一种多组卷积神经网络之间互博智能进化的优化方法技术

本发明专利技术涉及一种多组卷积神经网络之间互博智能进化的优化方法，通过多个卷积神经网络之间通过对比识别图像的准确率，利用摄像头实时采集图像作为数据集反馈给识别效果不好的网络进行微调以优化该网络可以对该类别的图像更好的分类；可以利用安防监控自动获取训练集喂给一个分类效果较差的网络，控制其自动微调(Finturn)，节省大量人力物力手动采集图片并且写上标签，而且实现卷积神经网络之间自动的训练进化。

An optimization method for the evolution of mutual intelligence between multi convolution neural networks

The invention relates to an optimization method of mutual intelligent evolution between multiple convolution neural networks. By comparing the accuracy rate of image recognition among multiple convolution neural networks, the real-time acquisition image of the camera is used as a data set to feed back to the network with bad recognition effect to be tuned to optimize the network for this category. Better classification of images; the automatic acquisition of a training set by security monitoring can be fed to a less classified network, control its automatic tuning (Finturn), save a lot of manpower and material manual collection of pictures and write labels, and implement automatic training and evolution between the convolution neural networks.

【技术实现步骤摘要】
一种多组卷积神经网络之间互博智能进化的优化方法
本专利技术涉及一种多组卷积神经网络之间互博智能进化的优化方法，属于人工智能深度学习领域。
技术介绍
近年来人工智能技术发展迅速，深度学习领域中的卷积神经网络CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于卷积神经网络避免了对图像的复杂前期预处理，可以直接输入原始图像，在目标识别、行为识别、人脸识别等领域有着广泛的应用。虽然卷积神经网络的应用十分广泛，但是限制其发展的一个非常关键的因素就是训练数据集的收集问题。要想训练好一个卷积神经网络实现目标检测，就要喂给这个网络一个很大的数据集，拿ImageNet数据集来讲，它包含1000个物体类别，每个类别有1200张图片，其训练数据集就达到了1200000张图，对这些图的采集和标注标签的工作量是非常大的，耗费了大量的人力物力。并且很多公司收集的数据集不对外开放，这就严重限制了深度学习的发展和应用。人工智能芯片的问世，使得在嵌入式设备上进行实时的训练卷积神经网络成为可能。
技术实现思路
针对现有技术的不足，本专利技术提供了一种多组卷积神经网络之间互博智能进化的优化方法；本专利技术通过多个卷积神经网络之间通过对比识别图像的准确率，利用摄像头实时采集图像作为数据集反馈给识别效果不好的网络进行微调以优化该网络可以对该类别的图像更好的分类；可以利用安防监控自动获取训练集喂给一个分类效果较差的网络，控制其自动微调(Finturn)，节省大量人力物力手动采集图片并且写上标签，而且实现卷积神经网络之间自动的训练进化。术语解释：1、卷积神经网络(ConvolutionalNeuralNetwork,CNN)：是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutionallayer)和池化层(poolinglayer)。2、训练数据集：是用来训练卷积神经网络的，卷积神经网络可以通过各种算法计算处理训练数据集从而提取特征并保存，然后和实际数据进行比对从而实现识别分类。3、ImageNet：是根据WordNet层次结构组织的一个图像数据库，其中层次结构的每个节点都被成百上千的图像所描述。目前，每个节点平均有超过500个图像。该数据集在2012年的时候包括1000类图像，有126万张图像，验证集5万张，测试集10万张(标注未公布)。4、微调(fineturning)：训练好的model里面存放的是一些参数，我们实际上就是把预先训练好的参数，拿来作为我们的初始化参数，而不需要再去随机初始化了。使用训练好的参数，必须和别人用同一个network，因为参数是由network而来的。但是，最后一层得修改，因为我们的数据集可能和原来训练的数据集并不一样，而只有几类。我们把最后一层的输出类别改一下，然后把层的名称改一下就可以了。最后用预先训练好的参数、修改后的network和我们数据，再进行训练，使得参数适应我们的数据。5、Batch_Size(批尺寸)：是机器学习中每次训练的样本个数，迭代次数＝样本总数/批尺寸。6、IamgeNet大规模视觉识别挑战赛：从2010年以来，ImageNet每年都会举办一次软件竞赛，也即ImageNet大规模视觉识别挑战赛(ILSVRC)，参赛程序会相互比试，看谁能以最高的正确率对物体和场景进行分类和检测，不仅牵动着产学研三界的心，也是各团队、巨头展示实力的竞技场。7、推理分类，就是把任意的图片输入进一个卷积神经网络，通过网络对图片的计算得到分类结果。本专利技术的技术方案为：一种多组卷积神经网络之间互博智能进化的优化方法，包括：(1)选取m个卷积神经网络，包括net1,…,neti,…,netm，m≥2且m为整数，1≤i≤m，neti是指m个卷积神经网络中的任一卷积神经网络；m个卷积神经网络的初始化状态均是基于同一个数据集训练得到，该数据集有n个类别，一个类别有多张训练图片，包括1,…,j,…,n；j是指n个类别中的任一类别；(2)利用m个卷积网络分别对采集装置采集的单张图像进行推理分类，卷积神经网络neti得到分类结果，即n个概率值Xi1，…，Xij…Xin,Xij是指当前采集的图像是类别j的概率，从n个概率值中选取其中的最大值ai∈{1,…,j,…,n}；最终，m个卷积网络分别从得到的n个概率值中选取其中的最大值，依次为(3)设置阈值Z，阈值Z的取值范围为50％-100％，阈值Z实际上是一个概率，比如卷积神经网络net1分类一张图像的结果为：目标图像是物体A的概率为P1＝90％，是物体B的概率为P2＝40％，是物体C的概率为P3＝30％，设置阈值Z＝80％，P1>P2,P1>P3,并且P1>Z,就认为该卷积神经网络把目标图像分类成了物体A。从步骤(2)求取的中选取最大值为中的任一个；比较与阈值Z的关系，如果则判定neti卷积神经网络识别该图像正确，把第ai个分类的标签赋值给该图像，除neti外的其它卷积神经网络对该图像类别的识别效果都不正确，进入步骤(4)；否则，认为采集的所述单张图像不够清晰，重新采集图像，返回步骤(2)；(4)控制同一个采集装置进行实时快速拍照，采样N张图像，并将步骤(3)判断得到的标签赋值给这N张图像；N为整数且N≥2；(5)控制除neti外的其它卷积神经网络各自进行微调(Finturn),如果训练数据集比较小，即训练数据集中图片的数量小于1万张，则设置各个卷积神经网络训练时的批大小batch_size为N，否则，设置batchsize为N/2或N/3，目的是减少处理器的计算量。使得除neti外的其它卷积神经网络自我训练进化。以对该类物体可以更好的识别。根据本专利技术优选的，所述采集装置为摄像头。根据本专利技术优选的，阈值Z的取值范围为80％-90％。本专利技术的有益效果为：1、相比于人工标注数据集，本专利技术大大降低了时间成本和经济成本，原本需要花费数百人工作几十天的任务量，现在系统可以自动标注数据集。2、卷积神经网络之间通过反馈可以让系统自动的微调各个网络得到更好的分类特征，这是在传统训练卷积神经网络方法基础上的优化，系统可以自动的优化卷积神经网络的分类特征。3、本专利技术先选取了已经经过训练的多个卷积神经网络，在传统训练卷积神经网络方法基础上的优化，经过智能进化网络的准确率会比初选时的网络准确率更高。附图说明图1为本专利技术一种多组卷积神经网络之间互博智能进化的优化方法的流程框图；图2为本专利技术实施例2中多组卷积神经网络之间互博智能进化的优化方法的流程框图。具体实施方式下面结合说明书附图和实施例对本专利技术作进一步限定，但不限于此。实施例1一种多组卷积神经网络之间互博智能进化的优化方法，如图1所示，包括：(1)选取m个卷积神经网络，包括net1,…,neti,…,netm，m≥2且m为整数，1≤i≤m，neti是指m个卷积神经网络中的任一卷积神经网络；m个卷积神经网络的初始化状态均是基于同一个数据集训练得到，该数据集有n个类别，一个类别有多张训练图片，包括1,…,j,…,n；j是指n个类别中的任一类别；(2)利用m个卷积网络分别对摄像头采集的单张图像进行推理分类，卷积神经网络neti得到分本文档来自技高网...

