技術(shù)特征：

1.一種基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述表達(dá)方法包括：

步驟一：根據(jù)深度網(wǎng)絡(luò)對輸入圖像I進(jìn)行前向傳遞；

步驟二：根據(jù)所述深度網(wǎng)絡(luò)構(gòu)建深度特征模型，獲得深度絕緣子紅外特征。

2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述根據(jù)深度網(wǎng)絡(luò)對輸入圖像I進(jìn)行前向傳遞的方法包括：

步驟11：對輸入的圖像提取表征深度特征的各層神經(jīng)元響應(yīng)F：

F＝Φ(I) (1)，

其中，Φ(·)為基于預(yù)訓(xùn)練網(wǎng)絡(luò)產(chǎn)生的深度網(wǎng)絡(luò)特征提取函數(shù)，F(xiàn)表示輸入圖像I后前向傳遞得到的各層神經(jīng)元響應(yīng)特征集合；

步驟12：基于預(yù)訓(xùn)練的深度網(wǎng)絡(luò)參數(shù)，構(gòu)建深度特征增益層函數(shù)f(x)確定初級(jí)深度網(wǎng)絡(luò)：

$\left\{\begin{array}{c}f\left(x\right)=c\·x\\ c\≥1\end{array}\right.---\left(2\right),$

其中，c為常數(shù)，x表示深度網(wǎng)絡(luò)神經(jīng)元響應(yīng)特征集合F中的中間層特征；

步驟13：對所述初級(jí)深度網(wǎng)絡(luò)依次進(jìn)行權(quán)值壓縮及深度網(wǎng)絡(luò)剪枝，以得到改進(jìn)深度網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述權(quán)值壓縮的方法包括：

通過隨機(jī)丟失的方法對初級(jí)深度網(wǎng)絡(luò)中的深度網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)置零，以實(shí)現(xiàn)深度網(wǎng)絡(luò)中權(quán)值的壓縮。

4.根據(jù)權(quán)利要求2所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述深度網(wǎng)絡(luò)剪枝的方法包括：

在權(quán)值壓縮后，通過節(jié)點(diǎn)相似度方法計(jì)算深度網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的相似度；

利用Jaccard方法計(jì)算深度網(wǎng)絡(luò)分支相似度sim，如式(3)所示，其中分支c_i與c_j的相似度閾值設(shè)為80％，

$sim(c_i,c_j)=\frac{c_i\∩c_j}{c_i\∪c_j}---\left(3\right);$

根據(jù)各個(gè)節(jié)點(diǎn)的相似度將相近相似度的節(jié)點(diǎn)進(jìn)行合并，減少網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)，實(shí)現(xiàn)深度網(wǎng)絡(luò)剪枝。

5.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述獲得深度絕緣子紅外特征的方法包括：

步驟21：根據(jù)以下公式在所述深度網(wǎng)絡(luò)中提取中層特征

$\mathrm{\θ}\left(x_i\right)=\left\{\begin{array}{ccc}{x}_i,& if& x_i\>0\\ 0,& if& x_i\<0\end{array}\right.---\left(4\right),$

$F_j^l=\mathrm{\θ}(\underset{i=1}{\overset{M^{l-1}}{\Σ}}{F}_i^{l-1}*W_{ij}^l+b_j^l)---\left(5\right),$

其中，為F其中一特征圖，l表示卷積層數(shù)，表示第l層卷積陣列中第i行第j列的卷積核，其中i＝1,...,l，j＝1,...,l，表示第j列卷積的偏差，M^l-1表示第l層卷積陣列的卷積核數(shù)量，x_i表示第i行卷積對應(yīng)的深度網(wǎng)絡(luò)特征值，θ(·)表示激活函數(shù)；

步驟22：從對應(yīng)的圖像中提取的第l層中層深度特征其可以看作為大小h×w×d三維張量組合S，其中S＝{s₁,...,s_i,...,s_n}，n＝1,...,d，s_n為大小為h×w的深度特征圖，從S中抽取s_i；

步驟23：計(jì)算各所述深度特征圖s_i的重要度；

步驟24：按照重要度從高到低的順序，將同一層的各所述深度特征圖進(jìn)行排序，獲得重要度排名；

步驟25：基于所述重要度排名，對特征圖進(jìn)行選擇，得到深度特征描述子；

步驟26：根據(jù)所述深度特征描述子進(jìn)行深度特征編碼得到深度絕緣子紅外特征。

6.根據(jù)權(quán)利要求5所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述計(jì)算所述深度特征圖的重要度的方法包括：

步驟231：將深度特征圖的元素規(guī)范化到0～255整型范圍內(nèi)；

步驟232：根據(jù)公式(6)計(jì)算規(guī)范化的深度特征圖的圖像熵H(s_i)：

$H\left(s_i\right)=-\underset{n=0}{\overset{255}{\Σ}}{p}_n{\log }_2\left(p_n\right)---\left(6\right),$

其中，p_n表示灰度值n的像素出現(xiàn)的概率；

步驟233：根據(jù)公式(7)計(jì)算特征圖的標(biāo)準(zhǔn)差σ(s_i)：

$\mathrm{\σ}\left(S_i\right)=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(O_i-\mathrm{\μ})}^2}---\left(7\right),$

其中，N為元素總數(shù)，O_i為第i像素灰度值，μ為均值；

步驟234：根據(jù)公式(8)確定特征圖s_i的重要度K(s_i)：

$K\left(s_i\right)=H\left(s_i\right)+\mathrm{\λ}\sqrt{\mathrm{\σ}\left(s_i\right)}---\left(8\right),$

其中，λ表示平衡圖像熵H(s_i)和標(biāo)準(zhǔn)差σ(s_i)的經(jīng)驗(yàn)值。

7.根據(jù)權(quán)利要求5所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述對特征圖進(jìn)行選擇的方法包括：

對所述重要度排名的前50％的特征圖進(jìn)行保留，后50％置零。

8.根據(jù)權(quán)利要求5所述的基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，其特征在于，所述根據(jù)所述深度特征描述子進(jìn)行深度特征編碼得到深度絕緣子紅外特征的方法包括：

步驟261：通過聚類方法訓(xùn)練得到碼本C^l＝{c₁,c₂,...,c_k}，其中，該碼本為k×D矩陣，由k個(gè)D維的碼字構(gòu)成；

步驟262：根據(jù)公式(9)，對每一個(gè)深度特征描述子y_n與所述描述子最近的碼字進(jìn)行分配，其中深度特征描述子組合為Y＝(y₁,y₂,...,y_n)：

$c\left(y_n\right)=\arg \underset{c_i}{min}d|c_i,y_n|---\left(9\right),$

其中，i＝1,2,...,k；

步驟263：根據(jù)公式(10)，計(jì)算深度特征描述子y_n與對應(yīng)碼字c_i之間的殘差

$v_i^l=\underset{s.t.NN\left(y\right)=c_i}{\Σ}{y}_n-c_i---\left(10\right);$

步驟264：對所述殘差進(jìn)行拼接得到深度絕緣子紅外特征的表達(dá)ω^l(I)：

${\mathrm{\ω}}^l\left(I\right)=\[v_1^l,...,v_k^l\]---\left(11\right).$