[发明专利]基于深度学习和迁移学习结合的新冠肺炎图像识别方法

权利要求书

1.一种基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：包括如下内容：

步骤一、模型训练：

利用深度卷积神经网络CNN作为图像特征提取器，对COVID-CT开源数据集进行预训练，提取图像卷积特征；

步骤二、将深度卷积神经网络CNN训练部分层的参数迁移至VGG19网络，通过对模型参数进行微调和重新训练。

2.根据权利要求1所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：步骤一所述对COVID-CT开源数据集进行预训练时，将收集到的肺部CT图像分为训练集、测试集与验证集。

3.根据权利要求1所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：步骤一所述模型训练时，对输入的CT图像，使用3x3的卷积和2x2的滤波器提取图像卷积特征，然后根据图像卷积特征结合CT图像的标题训练神经网络。

4.根据权利要求1所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：所述VGG19网络包含19个隐藏层，分为16个卷积层和3个全连接层。

5.根据权利要求4所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：所述VGG19网络的Stage1包含两个卷积层，一个池化层；Stage2包含两个卷积层，一个池化层；Stage3包含四个卷积层，一个池化层；Stage4包含四个卷积层，一个池化层；Stage5包含四个卷积层，一个池化层；整个网络包含5个池化层，分别位于每一个Stage的后面。

6.根据权利要求5所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：步骤二所述对模型参数进行微调的方法为：首先对基本的VGG19网络修改最后的Softmax分类器，由原来的1000分类改为2分类。