[发明专利]一种面向图像分类的深度卷积神经网络的优化方法

说明书

一种面向图像分类的深度卷积神经网络的优化方法，包括以下步骤；步骤一、构建图像分类卷积神经网络，步骤二、训练图像分类卷积神经网络；步骤三、测试图像分类卷积神经网络，过程如下：将预处理好的测试数据集送入训练好的网络模型，网络的Accuracy层根据Softmax层输出的概率值以及输入层的标签值输出一个精确度值，即测试图像被正确分类的概率；经过上述步骤的操作，即可实现面向图像分类的深度卷积神经网络的优化。本发明提供一种有效缩小语义鸿沟、分类准确性较高的面向图像分类的深度卷积神经网络的优化方法。

技术领域

本发明涉及计算机视觉领域和深度学习领域，特别涉及一种面向图像分类的深度卷积神经网络的优化方法，属于基于深度学习的计算机视觉领域。

背景技术

以卷积神经网络为代表的深度学习技术近些年来已经在很多方面取得了重大突破，特别是在计算机视觉领域，如图像分类，目标检索等，都取得了很好的效果。

图像分类指利用计算机的特征表达来模拟人类对图像的理解，自动将图像按照人类的理解方式划分到不同的语义空间。在图像分类任务中，为了获得更高的分类精度，需要对图像提取不同层次的特征信息。目前，图像分类研究领域仍然存在一个巨大挑战，即由机器表达出来的底层图像特征和人类所感知的高层语义信息之间存在一个“语义鸿沟”，这个“语义鸿沟”往往会影响最后的分类效果。而卷积神经网络对高层语义特征的强大表达能力，能够很好的缩小这个“语义鸿沟”。

发明内容

为了解决现有技术存在的语义鸿沟及分类准确率不高的问题，本发明提供一种有效缩小语义鸿沟、分类准确性较高的面向图像分类的深度卷积神经网络的优化方法。

本发明解决其技术问题所采用的技术方案是：

一种面向图像分类的深度卷积神经网络的优化方法，包括以下步骤；

步骤一、构建图像分类卷积神经网络，过程如下：

步骤1.1：该网络由五个卷积层、三个池化层和三个全连接层，和一个Softmax层组成；

步骤1.2：池化层用最大值-均值池化方式，将卷积层的输出分别用最大值、均值池化方式先处理，再将最大值和均值池化后的输出用Eltwise函数，采用总和操作输出；

步骤1.3：在全连接层采用Maxout激活函数，把FC-6层和FC-7层的输出后接Slice函数随机将输出分为两个部分；

步骤1.4：在Slice层后接Eltwise函数，采用最大值输出操作，通过步骤1.3和1.4实现全连接层的Maxout激活；

步骤1.5：在全连接层的FC-7和FC-8层之间增加一个新的隐层H，隐层H是一个全连接层，其神经元的活动由后续的网络层的语义编码和分类调节；

步骤1.6：隐层H后接一个Sigmoid激活函数来控制隐层神经元的活动，把输出控制为{0，1}；

步骤二、训练图像分类卷积神经网络，过程如下：

步骤2.1：在网络的输入层对输入的图像进行随机裁剪，并将裁剪后的图像和裁剪旋转180度后的图像一起输入上述网络模型中；

步骤2.2：计算训练数据集的均值文件；

步骤2.3：采用预训练网络模型的方式，即用在ImageNet数据集上预训练好AlexNet的权值来初始化网络，并对隐层和输出层的权值采用随机初始化的方式；

步骤2.4：向初始化后的网络模型中输入训练样本和标签，通过反向传播算法在目标数据集上微调网络参数,使损失函数值最小；

步骤三、测试图像分类卷积神经网络，过程如下：