基于深度可分離殘差網絡的皮膚病識別與分類
發(fā)布時間:2021-09-04 17:26
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習神經網絡架構,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】:電子技術與軟件工程. 2020,(18)
【文章頁數】: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相結合,設計了一種新穎的網絡結構-SRes Net。我們將SRes Net應用到皮膚病圖像識別任務中,并對比了VGGNet與Res Net兩種深度學習主流模型。實驗結果表明,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據增強操作以及標準化預處理,減去訓練集數據的均值,并除以訓練集數據的標準差。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,經Relu函數處理后,獲取圖像局部特征。卷積核數量決定了特征圖數量,選擇合適大小的卷積核控制參數量在合理范圍內。本文設計了一種深度可分離殘差模塊(res),如圖1所示,其內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塊內有1個卷積層并且步長設置為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函數對特征圖進行更新。SRes Net的4個res模塊使用的卷積核數量具體為64、128、256、512,同時卷積核的大小均設置為3×3。另一方面,我們將卷積核的stride參數設置為1,padding參數設置為’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]基于深度卷積神經網絡的色素性皮膚病識別分類[J]. 何雪英,韓忠義,魏本征. 計算機應用. 2018(11)
本文編號:3383692
【文章來源】:電子技術與軟件工程. 2020,(18)
【文章頁數】: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相結合,設計了一種新穎的網絡結構-SRes Net。我們將SRes Net應用到皮膚病圖像識別任務中,并對比了VGGNet與Res Net兩種深度學習主流模型。實驗結果表明,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據增強操作以及標準化預處理,減去訓練集數據的均值,并除以訓練集數據的標準差。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,經Relu函數處理后,獲取圖像局部特征。卷積核數量決定了特征圖數量,選擇合適大小的卷積核控制參數量在合理范圍內。本文設計了一種深度可分離殘差模塊(res),如圖1所示,其內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塊內有1個卷積層并且步長設置為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函數對特征圖進行更新。SRes Net的4個res模塊使用的卷積核數量具體為64、128、256、512,同時卷積核的大小均設置為3×3。另一方面,我們將卷積核的stride參數設置為1,padding參數設置為’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]基于深度卷積神經網絡的色素性皮膚病識別分類[J]. 何雪英,韓忠義,魏本征. 計算機應用. 2018(11)
本文編號:3383692
本文鏈接:http://www.sikaile.net/yixuelunwen/pifb/3383692.html
最近更新
教材專著