[发明专利]保持旋转不变性的卷积神经网络模型及其训练方法

权利要求书

1.保持旋转不变性的卷积神经网络模型的构建方法，其特征在于：包括卷积神经网络模型和区域旋转层，所述区域旋转层位于卷积神经网络模型中的卷积层的上一层；

所述区域旋转层的处理方法包括：

S1、根据特征向量和区域旋转层下一层的卷积层卷积核的长/宽，计算特征向量的旋转次数；

S2、选取卷积窗口最外层的旋转起点，计算将旋转起点移动至设定位置的移动步长和旋转角度；

S3、根据外一层的移动步长和旋转角度，计算内一层的移动步长和旋转角度，并将当前层所有像素点移动相应的移动步长；

S4、返回步骤S3，直至卷积窗口的旋转操作等于旋转次数；

S5、选取当前层特征向量余下的卷积窗口，并返回步骤S2，直至同一特征向量的所有卷积窗口已完成旋转；

S6、获取旋转变换后的卷积窗口位于原特征向量的位置坐标，并将其放置于相应的位置坐标处；

S7、当同一特征向量所有旋转变换后的卷积窗口均已放置于原特征向量的相应位置坐标处时，输出拼接后的新特征向量。

2.根据权利要求1所述的保持旋转不变性的卷积神经网络模型的构建方法，其特征在于：当所述卷积核的长等于宽时，计算特征向量的旋转次数的方法包括：

判断卷积核的长/宽是否为奇数；

若为奇数，则i＝(N-1)/2；

若为偶数，则i＝N/2，其中i为旋转次数；N为卷积核的长/宽；

当所述卷积核的长不等于宽时，所述旋转次数的计算公式为：

旋转次数＝(特征向量的长度-卷积核的长度+1)*(特征向量的宽度-卷积核的宽度+1)。

3.根据权利要求1所述的保持旋转不变性的卷积神经网络模型的构建方法，其特征在于：所述设定位置为最外层像素点的左上角顶点，卷积窗口的每层像素点的旋转方向为顺时针。

4.根据权利要求3所述的保持旋转不变性的卷积神经网络模型的构建方法，其特征在于：所述选取卷积窗口最外层的旋转起点的操作方法包括：

遍历最外层的所有像素点，判断像素值最大的像素点个数是否大于1；

若等于1，则将像素值最大的像素点作为旋转起点；

若大于1，则将最外层以左上角顶点处的像素为起始点，将外层的所有像素点顺时针展开为一个一维数组；

选取一维数组中像素值最大的像素点的下一个像素点进行像素值判断；

若像素值均不相等，则采用下一个像素点中像素值最大的上一个像素点作为旋转起点；

若至少有两个像素值相等，则选取相应像素点的下一个像素点进行比较，直至下一个像素点中仅有一个最大像素值，之后采用最终确定的最大像素值查找最终确定的最大像素值的初始最大像素值对应像素点作为旋转起点。

5.根据权利要求3所述的保持旋转不变性的卷积神经网络模型的构建方法，其特征在于：

卷积窗口中像素点非最外层的移动步长s_j的计算方法为：当d_j-1/w_j的余数小于w_j/2时，s_j＝d_j-1/w_j；当d_j-1/w_j的余数大于w_j/2时，s_j＝d_j-1/w_j+1；

其中，d_j＝s_j×w_j；d_j为第j层的旋转角度；s_j为第j层的旋转步长；w_j为卷积窗口中每层像素点旋转一个步长的角度；w_j＝360°/A_j，A_j为第j层的像素点总个数；2≤j≤i，i为旋转次数，j＝2为次外层，j＝i为最内层。

6.根据权利要求1-5任一所述的保持旋转不变性的卷积神经网络模型的构建方法，其特征在于：所述卷积神经网络为LeNet-5卷积神经网络、VGG16卷积神经网络、YOLO-v2卷积神经网络、或faster r-cnn卷积神经网络。

7.一种采用权利要求1-6任一所述的方法构建的保持旋转不变性的卷积神经网络模型的训练方法，其特征在于，包括：

步骤一，加载构建的保持旋转不变性的卷积神经网络模型；

步骤二，采用高斯分布初始化方式对保持旋转不变性的卷积神经网络模型参数随机初始化；

步骤三，将由若干图片构成的训练数据输入保持旋转不变性的卷积神经网络模型，对保持旋转不变性的卷积神经网络模型进行训练；

步骤四，当损失函数值达到预设阈值时，完成保持旋转不变性的卷积神经网络模型训练，并记录保持旋转不变性的卷积神经网络模型的权重。