宮頸癌細(xì)胞識(shí)別作為宮頸癌防治工作的關(guān)鍵技術(shù)之一,對(duì)減少女性因患宮頸癌的死亡率具有重要意義。由于細(xì)胞圖像復(fù)雜多變,且現(xiàn)有的識(shí)別網(wǎng)絡(luò)參數(shù)量和計(jì)算量巨大,基于深度學(xué)習(xí)的宮頸癌細(xì)胞識(shí)別存在檢測(cè)識(shí)別率低下、硬件配置需求較高、檢測(cè)耗時(shí)等問(wèn)題。因此優(yōu)化宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)是一項(xiàng)具有挑戰(zhàn)意義和研究?jī)r(jià)值的工作,也是關(guān)乎女性健康的重要課題。針對(duì)上述問(wèn)題,本文優(yōu)化了特征提取網(wǎng)絡(luò)和SSD算法提出了基于改進(jìn)ResNet的宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò),并引入了 OD-FWSI算法和全局逐步網(wǎng)絡(luò)壓縮算法用于網(wǎng)絡(luò)壓縮和加速。本文的具體工作如下:（1）提出基于改進(jìn)ResNet的宮頸癌細(xì)胞識(shí)別網(wǎng)絡(luò)用于細(xì)胞圖像識(shí)別。該網(wǎng)絡(luò)在目前最具影響力的SSD目標(biāo)檢測(cè)模型上進(jìn)行兩方面改進(jìn)。一方面借鑒深度殘差網(wǎng)絡(luò)和密集連接卷積網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點(diǎn),同時(shí)結(jié)合圖像特征融合的思想,提出了改進(jìn)ResNet特征提取網(wǎng)絡(luò);另一方面,提出了針對(duì)宮頸癌細(xì)胞識(shí)別的SSD算法,通過(guò)改進(jìn)先驗(yàn)框選取設(shè)計(jì)、先驗(yàn)框與細(xì)胞匹配原則和損失函數(shù)三方面,提高了宮頸癌細(xì)胞識(shí)別的準(zhǔn)確率。（2）由于上述網(wǎng)絡(luò)計(jì)算復(fù)雜度高,參數(shù)眾多,需要耗費(fèi)大量的時(shí)間和昂貴的硬件設(shè)施去對(duì)宮頸癌細(xì)胞圖像進(jìn)行識(shí)別。因... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２稀疏交互的圖形示意圖??

輸入影響４，當(dāng)＊ｓ■是由全連接運(yùn)算得出時(shí)，：＾，１２，：》：３，：》：４，１５的輸入都會(huì)影響＆。??在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中，處于深層的網(wǎng)絡(luò)單元盡管沒(méi)有與輸入圖像直接相連，??但它可以間接地感知輸入圖像中的絕大多數(shù)信息，如圖２－３所示。處于深層的網(wǎng)??絡(luò)單元，他們的感受野要比處在淺層的感受野更大，這使得卷積神經(jīng)網(wǎng)絡(luò)通過(guò)稀??疏交互的方法能夠大大降低整個(gè)網(wǎng)絡(luò)參數(shù)量的同時(shí)實(shí)現(xiàn)輸入信息的復(fù)雜交互。??０？Ｑ？？??圖２－３深層網(wǎng)絡(luò)的單元感受野大小示意圖??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｕｎｉｔ?ｓｅｎｓｉｎｇ?ｆｉｅｌｄ?ｓｉｚｅ?ｏｆ?ｄｅｅｐ?ｎｅｔｗｏｒｋ??（２）參數(shù)共享是指輸入共享同一權(quán)重，卷積層中的卷積核同時(shí)作用于上一??層輸入的每一塊域。參數(shù)共享的具體實(shí)現(xiàn)如圖２－４所示。黑色箭頭表示在卷積運(yùn)??算中對(duì)卷積核中間參數(shù)的使用。圖２－４上面因?yàn)閰?shù)共享，這個(gè)參數(shù)被用于輸入??圖像的所有位置。圖２－４下面是全連接模型，該參數(shù)只用于一個(gè)位置的輸入信息??Ａ。??？?？?？?？?Ｇ）??（Ｖ）?（Ｗ）?（Ｗ）?（Ｖ）?（Ｖ）??？?？?０?？?？??？?＠?？?？?？??圖２－４網(wǎng)絡(luò)參數(shù)共享示意圖??Ｆｉｇｕｒｅ?２－４?Ｎｅｔｗｏｒｋ?ｐａｒａｍｅｔｅｒ?ｓｈａｒｉｎｇ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??在卷積運(yùn)算中，參數(shù)共享同樣降低了整個(gè)網(wǎng)絡(luò)的參數(shù)量，保證了我們只需要??９??

輸入影響４，當(dāng)＊ｓ■是由全連接運(yùn)算得出時(shí)，：＾，１２，：》：３，：》：４，１５的輸入都會(huì)影響＆。??在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中，處于深層的網(wǎng)絡(luò)單元盡管沒(méi)有與輸入圖像直接相連，??但它可以間接地感知輸入圖像中的絕大多數(shù)信息，如圖２－３所示。處于深層的網(wǎng)??絡(luò)單元，他們的感受野要比處在淺層的感受野更大，這使得卷積神經(jīng)網(wǎng)絡(luò)通過(guò)稀??疏交互的方法能夠大大降低整個(gè)網(wǎng)絡(luò)參數(shù)量的同時(shí)實(shí)現(xiàn)輸入信息的復(fù)雜交互。??０？Ｑ？？??圖２－３深層網(wǎng)絡(luò)的單元感受野大小示意圖??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｕｎｉｔ?ｓｅｎｓｉｎｇ?ｆｉｅｌｄ?ｓｉｚｅ?ｏｆ?ｄｅｅｐ?ｎｅｔｗｏｒｋ??（２）參數(shù)共享是指輸入共享同一權(quán)重，卷積層中的卷積核同時(shí)作用于上一??層輸入的每一塊域。參數(shù)共享的具體實(shí)現(xiàn)如圖２－４所示。黑色箭頭表示在卷積運(yùn)??算中對(duì)卷積核中間參數(shù)的使用。圖２－４上面因?yàn)閰?shù)共享，這個(gè)參數(shù)被用于輸入??圖像的所有位置。圖２－４下面是全連接模型，該參數(shù)只用于一個(gè)位置的輸入信息??Ａ。??？?？?？?？?Ｇ）??（Ｖ）?（Ｗ）?（Ｗ）?（Ｖ）?（Ｖ）??？?？?０?？?？??？?＠?？?？?？??圖２－４網(wǎng)絡(luò)參數(shù)共享示意圖??Ｆｉｇｕｒｅ?２－４?Ｎｅｔｗｏｒｋ?ｐａｒａｍｅｔｅｒ?ｓｈａｒｉｎｇ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??在卷積運(yùn)算中，參數(shù)共享同樣降低了整個(gè)網(wǎng)絡(luò)的參數(shù)量，保證了我們只需要??９??


本文編號(hào)：3359283