[发明专利]一种基于卷积神经网络随机池化的图像分类方法

权利要求书

1.一种基于卷积神经网络随机池化的图像分类方法，其特征在于，该方法包括如下步骤：

(1)将待处理图像数据集划分为训练集、测试集；

(2)设计用于待处理图像数据集分类任务的卷积神经网络；

(3)对图像训练集和测试集在输入训练卷积网络前进行预处理；

(4)将预处理后的训练集和测试集依次分批量导入卷积神经网络结构中，卷积层得到四维张量特征图，使用激活函数激活特征图；

(5)将激活后的特征图导入卷积神经网络的池化层进行随机池化采样概率的运算；

所述随机池化采样概率的运算方法如下：该运算首先将激活后的特征图在每个池化域中减去该池化域中最小的激活值，再以池化域中平移得到的非负激活值，归一化计算得到每个池化域内激活值对应的采样概率；

第j个池化域R_j内，每个激活元素a_i的采样概率p_i的计算方法如下：

(6)以每个池化域内采样概率形成的多项式分布进行采样，输出为训练阶段的随机池化响应；

(7)使用训练集训练卷积神经网络模型，利用分类训练好的卷积神经网络模型完成对测试集的分类。

2.根据权利要求1所述的一种基于卷积神经网络随机池化的图像分类方法，其特征在于，在步骤(2)中，设计用于待处理图像数据集分类任务的卷积神经网络包括卷积神经网络层数，每层卷积核大小，每层特征图个数，全连接层的节点个数以及各层参数初始化策略，并且每层卷积层后的非线性激活函数是具有负值响应的激活函数。

3.根据权利要求1所述的一种基于卷积神经网络随机池化的图像分类方法，其特征在于，在步骤(3)中，所述对图像训练集和测试集在输入训练卷积网络前进行预处理方法如下：首先将每张图像放缩到固定的尺寸大小，然后对于训练集和测试集，每张图片的每个通道内的像素点都减去训练集在每个通道的统计平均值，最后对图像的每个通道的像素值缩放到[0,1]区间。

4.根据权利要求1所述的一种基于卷积神经网络随机池化的图像分类方法，其特征在于，在步骤(6)中，以池化域内激活值的采样概率平均运算输出为测试阶段的随机池化响应。

5.根据权利要求1所述的一种基于卷积神经网络随机池化的图像分类方法，其特征在于，在步骤(7)中，按照基于mini-batch的随机梯度下降方法，利用训练集来训练卷积神经网络模型，利用分类训练好的卷积神经网络模型完成对测试集的分类。