[发明专利]神经网络训练方法、设备及计算机可读介质

说明书

本申请提供了一种神经网络训练方案，该方案会将训练图片先进行分形处理，获取包括多旋转角度的所述训练图片的输入图片，使得提取到的图像特征除了包含图片的内容信息之外，还包含了方向性信息，由此训练所获得的神经网络可以识别出更加立体的图像特征，即包括内容信息和方向性信息，从而可以提升神经网络的识别性能，使其可以更好的识别具有一定旋转角度的图片。

技术领域

本申请涉及信息技术领域，尤其涉及一种神经网络训练方法、设备及计算机可读介质。

背景技术

卷积神经网络(CNN，Convolutional Neural Networks)自2012年以来，在图像分类和图像检测等方面获得了宏大的成就和普遍的应用。

卷积神经网络的强大之处在于它的多层构造能自动学习特征，并且能够学习到多个层次的特征：其中，较浅的卷积层感知域较小，学习到一些部分区域的特征，而较深的卷积层具有较大的感知域，可以学习到愈加笼统一些的特征。这些笼统特征对物体的大小、位置和方向等敏理性更低，从而有助于辨认性能的进步。由于卷积的机理，对于同一个输入内容，将该输入内容旋转一定角度后，得到的输出可能完全不同，尤其是应用于图像识别领域时，现有的方法所训练获得的卷积神经网络，在识别具有一定旋转角度的图像上存在一定的性能缺陷。

发明内容

本申请的一个目的是提供一种神经网络训练方案，用以解决现有技术中识别具有一定旋转角度的图像性能较差的问题。

为实现上述目的，本申请提供了一种神经网络训练方法，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。

进一步地，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°。

进一步地，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。

进一步地，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：