技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于自适应卷积的图片分类方法、装置、电子设备与流程  >  正文

基于自适应卷积的图片分类方法、装置、电子设备与流程

  • 国知局
  • 2024-07-31 23:06:42

本发明涉及人工智能,涉及一种基于自适应卷积的图片分类方法、装置、电子设备及存储介质。

背景技术:

1、在医疗领域中,患者的医疗图片是医疗数据中心的重要信息。每名患者从挂号开始看病,就会生成许多的医疗图片信息,比如发票图片、检验报告、影像报告、住院病案首页以及出院证明等。而在医疗图片分类的应用场景中是需要用到底层技术图片编码,图片编码技术提取到的图片编码特征的表征效果会极大的影响着医疗图片的分类准确性。

2、目前业内在图片编码特征时使用固定的卷积核,一般3*3的卷积核,进行图片特征提取。但由于图片的形式比较复杂,有不同类型的图片(黑白,彩色)。一种卷积核的参数往往不足以提取不同图片的特征。如果针对不同图片进行编码,又需要人工选择卷积核。因此,现有技术会存在以下不足,1、采用最大池化或者平均池化都会容易引起信息的损失;2、人工选择卷积核会带来模型的不准确,提取的卷积特征矩阵的表征效果很差;3、提取固定卷积核的特征也会导致最终得到的卷积特征的表征效果不理想。

技术实现思路

1、鉴于以上内容,有必要提供一种基于自适应卷积的图片分类方法,其主要目的在于最大化的利用各个卷积核的信息,提升图片卷积特征的表征效果,从而提高对图片分类的准确率。

2、为实现上述目的,本发明提供一种基于自适应卷积的图片分类方法,其特征在于,所述方法包括:

3、接收客户端发送的待检测医疗图像,提取所述待检测医疗图像的特征矩阵;

4、利用卷积层对所述特征矩阵进行卷积处理,得到第一卷积矩阵,将所述第一卷积矩阵进行矩阵平铺,得到第一卷积向量;

5、利用全连接层对所述第一卷积向量进行权重分类,得到所述第一卷积向量的权重值;

6、将所述权重值与所述第一卷积向量相乘得到第二卷积向量,将所述第二卷积向量进行矩阵重组,得到所述待检测医疗图像的目标卷积矩阵;

7、将所述目标卷积矩阵输入分类层中,得到所述待检测医疗图像的分类结果,并将所述分类结果反馈给客户端。

8、可选地,所述利用卷积层对所述特征矩阵进行卷积处理,得到第一卷积矩阵,将所述第一卷积矩阵进行矩阵平铺,得到第一卷积向量,包括:

9、利用预设的n个卷积核对所述特征矩阵进行卷积处理,得到n个第一卷积矩阵,将n个所述第一卷积矩阵进行矩阵平铺,得到n个第一卷积向量。

10、可选地,所述利用全连接层对所述第一卷积向量进行权重分类,得到所述第一卷积向量的权重值,包括:

11、将所述n个第一卷积向量以列为单位进行排序,将排序后的n个第一卷积向量进行全连接层输出,利用预设的归一化指数函数对所述全连接层的输出结果进行计算,得到n个权重值。

12、可选地,所述排序的公式为:

13、

14、其中,sort表示排序,un表示排序后的第n个第一卷积向量,vn表示第n个第一卷积向量,n为第一卷积向量的数量。

15、可选地,所述归一化指数函数的公式为:

16、

17、其中,θ为权重值,softmax表示归一化指数函数,un表示排序后的第n个第一卷积向量,wobj为全连接层的权重参数,为全连接层的输出结果。

18、可选地,所述将所述权重值与所述第一卷积向量相乘得到第二卷积向量,将所述第二卷积向量进行矩阵重组,得到所述待检测医疗图像的目标卷积矩阵,包括:

19、将n个权重值与对应的n个排序后的第一卷积向量进行乘积,得到n个第二卷积向量,将所述n个第二卷积向量进行相加以及矩阵重组,得到所述待检测医疗图像的目标卷积矩阵。

20、可选地,所述相加为将所述n个第二卷积向量对应的位置上的数值进行相加。

21、此外,为实现上述目的,本发明还提供一种基于自适应卷积的图片分类装置,所述装置包括:

