[发明专利]一种图像去噪神经网络训练方法

说明书

本发明公开了一种图像去噪神经网络训练方法，在利用图像去噪数据集对图像去噪神经网络进行模型训练，对每一层卷积网络输出特征图参数进行归一化处理时，对于特征图的每个批量，按通道数C将像素分成X组，在每个组中间隔M个通道进行采样，然后对采样的不同通道的像素求均值和标准差，再使用求得的均值和方差对本组中各通道的像素数据做归一化，获得0~1分布。本发明计算在批量维度的方差和均值，以此来进行归一化，并进行间隔通道采样计算，由于批量维度N的数值固定，在归一化计算过程中，计算与批量大小无关，因此能够在减小运算量的同时，使得神经网络在图像去噪任务中不受到batch size的影响，具有出色的表现。

技术领域

本发明涉及神经网络领域，具体涉及一种神经网络训练方法。

背景技术

数字图像在数字化和传输过程中，常常受到成像设备与外部环境噪声干扰等影响， 引入了不同类型的复杂噪声。图像的去噪任务要求在尽可能去除图像中噪声的同时，还应保持原有图像的边缘、纹理等细节结构信息。

现有技术中，使用卷积通过端到端的残差学习，从函数回归角度用卷积神经网络将噪声从噪声图像中分离出来，取得了显著优于其他方法的去噪结果。

由于去噪神经网络在训练过程中涉及到不同网络层的融合和叠加，不同层的参数进行融合之后参数会不可避免的发生改变，使得下一层的输入数据变化范围非常大，因此越往后面的层参数分布变化会越剧烈。虽然在神经网络内部每一层的输入数据分布不同，但是最终的样本标记是固定不变的，也就是说边缘概率不同而条件概率相同。因此，在深度学习领域中，在数据处理和分析之前，为了减小参数变化的影响，通常必不可少的一步是要将数据进行收敛，而收敛的途径主要为将每一层网络的参数进行归一化处理，把数据的变化范围映射到一个区间内。

目前，在深度学习去噪领域常用的是批处理归一化(Batch Normalization，BN)方法，批处理归一化方法适用于各种网络进行训练。然而，沿着批量尺寸进行归一化会带来问题，当批量尺寸(batch size)变小时，BN的误差会迅速增加，这是由于批量统计量估计不准确造成的。这限制了BN用于训练更大的模型，并将特征转移到包括检测、分割和视频在内的计算机视觉任务中，这些任务需要受内存消耗限制的小批量。

在去噪任务中，batch size的限制要求更高，包括检测、分割、识别等建立在它们之上的高级系统。例如，Faster和Mask R-CNN框架仅使用1或2张图像的批量大小，因为更高的分辨率在使用3D卷积的视频分类中，时空特征的存在引入了时间长度和批处理大小之间的权衡。BN的使用通常要求这些系统在模型设计和批量大小之间妥协。但是BN存在以下两个问题：

（1）每次是在一个批量(batch)上计算均值和方差，如果batch size太小，则计算的均值和方差不足以代表整个数据分布。

（2）如果batch size太大，则会超过硬件的内存容量，需要跑更多的训练次数，导致总训练时间变长；且会直接固定梯度下降的方向，导致神经网络很难更新。

发明内容

发明目的：针对上述现有技术，提出一种图像去噪神经网络训练方法，在减小运算量的同时，使得神经网络在图像去噪任务中不受到batch size的影响。

技术方案：一种图像去噪神经网络训练方法，包括：

步骤1：构建图像去噪数据集，将数据集中的图像修剪成统一尺寸，并进行数据增强处理；

步骤2：利用步骤1得到的图像去噪数据集对图像去噪神经网络进行模型训练，在训练的过程中，每一层卷积网络在经过卷积核卷积之后，对输出的特征图参数进行归一化处理；

其中，对参数进行归一化处理包括：