结合全局与局部池化的多幅图像识别算法

度与速度。所以就目前而言，结合全局与局部池化的多幅图像识别算法是改进这一问题的重要举措。采用提取池化特 征值、建立多幅图像识别网络模块实现图像识别。经试验论证，这种算法可以有效地提升图像的识别率，为日常生活中

需要进行图像识别的产业提供相应的技术支持。关键词：图像识别；算法设计;全剧平均池化层;线性回归中图分类号:TP183

文献标识码:A 文章编号：1673-1131（2019）08-0009-02在进行池化计算时，将特征图谱进行局部池化操作，所得特征

输出具有变化性叫这一操作减少了在训练过程中拟合现象出 行的频率。在局部池化操作中,通过池化运算所输出的计算值 需要通过池化区域的特征值进行提取分离。当特征值逐渐增

0引言随着现代科技的发展，信息技术广泛地应用在生产生活

的各个方面。在日常生活中，人们需要对一部分图形进行识

别叫信息技术的不断提升，人们对于图像的识别需求也在不

断提高。在计算机中如何对多幅图像进行精确快速的识别判

定是目前图像识别工作中急需解决的难点，需要我们釆用一

大时，其被选取的概率也会随之增加。但是，在最后选取的过

程中不一定会对最大值进行选取。在进行数值选取时，其具 体步骤如下：假设给定某个局部池化区域的特征输入值设定

种更加智能高效的图像识别方法。结合全局与局部池化进行

多幅图像识别计算,可以有效的减少网络计算量，大幅度地压

为A,对被运用到计算的特征值选定概率设定为T。之后，以

缩网络模型叫每个特征的概率值为依据,将其在0-1中分布开来，设定0-1 中的随机数为K,则K处于哪个特征值的概率区间内则选取

此特征为池化后的值Q。在进行池化的过程中，首先要了解什么是网络池化以及

池化作用。池化作用就是在存储从服务器直联存储到以SAN

或者NAS®为代表的网络存储的发展过程。通过釆用池全局

池化与局部池化的有机结合，可以提升多幅图像识别的准确

在使用网络模型对多幅图像进行识别时，需要釆用概率 加权的形式进行运算。简单来说，就是池化域的特征值和特

度，并将这一技术用应在各个领域。为图像识别工作提供坚 实的理论基础，保证图像识别工作的正常开展。征值对应的概率值加权作为池化后的特征值。1.2建立多幅图像识别网络模块在提取相应的池化特征值后，将特征值应用到图像识别 网络结构中。对于图像识别网络结构釆用全局池化层与最大

1结合全局与局部池化的多幅图像识别算法设计1.1提取池化特征值在图像识别中最常用的池化算法有最大值池化、平均池 化和随机池化等。简单来说最大值池化算法就是对池化区域

值池化层进行融合的方式作为多幅图像的特征输出层161。减少

网络中全连接层的出现。在网络结构中单独使用全局平均池

化层的方式，这种做法与全连接层提取的特征一样，它们只釆

中的进行最大值的特征值提取叫相对的，平均池化算法就是 对特征值进行平均取值。这两种取值公式分别如下：集了全局图像特征，忽视了对局部图像特征的分析统计。所

以,在图像识别结构中，采用了能够同时链接到全局和局部信

PM*』=maXx=i,y=i（ov） + />

⑴息的图像特征作为网络的特征输出层。数据在进入卷积层并

加以运算后同时连接最大池化层和全局平均池化层。保证网

I p PMx.y =活（X IL。卩）+ 〃

⑵络能够进行正常的数据运算的同时，可以提升泛化能力。在 两个池化层后分别增加对上一批次进行规划的联合层。通过

由以上公式可知将池化区域的大小以及步长设置为p, b 表示的是池化区域的偏执量。x,y分别代表了神经元网络的

最大池化层进行对局部图像的提取，而后在联合层进行图像

拼接,通过这种设计，可以确保在图像识别过程中的特征可以

输出值。神经元网络输出值之间连接的权值釆用o表示。局部池化与最大值池化以及平均值池化是有很大出入的。

同时体现全局与局部池化的识别结果，从而识别到更全面图

像信息的特征。当选取图像参数为零时，可以大幅压缩网络[8] Hassibi B, Vikalo H. On the sphere-decoding algorithm I.

Expected complexity [J], IEEE transactions on signal pro­cessing,2005,53(8):2806-28 1 &[11] Qi Y, Qian R G. On complexity of sphere decoding with nov­

el sphere radius determining method]A] .//IET International

Conference on Communication Technology and Application [C],20U:71-75.[12] Wen Y G,Wu L N. A modified sphere detection algorithm

[9] Seethaler D,Jalden J,Studer C,et al.On the complexity Dis­

tribution of sphere decoding[J].IEEE Transactions on Infor­mation Theory,2011,57(9):57-576&ZHwith lower complexity for MIMO detection [A] .//Interna­

[10] Niu K,Chen K,Lin J R. Low-Complexity Sphere Decoding

of Polar Codes Based on Optimum Path Metric [J]. IEEE Communications Letters,2014,18(2):332-335.tional Conference on Communication, Control, Computing

and Electronics Engineermg[C],2017:1-4.9信息通信参数，从而提高图像识别模型的运转速度叫1.3实现结合全局与局部池化的多幅图像识别根据对以往多幅图像识别的具体情况问进行分析，本文设

