一种抗噪声干扰的卷积神经网络目标识别训练方法和装置制造方法及图纸

本申请涉及一种抗噪声干扰的卷积神经网络目标识别训练方法、装置、计算机设备和存储介质。所述方法包括：通过生成预设范围内的随机数，根据随机数的奇偶性确定是否对原始图像进行翻转，根据随机数的数值大小确定对所述原始图像的进行旋转的角度，再添加预设类别的噪声，得到处理图像，将处理图像重新标注后与原始数据集合并得到新样本集，通过构建好的新样本集对预训练的卷积神经网络进行再训练，得到训练好的抗噪声干扰的卷积神经网络。本发明专利技术通过随机旋转、翻转和加入噪声处理相叠加的操作对训练数据集进行扩充，在相同扩充倍数下，本发明专利技术方法数据集图像之间的相似度更小，更有利于卷积神经网络的训练，进而提高目标识别准确率。率。率。

【技术实现步骤摘要】
一种抗噪声干扰的卷积神经网络目标识别训练方法和装置


[0001]本申请涉及计算机
，特别是涉及一种抗噪声干扰的卷积神经网络目标识别训练方法、装置、计算机设备和存储介质。

技术介绍

[0002]卷积神经网络是一种具有卷积结构的前馈神经网络，广泛应用于目标识别、物体分类等领域，具有很高的识别准确率，当收集图像时，设备问题和环境各类噪声的存在是不可避免的现象，由于环境或者设备原因存在干扰时，在实际的红外图像识别应用中，所收集到的红外图像会存在一些噪声，其中图像中常见的噪声干扰有加性噪声、乘性噪声和量化噪声，根据噪声的概率分布的情况可以分为高斯噪声(Gaussian noise)、脉冲噪声(Impulsive noise)、瑞利噪声(Rayleigh noise)、伽马噪声(Gamma noise)、指数噪声(Exponential noise)和均匀噪声(Uniform noise)等各种形式，当图像的大于整个图像信息10％的时候，因为这些噪声干扰的存在，所要识别的图像中可能会存在一些信息和特征消失的状况，此时利用卷积神经网络来对此类含有噪声干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗噪声干扰的卷积神经网络目标识别训练方法，其特征在于，所述方法包括：从预设原始数据集中获取原始图像；生成预设范围内的随机数，根据所述随机数的奇偶性确定是否对所述原始图像进行翻转，根据所述随机数的数值大小确定对所述原始图像的进行旋转的角度，得到中间图像；在所述中间图像上添加预设类别的噪声，得到处理图像；其中，所述噪声的种类由实际应用场景耦合的噪声确定；将所述处理图像重新标注后与所述原始数据集合并得到新样本集，通过构建好的新样本集对预训练的卷积神经网络进行目标识别再训练，得到训练好的抗噪声干扰的卷积神经网络。2.根据权利要求1所述的方法，其特征在于，生成预设范围内的随机数，根据所述随机数的奇偶性确定是否对所述原始图像进行翻转，根据所述随机数的数值大小确定对所述原始图像的进行旋转的角度，得到中间图像，包括：生成0
‑
359范围内的随机数；若所述随机数为偶数，则对所述原始图像进行翻转，否则不翻转；根据所述随机数的数值大小确定对所述原始图像的进行旋转的角度，得到中间图像。3.根据权利要求1所述的方法，其特征在于，在得到训练好的抗噪声干扰的卷积神经网络之后，还包括：通过未添加噪声和添加对应噪声后的测试集对所述训练好的抗噪声干扰的卷积神经网络进行测试，得到所述训练好的抗噪声干扰的卷积神经网络的识别准确率。4.根据权利要求1所述的方法，其特征在于，所述预设类别的噪声为高斯噪声、脉冲噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声中的一种或若干种叠加。5.根据权利要求1所述的方法，其特征在于，在所述中间图像上添加预设类别的噪声，得到处理图像，包括：根据确定的噪声种类确定噪声系数；根据所述噪声种类、所述噪声系数生成噪声；将所述中间图像的每...

【专利技术属性】
技术研发人员：邓联文，孙东旭，谢海鹏，
申请(专利权)人：中南大学，
类型：发明
国别省市：