[发明专利]一种有效防止卷积神经网络过拟合的图像分类方法

权利要求书

1.一种有效防止卷积神经网络过拟合的图像分类方法，其特征在于，该方法运行在GPU中，包括：

步骤一，获得图像训练集和图像测试集；

步骤二，卷积神经网络模型的训练，具体包括以下步骤：

a)设定卷积神经网络的结构和训练次数上限N，初始化神经网络权值矩阵W，所述结构包括卷积神经网络的层数和每层中特征图的数量；

b)从所述图像训练集中获取图像数据进行预处理，并进行样本扩增，形成训练样本；

c)对所述训练样本进行前向传播提取图像特征，所述前向传播包括卷积层、非线性归一化层和混合pooling层的计算；

d)在Softmax分类器中计算各样本的分类概率：

$y_i=\frac{\exp \left(s_i\right)}{{\mathrm{\Σ}}_{k=1}^n\exp \left(s_k\right)}$

式中，s_i表示Softmax分类器第i个神经元的输出值，s_i＝F·η，F为某个训练样本的图像特征向量，η为相应的权值，n为需要分类的类别数量；

e)根据概率y_i计算得到训练误差

${\mathrm{\δ}}_i=\underset{k=1}{\overset{n}{\Σ}}\frac{y_k^{*}}{y_k}{y}_k({\mathrm{\θ}}_{ik}-y_i)$

当i＝k时，θ_ik＝1，i表示第i个类别，当原始输入属于类别i时，

f)利用所述训练误差从卷积神经网络的最后一层依次往前反向传播，同时利用随机梯度下降法SGD修改网络权值矩阵W；

g)判断模型训练是否完成，若是，则保存卷积神经网络模型和Softmax分类器后执行步骤三，若否，则返回步骤b)；

步骤三，利用训练后的卷积神经网络模型对图像测试集进行图像分类。

2.根据权利要求1所述的一种有效防止卷积神经网络过拟合的图像分类方法，其特征在于，所述步骤二的a)中，初始权值矩阵W的元素的取值范围为[-0.01,0.01]。

3.根据权利要求1所述的一种有效防止卷积神经网络过拟合的图像分类方法，其特征在于，所述步骤二的b)具体为：

b1)对于长宽相等的图像，利用OPENCV中的cvResize函数进行缩放，缩放后的图片大小为N×N；

b2)对长宽不相等的图像，固定短边S不变，截取长边中间的连续S个像素，形成S×S大小的图像，再重复步骤b1)最终形成N×N大小的图像；

b3)计算所有图像的像素值之和，并除以图像的数量得到一个均值图像，在每一幅图像中减去所述均值图像得到输入样本；

b4)对所述输入样本进行数据扩增，形成最终的训练样本。