[发明专利]一种提高卷积神经网络精确性和鲁棒性的增强数据增强方法

权利要求书

1.一种提高卷积神经网络精确性和鲁棒性的增强数据增强方法，其特征在于，包括如下步骤，

步骤1，将干净图像和从其中生成的损坏图像作为一对图像，同批输入到神经网络中；

给定来自M个类别的N个样本作为输入，我们定义对应的标签为在训练阶段中，从X生成附加的损坏数其中F表示损坏变换；在T的批量大小处，一个批量中的样本可以写为它们在最后的卷积层中的全局特征和在softmax层之后的预测被标记为和

步骤2，以从干净数据和损坏数据中获得相同的全局特征以及预测为目的，将与该两个图像有关的四种损失应用于softmax层和特征的输出，完成增强数据增强；

具体的，

将标签和干净图像的softmax输出之间的交叉墒损失，应用到干净数据的softmax层和特征的输出；对干净数据进行训练的标签通过下式进行公共的标签监督；

其中，λ是超参数，CrossEntropy表示交叉熵损失；

将输入的两个图像的softmax输出之间的KL散度损失和关系角度损失，应用于干净数据和损坏数据的softmax输出之间；将KL散度损失应用于干净数据和损坏数据的softmax输出之间，通过该散度损失，我们期望两种图像都能给出相同的预测；该softmax输出上的KL散度损失函数可以公式化为等式(2)，

其中，α是超参数，用来控制其在总损失中的比率；

将关系角度损失应用于干净数据和损坏数据的softmax输出之间；其在softmax层的输出上的距离可以如下测量，

等式(3)中的关系角度函数用于测量i_st、j_st和k_st样本之间的关系；然后，通过Huper损失函数L_δ最小化干净数据和损坏数据上的样本关系，如等式(4)所表达的；

将输入的两个图像的全局特征之间的L₂损失，应用于干净数据和损坏数据的全局特征；

将L₂损失应用于干净图像和损坏图像的神经网络中的全局特征，如等式(5)中所表达的；

通过最小化该损失函数，可以从两种图像中获得相似的代表性特征。

2.根据权利要求1所述的一种提高卷积神经网络精确性和鲁棒性的增强数据增强方法，其特征在于，步骤2中，总损失函数如下所示，

通过总损失函数将四种损失应用于神经网络的特征和softmax输出，从干净数据和损坏数据中获得相同的全局特征以及预测，完成增强数据增强。