本文針對臨床上的皮膚病的檢出效率較低、費用高等缺點,提出了一種針對皮膚病識別問題的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu),該模型可以有效地提取皮膚病圖像的特征,并且對其進行準確的識別與分類。實驗結(jié)果表明,本文提出的方法準確率達到96.7%,與VGGNet和ResNet相比,分別提高了4.7%和3.4%。 

【文章來源】：電子技術(shù)與軟件工程. 2020,(18)

【文章頁數(shù)】：3 頁

【部分圖文】：

深度可分離殘差模塊

圖1：深度可分離殘差模塊本文將深度可分離卷積與Res Net相結(jié)合，設(shè)計了一種新穎的網(wǎng)絡(luò)結(jié)構(gòu)-SRes Net。我們將SRes Net應(yīng)用到皮膚病圖像識別任務(wù)中，并對比了VGGNet與Res Net兩種深度學(xué)習(xí)主流模型。實驗結(jié)果表明，我們的方法在準確率，召回率等指標上與傳統(tǒng)模型相比均占有一定優(yōu)勢。

輸入層：本文將收集好的皮膚鏡圖像處理成RGB3通道的張量作為卷積層的輸入。圖像在輸入模型之前進行了數(shù)據(jù)增強操作以及標準化預(yù)處理，減去訓(xùn)練集數(shù)據(jù)的均值，并除以訓(xùn)練集數(shù)據(jù)的標準差。除此之外，為了滿足模型輸入維度一致的需要，我們規(guī)定圖像在載入模型之前自動調(diào)整成256×256大小。卷積層：卷積層的主要作用是通過卷積核提取圖片特征，對圖像進行加權(quán)，經(jīng)Relu函數(shù)處理后，獲取圖像局部特征。卷積核數(shù)量決定了特征圖數(shù)量，選擇合適大小的卷積核控制參數(shù)量在合理范圍內(nèi)。本文設(shè)計了一種深度可分離殘差模塊(res)，如圖1所示，其內(nèi)部由兩次深度可分離卷積和一次殘差條跳躍連接組成，此模塊可以在減少參數(shù)量的同時有效地提取輸入圖像的特征。本文提出的SRes Net模型包含5個卷積塊(圖2),第1塊內(nèi)有1個卷積層并且步長設(shè)置為2用于降低輸入特征的維度。其余4個卷積塊作為深度可分離殘差模塊(res)。其中,res1,res2,res3,res4內(nèi)有分別有3,4,6,3個卷積層。在每個卷積操作之后，我們都采用了Re LU函數(shù)對特征圖進行更新。SRes Net的4個res模塊使用的卷積核數(shù)量具體為64、128、256、512，同時卷積核的大小均設(shè)置為3×3。另一方面,我們將卷積核的stride參數(shù)設(shè)置為1,padding參數(shù)設(shè)置為’same’,以此維持卷積輸入前后的特征圖維度[8]。

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的色素性皮膚病識別分類[J]. 何雪英,韓忠義,魏本征.  計算機應(yīng)用. 2018(11)



本文編號：3383692