[發(fā)明專利]一種基于動態(tài)調整訓練目標的卷積神經網絡的圖像識別方法

有效

• 申請?zhí)枺?/td>: 201410492769.X
• 申請日: 2014-09-24
• 公開（公告）號: CN104268524A
• 公開（公告）日: 2015-01-07
• 發(fā)明（設計）人: 朱毅
• 申請（專利權）人: 朱毅
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于動態(tài)調整訓練目標的卷積神經網絡的圖像識別方法，其特征在于：包括訓練卷模型、注冊數(shù)據、識別匹配三大部分。

2.根據權利要求1所述的卷積神經網絡，其特征在于：包括一個輸入層，在輸入層之后，交替分布卷積層、降采樣層、……、降采樣層、卷積層，在最后一個卷積層之后為若干個隱含層，在最后一個隱含層之后，為輸出層。

3.?根據權利要求2所述的輸入層，其特征在于：輸入層對應于輸入圖像，每個節(jié)點對應于輸入圖像的一個像素；輸入圖像可以是原始圖像，也可以是經過濾波或歸一化后的圖像。

4.?根據權利要求2所述的卷積層，其特征在于：每個卷積層包括多個特征圖同一層的特征圖的尺寸相同，且每個特征圖的像素，對應于前一層指定的若干特征圖相應窗口位置的像素集合。

5.?根據權利要求2所述的降采樣層，其特征在于：每個降采樣層包括過個相同尺寸的特征圖；降采樣層的每張?zhí)卣鲌D對應于前一層卷積層的一張?zhí)卣鲌D；降采樣層的特征圖的像素對應于前一層相應特征圖的采樣區(qū)域；所有的采樣區(qū)域沒有重疊部分。

6.?根據權利要求2所述的隱含層，其特征在于：該層的每個節(jié)點與前一層的每個節(jié)點和后一層的每個節(jié)點都是通過帶權重的邊相互聯(lián)系的。

7.根據權利要求2所述的輸出層，其特征在于：該層的每個節(jié)點的輸出值為實數(shù)。

8.根據權利要求1所述的訓練模型，其特征在于：初始化卷積神經網絡的參數(shù)為隨機數(shù)；將訓練樣本輸入卷積神經網絡，將同類訓練樣本的輸出層的輸出向量求均值，作為該類樣本本輪目標向量；將各樣本輸出向量與其所屬類別的本輪目標向量的誤差從輸出層反向傳遞進入卷積神經網絡，調整卷積神經網絡的參數(shù)；而后，再次將訓練樣本輸入卷積神經網絡，重復上述過程，直至訓練達到要求為止。

9.根據權利要求1所述的注冊數(shù)據，其特征在于：將注冊的圖像數(shù)據送入卷積神經網絡，將輸出層的輸出向量作為該樣本的特征向量，存儲于數(shù)據庫中。

10.根據權利要求1所述的識別匹配，其特征在于：將待識別的圖像數(shù)據送入卷積神經網絡，將輸出層的輸出向量作為該樣本的特征向量，將該特征向量與權利要求9所述的數(shù)據庫中已注冊的特征向量計算距離，從而做出識別匹配的判決結果。