[发明专利]一种基于并列卷积单元的深度卷积神经网络方法

摘要

本发明涉及一种基于并列卷积单元的深度卷积神经网络方法,其训练阶段包括下列步骤1)收集数据；定义并列卷积单元由一个简化卷积和一个简化卷积的变形并列组成，其中，简化卷积的变形是将原简化卷积中采用的两个滤波器的位置进行互换，设置深度卷积神经网络结构，包括并列卷积单元的数量及组合方式，设定每个卷积层特征图的个数和大小，设定池化方式及池化窗口尺寸；3)初始化；4)前向计算；5)反向传播。

主权项

一种基于并列卷积单元的深度卷积神经网络方法,其训练阶段包括下列步骤：1)收集数据：收集不同类别的图像，并标记数据的标签；2)结构设计：定义并列卷积单元由一个简化卷积和一个简化卷积的变形并列组成，其中，简化卷积的变形是将原简化卷积中采用的两个滤波器的位置进行互换，设置深度卷积神经网络结构，包括并列卷积单元的数量及组合方式，设定每个卷积层特征图的个数和大小，设定池化方式及池化窗口尺寸；3)初始化：通过随机初始化的方法对卷积核的参数进行初始化，并设定迭代次数。4)前向计算：把训练数据批量输入到该网络中，(1)当第一个卷积层计算结束后，输出特征尺寸为A×B×C,其中A×B表示特征图的大小，C表示特征通道数；(2)设第二个卷积层的两个滤波器为W×H×1×Z和1×1×Z×Z，其中Z与C相等，将第二个卷积层与第一个卷积层的输出特征做卷积，输出特征尺寸均为A×B×C；(3)第三个卷积层的滤波器W×H×1×Z与第二层的滤波器1×1×Z×Z的输出特征做卷积，输出特征尺寸为A×B×C，第三层的滤波器1×1×Z×Z与第二层的滤波器W×H×1×Z的输出特征做卷积，输出特征尺寸为A×B×C，第三层两个滤波器的输出特征合并作为第三层的输出特征，尺寸为A×B×(C×2)，作为下一层的输入特征；(4)按照步骤(1)‑(3)计算后续的卷积层；(5)反向传播：从最后一层到第一层，应用反向传播算法Backpropagation对卷积滤波器的权重参数的进行更新、优化；(6)迭代：重复步骤3和步骤4，通过迭代来不断优化网络参数，直到达到终止条件，本示例的终止条件为达到最大迭代次数。