发明名称 |
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。 |
申请公布号 |
CN105913087A |
申请公布日期 |
2016.08.31 |
申请号 |
CN201610225818.2 |
申请日期 |
2016.04.11 |
申请人 |
天津大学 |
发明人 |
孙满利;庞彦伟 |
分类号 |
G06K9/62(2006.01)I;G06N3/08(2006.01)I |
主分类号 |
G06K9/62(2006.01)I |
代理机构 |
天津市北洋有限责任专利代理事务所 12201 |
代理人 |
程毓英 |
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。 |
地址 |
300072 天津市南开区卫津路92号 |