深度学习的应用越来越广泛,而且在图像处理方面有着很好的效果。而其中的卷积神经网络(convolutional neural network,CNN)就是一个很好的应用典型,虽然卷积神经网络在特征提取方面有很大的优势,并且也取得了不错的效果。但是在某些具体的检测任务,卷积神经网络(convolutional neural network,CNN)会面临如何处理在图像提取特征的时候,如何保证特征不畸变的问题。本文将通过对卷积神经网络模型的改进来进一步分析如何处理这个问题。实验结果表明,我们提出的多特征池化层能够很好地改善CNN的这一不足。 我们已经大致的介绍了利用CNN进行检测的主要过程。由于训练时间过长以及效率比较低，检测方面的应用-电动折弯机数控钢管滚圆机滚弧机张家港钢管滚圆机滚弧机这篇文章的主要目的就是简化这样一个训练过程。同时提高检测的效率，节省时间成本。2改进算法设计实现2.1算法的设计思想首先，本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/物体检测的主要耗时是在我们提取特征之后对图像的处理上。因此，我们采取的主要策略就是让我们的模型在GPU上运行；还有就是对图像位置的确定，为了保证主要特征在提取特征时不会丢失或者有误，导致我们最终得出的结果出现偏差，我们在卷积之后加了一个多特征池化层。图2改进后的过程图2.2改进算法的设计与实现其原理示意图如图2所示。所谓多特征池化层，就是在卷积提取特征之后，我们可以给出多个池化尺寸的像素模型进行池化。拿图2举例，首先是左边图像很显然是一个汽车的图片，当我们选取的区域不同时，预测的结果可能会出现偏差甚至会产生错误。这时，如果我们选择多特征池化层，那么对于整个大的轮廓我们进行一次池化，基本汽车的模型就有了，然后对一些细节性的东西分别进行池化，我们就能很好地将我们要预测的模型给大概率的预测出来。还有就是右侧的窄塔的模型，如果我们在提取特征之后直接进行一步池化，那么很有可能会得到一个宽的塔（效果如图2所示）。这样的话，我们的模型就是失败的，并没有很好地实现这个预测功能。图3多特征池化原理图因此，我们要引入多特征池化的方法，这样对整个模型精确度的提高有着至关重要的作用。同时对输入图片的尺寸没有要求，可以允许不同尺寸的输入，因为我们在多特征提取层是采用多个池化层对其操作并按照一定的规则拼接在一起。因此可以将不同尺寸的输入图片转化成同一个尺寸，其原理图如图3所示。3实验验证3.1设计思想我们在VOC07做了检测方面的应用-电动折弯机数控钢管滚圆机滚弧机张家港钢管滚圆机滚弧机本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/