一种基于感受野集成的神经网络图像分类器的优化方法技术

本发明专利技术公开了一种基于感受野集成的神经网络图像分类器的优化方法，包括以下步骤：从图像数据集中筛选出样本以分别构成训练集和测试集；采用平移变换对训练集进行处理，得到至少两个不同的感受野，将处理结果作为神经网络的输入，以优化出分类器模型；利用测试集对训练出的分类器模型进行正确性检验。本发明专利技术通过平移变换的方式控制神经网络的感受野，将优化资源主要集中于图像的中间区域，即最能反映图像特征的区域，同时逐步利用边缘区域进行修正，使得分类器对于图像的主要特征更为关注。本发明专利技术在同等迭代次数下，较现有训练方法可以训练出准确率更高的分类器模型。

An Optimal Method of Neural Network Image Classifier Based on Receptive Field Integration

【技术实现步骤摘要】
一种基于感受野集成的神经网络图像分类器的优化方法
本专利技术涉及计算机视觉领域，尤其是一种基于感受野集成的神经网络图像分类器的优化方法。
技术介绍
分类是通过事务的属性判断其类别的一类任务。图像分类就是判断图片中的物体所属的类别，起到分类作用的算法就是分类器。神经网络是图像分类任务当中常见的一种分类器。在计算机视觉领域，基于机器学习的图像分类方法包括训练和检验两个过程。通常的，在解决分类问题时，人们采用这样的方法：将整个数据集划分为训练集和测试集，在训练集上训练(或称为优化，在本专利技术中，两种名称含义相同)出分类器，在测试集上检验分类器的性能。这是机器学习对分类问题的解决办法。对于神经网络分类器来说，其训练过程是由若干次迭代构成的，每次迭代都对分类器进行了一定的更新，从而使其获得更好的分类效果。这样的过程叫做优化。损失函数是衡量神经网络在训练集上的分类效果的标尺。损失是损失函数的输出值。损失越小，神经网络在训练集上的分类效果越好。优化的过程，就是随着迭代，不停地减少损失的过程。在整个优化过程中，迭代次数往往达数万次、数十万次甚至更多。对优化速度的调节，通过对学习率的设定来实现。在神本文档来自技高网...

【技术保护点】
1.一种基于感受野集成的神经网络图像分类器的优化方法，包括以下步骤：将构建的神经网络在训练集上进行训练，优化出分类器模型；利用测试集对训练出的分类器模型进行正确性检验；所述训练集和测试集分别包含若干样本图像；其特征在于，在利用训练集对神经网络进行训练的过程中，采用平移变换，基于训练集为神经网络提供至少两个不同的感受野。

【技术特征摘要】
1.一种基于感受野集成的神经网络图像分类器的优化方法，包括以下步骤：将构建的神经网络在训练集上进行训练，优化出分类器模型；利用测试集对训练出的分类器模型进行正确性检验；所述训练集和测试集分别包含若干样本图像；其特征在于，在利用训练集对神经网络进行训练的过程中，采用平移变换，基于训练集为神经网络提供至少两个不同的感受野。2.如权利要求1所述的优化方法，其特征在于，所述采用平移变换，基于训练集为神经网络提供至少两个不同的感受野的过程为：采用平移变换，分阶段对训练集的样本进行处理，其中，至少两个阶段的平移变换的参数不同，分别将每个阶段的处理结果，作为神经网络在对应阶段训练的输入。3.如权利要求2所述的优化方法，其特征在于，所述采用平移变换，分阶段对训练集的样本进行处理，其中，至少两个阶段的平移变换的参数不同，分别将每个阶段的处理结果，作为神...

【专利技术属性】
技术研发人员：杨云，邵文昭，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53