基于SN-HiFuse网络的图像分类方法技术

一种基于SN

【技术实现步骤摘要】
基于SN
‑
HiFuse网络的图像分类方法


[0001]本专利技术属于图像处理
，具体涉及到图像分类。

技术介绍

[0002]图像分类是计算机视觉中的一个核心任务，其目标是根据图像信息中所反映的不同特征，将不同的图像划分到不同的类别，实现最小的分类误差。利用深度学习技术进行图像分类展现出了更加强大的性能，深度学习技术通过不断的训练，利用提取到的特征对图像进行分类。因此，深度学习技术在图像分类领域有广泛的研究价值和意义。
[0003]目前已研究出很多应用于图像分类的深度学习方法，比如Swin transformer网络、HiFuse网络。对于不同类别之间差别较大的图像，Swin transformer网络分类效果较为明显，但是当不同类别之间图像差别较小甚至肉眼难以分辨时，HiFuse网络将transformer和卷积神经网络进行融合，分类结果准确率不高，分类结果有待改进；Swin transformer网络对于差别较小的图像的分类效果较之HiFuse网络准确率高，但也没有达到一定的要求。
[0004]在图像分类
，当前需迫切解决的一个技术问题是提供一种分类准确的分类方法。

技术实现思路

[0005]本专利技术所要解决的技术问题在于克服上述现有技术的缺点，提供一种分类准确率高、分类速度快的基于SN
‑
HiFuse网络的图像分类方法。
[0006]解决上述技术问题所采用的技术方案是由下述步骤组成：
[0007](1)数据集预处理
[0008]取含有细胞核的图片4999张，标签A数据集702张，标签B数据集2951张，标签C数据集1336张，图片大小为2000
×
2000像素。
[0009]1)将图像数据集像素值归一化到[
‑
1,1]，将图片重塑成尺寸为224
×
224像素的图片。
[0010]2)将切分后的数据集按6：2：2的比例随机划分为训练集、验证集、测试集。
[0011](2)构建SN
‑
HiFuse网络
[0012]SN
‑
HiFuse网络由局部特征分支与全局特征分支、特征融合分支依次并联，特征融合分支的输出端与分类器相连构成。
[0013]所述的局部特征分支由局部特征块1与局部特征块2、局部特征块3、局部特征块4依次串联构成；所述的全局特征分支由全局特征块1与全局特征块2、全局特征块3、全局特征块4依次串联构成；所述的特征融合分支由特征融合块1与特征融合块2、特征融合块3、特征融合块4依次串联构成；局部特征块1和全局特征块1的输出与特征融合块1的输入相连，局部特征块2和全局特征块2的输出与特征融合块2的输入相连，局部特征块3和全局特征块3的输出与特征融合块3的输入相连，局部特征块4和全局特征块4的输出与特征融合块4的输入相连。
[0014]所述的局部特征块1由卷积模块与SimAM注意力机制模块串联组成，局部特征块2、局部特征块3、局部特征块4的结构与局部特征块1的结构相同。
[0015]所述的特征融合块1由NAM注意力机制模块的通道注意力分支与CBAM注意力机制模块的空间注意力分支并联后，与卷积模块串联构成，特征融合块2、特征融合块3、特征融合块4的结构与特征融合块1的结构相同。
[0016](3)训练SN
‑
HiFuse网络
[0017]1)确定目标函数
[0018]目标函数包括损失函数Loss和评价函数AUC，按下式确定损失函数Loss：
[0019][0020]其中，m是训练样本总数，x
i
为第i个样本，y
i
为第i个样本对应的标签，l
θ
(x
i
)为SN
‑
HiFuse网络的输出，m、i为有限的正整数。
[0021]按下式确定评价函数AUC：
[0022][0023][0024]其中，P
i+
为第i个样本预测为正样本的概率，P
i
‑
为第i个样本预测为负样本的概率，I为有限的正整数，P∈(0,1]，M为正样本的个数，N为负样本的个数，M和N为有限的正整数。
[0025]2)训练SN
‑
HiFuse网络
[0026]将训练集输入到SN
‑
HiFuse网络中进行训练，SN
‑
HiFuse网络的学习率γ∈[10
‑5,10
‑3]，优化器采用Adam优化器，训练迭代至SN
‑
HiFuse网络的损失函数收敛。
[0027](4)保存模型
[0028]在训练SN
‑
HiFuse网络的过程中，不断更新权重，保存相应的参数及权重文件。
[0029](5)验证SN
‑
HiFuse网络
[0030]将验证集输入到SN
‑
HiFuse网络中进行验证。
[0031](6)测试SN
