[发明专利]一种基于空间融合池化的深度神经网络方法

摘要

本发明涉及一种基于空间融合池化的深度神经网络方法，用于图像分类，包括：收集各种不同类别的图像，并标注图像类别，作为图像标签信息；图像集划分；将收集的图像划分为训练集，验证集和测试集，训练集用于训练卷积神经网络；设计应用于图像分类的深度神经网络结构，包括所用的卷积层层数和空间融合池化层的层数，设计卷积层中滤波器的个数，设计空间融合池化层的中的融合函数形式和空间滑动步长和池化函数和池化窗口尺寸以及步长，设计用于特征融合的卷积滤波器结构，设计网络训练循环迭代的次数和网络最终收敛条件，并初始化网络参数；将训练数据批量的输入到该网络中，进行计算和训练。

主权项

一种基于空间融合池化的深度神经网络方法，用于图像分类，包括下列步骤：1)收集各种不同类别的图像，并标注图像类别，作为图像标签信息；2)图像集划分；将收集的图像划分为训练集，验证集和测试集，训练集用于训练卷积神经网络，验证集用于选择最佳的训练模型，测试集为后续测试模型效果或者实际应用时使用；3)设计应用于图像分类的深度神经网络结构，包括所用的卷积层层数和空间融合池化层的层数，设计卷积层中滤波器的个数，设计空间融合池化层的中的融合函数形式和空间滑动步长S1和池化函数f(·)和池化窗口尺寸以及步长S2，设计用于特征融合的卷积滤波器结构，设计网络训练循环迭代的次数和网络最终收敛条件，并初始化网络参数。4)将训练数据批量的输入到该网络中，进行计算和训练，具体步骤如下：a)将训练数据输入网络中，计算第一个空间融合池化层之前的所有卷积层，并得到卷积层特征Y∈RH×W×D，其中H×W表示输出的特征图的大小，D表示输出的特征图的通道数，并将其输入到池化层；b)对输入到当前池化层的特征Y进行空间融合池化操作；1)进行通道间的特征融合，经过空间融合，得到的特征图Y′；2)对融合后的特征图Y′进行特征池化采样，在此选用最大值max(·)函数作为池化函数进行池化操作，经过池化后的输出特征图为Z；3)将输出的特征图Z输出到后续的卷积层进行操作；c)按照步骤a)和步骤b)计算后续的卷积层和空间融合池化层d)计算损失并进行反向传播，按照梯度下降法更新网络权重；e)循环步骤a)～d)，经过多次迭代后，损失收敛，验证集错误率降到最低，得到训练好的神经网络模型。