[发明专利]一种用于图像识别的神经网络模型

说明书

本发明涉及一种用于图像识别的神经网络模型，由多个神经元连接在一起构成多层网络，所述多层网络包括卷积层、池化层和全连接层，卷积层用于提取特征向量，池化层对特征向量进一步筛选，全连接层进行最后的分类，各层之间通过激活函数连接在一起，并通过训练算法不断改进网络参数。本发明设计合理，该神经网络模型通过卷积层提取特征向量，通过池化层对向量进一步筛选，通过全连接层进行最后的分类，通过激活函数用于建立各层之间的连接关系并通过训练算法不断改进网络参数，从而提高图像中目标的识别率，为网络模型的设计、训练算法的选择提供新思路，可广泛用于图像识别领域。

技术邻域

本发明属于人工智能技术领域，尤其是一种用于图像识别的神经网络模型。

背景技术

随着电子计算机技术逐渐成熟，数字图像技术被广泛应用于工农业生产和日常生活的各个领域。数字图像技术领域中图像的传输和存储技术已经非常成熟，而且应用广泛，而图像的分析和理解无论是理论还是应用与前者相比还有着很大的差距。

图像的识别作为图像分析和理解的核心问题一直是当前领域的热点与难点。图像识别技术的目的就是根据观测的图像，对其中的物体进行辨别与分类。一般来说，一个图像识别系统由三个部分组成：图像分割、图像特征提取和分类器的识别分类。图像切割是将图像划分为多个关键的区域，然后将每个区域的图像进行特征提取，最后对提取的特征进行判断，进而进行相应的分类工作。其中，图像分割与特征提取一直是图像处理领域的研究重点。在图像识别技术的发展过程中，先后出现过统计识别、结构识别、模糊识别的识别方法。但是这些方法大都存在着对结构复杂的模式难以抽取特征、干扰与噪声影响太大、难以建立隶属函数等缺点，导致识别的效果不佳。

深度学习是近几年来人工智能领域取得的重大突破之一，在图像识别、自然语言处理等诸多领域都取得了巨大的成功。卷积神经网络(Convolutional Neural Network，CNN)隶属于深度学习模型，是一种按误差逆向传播训练的多层前馈神经网络，能够通过反向传播不断调整网络的权值和阈值，是近年发展起来的一种高效识别方法。与传统模式识别方法不同的是，卷积神经网络能够从大量数据中自动学习特征，而非传统的手工设计特征。由于训练数据中可能包含成千上万的参数，手工设计出有效的特征将耗费很多时间。而卷积神经网络可以从新的训练数据自发而快速地学习到有效的特征表示。由于其具有很强的学习能力、高效的特征提取能力、分布式存储记忆等诸多优点，在图像识别领域具有广泛应用。最近几年，人工神经网络发展十分迅速，涌现出许多优秀的网络模型。但由于该技术目前还处于起步阶段，许多模型还处于丰富和完善中，目前能够投入实际应用的模型还不够多。

通过检索，尚未发现与本发明相关的专利公开文献。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、精度高且性能稳定的用于图像识别的神经网络模型。

本发明解决其技术问题是采取以下技术方案实现的：

一种用于图像识别的神经网络模型，由多个神经元连接在一起构成多层网络，所述多层网络包括卷积层、池化层和全连接层，卷积层用于提取特征向量，池化层对特征向量进一步筛选，全连接层进行最后的分类，各层之间通过激活函数连接在一起，并通过训练算法不断改进网络参数。

进一步，所述神经元是神经网络结构对应的公式为：

其中，y表示x神经元的输出，f(x)表示激活函数，W_i表示第i个输入的权重，θ表示x神经元的阈值。

进一步，所述激活函数使用ReLU函数作为激活函数。

进一步，所述卷积层采用3×3的卷积核，其内积的计算公式为：