[發明專利]卷積神經網絡的特征訓練方法及裝置

有效

• 申請號: 201810096726.8
• 申請日: 2018-01-31
• 公開（公告）號: CN108197669B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張默;劉彬;孫伯元
• 申請（專利權）人: 北京陌上花科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06K9/00
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 李志剛;任晨雪

1.一種卷積神經網絡的特征訓練方法，其特征在于，包括：

提取第一特征圖片；

確定所述第一特征圖片的特征圖，且根據所述特征圖獲取第一特征；將所述第一特征作為輸入，計算損失函數的損失值，其中，所述計算損失函數的損失值包括：配置第一損失函數，其中，所述第一損失函數用于作為Softmax和交叉熵結合的損失函數；配置第二損失函數，其中，所述第二損失函數用于作為角度損失函數；以及

根據所述損失值更新卷積神經網絡；

其中，所述損失函數用于使得更新后的卷積神經網絡中訓練的特征符合預設的類別；

通過第一損失函數得到第一特征所述類別的概率；

通過第二損失函數減小特征的類內距離，增加特征的類間距離；

所述提取第一特征圖片包括：

輸入N張圖片，再對N張圖片做歸一化預處理，將歸一化處理后輸入卷積神經網絡得到對應的特征圖；

將所述第一特征作為輸入，計算損失函數的損失值包括：

N張特征圖作為輸入，經過全連接層，得到N×M維特征，N個特征，對應于N張圖片，每個特征M維；將N×M維的特征和圖片的類別標簽作為輸入，計算損失函數的損失值；

其中計算損失函數的損失值包括：計算第一損失函數的損失值以及計算第二損失函數的損失值；

計算第一損失函數的損失值包括：

通過損失函數計算N張輸入圖片各自對應的所有的概率相加后得到的平均值；

損失函數是指其中，f為獲取的第一特征，為類別i類對應的權重向量，所以為類別y_i對應的權重向量，M個類別，每張輸入圖片對應自己特定的一個類別y_i，y_i作為輸入圖片對應的真實類別；

通過與f相乘得到一個分數，而中的式子，代表f被判斷成y_i的該類別上的概率；

計算第二損失函數的損失值包括：

通過損失函數計算N張圖片的的平均值；

損失函數為

其中，f為獲取的第一特征，為類別y_i對應的權重向量，M個類別，每張輸入圖片對應自己特定的一個類別y_i，y_i作為輸入圖片對應的真實類別，

代表與f的角度的余弦值其范圍在[-1,1]之間，越接近1，則向量與f特征向量之間的角度越小。

2.根據權利要求1所述的特征訓練方法，其特征在于，根據所述損失值更新卷積神經網絡后還包括：

輸入待測試的第二圖片；

通過所述損失值更新后的卷積神經網絡后得到對應的第二特征；

將所述第二特征作為輸入，計算損失函數的損失值；

確定所述第二圖片對應物體的類別。

3.根據權利要求1-2任一項所述的特征訓練方法，其特征在于，所述損失函數用于使得更新后的卷積神經網絡中訓練的特征符合預設的類別如下：

特征的類內距離更近；

特征的類間距離更遠。