[发明专利]对池化层特征优化的方法及装置

权利要求书

1.一种对池化层特征优化的方法，其特征在于，所述方法应用于卷积神经网络中的池化层且用于对卷积神经网络中卷积层输出的特征进行处理，所述方法包括：

获取所述卷积层输出的多维矩阵；

计算所述多维矩阵中每一个特征值在所述多维矩阵中的存在概率；

根据所述存在概率计算每个特征值包含的信息量；

根据所述信息量计算每个特征值的信息熵；

将每个特征值与对应的信息熵进行融合得到目的特征值，多个所述目的特征值组成目的多维矩阵。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

将所述目的多维矩阵输入至所述卷积神经网络中的后续网络层进行处理。

3.如权利要求1所述的方法，其特征在于，所述计算所述多维矩阵中每一个特征值在所述多维矩阵中的存在概率的计算方式为：

其中，x_i为所述多维矩阵中的特征值，P(x_i)为每个特征值在多维矩阵中的存在概率。

4.如权利要求1所述的方法，其特征在于，所述根据所述存在概率计算每个特征值包含的信息量的计算方式为：

其中，P(x_i)为每个特征值在多维矩阵中的存在概率，I(x)为每个特征值包含的信息量。

5.如权利要求1所述的方法，其特征在于，所述根据所述信息量计算每个特征值的信息熵的计算方式为：

其中，P(xi)为每个特征值在多维矩阵中的存在概率，H(x)为每个特征值的信息熵。

6.如权利要求1所述的方法，其特征在于，所述将每个特征值与对应的信息熵进行融合得到目的特征值的计算方式为：

Feature(x)＝H(x)*x_i

其中，H(x)为每个特征值的信息熵，x_i为所述多维矩阵中的特征值，Feature(x)为目的特征值。

7.一种对池化层特征优化的装置，其特征在于，所述装置应用于卷积神经网络中的池化层且用于对卷积神经网络中卷积层输出的特征进行处理，所述装置包括：

获取模块，用于获取所述卷积层输出的多维矩阵；

第一计算模块，用于计算所述多维矩阵中每一个特征值在所述多维矩阵中的存在概率；

第二计算模块，用于根据所述存在概率计算每个特征值包含的信息量；

第三计算模块，用于根据所述信息量计算每个特征值的信息熵；

融合模块，用于将每个特征值与对应的信息熵进行融合得到目的特征值，多个目的特征值组成目的多维矩阵。

8.如权利要求7所述的装置，其特征在于，所述装置还包括：

输入模块，用于将所述目的多维矩阵输入至所述卷积神经网络中的后续网络层进行处理。

9.如权利要求7所述的装置，其特征在于，所述第一计算模块具体的计算方式为：

其中，x_i为所述多维矩阵中的特征值，P(x_i)为每个特征值在多维矩阵中的存在概率。

10.如权利要求7所述的装置，其特征在于，所述第二计算模块具体的计算方式为：

其中，P(x_i)为每个特征值在多维矩阵中的存在概率，I(x)为每个特征值包含的信息量。