一种基于非对称卷积核的卷积神经网络训练方法技术

本发明专利技术公开了一种基于非对称卷积核的卷积神经网络训练方法，方法的步骤中含有：S01：获取数据集；S02：将卷积神经网络中指定的卷积层的n*n卷积核拆分成n*1和1*n两个非对称的卷积核以形成两并行卷积层，并在拆分的两个并行卷积层之后加入批量归一化层；S03：采用步骤S01获取的数据集对经过步骤S02处理后的卷积神经网络进行训练，训练过程中获取图像特征图，提取图像特征，进行图像分类；S04：卷积神经网络经过一轮训练完毕后，使用验证集对卷积神经网络进行验证；S05：循环执行步骤S2至步骤S4，对卷积神经网络进行多轮训练，直到达到卷积神经网络的模型收敛的结束条件。其在分类任务中能够在保证网络分类性能的前提下，减少网络参数数量。

【技术实现步骤摘要】

本专利技术涉及一种基于非对称卷积核的卷积神经网络训练方法。

技术介绍

1、目前，卷积神经网络(convolutional neural networks，cnn)是深度学习中的经典模型，cnn主要由卷积层、下采样层以及全连接层组成，通过组合多层卷积层与下采样层，cnn能够逐步深入提取图像的丰富高级语义，这是完成图像分类或识别等任务的关键信息。

2、公告号为cn114091648a的中国专利公开了一种基于卷积神经网络的图像分类方法、装置及卷积神经网络，其中，通过设置并行的子卷积神经网络层提高特征值的提取数量，虽然卷积神经网络在计算机视觉任务中表现出色，然而，随着网络模型的变大，有时可能需要使用多达几亿个参数的网络，这导致了内存占用和计算需求的显著增加，所以需要考虑到内存和计算资源的限制。

技术实现思路

1、本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于非对称卷积核的卷积神经网络训练方法，其在分类任务中能够在保证网络分类性能的前提下，减少网络参数数量。

2、为了解决上述技术本文档来自技高网...

【技术保护点】

1.一种基于非对称卷积核的卷积神经网络训练方法，其特征在于方法的步骤中含有：

2.根据权利要求1所述的卷积神经网络训练方法，其特征在于，在步骤S01中，对数据集进行数据增强。

3.根据权利要求2所述的卷积神经网络训练方法，其特征在于，

4.根据权利要求1所述的卷积神经网络训练方法，其特征在于，

5.根据权利要求4所述的卷积神经网络训练方法，其特征在于，

6.根据权利要求1所述的卷积神经网络训练方法，其特征在于，

7.根据权利要求1所述的卷积神经网络训练方法，其特征在于，还包括：

【技术特征摘要】

1.一种基于非对称卷积核的卷积神经网络训练方法，其特征在于方法的步骤中含有：

2.根据权利要求1所述的卷积神经网络训练方法，其特征在于，在步骤s01中，对数据集进行数据增强。

3.根据权利要求2所述的卷积神经网络训练方法，其特征在于，

4.根...

【专利技术属性】
技术研发人员：邹佳，朱金铭，邹刘磊，黄语莹，范洪辉，朱洪锦，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：