近年來，隨著人工智能技術的不斷發展和應用，圖像分類技術在多個領域得到了廣泛應用。并且伴隨著深度學習的興起，卷積神經網絡（CNN）已經成為了處理圖像分類任務的主流模型。CNN通過自動從圖像中提取特征來識別圖像，并使用softmax函數進行分類。然而，由于softmax函數的限制，傳統CNN模型在圖像分類方面存在一些不足。

據悉，為了解決這一問題，微美全息開發了一種新的圖像分類方法，利用受動物視覺系統啟發的分層結構自動從圖像中提取特征。該方法將仿生模式識別（BPR）與CNN相結合，可以充分利用高維特征空間的幾何結構，從而達到更優的分類性能，因此可以克服傳統模式識別的一些缺點。該方法已經在多個實驗中得到了驗證，并且在大多數情況下，比傳統方法的分類性能更高。

卷積神經網絡（CNN）是一種專門用于處理圖像的深度學習模型。它可以通過卷積和池化操作，自動地從圖像中提取特征，并使用全連接層進行分類。卷積操作是指將卷積核（也稱為過濾器）應用于圖像上的每個位置，并將結果輸出為特征圖。池化操作是指在特征圖上進行降采樣，以減少計算量和過擬合風險。

(資料圖片)

在傳統的CNN圖像識別分類模型中，softmax函數被用于分類。softmax函數可以將一組分數轉換為概率分布，其中每個分數表示該圖像屬于某個類別的置信度得分。傳統的模式識別方法通常使用特征空間中的超平面來分割類別。然而，這種方法存在一些缺點，例如需要手動選擇特征和難以處理非線性數據。相反，仿生模式識別（BPR）可以通過在高維特征空間中并集的幾何覆蓋集進行類識別，從而克服了這些問題。

BPR是一種基于仿生學的模式識別方法，其基本思想是利用生物系統對感官信息的處理方式進行模擬，將模式識別過程看作是在高維特征空間中進行的。在這個高維空間中，每個樣本點被視為一個對象，而不是一個點。因此，不同類別的樣本被分布在高維特征空間中的不同區域，而這些區域被稱為幾何覆蓋集。每個幾何覆蓋集由一組幾何對象構成，這些對象被稱為幾何原語，例如球、錐、多面體等。通過對幾何原語的適當組合，可以構建具有高分類性能的覆蓋集，從而實現對類別的識別。

研究表明，WIMI微美全息將BPR與CNN相結合，可以實現更好的圖像分類效果。具體而言，基于仿生模式識別（BPR）的卷積神經網絡（CNN）圖像分類，可以將CNN特征映射到高維特征空間中，并在該空間中構建幾何覆蓋集，然后將新的樣本映射到該空間中并判斷其所屬的類別。

資料顯示，微美全息（NASDAQ:WIMI）基于BPR的CNN圖像分類使用一個映射函數將CNN特征映射到高維特征空間中。這個映射函數可以是一個簡單的非線性變換，如多項式變換或徑向基函數（RBF）變換。也可以使用一些更復雜的函數，如神經網絡或支持向量機（SVM），來學習這個映射函數，將CNN特征轉換為在高維特征空間中更容易分類的形式。

WIMI微美全息CNN-BPR圖像分類技術使用已經被證明的，在高維特征空間中具有高分類性能的幾何原語，例如球、錐或多面體，來構建幾何覆蓋集。然后，我們可以使用一些優化算法，例如遺傳算法或粒子群優化算法，來搜索最優的幾何原語的組合，從而構建最佳的幾何覆蓋集。最后，我們可以使用一個分類器，例如K最近鄰算法或支持向量機（SVM），來識別新樣本所屬的類別。

實現將BPR與CNN相結合的圖像分類方法具體方式如下：

準備訓練數據集和測試數據集：需要收集一個包含許多不同類別的圖像的數據集。這個數據集應該包含兩個部分：訓練數據集和測試數據集。訓練數據集用于訓練CNN模型，測試數據集用于測試分類器的性能。

訓練CNN模型，提取圖像特征：使用訓練數據集來訓練CNN模型，并使用該模型提取每個圖像的特征。這些特征將被用于構建高維特征空間中的幾何覆蓋集。

將CNN特征映射到高維特征空間中：需要使用一個映射函數將CNN特征映射到高維特征空間中。可以使用一些非線性變換，例如多項式變換或RBF變換，或者使用更復雜的函數，例如神經網絡或SVM，來學習這個映射函數。

構建幾何覆蓋集：使用一些已經被證明在高維特征空間中具有高分類性能的幾何原語，例如球、錐或多面體，來構建幾何覆蓋集。然后，我們可以使用一些優化算法，例如遺傳算法或粒子群優化算法，來搜索最優的幾何原語的組合，從而構建最佳的幾何覆蓋集。

對新的樣本進行分類：最后，使用一個分類器，例如K最近鄰算法或SVM，來識別新樣本所屬的類別。我們可以將新樣本的特征映射到高維特征空間中，然后在該空間中尋找最近的幾何覆蓋集，最后將新樣本分類到覆蓋集所代表的類別中。

此外，微美全息CNN-BPR圖像分類技術特點是將卷積神經網絡和仿生模式識別相結合，通過在高維特征空間中構建幾何覆蓋集來進行圖像分類。相對于目前傳統的CNN模型使用softmax函數進行分類，softmax函數容量有限，不能很好地處理復雜的分類問題，例如圖像分類。此外，CNN模型不能充分利用高維特征空間的幾何結構，因此不能達到最優的分類性能。以及傳統模式識別方法通常需要手工選擇特征和分類器，需要大量的人力和時間成本。通過將BPR和CNN相結合，該技術可以克服傳統模式識別的一些缺點，提高圖像分類的性能，并且可以處理復雜的圖像分類問題。該方法在圖像分類可以克服目前傳統模式識別的一些缺點以及在大多數情況下，比傳統方法的分類性能更高。并且可以處理復雜的圖像分類問題，例如圖像識別、目標檢測和圖像分割等。

目前，基于卷積神經網絡的圖像分類技術已經在許多領域得到了廣泛應用，WIMI微美全息結合仿生模式識別的方法可以克服傳統模式識別方法的局限性，提高圖像分類的準確率和可靠性。相信隨著技術的不斷發展和進步，該技術在未來會有更廣泛的應用和更加出色的表現。

標簽：