[发明专利]一种有效防止卷积神经网络过拟合的图像分类方法

摘要

本发明涉及一种有效防止卷积神经网络过拟合的图像分类方法，包括获得图像训练集和图像测试集；卷积神经网络模型的训练；用训练后的卷积神经网络模型对图像测试集进行图像分类。其中，卷积神经网络模型训练的步骤为对图像训练集中的图像数据进行预处理和样本扩增，形成训练样本；对训练样本进行前向传播提取图像特征；在Softmax分类器中计算各样本的分类概率；根据概率yi计算得到训练误差；利用所述训练误差从卷积神经网络的最后一层依次往前反向传播，同时利用随机梯度下降法SGD修改网络权值矩阵W。与现有技术相比，本发明具有分类精度高、收敛速度快、计算效率高等优点。

主权项

一种有效防止卷积神经网络过拟合的图像分类方法，其特征在于，该方法运行在GPU中，包括：步骤一，获得图像训练集和图像测试集；步骤二，卷积神经网络模型的训练，具体包括以下步骤：a)设定卷积神经网络的结构和训练次数上限N，初始化神经网络权值矩阵W，所述结构包括卷积神经网络的层数和每层中特征图的数量；b)从所述图像训练集中获取图像数据进行预处理，并进行样本扩增，形成训练样本；c)对所述训练样本进行前向传播提取图像特征，所述前向传播包括卷积层、非线性归一化层和混合pooling层的计算；d)在Softmax分类器中计算各样本的分类概率：yi=exp(si)Σk=1nexp(sk)]]>式中，si表示Softmax分类器第i个神经元的输出值，si＝F·η，F为某个训练样本的图像特征向量，η为相应的权值，n为需要分类的类别数量；e)根据概率yi计算得到训练误差δi=Σk=1nyk*ykyk(θik-yi)]]>当i＝k时，θik＝1，i表示第i个类别，当原始输入属于类别i时，f)利用所述训练误差从卷积神经网络的最后一层依次往前反向传播，同时利用随机梯度下降法SGD修改网络权值矩阵W；g)判断模型训练是否完成，若是，则保存卷积神经网络模型和Softmax分类器后执行步骤三，若否，则返回步骤b)；步骤三，利用训练后的卷积神经网络模型对图像测试集进行图像分类。