[发明专利]用于图像分类任务的深度卷积网络训方法、装置及系统

权利要求书

1.用于图像分类任务的深度卷积网络训练方法，其特征在于，

步骤10，对训练样本进行预处理，获得数据增强的训练样本；

步骤20，针对数据增强的训练样本，基于深度卷积神经网络提取图像嵌入/特征向量，得到当前的输出；

步骤30，基于当前的输出和修正后的损失函数，进行梯度反传；

步骤40，对所述深度卷积神经网络层的参数进行调整更新；

步骤50，重复步骤10-步骤40，将所述深度卷积神经网络层迭代训练至收敛。

2.根据权利要求1所述的方法，其特征在于，所述训练样本预处理，具体为：

步骤101，采集含N个类别的三通道图像数据，其中，N≥2；

步骤102，将采集到的所述图像数据划分为训练集和验证集；

步骤103，对训练集中的图像进行图像增强处理；

步骤104，从处理后的训练集中抽取数个图像，组成小批次数据，然后将原索引打乱，获得随机索引序列；

步骤105，将原索引图像和随机索引图像按比例λ混合；其中，λ为随机产生的mixup参数；

步骤106，将混合后的图像按批次输入卷积神经网络中。

3.根据权利要求2所述的方法，其特征在于，图像数据以3:1的比例划分为训练集和验证集。

4.根据权利要求2所述的方法，其特征在于，所述图像增强处理包括：随机裁剪、色彩增强和随机噪声中的一种或多种。

5.根据权利要求1所述的方法，其特征在于，修正后的函数为：

6.用于图像分类任务的深度卷积网络训练装置，其特征在于，包括：

预处理模块，用于对训练样本进行预处理，获得数据增强的训练样本；

处理模块，用于针对数据增强的训练样本，基于深度卷积神经网络提取图像嵌入/特征向量，得到当前的输出；

梯度反传模块，用于基于当前的输出和修正后的损失函数，进行梯度反传；

参数更新模块，用于对所述深度卷积神经网络层的参数进行调整更新，将所述深度卷积神经网络层迭代训练至收敛。

7.根据权利要求6所述的装置，其特征在于，所述梯度反传模块包括：

计算单元，用于基于当前的输出和修正后的损失函数，计算所述深度卷积神经网络的当前误差损失；

梯度反传单元，用于并将所述当前误差损失反向传播。

8.根据权利要求6所述的装置，其特征在于，预处理模块对训练样本中的图像进行图像增强处理，包括随机裁剪、色彩增强和随机噪声中的一种或多种。

9.根据权利要求6所述的装置，其特征在于，修正后的函数为：

10.用于图像分类任务的深度卷积网络训练系统，其特征在于，所述系统包括至少一个处理器和存储器；

所述存储器，用于存储一个或多个程序指令；

所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1至5中一个或多个所述的方法。

11.一种芯片，其特征在于，所述芯片与系统中的存储器耦合，使得所述芯片在运行时调用所述存储器中存储的程序指令，实现如权利要求1至5中一个或多个所述的方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括一个或多个程序指令，所述一个或多个程序指令可被如权利要求10所述的系统执行，以实现如权利要求1至5中一个或多个所述的方法。