[发明专利]深度卷积神经网络初始化和训练方法、装置、介质及设备

权利要求书

1.一种深度卷积神经网络初始化方法，其特征在于，所述方法包括：

获取DCNN、与DCNN对应的简易网络和初始训练集，所述初始训练集包括多个类别的样本，所述样本上设置有表示该样本类别的标签；

使用初始训练集训练所述简易网络；

将初始训练集的样本输入训练好的简易网络，得到每个样本在简易网络的特征层或分类层的输出；

将初始训练集中每个样本的标签替换为该样本在简易网络的特征层或分类层的输出，得到更新后的训练集；

使用更新后的训练集预训练DCNN，完成DCNN的初始化。

2.根据权利要求1所述的深度卷积神经网络初始化方法，其特征在于，使用初始训练集训练所述简易网络时，采用的是多分类交叉熵损失函数，使用更新后的训练集预训练DCNN时，采用的是欧几里得损失函数。

3.根据权利要求1或2所述的深度卷积神经网络初始化方法，其特征在于，所述DCNN和简易网络用于人脸识别，所述初始训练集的样本通过如下方法得到：

对人脸图像进行人脸检测和关键点定位，得到人脸区域和人脸关键点，所述人脸关键点包括左眼坐标和右眼坐标；

通过仿射变换将左眼坐标和右眼坐标对齐到指定坐标位置；

将人脸区域归一化为指定的大小并进行灰度化，得到样本；

为样本设置表示该样本类别的标签。

4.一种深度卷积神经网络初始化装置，其特征在于，所述装置包括：

获取模块，用于获取DCNN、与DCNN对应的简易网络和初始训练集，所述初始训练集包括多个类别的样本，所述样本上设置有表示该样本类别的标签；

简易网络训练模块，用于使用初始训练集训练所述简易网络；

特征提取模块，用于将初始训练集的样本输入训练好的简易网络，得到每个样本在简易网络的特征层或分类层的输出；

标签替换模块，用于将初始训练集中每个样本的标签替换为该样本在简易网络的特征层或分类层的输出，得到更新后的训练集；

初始化模块，用于使用更新后的训练集预训练DCNN，完成DCNN的初始化。

5.根据权利要求4所述的深度卷积神经网络初始化装置，其特征在于，所述简易网络训练模块中，使用初始训练集训练所述简易网络时，采用的是多分类交叉熵损失函数，所述初始化模块中，使用更新后的训练集预训练DCNN时，采用的是欧几里得损失函数。

6.根据权利要求4或5所述的深度卷积神经网络初始化装置，其特征在于，所述DCNN和简易网络用于人脸识别，所述初始训练集的样本通过如下单元得到：

人脸检测和关键点定位单元，用于对人脸图像进行人脸检测和关键点定位，得到人脸区域和人脸关键点，所述人脸关键点包括左眼坐标和右眼坐标；

对齐单元，用于通过仿射变换将左眼坐标和右眼坐标对齐到指定坐标位置；

归一化和灰度化单元，用于将人脸区域归一化为指定的大小并进行灰度化，得到样本；

标签设置单元，用于为样本设置表示该样本类别的标签。

7.一种用于深度卷积神经网络初始化的计算机可读存储介质，其特征在于，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括权利要求1-3任一所述深度卷积神经网络初始化方法的步骤。

8.一种用于深度卷积神经网络初始化的设备，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-3中任意一项所述深度卷积神经网络初始化方法的步骤。

9.一种深度卷积神经网络训练方法，其特征在于，所述方法包括：

使用权利要求1-3任一所述的深度卷积神经网络初始化方法对DCNN进行初始化；

使用所述初始训练集训练初始化后的DCNN。

10.一种深度卷积神经网络训练装置，其特征在于，所述装置包括：

初始化模块，用于使用权利要求4-6任一所述的深度卷积神经网络初始化装置对DCNN进行初始化；

训练模块，用于使用所述初始训练集训练初始化后的DCNN。