[发明专利]基于稀疏性随机池化的卷积神经网络的图像识别方法

摘要

本发明所述基于稀疏性随机池化卷积神经网络的图像识别方法，该方法利用稀疏性随机池化的卷积神经网络来对图像进行特征提取并联结分类器分类识别，所述稀疏性随机池化的池化策略是首先判别池化区域的稀疏程度来动态选取该区域的最佳特征值，并通过该最佳值使用高斯分布分配池化区域每个激活值概率权重，最后通过概率权重进行随机取值作为池化的输出值；本发明所述基于稀疏性随机池化卷积神经网络的图像识别方法的有益效果是不仅能够优化特征提取阶段的特征信息，而且使模型在训练中一定程度上避免陷入局部最小值，增强了识别模型的泛化性与识别精度。

主权项

一种基于稀疏性随机池化卷积神经网络的图像识别方法，其特征在于包括如下步骤：1）构建图像样本集，包括训练集与测试集以及每张图片对应的标签集，其中设定好图像每一类别在分类器中的编码方式；2）搭建卷积神经网络框架，包括特征提取框架与训练分类框架，特征提取阶段由多个卷积层与池化层交迭进行，训练分类阶段由全连接层与分类器层构成，用于将前端提取的图像特征经由全连阶层并以向量形式输入分类器；3）训练过程中设置超参数，构造代价函数，利用BP算法每次根据最小批次的误差反向更新网络的权重；所述超参数包括学习率参数、Dropout层、带momentum的SGD、ReLu激活函数等；所述构造代价函数，即计算所得值与目标标签值的误差函数；然后利用BP算法每次根据最小批次的误差反向更新网络的权重；4)图像输入识别模型的卷积层进行特征提取，输出特征图并连接下一个神经元作为新的输入数据进行操作，每个神经元只对图像的局部区域进行感知，两个相邻滑动窗口之间的距离称为步长，每个特征图谱上所有节点具有权重共享特性；5）在卷积神经网络结构中的池化层采用稀疏随机池化操作，池化策略是根据池化区域的稀疏程度来动态得到该区域的最佳特征值，并通过该最佳特征值利用高斯分布以最佳特征值为中央分配区域其余激活值的权重，最后通过带权重的随机取值作为池化的输出值；6）图像数据前向传播经过卷积层、池化层、非线性层和全连接层最后连接softmax分类器，计算交叉熵代价函数，并使用随机梯度下降法反向传播逐层调整权重减小误差；7）重复步骤6），经由网络的输入端到输出端不断的训练调整，使代价函数不断收敛，直至达到设定的训练次数或测试集上准确率不再提升则终止训练，获得CNN图像识别模型；8）如图3（b）所示，使用训练好的网络对新的图像样本进行识别，得到最终分类结果。