[发明专利]一种卷积神经网络构建方法

权利要求书

1.一种卷积神经网络构建方法，其特征在于，用于构建图像识别卷积神经网络，所述图像识别卷积神经网络包括顺次连接的输入层、四个加入手工调制核的卷积层、第一最大池化层、全连接层、Dropout层和输出层；其中，输入层对输入的图片进行扩展，得到多通道的输入；每个卷积层中，先进行卷积，而后再对数据进行归一化，然后输入第二最大池化层，最后将池化结果输入到激活层，如此一个卷积层结束；第四个卷积层没有第二最大池化层，第四个卷积层的输出输入到第一最大池化层中；在训练时，每次迭代的训练过程中，通过反传计算更新所有卷积层和全连接层的权值以进行迭代，直到训练完成；整个卷积神经网络的构建包括以下过程：

(1)利用手调核对一组本体核进行调制，生成调制核；所述本体核为三维卷积核，其维度为N×W×W，其中N为通道数，W为卷积核的尺寸；所述手调核由N个W×W大小的手工核组成；所述调制核的维度为N×N×W×W；

(2)进行调制核的前向卷积，生成输出特征图；

(3)输入一个图像矩阵到调制核卷积层中，并依次经过第一最大池化层、全连接层、Dropout层的处理，得到最终的输出特征图；

(4)进行卷积神经网络模型的梯度反传，反传过程中，在每个原始卷积核上，通过手调核与原始卷积核的点乘，实现对原始卷积核的调制，得到调制卷积核，并用该调制卷积核代替原始卷积核进行神经网络的前向传递，以达到特征增强的效果。

2.根据权利要求1所述的卷积神经网络构建方法，其特征在于，所述手调核为学习出来的手调核，在卷积神经网络的反传过程中，也对手调核进行更新，使其进行自学习，由此得到调制效果较好的手工核。

3.根据权利要求1所述的卷积神经网络构建方法，其特征在于，通过复制N次的方式将输入卷积神经网络的二维矩阵扩展为三维矩阵，并以三维矩阵作为该卷积神经网络的输入特征图，N为输入二维矩阵的通道数，且输入二维矩阵的通道数与手工核的通道数相等。

4.根据权利要求3所述的卷积神经网络构建方法，其特征在于，所述三维矩阵输入卷积神经网络后，经过前向传递过程，得到输出特征向量，并通过损失函数计算出损失；得到损失后，卷积神经网络反传更新，损失从最深层传递到最浅层；每层更新时，仅更新本体核，当损失反传到最浅层时，再更新手调核。