22、提取特征矩阵模块,用于接收客户端发送的待检测医疗图像,提取所述待检测医疗图像的特征矩阵;

23、卷积层模块,用于对所述特征矩阵进行卷积处理,得到第一卷积矩阵,将所述第一卷积矩阵进行矩阵平铺,得到第一卷积向量;

24、全连接层模块,用于对所述第一卷积向量进行权重分类,得到所述第一卷积向量的权重值;

25、卷积矩阵模块,用于将所述权重值与所述第一卷积向量相乘得到第二卷积向量,将所述第二卷积向量进行矩阵重组,得到所述待检测医疗图像的目标卷积矩阵;

26、分类模块,用于将所述目标卷积矩阵输入分类层中,得到所述待检测医疗图像的分类结果,并将所述分类结果反馈给客户端。

27、此外,为实现上述目的,本发明还提供一种电子设备,所述电子设备包括:

28、存储器,存储至少一个计算机程序;及

29、处理器,执行所述存储器中存储的程序以实现上述所述的图片分类方法。

30、此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的图片分类方法。

31、本发明实施例本方案通过将卷积处理后得到的n个第一卷积矩阵进行矩阵平铺,以及将平铺后的第一卷积向量以列为单位进行排序,将所述排序后的第一卷积向量进行全连接层输出和softmax函数计算,得到n个权重值;将所述n个权重值与所述对应的排序后的第一卷积向量进行乘积,并将乘积后的向量进行相加处理,最后对相加后的向量进行矩阵重组,得到待检测医疗图像的目标卷积矩阵。本方案通过将卷积处理后的每个第一卷积矩阵进行权重值计算,把每一个卷积核的贡献都计算在内,并且可以通过模型训练更新全连接层中w的参数,让模型自己学习到哪个卷积核的权重会更加重要,减少人为的干扰,从而减少信息的损失,最大的利用各个卷积核的信息,提升了图片卷积特征的表征效果,从而提高图片的分类准确率。

技术特征:

1.一种基于自适应卷积的图片分类方法,其特征在于,所述方法包括:

2.如权利要求1所述的图片分类方法,其特征在于,所述利用卷积层对所述特征矩阵进行卷积处理,得到第一卷积矩阵,将所述第一卷积矩阵进行矩阵平铺,得到第一卷积向量,包括:

3.如权利要求1所述的图片分类方法,其特征在于,所述利用全连接层对所述第一卷积向量进行权重分类,得到所述第一卷积向量的权重值,包括:

4.如权利要求3所述的图片分类方法,其特征在于,所述排序的公式为:

5.如权利要求3所述的图片分类方法,其特征在于,所述归一化指数函数的公式为:

6.如权利要求1所述的图片分类方法,其特征在于,所述将所述权重值与所述第一卷积向量相乘得到第二卷积向量,将所述第二卷积向量进行矩阵重组,得到所述待检测医疗图像的目标卷积矩阵,包括:

7.如权利要求6所述的图片分类方法,其特征在于,所述相加为将所述n个第二卷积向量对应的位置上的数值进行相加。

8.一种基于自适应卷积的图片分类装置,其特征在于,所述装置包括:

9.一种电子设备,其特征在于,所述电子设备包括:

10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的图片分类方法。

技术总结本发明涉及人工智能技术领域,涉及一种基于自适应卷积的图片分类方法、装置、电子设备及存储介质。该方法包括:提取待检测医疗图像的特征矩阵;利用预设的N个卷积核对所述特征矩阵进行卷积处理,得到N个第一卷积矩阵,对待处理矩阵进行矩阵平铺得到N个第一卷积向量;将所述N个第一卷积向量以列为单位进行排序,计算所述排序后的N个第一卷积向量的权重值;将所述权重值与对应的排序后的第一卷积向量进行乘积,再将乘积后的向量进行相加和矩阵重组,最终得到待检测医疗图像的目标卷积矩阵。本发明将每一个卷积核的贡献都计算在内,减少信息的损失,最大的利用各个卷积核的信息,提升了图片卷积特征的表征效果,从而提高对图片分类的准确率。技术研发人员:舒畅,陈又新受保护的技术使用者:平安科技(深圳)有限公司技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/196009.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。