【技术保护点】
1.一种多组卷积神经网络之间互博智能进化的优化方法，其特征在于，包括：(1)选取m个卷积神经网络，包括net1,…,neti,…,netm，m≥2且m为整数，1≤i≤m，neti是指m个卷积神经网络中的任一卷积神经网络；m个卷积神经网络均是基于同一个数据集训练得到，该数据集有n个类别，包括1,…,j,…,n；j是指n个类别中的任一类别；(2)利用m个卷积网络分别对采集装置采集的单张图像进行推理分类，卷积神经网络neti得到分类结果，即n个概率值Xi1，…，Xij…Xin,Xij是指当前采集的图像是类别j的概率，从n个概率值中选取其中的最大值

【技术特征摘要】
1.一种多组卷积神经网络之间互博智能进化的优化方法，其特征在于，包括：(1)选取m个卷积神经网络，包括net1,…,neti,…,netm，m≥2且m为整数，1≤i≤m，neti是指m个卷积神经网络中的任一卷积神经网络；m个卷积神经网络均是基于同一个数据集训练得到，该数据集有n个类别，包括1,…,j,…,n；j是指n个类别中的任一类别；(2)利用m个卷积网络分别对采集装置采集的单张图像进行推理分类，卷积神经网络neti得到分类结果，即n个概率值Xi1，…，Xij…Xin,Xij是指当前采集的图像是类别j的概率，从n个概率值中选取其中的最大值最终，m个卷积网络分别从得到的n个概率值中选取其中的最大值，依次为(3)设置阈值Z，阈值Z的取值范围为50％-100％，从步骤(2)求取的中选取最大值为中的任一个；比较与阈值Z的关系，如果则判定neti卷积神经网络识...

【专利技术属性】
技术研发人员：朱顺意，
申请(专利权)人：山东领能电子科技有限公司，
类型：发明
国别省市：山东,37