發(fā)布時(shí)間：2022-01-11 06:31

　　為對(duì)視網(wǎng)膜圖像的DR嚴(yán)重程度進(jìn)行更準(zhǔn)確的分類,分析圖像分辨率、深淺層特征對(duì)分類效果的影響,提出一種多尺度ResNext網(wǎng)絡(luò)模型。使用不同分辨率眼底圖像交替作為輸入層數(shù)據(jù),采用加權(quán)融合深淺層特征作為全連接層分類的信息,使用遷移學(xué)習(xí)方法對(duì)網(wǎng)絡(luò)模型參數(shù)進(jìn)行初始化,避免發(fā)生過(guò)擬合問(wèn)題�；趉aggle競(jìng)賽數(shù)據(jù)的驗(yàn)證結(jié)果表明,相對(duì)于傳統(tǒng)模型,該模型方法可以更準(zhǔn)確地對(duì)DR嚴(yán)重程度進(jìn)行分類。 

【文章來(lái)源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(11)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

空間金字塔池化

傳統(tǒng)算法使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)視網(wǎng)膜病理圖像進(jìn)行分類時(shí)，僅用高卷積層特征來(lái)訓(xùn)練全連接層網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)模型中不同特征層反應(yīng)圖像的不同特征信息，網(wǎng)絡(luò)的淺層特征圖分辨率高且局部視野小，可以提取到圖像的紋理特征，實(shí)驗(yàn)結(jié)果表明細(xì)節(jié)性特征在一定程度上可以提高分類的精度[7]。網(wǎng)絡(luò)的高層特征圖分辨率低但具有高視野，從而可以提取到圖像的語(yǔ)義特征信息。圖像分類的準(zhǔn)確度取決于特征的選取，本文充分利用不同層所表達(dá)的特征信息，采用融合多層特征的方式[8]，將深層特征與淺層特征進(jìn)行融合，進(jìn)一步挖掘出圖像信息，從而提取到更豐富的紋理信息，同時(shí)針對(duì)圖像的各種變化，又可以得到具有較好的魯棒性的特征，實(shí)現(xiàn)特征的優(yōu)勢(shì)互補(bǔ)，以提高分類的準(zhǔn)確率[9]。圖2為網(wǎng)絡(luò)不同卷積層特征，從圖2中可以看出淺層特征圖突出眼底圖像的特征信息，深層特征圖更突出語(yǔ)義信息。直接將不同層特征進(jìn)行融合不能達(dá)到好的融合效果，因此基于不同特征層分類準(zhǔn)確率的不同，本文將不同特征層根據(jù)分類準(zhǔn)確率進(jìn)行加權(quán)融合。結(jié)合FPN網(wǎng)絡(luò)融合思想，由于不同層特征維度不同，所以采用最近鄰方法將高層特征圖進(jìn)行上采樣，使其與低層特征圖有相同的維度。將網(wǎng)絡(luò)模型中的卷積層劃分為5部分，由于第一卷積層特征信息復(fù)雜，融合時(shí)不考慮融合該層特征。通過(guò)實(shí)驗(yàn)測(cè)試以得到不同層的分類準(zhǔn)確率作為融合權(quán)重，通常情況下認(rèn)為，準(zhǔn)確率越高，說(shuō)明該層特征有較高的分類信息，所以準(zhǔn)確率越高該層的融合權(quán)重越大。加權(quán)融合方法如圖3所示，其中每個(gè)卷積層提取出的特征圖為Ci，準(zhǔn)確率為ai，特征權(quán)重為wi+(i+1），其中i=2,3,4,5。

加權(quán)融合

【參考文獻(xiàn)】：
期刊論文
[1]基于語(yǔ)義DCNN特征融合的細(xì)粒度車型識(shí)別模型[J]. 楊娟,曹浩宇,汪榮貴,薛麗霞.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(01)
[2]基于多尺度特征融合的遙感圖像場(chǎng)景分類[J]. 楊州,慕曉冬,王舒洋,馬晨暉.  光學(xué)精密工程. 2018(12)
[3]糖尿病性視網(wǎng)膜圖像的深度學(xué)習(xí)分類方法[J]. 李瓊,柏正堯,劉瑩芳.  中國(guó)圖象圖形學(xué)報(bào). 2018(10)



本文編號(hào)：3582282