算，若残差值较低则输出模拟数据。
优选的，所述特征向量选择对模拟数据进行初选剔除部分干扰数据，同时对剔除部分干扰数据后的模拟数据进行抽样，抽样数据形成剩余正常数据，剩余的模拟数据则为基础正常数据。
优选的，所述自回归模型中集成有图神经网络，所述图神经网络中设有多个网络节点，每个网络节点对应一个传感器的状态信息，网络节点对基础正常数据进行类比学习。
优选的，所述图神经网络中设有学习集L＝{(Gi,ni,j,ti,j)|Gi＝(Ni,Ei)∈G,ni,j∈Ni,ti,j∈Rm,1≤i≤p,1≤j≤qi}对于一个学习集参数是
Figure GDA0004190234930000021
通过学习集估计出参数w，即神经网络的权重，其中qi为已知信息的节点数，根据传统神经网络理论，学习的任务即最小化目标函数/>
Figure GDA0004190234930000022
优选的，所述图神经网络采用梯度下降策略进行学习，所述梯度下降策略设有编码网络进行学习。
优选的所述述梯度下降策略包括首先计算每个网络节点状态，得到第T次的状态值x(T)≈x，然后计算下降的梯度，即
Figure GDA0004190234930000023
w为图神经网络的权重，最后更新权重w。
优选的，所述编码网络将图神经网络从T到初始时间t0对应的时间片数据，形成整个网络节点的一个复制实体，对图神经网络进行反向传播梯度计算方法，计算每个时间片T的目标函数梯度，并计算梯度之和为
Figure GDA0004190234930000024
优选的，设有预设值Xi，在观测基础正常数据和剩余正常数据是否异常时将所述残差值与预设值Xi进行差值对比。
优选的，所述多源传感器包括振动、声音、和光敏传感器。
(三)有益效果
本发明提供了一种基于图网络学习的目标识别方法，具备以下有益效果：通过图神经网络对传感器数据进行数字化分析，并通过神经元网络进行迭代计算，多次模拟后建模实现图像处理的深度学习，相较于传统机器视觉只通过摄像装置进行识别后分析，图神经网络可以利用多源传感器进行多维度定位，目标位置识别迅速准确，识别效率和精准度大大提高。
附图说明
图1为本发明流程示意图；
图2为本发明图神经网络和相应的编码网络图；
图3为本发明编码网络和其展开图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1所示，本发明实施例提供一种基于图网络学习的目标识别方法，利用多源传感器捕捉目标的模拟数据，通过特征向量选择方法将模拟数据分为基础正常数据和剩余正常数据，其中基础正常数据通过预设的自回归模型进行迭代算法，之后对基础正常数据和剩余正常数据计算残差，并观测残差值是否有异常，若残差值过大则特征向量选择方法划分的基础正常数据和剩余正常数据异常，需要重新划分基础正常数据和剩余正常数据并将重新划分后的基础正常数据通过预设的自回归模型进行迭代算法，后对重新划分的基础正常数据和剩余正常数据进行残差计算，若残差值较低则输出模拟数据。
如图2所示，网络中每个节点采用计算单元fw代替，则网络称为编码网络，编码网络中每一个节点都储存着当前的状态xn(t)，当它被激活的时候，则利用其标签和邻居的信息计算其新的状态xn(t+1)，fw和gw实际上也可以看作一个神经网络，而整个编码网络可以看作是一个回归神经网络，因此模型称为图神经网络模型。
特征向量选择对模拟数据进行初选剔除部分干扰数据，同时对剔除部分干扰数据的模拟数据进行抽样，抽样数据形成剩余正常数据，剩余的模拟数据则为基础正常数据，自回归模型中集成有图神经网络，图神经网络中设有多个网络节点，每个网络节点对应一个传感器的状态信息，节点对基础正常数据进行类比学习，图神经网络中设有学习集L＝{(Gi,ni,j,ti,j)|Gi＝(Ni,Ei)∈G,ni,j∈Ni,ti,j∈Rm,1≤i≤p,1≤j≤qi},其中qi为已知信息的节点数，对于一个学习集参数是
Figure GDA0004190234930000051
通过学习集估计出参数w，即神经网络的权重，根据传统神经网络理论，学习的任务即最小化目标函数/>
Figure GDA0004190234930000052
图神经网络采用梯度下降策略进行学习，梯度下降策略设有编码网络进行学习，梯度下降策略包括首先计算每个节点状态，得到第T次的状态值x(T)≈x，然后计算下降的梯度，即/>
Figure GDA0004190234930000053
w为图神经网络的权重，最后更新权重w，编码网络将图神经网络从T到初始时间t0对应的时间片数据，形成整个网络节点的一个复制实体，对图神经网络进行反向传播梯度计算方法，计算每个时间片T的目标函数梯度，并计算梯度之和为/>
Figure GDA0004190234930000054
设有预设值Xi，在观测基础正常数据和剩余正常数据是否异常时将所述残差值与预设值Xi进行差值对比，多源传感器包括振动、声音、和光敏传感器。图3为本发明编码网络和其展开图。
综上，通过图神经网络对传感器数据进行数字化分析，并通过神经元网络进行迭代计算，多次模拟后建模实现图像处理的深度学习，相较于传统机器视觉只通过摄像装置进行识别后分析，图神经网络可以利用多源传感器进行多维度定位，目标位置识别迅速准确，识别效率和精准度大大提高。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种基于图网络学习的目标识别方法，其特征在于：利用多源传感器捕捉目标的模拟数据，通过特征向量选择方法将模拟数据分为基础正常数据和剩余正常数据，其中基础正常数据通过预设的自回归模型进行迭代算法，之后对基础正常数据和剩余正常数据计算残差，并观测残差值是否有异常，若残差值过大则特征向量选择方法划分的基础正常数据和剩余正常数据异常，需要重新划分基础正常数据和剩余正常数据并将重新划分后的基础正常数据通过预设的自回归模型进行迭代算法，后对重新划分的基础正常数据和剩余正常数据进行残差计算，若残差值较低则输出模拟数据；
所述特征向量选择方法对模拟数据进行初选剔除部分干扰数据，同时对剔除部分干扰数据后的模拟数据进行抽样，抽样数据形成剩余正常数据，剩余的模拟数据则为基础正常数据；
所述自回归模型中集成有图神经网络，所述图神经网络中设有多个网络节点，每个网络节点对应一个传感器的状态信息，网络节点对基础正常数据进行类比学习；
所述图神经网络中设有学习集；
所述图神经网络采用梯度下降策略进行学习，所述梯度下降策略设有编码网络进行学习；
所述梯度下降策略包括首先计算每个网络节点状态，得到第T次的状态值x(T)≈x，然后计算下降的梯度；
所述编码网络将图神经网络从T到初始时间t0对应的时间片数据，形成整个网络节点的一个复制实体，对图神经网络进行反向传播梯度计算方法，计算每个时间片T的目标函数梯度，并计算梯度之和；
设有预设值Xi，在观测基础正常数据和剩余正常数据是否异常时将所述残差值与预设值Xi进行差值对比。
2.根据权利要求1所述的一种基于图网络学习的目标识别方法，其特征在于：所述多源传感器包括振动、声音、和光敏传感器。
CN202011472272.3A 2020-12-15 2020-12-15 一种基于图网络学习的目标识别方法 Active CN112488038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011472272.3A CN112488038B (zh) 2020-12-15 2020-12-15 一种基于图网络学习的目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011472272.3A CN112488038B (zh) 2020-12-15 2020-12-15 一种基于图网络学习的目标识别方法

