[发明专利]一种基于计算机模式识别的并行卷积神经网络方法

摘要

本发明公开了一种基于计算机模式识别的并行卷积神经网络方法，基于计算机模式识别的并行卷积神经网络方法包括三个阶段图像分类数据收集阶段。并行卷积神经网络构建阶段。深度卷积神经网络分类阶段。本发明可以作为深度学习算法的实际应用平台，辅助教学；在当前深度学习的领域，提高神经网络的训练速度；由于本发明使用硬件成本资源较少，易于实现。本方法由图像数据集和并行卷积神经网络组成。图像数据集由互联网下载的各个图像分类数据构成，并行卷积神经网络是改进的深层卷积网络。

主权项

一种基于计算机模式识别的并行卷积神经网络方法，其特征在于：本方法由图像数据集和并行卷积神经网络组成；图像数据集由互联网下载的各个图像分类数据构成，并行卷积神经网络是改进的深层卷积网络；基于计算机模式识别的并行卷积神经网络方法包括三个阶段：图像分类数据收集阶段：从互联网下载相关图像分类数据形成图像数据集集dataset0，得到图像分类数据集dataset0以后，把图像分类数据集dataset0按照4：1的比例分为图像训练数据集train_dataset和图像测试数据集test_dataset；并行卷积神经网络构建阶段：根据深层卷积神经网络模型model0，对model0进行并行化改造，并行卷积神经网络含有两个输入入口input_1和input_2，并行卷积神经网络由若干卷积层conv和池化层pool以及全连接层fc构成，在全连接层之前将并行结构的卷积层conv进行级联concatenate，最后加入全连接层进行分类；将并行卷积网络结构定义为model1；在卷积神经网络中，卷积层的每一个卷积核作用于图像数据集中没幅图像中，对图像数据集的每一幅输入的图像进行卷积操作；卷积结果构成了输入图像的特征图，提取出图像的局部特征；每一个卷积滤波器共享相同的参数，包括相同的权重矩阵和偏置项；同图像尺度不变特征变换提取一样，CNN的结构中也有降采样层；降采样层是一种非线性降采样方法；考虑到卷积层输出的原始图像的特征图仍然包含大量数据，若直接训练，则很难训练出一个有效的分类器；通过降采样操作，将特征数据大大减少，并且其对旋转、尺度和缩放具有不变性，同时还减少计算的复杂度；降采样方法是一种高效的降低数据维度的采样方法；在图像识别中，降采样的操作分为两类：最大值和平均值；降采样模板取2×2，即取2x2大小图像块的四个像素值中的最大值或平均值为降采样后的像素值；经过降采样后，图像的大小变为原来的1/4，达到降维的作用；深度卷积神经网络分类阶段：采用标准正交分布orthonormal去初始化构建的并行卷积神经网络model，并用并行网络去做图像分类工作；用图像分类数据集中的训练集train_dataset去训练并行卷积网络，然后用测试集test_dataset去测试训练好的并行卷积网络的效果，得到分类的准确率。