[发明专利]一种面向图像分类的深度卷积神经网络的优化方法

摘要

一种面向图像分类的深度卷积神经网络的优化方法，包括以下步骤；步骤一、构建图像分类卷积神经网络，步骤二、训练图像分类卷积神经网络；步骤三、测试图像分类卷积神经网络，过程如下：将预处理好的测试数据集送入训练好的网络模型，网络的Accuracy层根据Softmax层输出的概率值以及输入层的标签值输出一个精确度值，即测试图像被正确分类的概率；经过上述步骤的操作，即可实现面向图像分类的深度卷积神经网络的优化。本发明提供一种有效缩小语义鸿沟、分类准确性较高的面向图像分类的深度卷积神经网络的优化方法。

主权项

一种面向图像分类的深度卷积神经网络的优化方法，其特征在于：包括以下步骤；步骤一、构建图像分类卷积神经网络，过程如下：步骤1.1：该网络由五个卷积层、三个池化层和三个全连接层，和一个Softmax层组成；步骤1.2：池化层用最大值‑均值池化方式，将卷积层的输出分别用最大值、均值池化方式先处理，再将最大值和均值池化后的输出用Eltwise函数，采用总和操作输出；步骤1.3：在全连接层采用Maxout激活函数，把FC‑6层和FC‑7层的输出后接Slice函数随机将输出分为两个部分；步骤1.4：在Slice层后接Eltwise函数，采用最大值输出操作，通过步骤1.3和1.4实现全连接层的Maxout激活；步骤1.5：在全连接层的FC‑7和FC‑8层之间增加一个新的隐层H，隐层H是一个全连接层，其神经元的活动由后续的网络层的语义编码和分类调节；步骤1.6：隐层H后接一个Sigmoid激活函数来控制隐层神经元的活动，把输出控制为{0，1}；步骤二、训练图像分类卷积神经网络，过程如下：步骤2.1：在网络的输入层对输入的图像进行随机裁剪，并将裁剪后的图像和裁剪旋转180度后的图像一起输入上述网络模型中；步骤2.2：计算训练数据集的均值文件；步骤2.3：采用预训练网络模型的方式，即用在ImageNet数据集上预训练好AlexNet的权值来初始化网络，并对隐层和输出层的权值采用随机初始化的方式；步骤2.4：向初始化后的网络模型中输入训练样本和标签，通过反向传播算法在目标数据集上微调网络参数,使损失函数值最小；步骤三、测试图像分类卷积神经网络，过程如下：将预处理好的测试数据集送入训练好的网络模型，网络的Accuracy层根据Softmax层输出的概率值以及输入层的标签值输出一个精确度值，即测试图像被正确分类的概率；经过上述步骤的操作，即可实现面向图像分类的深度卷积神经网络的优化。