计结合全局与局部池化图像识别网络模块。其中整个识别模

块由输人层、隐层、输出层组成，其中隐层包括1层卷积层、2

层池化层、1层联合层共4层。首先数据层的输人数据为32 *

32的堕入图像灰度矩阵，前1层卷积层(A1和A2)都是使用 步长为1,大小为6* 6的卷积核,后两层池化层(A3和A4)的 卷积核步长为1,大小为3* 3,两层联合层(B1和B2)的池层

大小为1* 1,步长也为1-在进行图像识别输出部分都使用的是激活函数与损失函

数相结合的方式，其计算公式表示如下：C(v)»xp(v”)(3)将输入模块中的特征值设定为v,将图形特征进行标号,

并选用m,n分别记录。为保证图像识别的准确性，在函数计 算后，通过联合层进行二次计算，公式表达如下：FL (v)(1_ Zexp(v„)exp(v”)* (工exp(v exp($”)；(4)通过两级计算后，由联合层输出并按照网络模块进行分

类，最后将识别后的结果进行输出。由此实现结合全局与局

部池化算法的功能。2仿真实验分析为保证实验的严谨性，将经过训练后不同池化域的参数

如图1所示。图1不同池化区域参数由图1可知,经过计算后的池化域参数不完全是1 /o2的 固定参数值，而是以训练过程中的损失函数为依据，通过不断

优化得到对应数值。以此同时，处在于不同的池化区域所显

示处在的参数值也会随之变化。可以看出，文中提出的结合

全局与局部池化的多幅图像识别中是切实有效的，并且当初

始化条件等价于平均池化时，可以明显看出结合全局与局部 池化多幅图像算法相对于其他图像识别算法的优越性。为了验证提出的结合全局与局部池化的多幅图像识别算

法的有效性，在相同多幅图像运作算中釆用不同的图像识别 算法，并进行对识别率的对比，其比较结果如表1所示。表1基于不同算法的图像识别率对照表内客第一次第二次第三次第四次第五次第六次原有方法75.6%802%79.53%7428%80.06%85.45%本文方法8521%87.55%86.96%80%87.63%90.67%10蒋明威等:结合全局与局部池化的多幅图像识别算法表1中结合全局与局部多幅图像算法的初始化参数l/o2 (将池化区域步长用。表示)。通过计算可以发现，在进行数 据实验时,对数据进行平均池化算法是结合全局与局部池化

多幅图像识别的重要分析过程。将本文的池化算法与原有

的图像识别算法进行对比可以发现。原有图像识别算法的 图像识别率要远远低于本文选用的算法。在原有方法中图

像识别率最低的只达到75.6%。但是结合全局与局部池化算

法经过不停的参数优化,最终的是识别结果为90.67%o本文

采用的图像识别方法不仅要高于原本的图像识别方法，而且 图像识别率较为稳定，不易出现较大误差。由此可见，釆用

本文中提出的方法可以有效提升图像的识别率。将这种方 法应用于生产生活之中,对于提升人们的工作效率有重要作

用。3结语在进行多幅图像识别中的池化操作主要为了实现两种目

标:其一是对多幅图像的特征进行聚合,其二是避免图像产生 的拟合作用超出相关要求。原有的图像识别方法主要通过最

大值池化与平均池化进行图像的分析识别。这两种池化方式

在进行图像特征聚合过程中存在丢失信息严重的情况，平均

池化操作则会对特征信息产生弱化现象，无法适应图像的识

别工作灵活度。针对在多幅图像识别中原有识别方法存在的

缺点，提出一种结合全局与局部池化的多幅图像识别算法，不

仅可以对池化区域内的所有特征值进行分析，并且能够根据 图像识别要求不断优化池化参数。结合全局与局部池化的多

幅图像识别算法经实验证明，这种方法相比较传统的图像识

别方法，结合全局与局部池化的图像识别中具有明显的优势,

可以有效提升图像的识别率。参考文献：[1] 孙俊,何小飞，谭文军,et al.空洞卷积结合全局池化的卷

积神经网络识别作物幼苗与杂草[J].农业工程学报,2018,

34(11):159-165.[2] 王衡军，司念文,宋玉龙，等.结合全局向量特征的神经网

络依存句法分析模型[J].通信学报,201& 39(2):53-.[3] 胡正平，何薇，王蒙，等.多层次深度网络融合人脸识别算

法[J].模式识别与人工智能,2017, 30(5):448-455.[4] 徐岩，韦镇余.一种改进的交通标志图像识别算法[J].激

光与光电子学进展,2017⑵:118-125,[5] 傅隆生，冯亚利,Elkamil Tola,^.基于卷积神经网络的田

间多簇獗猴桃图像识别方法[J].农业工程学报，2018, 34:205-211.(2)[6] 李红丽，许春香，马耀锋.基于多核学习SVM的图像分类

识别算法[J].现代电子术,2018,41(6):50-52.[7] 彭亮清，陈君,伍雁鹏.基于最佳鉴别特征和相关向量机

的人脸识别算法[J].吉林大学学报:理学版，2017, 55(5):

1227-1233.[8] 杨恢先，姜德财,谭正华，等.局部方向梯度幅值与相位差

分的人脸识别算法[J].计算机工程与应用，2017, 53(11):

217-222.作者简介:蒋明威(1995-),男，湖北武汉人，研究生在读，研究

方向:智能控制。