[发明专利]一种提高深度学习图片识别算法鲁棒性的方法

权利要求书

1.一种提高深度学习图片识别鲁棒性方法，其特征在于，包含如下步骤：

步骤1：对深度学习的神经网络进行随机初始化；

步骤2：将训练样本集和训练标签集作为输入深度学习神经网络，进行前向传播输出深度学习神经网络认为其所属各个类别的概率，如果概率最大的类别与概率次大的类别的概率之比超过1：1.5，则将训练样本标签改为概率最大的类别；

步骤3：将新的样本和其标签进行反向传播，对深度学习神经网络进行调优；

步骤4：在训练了一定数量的样本后，利用测试样本集和测试标签集对训练效果进行测试，输出测试样本集的测试准确率；

步骤5：在对训练样本集和训练标签集迭代了一定次数后，对深度学习神经网络输入验证样本集，并将深度学习神经网络的输出与验证标签集进行对比，输出深度学习神经网络的验证准确率。

2.如权利要求1所述的一种提高深度学习图片识别鲁棒性的方法，其特征在于步骤2中，如果样本的最大概率的类别的概率与次大概率类别的概率的值小于1：1.2并且当前样本训练集迭代次数小于预定值，则将该样本放回训练样本集，并从训练样本集中随机抽取一个样本重新进行前向传播。

3.如权利要求1所述的一种提高深度学习图片识别鲁棒性的方法，其特征在于步骤2中，如果概率最大的类别与概率次大的类别的概率之比超过1：1.5，该比值随着迭代次数的增加而降低,但不低于1：1.2时则将训练样本标签改为概率最大的类别。

4.一种可以实现如权利要求1所述的提高深度学习图片识别鲁棒性的方法的系统，其特征在于包括训练样本集、训练标签集、深度学习神经网络、验证样本集、验证标签集、测试样本集、测试标签集；

所述训练样本集用来对深度学习神经网络进行训练，训练样本集中有错误样本；

所述训练标签集用来标注训练样本集中每个样本的所属类别；

所述深度学习神经网络包括输入层、隐藏层、输出层，输入层输入所需要训练或者识别的样本，隐藏层对样本进行处理，输出层输出样本所属各个类别的概率；

所述验证样本集是用来在训练过程中对深度学习神经网络的训练能力进行验证；

所述验证标签集用来标注验证样本集的每个样本的类别；

所述测试样本集用来测试深度学习神经网络的最终训练效果；

所述测试标签集用来标注测试样本集每个样本的类别。