Publications (2)

Publication Number Publication Date
CN112488038A CN112488038A (zh) 2021-03-12
CN112488038B true CN112488038B (zh) 2023-07-07

Family

ID=74916450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011472272.3A Active CN112488038B (zh) 2020-12-15 2020-12-15 一种基于图网络学习的目标识别方法

Country Status (1)

Country Link
CN (1) CN112488038B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934261A (zh) * 2019-01-31 2019-06-25 中山大学 一种知识驱动参数传播模型及其少样本学习方法
WO2020037960A1 (zh) * 2018-08-21 2020-02-27 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
CN110991513A (zh) * 2019-11-27 2020-04-10 佛山科学技术学院 一种具有类人连续学习能力的图像目标识别系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020037960A1 (zh) * 2018-08-21 2020-02-27 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
CN109934261A (zh) * 2019-01-31 2019-06-25 中山大学 一种知识驱动参数传播模型及其少样本学习方法
CN110991513A (zh) * 2019-11-27 2020-04-10 佛山科学技术学院 一种具有类人连续学习能力的图像目标识别系统及方法

Also Published As

Publication number Publication date
CN112488038A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN108921051B (zh) 基于循环神经网络注意力模型的行人属性识别网络及技术
CN108694386B (zh) 一种基于并联卷积神经网络的车道线检测方法
CN104156734B (zh) 一种基于随机蕨分类器的全自主在线学习方法
US8488878B2 (en) Sky detection system used in image extraction device and method using sky detection system
CN111709285A (zh) 一种基于无人机的疫情防护监控方法、装置和存储介质
CN108961308B (zh) 一种漂移检测的残差深度特征目标跟踪方法
JP6565600B2 (ja) アテンション検出装置及びアテンション検出方法
KR20180057785A (ko) 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법
CN110675374B (zh) 一种基于生成对抗网络的二维图像污水流量检测方法
CN111062423B (zh) 基于自适应特征融合的点云图神经网络的点云分类方法
CN110197505A (zh) 基于深度网络及语义信息的遥感图像双目立体匹配方法
CN116342894A (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN113628261B (zh) 一种电力巡检场景下的红外与可见光图像配准方法
CN110942097A (zh) 基于单像素探测器的免成像分类方法和系统
WO2021051382A1 (zh) 白平衡处理方法和设备、可移动平台、相机
CN107220945A (zh) 多重退化的极模糊图像的复原方法
CN112800934B (zh) 一种多类别工程车的行为识别方法及装置
CN112597995B (zh) 车牌检测模型训练方法、装置、设备及介质
CN112488038B (zh) 一种基于图网络学习的目标识别方法
CN117576540A (zh) 一种基于卷积神经网络的低照度目标检测方法
CN112434600A (zh) 一种无人机巡检方法及系统
CN108154199A (zh) 一种基于深度学习的高精度快速单类目标检测方法
CN115830514A (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN116636660B (zh) 一种电子烟烟油信息处理方法、系统及电子烟
CN117911879B (zh) 一种融合sam的细粒度高分遥感影像变化检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant