[发明专利]一种基于空间融合池化的深度神经网络方法

权利要求书

1.一种基于空间融合池化的深度神经网络方法，用于图像分类，包括下列步骤：

(1)收集各种不同类别的图像，并标注图像类别，作为图像标签信息；

(2)图像集划分；将收集的图像划分为训练集，验证集和测试集，训练集用于训练卷积神经网络，验证集用于选择最佳的训练模型，测试集为后续测试模型效果或者实际应用时使用；

(3)设计应用于图像分类的深度神经网络结构，包括所用的卷积层层数和空间融合池化层的层数，设计卷积层中滤波器的个数，设计空间融合池化层中的融合函数形式和空间滑动步长S₁和池化函数f(·)和池化窗口尺寸以及步长S₂，设计用于特征融合的卷积滤波器结构，设计网络训练循环迭代的次数和网络最终收敛条件，并初始化网络参数；

(4)将训练数据批量的输入到该网络中，进行计算和训练，具体步骤如下：

a)将训练数据输入网络中，计算第一个空间融合池化层之前的所有卷积层，并得到卷积层特征Y∈R^H×W×D，其中H×W表示输出的特征图的大小，D表示输出的特征图的通道数，并将其输入到池化层；

b)对输入到当前池化层的特征Y进行空间融合池化操作；

1)进行通道间的特征融合，经过空间融合，得到的特征图Y'；

2)对融合后的特征图Y'进行特征池化采样，在此选用最大值max(·)函数作为池化函数进行池化操作，经过池化后的输出特征图为Z；

3)将输出的特征图Z输出到后续的卷积层进行操作；

c)按照步骤a)和步骤b)计算后续的卷积层和空间融合池化层；

d)计算损失并进行反向传播，按照梯度下降法更新网络权重；

e)循环步骤a)～d)，经过多次迭代后，损失收敛，验证集错误率降到最低，得到训练好的神经网络模型。