[发明专利]识别烟雾的卷积神经网络的训练方法

权利要求书

1.一种识别烟雾的卷积神经网络的训练方法，其特征在于，所述识别烟雾的卷积神经网络，包括颜色通道卷积子网络和纹理卷积子网络：

颜色通道卷积子网络，用于抽取图像中颜色特征；

纹理卷积子网络在纹理空间操作，在颜色通道上抽取图像中形状特征；

识别烟雾的卷积神经网络的训练方法，包括：

S1，基于像素级图像标签训练颜色通道卷积子网络N1次；

S2，基于降采样的像素级图像标签一起训练颜色通道卷积子网络和纹理卷积子网络N2次；

S3，基于图像级标签训练整个识别烟雾的卷积神经网络N3次；

重复执行上述S1至S3共N4次，N1、N2、N3、N4为正整数。

2.根据权利要求1所述的识别烟雾的卷积神经网络的训练方法，其特征在于，颜色通道卷积子网络中包含多个颜色操作层；

所述颜色操作层包括以下步骤：采用1×1卷积，并且在1×1卷积后加入非线性运算。

3.根据权利要求2所述的识别烟雾的卷积神经网络的训练方法，其特征在于，所述颜色通道进一步通过以下步骤获取：

对颜色通道用1×1的卷积核求和，然后非线性变换，即：

C_kⁱ为第i层的第k个颜色通道，C_mi-1为第i-1层的第m个颜色通道，W_ki-1为i-1层到i层的第k个卷积核，W_kmi-1为第i-1层第m个颜色通道到第i层第k个颜色通道的第k个卷积核的权重，b_k第i-1层的第k个偏置项，f₁为非线性激活函数。

4.根据权利要求3所述的识别烟雾的卷积神经网络的训练方法，其特征在于，纹理卷积子网络在每个颜色通道用独立的卷积核卷积，只在空间维度上抽取形状特征，没有通道间的混合，即：

C_kmⁱ为第i层的第k×m个颜色通道，C_m^i-1为第i-1层的第m个颜色通道，W_km^i-1为i-1层到i层第m个颜色通道的第k个卷积核，b_k第i-1层的第k个偏置项，f₂为非线性激活函数。

5.根据权利要求4所述的识别烟雾的卷积神经网络的训练方法，其特征在于：

纹理卷积子网络会在每层先将每个颜色通道扩展为2至3个颜色通道，然后扩大感受野；

纹理卷积子网络总共N层，每层有2至3次卷积操作和1个池化操作，卷积核都是n×n大小，每次卷积操作后都要批正则化，然后采用函数激活；其中N和n为正整数。

6.根据权利要求1所述的识别烟雾的卷积神经网络的训练方法，其特征在于，识别烟雾的卷积神经网络还包括特征拼合层：

特征拼合层通过以下步骤获取：将输入图像、颜色通道卷积子网络中的各个颜色通道、纹理卷积子网络各池化层的结果，分别按相应尺寸最大池化到纹理卷积子网络最后特征图大小，然后拼合成1个M通道的特征拼合层；其中M为正整数。

7.根据权利要求6所述的识别烟雾的卷积神经网络的训练方法，其特征在于，识别烟雾的卷积神经网络还包括全局最大池化：

全局最大池化从二维的特征图中选择最大的值作为池化结果，将二维特征转变成一维的标量；将特征拼合层转变成M维的向量。

8.根据权利要求7所述的识别烟雾的卷积神经网络的训练方法，其特征在于，识别烟雾的卷积神经网络还包括dropout层和分类层。

9.根据权利要求8所述的识别烟雾的卷积神经网络的训练方法，其特征在于，分类层包括两个通路，一路检测烟，一路检测火，以供识别烟雾的卷积神经网络同时检测烟和火，提高检测烟的准确率。

10.根据权利要求1所述的识别烟雾的卷积神经网络的训练方法，其特征在于，所述S3，包括：

采用弱监督的方式基于图像级标签训练整个识别烟雾的卷积神经网络。