‑
HiFuse网络
[0032]将测试集输入到SN
‑
HiFuse网络中进行测试，加载保存的参数及权重文件，得到图像分类结果。
[0033]在本专利技术的步骤(2)构建SN
‑
HiFuse网络中，所述的局部特征块1的卷积模块由卷积核为3
×
3的深度卷积层与归一化层、卷积核为1
×
1的卷积层、GELU激活函数层依次串联组成，局部特征块2、局部特征块3、局部特征块4的卷积模块的结构与局部特征块1的卷积模块的结构相同。
[0034]在本专利技术步骤(2)构建SN
‑
HiFuse网络中，所述的局部特征块1的SimAM注意力机制模块的构建方法由能量函数e(x
t
,x
k
)确定，能量函数如下：
[0035][0036][0037][0038]其中，x
t
和x
k
是目标神经元与其它神经元在同一通道中的输入特征，y1是正样本的标签，y0是负样本的标签，是x
t
的线性转换，是x
k
的线性转换，t是目标空间维度的索引，k是其它空间维度上的索引，K是当前通道上的神经元数量，K为有限的正整数，w和b分别是线性转化的权重和偏置。
[0039]局部特征块2、局部特征块3、局部特征块4的SimAM注意力机制模块的结构与局部特征块1的SimAM注意力机制模块的结构相同。
[0040]在本专利技术的步骤(2)构建SN
‑
HiFuse网络中，所述的特征融合块1的NAM注意力机制模块的通道注意力分支由批量归一化层与sigmoid激活函数层串联构成；特征融合块2、特征融合块3、特征融合块4的通道注意力分支的结构与特征融合块1的通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SN
‑
HiFuse网络的图像分类方法，其特征在于由下述步骤组成：(1)数据集预处理取含有细胞核的图片4999张，标签A数据集702张，标签B数据集2951张，标签C数据集1336张，图片大小为2000
×
2000像素；1)将图像数据集像素值归一化到[
‑
1,1]，将图片重塑成尺寸为224
×
224像素的图片；2)将切分后的数据集按6：2：2的比例随机划分为训练集、验证集、测试集；(2)构建SN
‑
HiFuse网络SN
‑
HiFuse网络由局部特征分支与全局特征分支、特征融合分支依次并联，特征融合分支的输出端与分类器相连构成；所述的局部特征分支由局部特征块1与局部特征块2、局部特征块3、局部特征块4依次串联构成；所述的全局特征分支由全局特征块1与全局特征块2、全局特征块3、全局特征块4依次串联构成；所述的特征融合分支由特征融合块1与特征融合块2、特征融合块3、特征融合块4依次串联构成；局部特征块1和全局特征块1的输出与特征融合块1的输入相连，局部特征块2和全局特征块2的输出与特征融合块2的输入相连，局部特征块3和全局特征块3的输出与特征融合块3的输入相连，局部特征块4和全局特征块4的输出与特征融合块4的输入相连；所述的局部特征块1由卷积模块与SimAM注意力机制模块串联组成，局部特征块2、局部特征块3、局部特征块4的结构与局部特征块1的结构相同；所述的特征融合块1由NAM注意力机制模块的通道注意力分支与CBAM注意力机制模块的空间注意力分支并联后，与卷积模块串联构成，特征融合块2、特征融合块3、特征融合块4的结构与特征融合块1的结构相同；(3)训练SN
‑
HiFuse网络1)确定目标函数目标函数包括损失函数Loss和评价函数AUC，按下式确定损失函数Loss：其中，m是训练样本总数，x
i
为第i个样本，y
i
为第i个样本对应的标签，l
θ
(x
i
)为SN
‑
HiFuse网络的输出，m、i为有限的正整数；按下式确定评价函数AUC：按下式确定评价函数AUC：其中，P
i+
为第i个样本预测为正样本的概率，P
i
‑
为第i个样本预测为负样本的概率，I为有限的正整数，P∈(0,1]，M为正样本的个数，N为负样本的个数，M和N为有限的正整数；2)训练SN
‑
HiFuse网络将训练集输入到SN
‑
HiFuse网络中进行训练，SN
‑
HiFuse网络的学习率γ∈[10
‑5,10
‑3]，
优化器采用Adam优化器，训练迭代至SN
‑
HiFuse网络的损失函数收敛；(4)保存模型在训练SN
‑
HiFuse网络的过程中，不断更新权重，保存相应的参数及权重文件；(5)验证SN
...

【专利技术属性】
技术研发人员：陈昱莅，张欣欣，陆铖，白佳洋，陈国萍，马苗，裴炤，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：