發(fā)布時(shí)間：2021-01-20 04:04

　　伴隨著海量數(shù)據(jù)時(shí)代的到來,計(jì)算機(jī)輔助決策系統(tǒng)（CAD）以一種低時(shí)間消耗和高靈敏度的優(yōu)勢(shì)融入影像分析,語音識(shí)別和情感計(jì)算等領(lǐng)域。傳統(tǒng)的CAD系統(tǒng)在圖像分類上過度依賴于先驗(yàn)的關(guān)鍵點(diǎn)選擇,特征提取和分類器分類。而特征提取算法往往對(duì)最終的CAD系統(tǒng)成敗產(chǎn)生重要影響。近年來,深度學(xué)習(xí)和主成分分析特征提取技術(shù)在數(shù)據(jù)處理方面取得較好的收益,然而針對(duì)人體小腸的膠囊內(nèi)窺鏡圖像分析的復(fù)雜多樣性,當(dāng)前的處理算法存在一定的局限性:（1）深度學(xué)習(xí)算法在隱藏層中的信息存在冗余,怎樣確保在神經(jīng)網(wǎng)絡(luò)中高效篩選出有利于最終任務(wù)的高價(jià)值信息?（2）計(jì)算機(jī)量化的膠囊內(nèi)窺鏡圖像分析仍然是一個(gè)挑戰(zhàn),考慮到攝像機(jī)拍攝的角度和光照相對(duì)于小腸壁是不可控制的,如何量化小腸絨毛特征?為了解決上述問題,本文作了如下創(chuàng)新:（1）提出一種新的深度學(xué)習(xí)局部注意力模塊用于乳糜瀉疾病的診斷。這種注意力模塊不僅關(guān)注乳糜瀉疾病圖像的全局通道信息,而且考慮到局部空間的顯著性特征。在網(wǎng)絡(luò)訓(xùn)練過程中為每個(gè)卷積輸出的特征圖進(jìn)行通道和空間信息的權(quán)重分配,豐富對(duì)當(dāng)前學(xué)習(xí)任務(wù)有利的特征信息,弱化不重要的信息。（2）提出一種新的基于非貪婪的L1-范數(shù)最大化的條帶狀主成... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

健康對(duì)照組（上排）和乳糜瀉患者（下排）的視頻膠囊內(nèi)窺鏡圖像

合肥工業(yè)大學(xué)碩士學(xué)位論文4個(gè)隱藏層和一個(gè)輸出層，在網(wǎng)絡(luò)的同一層神經(jīng)元間不存在關(guān)聯(lián)，可以看到在網(wǎng)絡(luò)的后一層與前一層的所有神經(jīng)元都相連，并且前層的網(wǎng)絡(luò)的輸出即是后層網(wǎng)絡(luò)的輸入。最后在網(wǎng)絡(luò)神經(jīng)元的連接處都附帶有權(quán)重值用來更新網(wǎng)絡(luò)優(yōu)化過程中的內(nèi)部參數(shù)。在計(jì)算機(jī)視覺領(lǐng)域，網(wǎng)絡(luò)的輸入可能會(huì)是醫(yī)學(xué)影像或場景圖像，經(jīng)過隱藏層數(shù)據(jù)的非線性修飾和傳遞，最終經(jīng)過輸出判別層對(duì)具有判別能力的特征進(jìn)行判斷。卷積神經(jīng)網(wǎng)路是神經(jīng)網(wǎng)絡(luò)的延拓。在卷積神經(jīng)網(wǎng)絡(luò)之前，處理圖像分類任務(wù)主要分為圖像底層特征的提取，特征的表達(dá)和分類器設(shè)計(jì)。其中特征提取對(duì)分類任務(wù)的起到至關(guān)重要的作用，傳統(tǒng)的特征提取算法依賴于人工干預(yù)的先驗(yàn)經(jīng)驗(yàn)，屬于一種半自主的學(xué)習(xí)方式。雖然在很多特定的場景任務(wù)中人工選擇的特征具有較好的識(shí)別性能，但同時(shí)可以看到針對(duì)大規(guī)模的圖像數(shù)據(jù)來說，這種特定的特征抽取方式將會(huì)需要大量的人力成本，缺乏計(jì)算效率和精準(zhǔn)的設(shè)計(jì)調(diào)優(yōu)。先驗(yàn)的特征提取方法暴露出的局限性迫使算法設(shè)計(jì)朝著更加智能化的方向發(fā)展。受1981年Hubel提出人類大腦神經(jīng)視覺認(rèn)知原理的啟發(fā)，學(xué)者們提出基于學(xué)習(xí)的特征提取方法，可簡化為圖1.3的逐級(jí)分層認(rèn)知過程。從圖1.3中可以看出圖像的分層抽象的過程，通過人類的大腦皮層將瞳孔攝入的圖像數(shù)據(jù)轉(zhuǎn)化為初級(jí)的特征并分解為不同的邊緣和方向，緊接著通過中間層的非線性特征映射和優(yōu)化，會(huì)獲取到對(duì)識(shí)別任務(wù)有用的關(guān)鍵特征（比如這里的人的眼睛，鼻子，車身等）。再往上層，關(guān)鍵特征將會(huì)融合成對(duì)應(yīng)得圖像，以此達(dá)到精準(zhǔn)得區(qū)分不同類別得圖像。圖1.2全連接神經(jīng)網(wǎng)絡(luò)示意圖Fig.1.2.Schematicdiagramoffullyconnectedneuralnetwork

第一章緒論5圖1.4展示了常見的卷積神經(jīng)網(wǎng)絡(luò)的流程圖。卷積神經(jīng)網(wǎng)絡(luò)主要由堆疊的卷積層(Convolution)，池化層/下采樣層（Pooling）和全連接層(Fullyconnected)組成。圖1.4中，輸入為原始的圖像特征，經(jīng)過三個(gè)卷積核對(duì)其輸入特征進(jìn)行不同空間信息的轉(zhuǎn)換形成深度為3的特征圖像，再經(jīng)過（最大或均值）池化操作對(duì)卷積后的三個(gè)特征圖像進(jìn)行空間信息去冗余，之后通過6個(gè)卷積核和池化操作形成深度為6的特征圖，最后將6張?zhí)卣鲌D按行串聯(lián)成向量的形式，連接到全連接層。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程實(shí)則為最優(yōu)化的求解過程，網(wǎng)絡(luò)在每次前向傳播的訓(xùn)練中都會(huì)計(jì)算網(wǎng)絡(luò)輸出值和真實(shí)的金標(biāo)準(zhǔn)之間的誤差大小，網(wǎng)絡(luò)的訓(xùn)練過程就是通過調(diào)整步長值（也即學(xué)習(xí)率）來尋找全局最優(yōu)的過程。網(wǎng)絡(luò)在計(jì)算一次前向傳圖1.3深度學(xué)習(xí)的特征學(xué)習(xí)過程Fig.1.3.Featurelearningprocessofdeeplearning圖1.4卷積神經(jīng)網(wǎng)絡(luò)模型流圖Fig.1.4Flowdiagramofconvolutionalneuralnetworkmodel


本文編號(hào)：2988332