基于最优池化卷积神经网络的物体识别方法

摘要

本发明涉及一种基于最优池化卷积神经网络的物体识别方法,包括：构建训练集与测试集；搭建卷积神经网络架构，在最后一层加上softmax分类器，设置目标函数；在池化层采用最优池化操作；按经验设置学率参数，采用后向传播算法，使用整体训练集训练网络模型一次，使用得到的模型去识别测试集数据，统计整体识别率，在此过程中最优池化的模板数值得到最优值，直到目标函数值完全收敛，识别率不再变好为止，此时网络参数训练完毕，最优池化模板得到最终值，得到最优池化卷积神经网络模型，即物体识别系统。本发明可以提升物体识别的性能。

主权项

一种基于最优池化卷积神经网络的物体识别方法,包括下列步骤：步骤1：搜集有关识别物体的多类样本图片，并设定每一类别在分类器中的编码，构建训练集与测试集；步骤2：搭建卷积神经网络架构：即交迭卷积层与池化层，设置好网络的深度与宽度架构，并在最后一层加上softmax分类器，设置目标函数，一般取计算所得值与目标标签值的差的平方；步骤3：在池化层采用最优池化操作：在训练网络的过程中，使用后向梯度传播算法不断更新模板参数，直到达到最优值，即网络性能不在提升为止；在端到端的池化模板学习更新参数的过程中，每个滤波器内的滤波权值在每次循环中都在自学习更新；步骤4：按经验设置学习率参数，采用后向传播算法，使用整体训练集训练网络模型一次，使用得到的模型去识别测试集数据，统计整体识别率，在此过程中最优池化的模板数值得到最优化更新；步骤5：重复步骤4的操作，直到目标函数值完全收敛，识别率不再变好为止，此时网络参数训练完毕，最优池化模板得到最终值，得到最优池化卷积神经网络模型，即物体识别系统；步骤6：在图像或视频中进行物体识别。