基于常微分方程的GRU网络模型及特征提取方法、装置与流程

技术特征：
1.一种基于常微分方程的gru网络模型，其特征在于，包括至少一个gru层，所述至少一个gru层中的每个gru层均包括候选隐藏层，所述候选隐藏层基于常微分方程对候选隐藏层的输入信息进行计算将其转化为隐藏状态序列输出。2.根据权利要求1所述的一种基于常微分方程的gru网络模型，其特征在于，所述候选隐藏层采用欧拉方法euler或者龙格
‑
库塔方法runge
‑
kutta对候选隐藏层的输入信息进行计算将其转化为隐藏状态序列输出。3.一种特征提取方法，其特征在于，包括以下步骤：获取至少一张图像，所述至少一张图像中的每张图像均包括至少一个待识别目标；对所述至少一张图像中的每张图像进行卷积、池化后输入已训练完成的gru网络模型中对所述至少一个待识别目标中的每个待识别目标进行特征提取，所述gru网络模型为权利要求1或2任一所述的一种基于常微分方程的gru网络模型。4.根据权利要求3所述的一种特征提取方法，其特征在于，所述获取至少一张图像之后还包括：对所述至少一张图像中的每张图像进行预处理的步骤。5.根据权利要求4所述的一种特征提取方法，其特征在于，所述对所述至少一张图像中的每张图像进行预处理的步骤包括：利用双边滤波算法对所述至少一张图像中每张图像的空洞进行填空。6.根据权利要求3所述的一种特征提取方法，其特征在于，所述图像为rgb
‑
d图像。7.根据权利要求3所述的一种特征提取方法，其特征在于，采用卷积神经网络对所述至少一张图像中的每张图像进行卷积、池化。8.一种特征提取装置，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，其特征在于：所述控制器用于读取所述计算机程序，执行权利要求3
‑
7任一所述的一种特征提取方法。9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于：当所述指令在计算机上运行时，执行权利要求3
‑
7任一所述的一种特征提取方法。

技术总结
本发明公开了一种基于常微分方程的GRU网络模型及特征提取方法、装置，该GRU网络模型包括至少一个门控循环单元，所述至少一个门控循环单元中的每个门控循环单元均包括候选隐藏层，所述候选隐藏层基于常微分方程对候选隐藏层的输入信息进行计算将其转化为隐藏状态序列输出。该GRU网络模型在训练过程中不需要耗费大量的空间来存储中间结果，减小存储空间，提高内存效率。提高内存效率。提高内存效率。


技术研发人员：宗兆文 黄军建 蒋仁庆 钟鑫 杜文琼 贾益君 周小林 杨昊洋
受保护的技术使用者：中国人民解放军陆军军医大学第二附属医院
技术研发日：2021.09.15
技术公布日：2021/12/13