[发明专利]一种CNN模型的微调方法及装置在审
| 申请号： | 201711174440.9 | 申请日： | 2017-11-22 |
| 公开（公告）号： | CN107944553A | 公开（公告）日： | 2018-04-20 |
| 发明（设计）人： | 程福运;郝敬松 | 申请（专利权）人： | 浙江大华技术股份有限公司 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06K9/62 |
| 代理公司： | 北京同达信恒知识产权代理有限公司11291 | 代理人： | 黄志华 |
| 地址： | 310053 浙江*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 cnn 模型 微调 方法 装置 | ||
1.一种CNN模型的微调方法，其特征在于，包括：
基于经过预训练的卷积神经网络CNN模型，对输入的所有样本图像进行图像特征的提取，得到多个类别的图像特征；
针对每个类别的图像特征，采用聚类算法将类内的图像特征进行分簇，得到每个簇的簇心；
利用预设目标函数计算误差；其中，所述目标函数用于将各个簇内的图像特征向簇心处聚拢；
将所述误差在CNN模型中反向传输，对CNN模型的参数进行更新。
2.根据权利要求1所述的方法，其特征在于，所述预设目标函数如下：
其中，Obj表示目标函数，min表示对目标函数求最小值，k表示簇的总个数，i表示第i个簇，1≤i≤k，ni表示簇i内的图像特征的总个数，ftij表示簇i内的第j个图像特征，1≤j≤ni，Mi为簇i的簇心。
3.根据权利要求2所述的方法，其特征在于，利用预设目标函数计算误差，包括：
基于所述目标函数对图像特征求偏导，得到所述误差如下：
δ＝ftij-Mi
其中，δ为误差。
4.根据权利要求3所述的方法，其特征在于，所述CNN模型的参数包括偏置系数和权重系数。
5.根据权利要求1～4所述的方法，其特征在于，所述聚类算法为C均值聚类算法、k-mediods聚类算法、自组织映射SOM聚类算法或者模糊C均值FCM聚类算法。
6.一种CNN模型的微调装置，其特征在于，包括：
CNN特征提取模块，用于基于经过预训练的卷积神经网络CNN模型，对输入的所有样本图像进行图像特征的提取，得到多个类别的图像特征；
聚类分簇模块，用于针对每个类别的图像特征，采用聚类算法将类内的图像特征进行分簇，得到每个簇的簇心；
误差计算模块，利用预设目标函数计算误差；其中，所述目标函数用于将各个簇内的图像特征向簇心处聚拢；
CNN模型微调模块，用于将所述误差在CNN模型中反向传输，对CNN模型的参数进行更新。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江大华技术股份有限公司，未经浙江大华技术股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201711174440.9/1.html，转载请声明来源钻瓜专利网。
