卷积神经网络的训练方法和系统技术方案

提供了计算机实施的卷积神经网络的训练方法，包括：接收第一数据和第二数据，所述第二数据是经过对所述第一数据的风格化处理得到的数据；和基于所述第一数据和所述第二数据训练所述卷积神经网络，所述卷积神经网络具有第一归一化层和第二归一化层，其中，所述第一归一化层用于所述第一数据，所述第二归一化层用于所述第二数据。由此训练的卷积神经网络在克服了纹理偏重的基础上不仅增强了鲁棒性同时增强了准确性。增强了准确性。增强了准确性。

【技术实现步骤摘要】
卷积神经网络的训练方法和系统


[0001]本专利技术涉及人工智能领域，尤其涉及卷积神经网络的训练和应用。

技术介绍

[0002]在人工智能领域中，卷积神经网络已经被广泛应用于图像分类和图像检测。通常认为通过利用卷积神经网络学习多个样本的特征，便于基于图像对对象进行分类和检测。所学习的特征可以包括形状特征或纹理特征。在最近的研究中，更倾向于基于图像纹理特征训练卷积神经网络来进行对象的分类和检测。
[0003]在此基础上为了进一步提高训练得到的机器学习模型的鲁棒性，在训练过程中使用对抗样本，但这会降低机器学习模型的准确性，有研究表示在机器学习模型中，在鲁棒性和准确性之间需要折衷。

技术实现思路

[0004]提供了一种改进的卷积神经网络训练方法，其倾向于学习样本的形状特征，同时能够增加机器学习模型的鲁棒性和准确性。
[0005]已经认识到，当前的研究更倾向于基于图像纹理特征训练卷积神经网络来进行对象的分类和检测，从而忽略了形状特征。而在实际情况下，人们在识别某个对象时，会将形状特征和纹理特征结合来考虑，忽略形状特征显然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实施的卷积神经网络的训练方法，包括：接收第一数据和第二数据，所述第二数据是经过对所述第一数据的风格化处理得到的数据；和基于所述第一数据和所述第二数据训练所述卷积神经网络，所述卷积神经网络具有第一归一化层和第二归一化层，其中，所述第一归一化层用于所述第一数据，所述第二归一化层用于所述第二数据。2.如权利要求1所述的训练方法，还包括：接收第三数据，所述第三数据是经过对所述第一数据的另外风格化处理得到的数据，所述另外风格化处理不同于所述风格化处理，和基于所述第三数据训练所述卷积神经网络，其中，所述卷积神经网络还具有第三归一化层，所述第三归一化层用于所述第三数据。3.如权利要求1所述的训练方法，其中，所述第一数据包括图像数据、音频数据和文本数据中的任意一种。4.如权利要求1所述的训练方法，其中，所述第一归一化层包括第一批量归一化层；和/或所述第二归一化层包括第二批量归一化层。5.如权利要求1-4中的任一项所述的训练方法，还包括：针对所述第一数据，计算第一损失；对所述第一损失进行加权；和基于经加权的所述第一损失执行反向传播。6.如权利要求5所述的训练方法，还包括：针对所述第二数据...

【专利技术属性】
技术研发人员：孙昊，高煜，程泽，
申请(专利权)人：罗伯特，
类型：发明
国别省市：