[发明专利]一种卷积神经网络模型的训练方法及其设备

说明书

本发明实施例公开了一种卷积神经网络模型的训练方法及其设备，用于通过对预置的卷积神经网络模型的训练得到更新的卷积神经网络模型。本发明实施例方法包括：获取人脸图像；使用预置的卷积神经网络模型对所述人脸图像进行图像训练，得到属性判断结果，所述属性判断结果包括多个属性以及所述多个属性中的每一个属性所对应的概率；通过交叉熵函数和所述人脸图像的真实属性对所述属性判断结果进行评价，得到评价结果；根据所述评价结果更新所述卷积神经网络模型中各个参数的权重，得到更新后的卷积神经网络模型。

技术领域

本发明涉及图像处理领域，尤其涉及一种卷积神经网络模型的训练方法及其设备。

背景技术

卷积神经网络(英文：Convolutional Neural Network；缩写：CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(英文：alternating convolutional layer)、最大池化层(英文：pooling layer)和全连层。

CNN网络模型主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，CNN的特征检测层通过训练数据进行学习。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

然而，若仅通过预先设计的CNN网络模型对图像进行训练，没有对自身的参数进行更新或修正的机制，因此无法通过自动更新其参数的权重得到性能更优异的CNN网络模型。

发明内容

本发明实施例提供了一种卷积神经网络模型的训练方法及其设备，用于通过对预置的卷积神经网络模型的训练得到更新的卷积神经网络模型。

本发明第一方面提供了一种卷积神经网络模型的训练方法，包括：

获取人脸图像；使用预置的卷积神经网络模型对该人脸图像进行图像训练，得到属性判断结果，该属性判断结果包括多个属性以及该多个属性中的每一个属性所对应的概率；通过交叉熵函数和该人脸图像的真实属性对该属性判断结果进行评价，得到评价结果；根据该评价结果更新该卷积神经网络模型中各个参数的权重，得到更新后的卷积神经网络模型。

结合本发明第一方面，本发明第一方面的第一种实施方式，包括：

对该人脸图像进行人脸对齐，得到对齐后的人脸图像；使用该卷积神经网络模型对该对齐后的人脸图像进行训练。

结合本发明第一方面，本发明第一方面的第二种实施方式，包括：

对该人脸图像进行图像张量化，得到图像张量化后的人脸图像；使用预置的卷积神经网络模型对该图像张量化后的人脸图像进行图像训练。

可选的，该卷积神经网络模型的卷积层的卷积核的大小为3×3的滤波器，卷积步长为1，且该卷积神经网络模型中的最大池化层的步长为2，采样滑动窗口为2×2。

可选的，该卷积神经网络模型包括5层卷积层、5层最大池化层和2层全连层。

可选的，该卷积神经网络模型中的该5层卷积层、该5层最大池化层和该2层全连层依次为：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第五卷积层、第五最大池化层、第一全连层、第二全连层。

结合本发明第一方面，本发明第一方面的第三种实施方式，包括：

使用该卷积神经网络模型对该人脸图像进行图像训练，得到预置个数的矩阵；使用分类算法预估该预置个数的矩阵中的各个矩阵所对应的该多个属性中的各个属性的概率分布；根据该多个属性中的各个属性的概率分布估计该人脸图像的属性。