基于级联微神经网络的物体识别方法

摘要

本发明涉及一种基于级联微神经网络的物体识别方法，步骤如下：根据输入样本图像的尺寸计算深度神经网络中级联卷积层的数目；构建深度级联微神经网络；设定该深度级联微神经网络的训练参数，采用随机梯度下降法进行训练；采用softmax分类器进行分类，并利用前向传播算法计算分类误差；利用反向传播运算更新神经网络中需要训练的参数的权重值；得到深度级联微神经网络，该级联微神经网络可以高效地识别出相应类别的物体。本发明可以在不增加参数(运算复杂度)的情况下提高物体识别系统的识别性能。同时，本方法简单，容易收敛，不会增加训练时间。

主权项

一种基于级联微神经网络的物体识别方法，该方法采用深度神经网络进行物体识别，其基本运算单元由级联子块滤波器f_l组成，级联子块滤波器f_l中的第i个子块滤波器w_i,k由两个基本滤波器和组成，表示为k指示输出的特征通道索引，称为空间滤波器，大小为h_i×w_i,且满足h_i＜H和w_i＜W，h_i和w_i分别为该空间滤波器的高度和宽度，H和W为输入的局部图像块的高度和宽度，用于提取输入局部图像块中子块的空间特征；称为通道滤波器，大小为1×1，用于加强输出通道特征之间的联系，第i个子块滤波器w_i,k的大小表示为(h_i×w_i,1×1)，级联子块滤波器f_l由n个子块滤波器级联组成，表示为f_l＝[(h₁×w₁,1×1),(h₂×w₂,1×1),...(h_n×w_n,1×1))],l表示级联子块滤波器在深度神经网络中所处的层数；级联子块滤波器f_l与大小为H×W的局部图像块满足和的约束，级联子块滤波器f_l与输入通道特征卷积得到级联卷积层，表示为C_l。所述的物体识别方法的步骤如下：步骤1：根据输入样本图像的尺寸H_I和W_I，H_I表示高度，W_I表示宽度，计算出深度神经网络中级联卷积层的数目L，其中L为满足2^L×5≥H_I,2^L×5≥W_I的最小整数值；步骤2：根据每个级联卷积层C_l所处理的局部图像块的大小H×W构建级联滤波器f_l，对得到的级联卷积层C_l进行0.5倍的降采样操作，连接所有L个级联卷积层C_l构建一个深度级联微神经网络；步骤3：设定该深度级联微神经网络的训练参数，采用随机梯度下降法进行训练；步骤4：采用softmax分类器进行分类，并利用前向传播算法计算分类误差；步骤5：利用反向传播运算更新神经网络中需要训练的参数的权重值；步骤6：重复步骤4至步骤5，直至验证误差不再变化为止，此时训练过程结束，得到一个深度级联微神经网络，该级联微神经网络可以高效地识别出相应类别的物体。