CNN训练流程图像预处理尺度调整:将不同大小的训练样本集图像尺寸调整为48*48对比度变换:将图像对比度归一化的三种方法将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差。将三个彩色空间的像素围绕平均像素强度线性变换加减两个个标准偏差。Contrast-limitedAdaptiveHistogramEqualization(CLAHE)对比受限的自适应直方图均衡化。第三种对比度变换产生的效果最好。图像扭曲:图像的位移,旋转度和尺度变换大小值都是在特定范围均匀分布的,在正负10%范围内。2、卷积神经网络处理流程Ourplainfeed-Narchitectureistrainedusingon-,scaledandrotated,(usuallyafter10to50epochs).Initialweightsaredrawnfromauniformrandomdistributionintherange[−,].Eachneuron’sactivationfunctionisascaledhyperbolictangent。N,当有效误差为零训练结束(通常在10—50代之后),初始权重均匀分布在[-—]随机产生。每一个神经元的激励函数为双曲正切函数。九层的卷积神经网络架构图输入层:3幅不同彩色空间的图像由输入层输入卷积层:卷积层每一个卷机层通过输入图像与卷积核进行二维卷积,激励结果输出图像是通过卷积响应的和经过非线性激励函数得到的n代表层数,Y是一个的图像,是一个大小的卷积核连接输入图像i和输出图像j,是输出图像j的偏置量。对于一个大小的输入图像和尺寸为的卷积核,输出图像的大小。(3)Max_pooling层:将上层卷积层的输出分为n个大小的矩形区域,取每个子区域的最大值进行降采样产生平移不变性。(4)分类层:选取合适的卷积核和max-pooling矩形的大小,将最后一个卷积层的输出降采样到一个像素,最后一个卷积层的输出和全连接层的连接为一维矩阵。最后一层通常为一个全连接层,每一个输出对应一种分类可能。我们采用softmax回归作为最后一层的激励函数将每一个神经元的输
CNN 架构 来自淘豆网m.daumloan.com转载请标明出处.
