一种有效提升卷积神经网络稳健性的方法

摘要

本发明公开了一种有效提升卷积神经网络稳健性的方法，包括：在前向传递时，对输入特征图进行随机二维变换再进行卷积操作，最终得到输入特征图的分类结果的预测值；在反向传递时，将得到的预测值与真实值之间的误差进行反向传递，计算出各个层的参数对应的梯度，再将参数沿着梯度的反方向进行更新；重复上述前向传递过程与反向传递过程直至预定次数后，获得最佳参数的模型；在测试时，对最佳参数的模型进行测试，从而提升卷积神经网络稳健性。该方法用于图像分类和检索时，仅仅需要在训练过程中引入逐层的随机二维变换，无需引入新的特征提取模块、新的参数或者对输入图像做额外的处理，从而有效提升卷积神经网络稳健性，并降低图像处理的复杂度。

主权项

一种有效提升卷积神经网络稳健性的方法，其特征在于，包括：在前向传递过程中，对输入特征图进行随机二维变换再进行卷积操作，最终得到输入特征图的分类结果的预测值；在反向传递过程中，将得到的预测值与真实值之间的误差进行反向传递，计算出各个层的参数对应的梯度，再将参数沿着梯度的反方向进行更新；重复上述前向传递过程与反向传递过程直至预定次数后，获得最佳参数的模型；在测试过程中，对最佳参数的模型进行测试，从而提升卷积神经网络稳健性。