CNN

训练流程

1

、图像预处理

(

1

)

尺度调整：将不同大小的训练样本集图像尺寸调整为

48*48

(

2

)

对比度变换：将图像对比度归一化的三种方法

A.

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。

B.

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。

C.

Contrast-limited

Adaptive

Histogram

Equalization

(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

Our plain feed-forward CNN architecture is trained using on-line gradient descent. Images from

the training set might be translated, scaled and rotated, whereas only the original images are used for

validation. Training ends once the validation error is zero (usually after 10 to 50 epochs). Initial

weights are drawn from a uniform random distribution in the range

[

−

0

.

05

,

0

.

05]

. Each neuron’s

activation function is a scaled hyperbolic tangent

。用在线梯度下降算法训练

CNN

，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

[-0.05

—

0.05]

随机产生。每一个神经元

的激励函数为双曲正切函数。