[发明专利]一种卷积神经网络训练方法、图像识别方法和装置

权利要求书

1.一种卷积神经网络训练方法，其特征在于，包括：

获取待训练的卷积神经网络；

将测度损失和软最大损失结合，构建所述卷积神经网络训练时的类信息和节点结构的学习损失函数，其中，所述学习损失函数为：

L＝βL_metric+(λ-β)L_softmax；

式中，L为学习损失函数，β为损失的重量，L_metric为测度损失，λ为软最大损失和测度损失的重量之和，L_softmax为软最大损失；

基于反向传播算法和随机梯度下降法，通过所述学习损失函数对所述卷积神经网络进行训练。

2.根据权利要求1所述的卷积神经网络训练方法，其特征在于，所述卷积神经网络包括：两个第一卷积单元、三个第二卷积单元和两个完全连接单元；

所述第一卷积单元包括：卷积层、池化层、激活层、退出层和规范化层和卷积脱落层；

所述第二卷积单元包括：卷积层、激活层、退出层和规范化层和卷积脱落层。

3.根据权利要求2所述的卷积神经网络训练方法，其特征在于，所述测度损失的计算过程包括：

获取训练阶段时，由第一完全连接单元的第一输出构成的第一输出集合，所述第一输出集合为：其中，x_i为第i个第一输出，N为第一输出集合中第一输出的个数；

获取类信息的对应图像构成的对应图像集合，所述对应图像集合为其中，y_i'为第i'个对应图像，N'为对应图像集合中的对应图像个数；

根据所述第一输出和所述对应图像，构建所述测度损失对应的损失函数；

其中，所述测度损失对应的损失函数为：

式中，p为对应图像的编号，s_i,j∈{0,1}，当y_i'＝y_j'时s_i,j＝1，否则s_i,j＝0，α为内斯特罗夫动量，d_Wi,j为x_i和x_j之间的平方距离，d_Wi,j＝(x_i-x_j)^TW(x_i-x_j)，W为参数矩阵。

4.根据权利要求1所述的卷积神经网络训练方法，其特征在于，所述软最大损失L_softmax是λ为1且β为0的测度损失值。

5.一种图像识别方法，其特征在于，包括：

获取待识别图像和用于识别所述待识别图像的卷积神经网络模型，其中所述卷积神经网络模型通过权利要求1至4中任一项所述的卷积神经网络训练方法训练得到；

通过所述卷积神经网络模型对所述待识别图像进行识别。

6.一种卷积神经网络训练装置，其特征在于，包括：

获取单元，用于获取待训练的卷积神经网络；

函数构建单元，用于将测度损失和软最大损失结合，构建所述卷积神经网络训练时的类信息和节点结构的学习损失函数，其中，所述学习损失函数为：

L＝βL_metric+(λ-β)L_softmax；

式中，L为学习损失函数，β为损失的重量，L_metric为测度损失，λ为软最大损失和测度损失的重量之和，L_softmax为软最大损失；

训练单元，用于基于反向传播算法和随机梯度下降法，通过所述学习损失函数对所述卷积神经网络进行训练。

7.根据权利要求6所述的卷积神经网络训练装置，其特征在于，所述卷积神经网络包括：两个第一卷积单元、三个第二卷积单元和两个完全连接单元；

所述第一卷积单元包括：卷积层、池化层、激活层、退出层和规范化层和卷积脱落层；

所述第二卷积单元包括：卷积层、激活层、退出层和规范化层和卷积脱落层。