基于拓扑数据分析与卷积神经网络特征融合方法的研究
计算机视觉与模式识别
2024-07-16 v1
摘要
卷积神经网络（CNN）在捕捉复杂高维数据的数据多维结构信息方面存在困难，这限制了其特征学习能力。本文提出一种基于拓扑数据分析（TDA）与CNN特征融合方法，命名为TDA-CNN。该方法将CNN捕获的数值分布特征与TDA捕获的拓扑结构特征相结合，以提高CNN的特征学习与表征能力。TDA-CNN将特征提取分为CNN通道与TDA通道。CNN通道提取数值分布特征，TDA通道提取拓扑结构特征。两种特征类型通过注意力机制自适应学习其重要性权重后进行融合，以形成组合特征表示。在Intel Image、Gender Images和中文书法体样式等数据集上的实验验证表明，TDA-CNN分别使VGG16、DenseNet121和GoogleNet网络性能提升17.5%、7.11%和4.45%。TDA-CNN在特征聚类方面表现出改进，并具备识别重要特征的能力。这有效提升了模型的决策能力。
引用
@article{arxiv.2407.09518,
title = {Research on fusing topological data analysis with convolutional neural network},
author = {Yang Han and Qin Guangjun and Liu Ziyuan and Hu Yongqing and Liu Guangnan and Dai Qinglong},
journal= {arXiv preprint arXiv:2407.09518},
year = {2024}
}