(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 202211182103.5 (22)申请日 2022.09.27 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 段通　伊鹏　谢记超　马海龙　 张鹏　王文博　胡涛　陈祥　 李鹏坤　卜佑军　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 刘莹莹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 一种基于未训练卷积神经网络的快速目标 识别方法及系统 (57)摘要 本发明提供一种基于未训练卷积神经网络 的快速目标识别方法及系统。 该方法包括： 构建 未训练卷积神经网络模块并初始化； 将若干张已 知类别的图像集输入至未训练卷积神经网络模 块中， 提取得到每张已知类别图像的特征图谱； 基于每张已知类别图像的特征图谱， 提取并保存 各类别图像的共同激活神经元集群； 将待识别图 像输入至 未训练卷积神经网络模块， 提取待识别 图像的特征图谱； 基于待识别图像的特征图谱， 提取待识别图像的激活神经元集群； 将待识别图 像的激活神经元集群与已保存的各类别图像的 共同激活神经元集群进行逐一比对， 确定并输出 待识别图像所属的类别。 本发明无需对卷积神经 网络权重参数进行训练和修正， 可大幅降低计算 资源和训练时间消耗。 权利要求书3页 说明书7页 附图3页 CN 115527066 A 2022.12.27 CN 115527066 A 1.一种基于未训练卷积神经网络的快速目标识别方法， 其特 征在于， 包括： 步骤1： 构建未训练卷积神经网络模块， 并对其进行初始化； 步骤2： 将若干张已知类别的图像集输入至初始化后的未训练卷积神经网络模块中， 提 取得到每张已知类别图像的特征图谱； 基于每张已知类别图像的特征图谱， 提取并保存各 类别图像的共同激活神经 元集群； 步骤3： 将待识别图像输入至初始化后的未训练卷积神经网络模块， 提取待识别图像的 特征图谱； 步骤4： 基于待识别图像的特征图谱， 提取待识别图像的激活神经元集群； 将待识别图 像的激活神经元集群与已保存的各类别图像的共同激活神经元集群进 行逐一比对， 确定并 输出待识别图像所属的类别。 2.根据权利要求1所述的一种基于未训练卷积神经网络的快速目标识别方法， 其特征 在于， 所述步骤1中， 采用基于包含多个卷积层的随机赋权网络作为未训练卷积神经网络模 块。 3.根据权利要求1所述的一种基于未训练卷积神经网络的快速目标识别方法， 其特征 在于， 步骤2中， 所述的基于每张已知类别图像的特征图谱， 提取并保存各类别图像的共同 激活神经 元集群， 具体包括： 步骤2.1： 基于每张已知类别图像的特征图谱， 获得每张已知类别图像相应的激活神经 元集群； 步骤2.2： 分析属于同一类别图像的所有激活神经元集群， 获得该类别图像相应的共同 激活神经 元集群； 步骤2.3： 保存各类别图像相应的共同激活神经 元集群。 4.根据权利要求1所述的一种基于未训练卷积神经网络的快速目标识别方法， 其特征 在于， 基于图像的特 征图谱， 提取图像的激活神经 元集群， 具体包括： 针对特征图谱矩阵M， 根据公式(1)所示的激活函数f1和公式(2)所示的二值函数f2， 按 照公式(3)提取 得到激活神经 元集群矩阵A； Ai， j＝f2(f1(Mi,j))  (3) 其中， Mi,j表示特征 图谱矩阵M中第i行第j列的元素， Ai,j表示激活神经元集群矩阵A中 第i行第j列的元 素。 5.根据权利要求3所述的一种基于未训练卷积神经网络的快速目标识别方法， 其特征 在于， 所述 步骤2.2具体包括： 基于加法器、 计数器和提取器， 利用属于同一类别t的包含K张图像的图像集所产生的 激活神经元集群矩阵A1,A2,…,AK， 按照公式(4)计算中间过程矩阵St； 接着利用中间过程矩 阵St， 按照公式(5)计算t类图像的共同激活神经 元集群矩阵Ct； 权　利　要　求　书 1/3 页 2 CN 115527066 A 2其中， 表示中间过程矩阵St中第i行第j列的元素， 表示共同激活神经元集群矩阵 Ct中第i行第j列的元 素。 6.根据权利要求3所述的一种基于未训练卷积神经网络的快速目标识别方法， 其特征 在于， 步骤4中， 将待识别图像的激活神经元集群与已保存的各类别图像的共同激活神经元 集群进行比对， 确定并输出待识别图像所属的类别， 具体包括： 将待识别图像的激活神经元集群矩阵Anew按照公式(6)分别与已保存的各类别图像的 共同激活神经 元集群矩阵Ct取交集， 获得矩阵 其中， t∈1,2, …,N， N表示类别数； 基于矩阵 按照公式(7)确定待识别图像所属的类别tnew； 其中， δ为共同激活神经元集群覆盖率参数， δ的含义为： 当待识别图像所生成的矩阵 中值为1的元素与类别t图像的共同激活神经元集群矩阵Ct中值为1的元素有δ ×100％ 的元素位置一 致， 则表明待识别图像属于t类。 7.一种基于未训练卷积神经网络的快速目标识别系统， 其特征在于， 包括未训练卷积 神经网络模块、 激活神经元集群提取模块、 共同激活神经元集群提取模块、 共同激活神经元 集群记忆模块和激活神经 元集群对比模块； 所述未训练卷积神经网络模块， 用于对输入图像进行特征提取， 获得输入图像的特征 图谱； 所述激活神经元集群提取模块， 用于基于输入图像的特征图谱提取输入图像的激活神 经元集群； 所述共同激活神经元集群提取模块， 用于从属于同一类别的图像所产生的所有激活神 经元集群中提取 该类别图像相应的共同激活神经 元集群； 所述共同激活神经 元集群记 忆模块， 用于保存各类别图像的共同激活神经 元集群； 所述激活神经元集群对比模块， 用于将待识别图像的激活神经元集群与已保存的各类 别图像的共同激活神经 元集群进行 逐一比对， 确定并输出待识别图像所属的类别。 8.根据权利要求7所述的一种基于未训练卷积神经网络的快速目标识别系统， 其特征 在于， 所述未训练卷积神经网络模块采用基于包 含多个卷积层的随机赋权网络 。 9.根据权利要求7所述的一种基于未训练卷积神经网络的快速目标识别系统， 其特征 在于， 所述激活神经 元集群提取模块， 具体用于： 针对特征图谱矩阵M， 根据公式(1)所示的激活函数f1和公式(2)所示的二值函数f2， 按 照公式(3)提取 得到激活神经 元集群矩阵A； 权　利　要　求　书 2/3 页 3 CN 115527066 A 3