為對視網(wǎng)膜圖像的DR嚴重程度進行更準確的分類,分析圖像分辨率、深淺層特征對分類效果的影響,提出一種多尺度ResNext網(wǎng)絡模型。使用不同分辨率眼底圖像交替作為輸入層數(shù)據(jù),采用加權融合深淺層特征作為全連接層分類的信息,使用遷移學習方法對網(wǎng)絡模型參數(shù)進行初始化,避免發(fā)生過擬合問題�；趉aggle競賽數(shù)據(jù)的驗證結(jié)果表明,相對于傳統(tǒng)模型,該模型方法可以更準確地對DR嚴重程度進行分類。 

【文章來源】：計算機工程與設計. 2020,41(11)北大核心

【文章頁數(shù)】：6 頁

【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)絡對視網(wǎng)膜病理圖像進行分類時，僅用高卷積層特征來訓練全連接層網(wǎng)絡。神經(jīng)網(wǎng)絡模型中不同特征層反應圖像的不同特征信息，網(wǎng)絡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，實驗結(jié)果表明細節(jié)性特征在一定程度上可以提高分類的精度[7]。網(wǎng)絡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義特征信息。圖像分類的準確度取決于特征的選取，本文充分利用不同層所表達的特征信息，采用融合多層特征的方式[8]，將深層特征與淺層特征進行融合，進一步挖掘出圖像信息，從而提取到更豐富的紋理信息，同時針對圖像的各種變化，又可以得到具有較好的魯棒性的特征，實現(xiàn)特征的優(yōu)勢互補，以提高分類的準確率[9]。圖2為網(wǎng)絡不同卷積層特征，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義信息。直接將不同層特征進行融合不能達到好的融合效果，因此基于不同特征層分類準確率的不同，本文將不同特征層根據(jù)分類準確率進行加權融合。結(jié)合FPN網(wǎng)絡融合思想，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行上采樣，使其與低層特征圖有相同的維度。將網(wǎng)絡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雜，融合時不考慮融合該層特征。通過實驗測試以得到不同層的分類準確率作為融合權重，通常情況下認為，準確率越高，說明該層特征有較高的分類信息，所以準確率越高該層的融合權重越大。加權融合方法如圖3所示，其中每個卷積層提取出的特征圖為Ci，準確率為ai，特征權重為wi+(i+1），其中i=2,3,4,5。

加權融合

【參考文獻】：
期刊論文
[1]基于語義DCNN特征融合的細粒度車型識別模型[J]. 楊娟,曹浩宇,汪榮貴,薛麗霞.  計算機輔助設計與圖形學學報. 2019(01)
[2]基于多尺度特征融合的遙感圖像場景分類[J]. 楊州,慕曉冬,王舒洋,馬晨暉.  光學精密工程. 2018(12)
[3]糖尿病性視網(wǎng)膜圖像的深度學習分類方法[J]. 李瓊,柏正堯,劉瑩芳.  中國圖象圖形學報. 2018(10)



本文編號：3582282