[发明专利]一种随机最大池化深度卷积神经网络噪声图形分类方法

摘要

本发明公开一种针对含有噪声图像分类的新型深度卷积神经网络方法，主要特点在于采用了随机最大值池化这一新的池化方法。随机最大值池化方法随机选取感受野范围内前n个较大值作为池化结果，首先将感受野范围内的所有值进行排序，选出前n个较大值；然后在前n个较大值中随机选取一个值作为池化结果。随机最大值池化方法结合了最大池化方法和随机池化方法的特点，既能保留感受野内主要特征信息，又能提高网络对感受野内噪声的抑制作用。本发明在CIFAR‑10，SVHN和MNIST数据集上进行验证，取得较好效果。

主权项

1.一种基于随机最大值池化的深度卷积神经网络噪声图像分类方法，其特征在于针对噪声图像分类，首先对其进行预处理，然后通过基于随机最大值池化的深度卷积神经网络进行模型训练，利用训练好的深度卷积神经网络模型进行噪声图像分类，包括以下步骤：1)将数据集分成训练集和测试集。2)对训练集和数据集进行数据预处理：2.1)为了提升网络的检测速度，达到实时性要求，将数据集中所有图片尺寸变换成32×32；2.2)对训练集和数据集进行对比度归一化处理，归一化的目的是能够使图像具有仿射不变性，并加快网络收敛的速度；2.3)对训练集和数据集进行白化处理，去除数据之间的相关性，并具有相同的方差，降低输入的冗余性。3)采用基于随机最大值池化的深度卷积神经网络进行训练和检测：3.1)在大量实验的基础上，确定网络结构及网络参数，包括卷积层数，特征图的数量和激活函数等；3.2)利用训练集进行网络训练。为了解决噪声图片中高频信息对网络提取特征过程的干扰，采用随机最大值池化方法进行深度卷积神经网络训练；3.3)利用训练出来的网络模型对测试集进行测试，确定网络性能。4)将训练好的网络模型作为含噪声图像分类工具。