CN118968163B 一种基于线性判别的人工智能视觉检测方法 （贯文信息技术(苏州)有限公司）

一种基于线性判别的人工智能视觉检测方法本发明公开了一种基于线性判别的人工智用深度卷积神经网络提取原始视觉数据中的高别分析模型参数对实时视觉数据进行特征降维2接收原始视觉数据，并进行预处理，利用深度卷积神经网络提取原基于协同强化学习框架，运用深度强化学习算法优化动态拓扑自适应用优化后的动态拓扑自适应线性判别分析模型参数对实时视觉数据进行特征降维对于实时输入的每一帧数据，经过降维处理得到的特征向量，即刻通利用深度卷积神经网络中的残差网络五十层作为特征提取网络，包含多个残差模块，F∈Rnxd3n为nxn利用矩阵Vd'将降维后的特征降维矩阵Z转换到主成分分析模型中的主成分空间，生成基于状态空间构建动作空间，通过动作空间聚焦于特征维度的管设计激励机制，将依据目标检测任务准确率和F1分数的关键性能4基于存储历史状态st、动作at、即时奖励Rt+1和下一个状态st+1构建缓冲区存储四元组tt根据深度Q网络模型的决策结果，分别动态调整动态拓扑自适应线性判别分析模型中7.一种计算机设备，包括存储器和处理器，所述存处理器执行时实现权利要求1～6任一所述的基于线性判别的人工智能视觉检测方法的步5[0008]作为本发明所述基于线性判别的人工智能视觉检测[0009]作为本发明所述基于线性判别的人工智能视觉检测6[0013]作为本发明所述基于线性判别的人工智能视觉检测[0029]基于和w"多次执行图卷积操作以生成隐藏层特征H(k)，其中，k为索引变7[0030]作为本发明所述基于线性判别的人工智能视觉检测[0031]基于迭代得到的最终特征矩阵H(k)，计算动态特征关系图中的节点i与节点j之间[0034]基于迭代得到的最终特征矩阵H(k)，计算动态特征关系图中的节点i与节点j之间[0040]利用梯度下降优化算法求解上述目标函数，生成降维后的特征降维矩阵Z表达式W,；[0042]作为本发明所述基于线性判别的人工智能视觉检测[0047]利用矩阵Vd,将降维后的特征降维矩阵Z转换到主成分8[0057]作为本发明所述基于线性判别的人工智能视觉检测tt+1[0064]根据深度Q网络模型的决策结果，分别动态调整动态拓扑自适应线性判别分析模[0065]作为本发明所述基于线性判别的人工智能视觉检测9线性判别分析和协同强化学习的综合性框架；利用深度卷积神经网络进行特征提取流程，显著增强了在复杂视觉场景下的特征处理能力，提升了检测系统的鲁棒性与目标识别精[0084]标准化处理方法主要采用Z_score标准化，能够确保所有输入图像具有统一的尺[0101]在视觉检测的上下文中，逻辑函数σ用于将计算出的节点间相似度或其他度量转W"和分别为通过图卷积操作更新特征矩阵F至H(1)后，重新计算[0113]优选的，通过使用更新后的特征矩阵H(1)再次计算新连接概率和新特征传[0120]基于迭代得到的最终特征矩阵H(k)，计算动态特征关系图中的节点i与节点j之间似度的超参数，用于控制余弦相似度在权重计算中的贡献，λ为类别内连接的强化系数，[0126]优选的，构造目标函数旨在最大化类别间的分散度同时拓扑自适应线性判别分析模型(DTALDA)模型中的参数优化)来达到类别中心点间距离最大[0128]还应说明的是，"DTALDA模型"指的是"动态拓扑自适应线性判别分析模型"，化类别间的分散度同时最小化类别内的分散度来优化特征降维，这是线性判别分析(LDA)[0129]利用梯度下降优化算法求解上述目标函数，生成降维后的特征降维矩阵Z表达式W/；[0137]基于协方差矩阵C/进行特征值计算，特征值(eigenvalues)是满足以下方程的标[0140]一旦有了特征值λ,可以通过解齐次线性方程组C/v_λv＝0或者C/v=λv来找到对在这一步骤中除了手动选择降维维度d/，还可以设计机制让算法动态调整主成分的数量，t+1小预测的Q值与根据下一状态计算得到的最大预期Q值之间的差距，以此指导策略的优化，[0163]根据深度Q网络模型的决策结果，分别动态调整动态拓扑自适应线性判别分析模何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(StaticRandomAccessMemory,简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasableProgrammableRead－OnlyMemory,简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory,简称EPROM