[发明专利]神经网络训练方法、设备及计算机可读介质

权利要求书

1.一种神经网络训练方法，其特征在于，该方法包括：

将训练图片进行分形处理，获取包括四个旋转角度的所述训练图片的输入图片，所述四个旋转角度分别为0°、90°、180°和270°；

将所述输入图片输入所述神经网络进行前向传播，提取所述输入图片对应的输出特征向量，所述输出特征向量包括第一特征向量、第二特征向量、第三特征向量和第四特征向量，所述第一特征向量表示旋转角度为0°的训练图片的图像特征，所述第二特征向量表示旋转角度为90°的训练图片的图像特征，所述第三特征向量表示旋转角度为180°的训练图片的图像特征，所述第四特征向量表示旋转角度为270°的训练图片的图像特征；

根据所述输出特征向量计算对应于不同旋转角度的损失函数值，并根据所述损失函数值计算梯度，进行反向传播以更新所述神经网络的参数；

重复进行所述前向传播和反向传播，直至所述神经网络收敛。

2.根据权利要求1所述的方法，其特征在于，将训练图片进行分形处理，获取包括四个旋转角度的所述训练图片的输入图片，所述四个旋转角度分别为0°、90°、180°和270°，包括：

将同一训练图片分别旋转90°、180°和270°，以获得旋转角度为90°、180°和270°的训练图片；

将未进行旋转的训练图片与所述旋转角度为90°、180°和270°的训练图片进行组合，获得包括四个旋转角度的所述训练图片的输入图片，所述四个旋转角度分别为0°、90°、180°和270°。

3.根据权利要求2所述的方法，其特征在于，将未进行旋转的训练图片与所述旋转角度为90°、180°和270°的训练图片进行组合，获得包括四个旋转角度的所述训练图片的输入图片，所述四个旋转角度分别为0°、90°、180°和270°，包括：

将未进行旋转的训练图片与所述旋转角度为90°、180°和270°的训练图片，按照[[p1,p2],[p4,p3]]的顺序组合为图片矩阵，并将所述图片矩阵作为包括四个旋转角度的所述训练图片的输入图片，其中，p1、p2、p3和p4分别是旋转角度为0°、90°、180°和270°的训练图片。

4.根据权利要求1所述的方法，其特征在于，所述神经网络的结构包括骨干网络、全连接层和标准化层；

将所述输入图片输入所述神经网络进行前向传播，提取所述输入图片对应的输出特征向量，包括：

将所述输入图片输入骨干网络，输出N维的特征向量；

将N维的特征向量输入全连接层和标准化层，输出四组M维的特征向量，其中，每组M维的特征向量分别为输入特征向量中的第一特征向量、第二特征向量、第三特征向量和第四特征向量。

5.根据权利要求4所述的方法，其特征在于，所述全连接层分别包括4个全连接单元，所述标准化层包括4个标准化单元；

将N维的特征向量输入全连接层和标准化层，输出4组M维的特征向量，其中，每组M维的特征向量分别为输入特征向量中的第一特征向量、第二特征向量、第三特征向量和第四特征向量，包括：

将N维的特征向量输入全连接层中的各个全连接单元输出四组M维的特征向量，并将每组M维的特征向量输入标准化层中对应的一个标准化单元中，分别输出第一特征向量、第二特征向量、第三特征向量和第四特征向量。

6.根据权利要求4所述的方法，其特征在于，所述骨干网络采用BN-Inception网络。

7.根据权利要求1所述的方法，其特征在于，根据所述输出特征向量计算对应于不同旋转角度的损失函数值，并根据所述损失函数值计算梯度，进行反向传播以更新所述神经网络的参数，包括：

分别根据第一特征向量、第二特征向量、第三特征向量和第四特征向量计算第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值；

计算所述第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值的平均值，并根据所述平均值计算梯度，进行反向传播以更新所述神经网络的参数。