[发明专利]基于轻量级孪生卷积神经网络的病识别方法

权利要求书

1.一种基于轻量级孪生卷积神经网络的病识别方法，其特征在于，所述方法具体包括如下步骤：

S1、构建细粒度病变特征联合训练模型，包括数据生成器，数据生成器的输出端与特征提取器的输入端连接，特征特征提取器的输出端与孪生卷积神经网络的输入端连接，孪生卷积神经网络中的全局平均池化层的输出端与特征判别网络的输入端连接；

S2、对细粒度病变特征联合训练模型进行训练，基于损失函数值最小的细粒度病变特征联合训练模型生成细粒度病变特征识别模型；

S3、将待识别图像输入细粒度病变特征识别模型中，输出对应的皮肤病类别。

2.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，细粒度病变特征联合训练模型具体如下：

数据生成器，用于生成训练样本对，训练样本对由设定比例的正样本对及负样本对组成，训练样本对输入特征提取器；

特征提取器，用于提取输入训练样本对对应的两组特征向量，分别输入至孪生卷积神经网络的两支分类网络；

孪生卷积神经网络，包括两支分类网络，分别判断两组特征向量所述的病变类别，并输出至特征判别网络；

特征判别网络，基于两组特征向量判断输入训练样本对是否属于同一病变类别。

3.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，细粒度病变特征识别模型具体如下：

特征提取器，用于提取待识别图像的特征向量，分别输入至孪生卷积神经网络中损失函数值小的分类网络；

孪生卷积神经网络，损失函数值小的分类网络基于特征向量判断待识别图像对应的病变类别，并进行输出。

4.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，在步骤S3之后还包括：

S4、输出用于病变类别的判定类激活图，类激活图的计算公式具体如下：

其中，表示特征图的第k通道在第i行第j列处的像素值，表示预测c类的权重向量在第k个通道的数值，表示c类的类激活图在(i,j)的像素数值，relu为线性校正单元，特征图像为特征提取器输出的图像。

5.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，损失函数具体如下：

L_total＝AL_focal+BL_focal+CL_cross

式中：y_i、p_i分别代表真实标签值和对应预测标签的概率，γ是用来平衡难易区分的样本对损失函数的贡献的超参数，特征判别层使用L_cross作为损失函数，对于孪生卷积神经网络成使用L_focal作为损失函数。

6.如权利要求2所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，正样本对及负样本对的构建方法具体如下：

从增强数据集读取的一组训练图像数据X，以及对应的类别标签Y；对集合X中的元素依次进行遍历，在集合X找到第一个与其具有相同标签的元素，若不存在与其相同标签的元素，则跳过该元素，执行下一个元素的匹配过程，直至完成所有元素匹配；构建与集合X相同的集合X′，在集合X′中，将相同标签的两个匹配元素的索引互换，构建相同病变类型但病变特征表现不同的正样本对，将集合X′中将未匹配到的元素按照索引值从大到小的方向逆向互换位置，构建不同病变类别的负样本对；

从增强数据集中随机读取一组图像数据为X，以及对应的类别标签Y，再从增强数据集中随机读取另一组图像数据为X′，以及对应的类别标签Y′，两组数据(X，Y)、(X′，Y′)中负样本对将占主要比例，负样本对构建完成。