面向非图像数据的深度学习图像识别

强大的深度学习算法通过将非图像机器学习（ML）问题转化为图像识别问题，为求解此类问题提供了契机。本章提出的CPC-R算法通过可视化非图像数据将非图像数据转换为图像。随后深度学习CNN算法在这些图像上解决学习问题。CPC-R算法的设计允许在二维图像中保留所有高维信息。与使用替代方法中单值映射不同，采用成对值映射使得可用少两倍的视觉元素编码每个n维点。n维点的属性被划分为其值对，每对在相同的二维笛卡尔坐标中可视化为二维点。接下来，为每个对分配灰度或颜色强度值以编码对的顺序。这得到了热力图图像。使用不同CNN架构对CPC-R进行了计算实验，并给出了优化CPC-R图像的方法，表明CPC-R与深度学习CNN算法相结合能够求解非图像ML问题并在基准数据集上达到高准确率。本章扩展了我们先前的工作，增加了更多实验以测试分类准确率，探索已发现特征的显著性与信息量以测试其可解释性，并对该方法进行了推广。