[发明专利]一种添加辅助特征学习网络的网络结构设计方法

说明书

本发明提供一种添加辅助特征学习网络的网络结构设计方法，所述设计方法包括：S1，设置输入层；S2，设置第一卷积层和第一池化层；S3，在网络中间设置分支：S3.1，左分支使用第二卷积层、第二池化层、第三卷积层以及全连接层，预测分类网络结果；S3.2，右分支添加使辅助特征学习网络，其为仅在训练过程中供训练使用的网络，在训练过程中添加辅助特征学习网络，协助网络学习图像特征。本发明提出一种新的深度学习网络的网络结构设计方法，通过简单网络结构的改变，使得在训练样本有限的情况下，提升分类网络的泛化能力。

技术领域

本发明涉及卷积神经网络技术领域，特别涉及一种添加辅助特征学习网络的网络结构设计方法。

背景技术

随着科技的飞速发展，卷积神经网络越来越被广泛应用，深度学习卷积神经网络例如包含全连接层的分类网络，以及用于图像分割的不包含全连接层的全卷积网络也日益被关注。

但是，现有的深度学习神经网络训练，高度依赖训练样本，在训练样本较少的情况下，易发生过拟合现象，导致模型泛化能力差。

其中，现有技术中的常用术语如下：

1、卷积神经网络，由卷积层，池化层组成的特征提取器。

2、heatmap，热图，这里指和训练样本存在对应关系，人工标定的图片。

3、全连接层，每个神经元与前一层所有的神经元全部连接。

发明内容

为了解决上述问题，本发明的目的在于：提出一种新的深度学习网络的网络结构设计方法，通过简单网络结构的改变，使得在训练样本有限的情况下，提升分类网络的泛化能力。

具体地，本发明提供一种添加辅助特征学习网络的网络结构设计方法，所述设计方法包括以下步骤：

S1，设置输入层；

S2，设置第一卷积层和第一池化层；

S3，在网络中间设置分支：

S3.1，左分支使用第二卷积层、第二池化层、第三卷积层以及全连接层，预测分类网络结果；

S3.2，右分支添加使辅助特征学习网络，其为仅在训练过程中供训练使用的网络，在训练过程中添加辅助特征学习网络，协助网络学习图像特征。

所述步骤S3.1进一步包括输出层。

所述步骤S3.2.1中所述预测图片的heatmap进一步包括:

制作heatmap，将样本图片中共有特征区域位置标注，映射到一张热图。

所述的共有特征区域位置标注就是首先判断在分类网络检测图片中是否存在特定区域，如果存在特定区域，那么特定区域的边缘信息是一个重要信息，而背景以及除了特定区域边缘的其他内容是能够忽略的信息，则特定区域边缘的区域定义为共有特征区域，是神经网络需要学习的图案特征，因此样本图片中特定区域的边缘区域映射到heatmap，即包含重要信息区域高亮；如果不存在特定区域，则heatmap图案为全黑图片。

所述方法通过人工判定和标定的所需学习图像特征，生成和训练样本之间存在对应关系的heatmap，用于辅助训练。

由此，本申请的优势在于：添加辅助特征学习网络在训练样本较少的情况下，可以有效提升分类网络的泛化能力。网络结构简单，通过人工判定和标定的所需学习图像特征，生成和训练样本之间存在对应关系的heatmap，用于辅助训练。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。

图1是本发明方法的示意流程图。