【技术实现步骤摘要】
本专利技术公开具有动态多尺度特征融合和通道评分能力的神经网络，属于神经网络。
技术介绍
1、由于图像采集协议和扫描仪模型的差异，不同x光检查设备捕获的图像存在差异。这些来自不同设备的图像数据集代表不同的域，并且每个域之间存在差异。在一个领域内训练的模型通常在其他领域表现不佳，缺乏泛化能力是在不断变化的临床环境中部署模型的一个重大障碍。因此，需要深度学习模型综合考虑不同尺度的特征，这样学习到的特征具有更强的鲁棒性。此外，图像分类域泛化的另一挑战是如何使模型更多地关注域特征，深度学习模型很容易学习到不同环境之间的虚假相关性，这种对环境变化的脆弱性可能会给在现实世界中部署的深度学习系统带来严重问题，因为它们的可靠性将受到质疑。
技术实现思路
1、本专利技术的目的在于提供具有动态多尺度特征融合和通道评分能力的神经网络，以解决现有技术中，图像分类结果不准确的问题。
2、具有动态多尺度特征融合和通道评分能力的神经网络，包括特征提取模块、动态多尺度特征融合模块和通道评分模块，特征提取模块的输出是输入特征，输入特征输入动态多尺度特征融合模块，动态多尺度特征融合模块输出多尺度融合特征，多尺度融合特征输入至通道评分模块，通道评分模块输出鲁棒特征；
3、将待处理的图像使用最大类间方差分割法otsu进行初始分割，将初始分割后的图像输入至特征提取模块，使用全连接层处理鲁棒特征得到待处理的图像分类结果。
4、初始分割包括，执行边缘检测区分出前景和背景，剔除无关背景。
...【技术保护点】
1.具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，包括特征提取模块、动态多尺度特征融合模块和通道评分模块，特征提取模块的输出是输入特征，输入特征输入动态多尺度特征融合模块，动态多尺度特征融合模块输出多尺度融合特征，多尺度融合特征输入至通道评分模块，通道评分模块输出鲁棒特征；
2.根据权利要求1所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，初始分割包括，执行边缘检测区分出前景和背景，剔除无关背景。
3.根据权利要求2所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，嵌入域鉴别器区分和删除域敏感通道，采用双一致性损失增强神经网络对域不变特征的提取能力。
4.根据权利要求3所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，动态多尺度特征融合模块包括在多个尺度上分别使用动态卷积模块DCM处理输入特征，然后将多个DCM的输出结果与输入特征进行特征融合，将特征融合结果输入1×1的卷积层，输出形成多尺度融合特征。
5.根据权利要求4所述的具有动态多尺度特征融合和通道评分能力的神经网
6.根据权利要求5所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，通道评分模块将多尺度融合特征执行划分子特征，然后拆分为三条分支进行处理，第一条分支和第二条分支分别进行平均池化和划分子特征，再进行特征融合，然后输入1×1的卷积层和分离函数Split，将特征分割为两个向量，两个向量分别导入激活函数sigmoid，然后一起与多尺度融合特征进行重新加权，将重新加权结果进行组归一化；第三条分支拆分为两个支路，组归一化处理后拆分为两个支线，第一个支线执行平均池化、划分子特征和激活函数softmax后与划分子特征后的第一个支路进行矩阵乘法，第二个支路执行平均池化、划分子特征和激活函数softmax后与划分子特征后的第二个支线进行矩阵乘法，两个矩阵乘法的结果经过激活函数sigmoid，然后与输入特征进行特征融合，形成鲁棒特征。
7.根据权利要求6所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，划分子特征包括沿着通道维度方向将特征划分为g个子特征。
...【技术特征摘要】
1.具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，包括特征提取模块、动态多尺度特征融合模块和通道评分模块，特征提取模块的输出是输入特征，输入特征输入动态多尺度特征融合模块，动态多尺度特征融合模块输出多尺度融合特征，多尺度融合特征输入至通道评分模块，通道评分模块输出鲁棒特征；
2.根据权利要求1所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，初始分割包括，执行边缘检测区分出前景和背景，剔除无关背景。
3.根据权利要求2所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，嵌入域鉴别器区分和删除域敏感通道，采用双一致性损失增强神经网络对域不变特征的提取能力。
4.根据权利要求3所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，动态多尺度特征融合模块包括在多个尺度上分别使用动态卷积模块dcm处理输入特征，然后将多个dcm的输出结果与输入特征进行特征融合，将特征融合结果输入1×1的卷积层，输出形成多尺度融合特征。
5.根据权利要求4所述的具有动态多尺度特征融合和通道评分能力的神经网络，其特征在于，在内核尺度大小为k的dcm中包括两条分支，一条依次包括1×1的卷积层和应用特征约简操作来导...
【专利技术属性】
技术研发人员：张淞睿，陈继群，宁晓赟，刘伟锋，刘宝弟，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。