[发明专利]卷积神经网络的特征训练方法及装置

权利要求书

1.一种卷积神经网络的特征训练方法，其特征在于，包括：

提取第一特征图片；

确定所述第一特征图片的特征图，且根据所述特征图获取第一特征；将所述第一特征作为输入，计算损失函数的损失值，其中，所述计算损失函数的损失值包括：配置第一损失函数，其中，所述第一损失函数用于作为Softmax和交叉熵结合的损失函数；配置第二损失函数，其中，所述第二损失函数用于作为角度损失函数；以及

根据所述损失值更新卷积神经网络；

其中，所述损失函数用于使得更新后的卷积神经网络中训练的特征符合预设的类别；

通过第一损失函数得到第一特征所述类别的概率；

通过第二损失函数减小特征的类内距离，增加特征的类间距离；

所述提取第一特征图片包括：

输入N张图片，再对N张图片做归一化预处理，将归一化处理后输入卷积神经网络得到对应的特征图；

将所述第一特征作为输入，计算损失函数的损失值包括：

N张特征图作为输入，经过全连接层，得到N×M维特征，N个特征，对应于N张图片，每个特征M维；将N×M维的特征和图片的类别标签作为输入，计算损失函数的损失值；

其中计算损失函数的损失值包括：计算第一损失函数的损失值以及计算第二损失函数的损失值；

计算第一损失函数的损失值包括：

通过损失函数计算N张输入图片各自对应的所有的概率相加后得到的平均值；

损失函数是指其中，f为获取的第一特征，为类别i类对应的权重向量，所以为类别y_i对应的权重向量，M个类别，每张输入图片对应自己特定的一个类别y_i，y_i作为输入图片对应的真实类别；

通过与f相乘得到一个分数，而中的式子，代表f被判断成y_i的该类别上的概率；

计算第二损失函数的损失值包括：

通过损失函数计算N张图片的的平均值；

损失函数为

其中，f为获取的第一特征，为类别y_i对应的权重向量，M个类别，每张输入图片对应自己特定的一个类别y_i，y_i作为输入图片对应的真实类别，

代表与f的角度的余弦值其范围在[-1,1]之间，越接近1，则向量与f特征向量之间的角度越小。

2.根据权利要求1所述的特征训练方法，其特征在于，根据所述损失值更新卷积神经网络后还包括：

输入待测试的第二图片；

通过所述损失值更新后的卷积神经网络后得到对应的第二特征；

将所述第二特征作为输入，计算损失函数的损失值；

确定所述第二图片对应物体的类别。

3.根据权利要求1-2任一项所述的特征训练方法，其特征在于，所述损失函数用于使得更新后的卷积神经网络中训练的特征符合预设的类别如下：

特征的类内距离更近；

特征的类间距离更远。