[发明专利]卷积神经网络分类器及其分类方法和训练方法

说明书

技术领域

本发明涉及图像识别领域，具体涉及一种卷积神经网络分类器、利用卷积神经网络分类器进行分类的方法和训练卷积神经网络分类器的方法。

背景技术

卷积神经网络（Convolutional Neural Network，简称CNN）分类器常被用于图像识别。图1示出了一种传统的卷积神经网络分类器，图4至图7示出了用传统的卷积神经网络分类器来计算神经元的响应值的过程。在利用该传统的卷积神经网络分类器进行识别的过程中，以手写数字为例，输入一幅图像，经过多次重复的卷积、空间最大采样和全连接操作后，卷积神经网络分类器输出在每种数字上的置信度，置信度最高的输出就是识别结果。图1和图4至图7中的每个方框为一个特征图，比如F1、F2和F3，输入图像也可以被看作特征图。

在上述方法中，卷积操作的作用是从前一层的特征图上提取特征。但是，传统卷积神经网络分类器的卷积操作在很大程度上限制了所能提取到的特征数量，导致卷积神经网络分类器的结构不够灵活。

因此，期望一种能够解决上述问题的技术。

发明内容

在下文中给出关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

本发明的一个主要目的在于，提供一种卷积神经网络分类器、利用卷积神经网络分类器进行分类的方法和训练卷积神经网络分类器的方法。

根据本发明的一个实施例，提供了一种卷积神经网络分类器，卷积神经网络分类器包括：多个特征图层，多个特征图层中的至少一个特征图层中的至少一个特征图被划分成多个区域；以及多个卷积模板，多个卷积模板与多个区域分别对应，每个卷积模板用于获得相应区域中的神经元的响应值。

根据本发明的另一个实施例，提供了一种利用卷积神经网络分类器进行分类的方法，其中，卷积神经网络分类器包括多个特征图层，该方法包括：将多个特征图层中的至少一个特征图层中的至少一个特征图划分成多个区域；将分类对象送入卷积神经网络分类器以进行前向传播从而获得输出结果，在前向传播的过程中，采用与多个区域分别对应的多个卷积模板中的各模板来获得相应区域中的神经元的响应值；以及根据输出结果来对分类对象进行分类。

根据本发明的又一个实施例，提供了一种训练卷积神经网络分类器的方法，其中，卷积神经网络分类器包括多个特征图层，该方法包括：将多个特征图层中的至少一个特征图层中的至少一个特征图划分成多个区域；将具有已知标记的训练样本送入卷积神经网络分类器以进行前向传播从而获得输出结果，在前向传播的过程中，采用与多个区域分别对应的多个卷积模板中的各模板来获得相应区域中的神经元的响应值；根据输出结果与已知标记之间的差异来进行反向传播以修正包括卷积模板中的权值在内的、卷积神经网络分类器的参数；以及重复上述步骤，直到满足预定条件为止。

另外，本发明的实施例还提供了用于实现上述方法的计算机程序。

此外，本发明的实施例还提供了至少计算机可读介质形式的计算机程序产品，其上记录有用于实现上述方法的计算机程序代码。

通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以及其他优点将更加明显。

附图说明

参照下面结合附图对本发明实施例的说明，会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中，相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。

图1是示出一种传统的卷积神经网络分类器的示意图；

图2是示出根据本发明的实施例的卷积神经网络分类器的示意图；

图3是示出从图1或2中选出的局部的示意图；

图4至图7是示出用传统的卷积神经网络分类器来计算神经元的响应值的过程的示意图；

图8至图11是示出用根据本发明的实施例的卷积神经网络分类器来计算神经元的响应值的过程的示意图；

图12是示出根据本发明的实施例的卷积神经网络分类器的特征图的划分方案的示意图；

图13是示出根据本发明的实施例的训练卷积神经网络分类器的方法的流程图；

图14是示出根据本发明的实施例的利用卷积神经网络分类器进行分类的方法的流程图；以及