[发明专利]通过WordNet嵌入进行测试和更新的树形网络方法

说明书

通过WordNet嵌入进行测试和更新的树形网络方法，涉及图片智能分类。构建树形网络；预训练；基于SVM的动态剪枝，在测试过程中，可以动态剪枝特征映射的激活值过低的节点和节点的子树，因为若节点的激活值太低，则该节点表示的类的概率较低，因此后代节点的概率会较低并且可以忽略；每张特征图的激活值之和的具有较强的线性可分性，因此使用SVM在测试过程中进行模型的加速；基于分支的在线更新，使用检测到的图像作为训练样本，将预测概率高的样本回传给树形网络进行训练。

技术领域

本发明涉及图片智能分类，尤其是涉及一种通过WordNet嵌入进行测试和更新的树形网络方法。

背景技术

深卷积神经网络引发了多项计算机视觉任务的一系列突破，如图像分类^[1-5]、目标检测^[6-7]和语义分割^[8-10]等。深度卷积神经网络带来了许多强大的优势：低维/中维/高维的特征整合^[11]；端到端的训练方式和随着层数增加而增加的准确性。最近的许多工作都着重于堆叠网络深度，以获得更加出色的准确性，但却导致了越来越差的可解释性。虽然越来越深的网络获得了极好的评估指标，但它带来了更多的前向传播时间和更差的解释能力。

另外，决策树拥有优秀的可解释性以及快速的测试速度，可用于广泛的应用领域，如诊断、认知科学、人工智能、博弈论、工程和数据挖掘。但由于它的模型空间较小，因此它在处理自然语言处理和计算机视觉的问题时，不像神经网络一样具有很强的泛化能力。

参考文献：

[1]Simonyan,K.,Zisserman,A.:Very deep convolutional networks forlarge-scale image recognition.Computer Science(2014)。

[2]Szegedy,C.,Liu,W.,Jia,Y.,Sermanet,P.,Reed,S.,Anguelov,D.,Erhan,D.,Vanhoucke,V.,Rabinovich,A.:Going deeper with convolutions.(2014)1-9。

[3]Krizhevsky,A.:Learning multiple layers offeatures from tinyimages.(2009)。

[4]Krizhevsky,A.,Sutskever,I.,Hinton,G.E.:Imagenet classificationwith deep convolutional neural networks.In:International Conference on NeuralInformation Processing Systems.(2012)1097-1105。

[5]He,K.,Zhang,X.,Ren,S.,Sun,J.:Deep residual learning for imagerecognition.(2015)770-778。

[6]Ren,S.,He,K.,Girshick,R.,Sun,J.:Faster r-cnn:towards real-timeobject detection with region proposal networks.In:International Conference onNeural Information Processing Systems.(2015)91-99。

[7]Dai,J.,Li,Y.,He,K.,Sun,J.:R-fcn:Object detection via region-basedfully convolutional networks.(2016)。