[发明专利]基于Tiny-YOLOv3的肺炎图像目标检测方法

权利要求书

1.一种基于Tiny-YOLOv3的肺炎图像目标检测方法，其特征在于：包括如下步骤：

1)将原始XML文件解析为TXT，对于该TXT文件的每一行，具体包括图像绝对路径，肺炎病灶左上角以及右下角坐标值，存在病灶的概率；

2)使用Tiny-YOLOv3对训练数据进行训练，所述Tiny-YOLOv3包括特征提取网络和预测网络，所述的特征提取网络以卷积操作为主，所述的预测网络包括不同分辨率大小特征网络(所述卷积操作已在深度学习代码框架Pytorch中被实现)，

3)首先将肺炎图像图像分辨率调整为416×416×3，接着将其依次送入如下的卷积操作中：卷积核大小为3×3，步长为1，输出通道为16的卷积操作，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为32的卷积操作中，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为64的卷积操作，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为128的卷积操作，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为256的卷积操作中，得到26×26×256的特征图F1，

4)将得到的F1特征图依次送入如下的卷积操作中：卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为512的卷积操作，卷积核大小为3×3，步长为1，输出通道为1024的卷积操作，卷积核大小为3×3，步长为1，输出通道为256的卷积操作，此时得到特征图F2，

5)将得到的F2特征图依次送入如下的卷积操作中：卷积核大小为3×3，步长为1，输出通道为512的卷积操作，卷积核大小为3×3，步长为1，输出通道为3*(5+C)的卷积操作,C代表类别的个数，最终得到可以进行预测的特征图13×13×3*(5+C),即为R1，

6)将得到的F2特征图依次送入如下的卷积操作中：卷积核大小为1×1，步长为1，输出通道为128的卷积操作，再进行一次上采样操作，得到特征图F3,其维度为26×26×128，

7)将得到的F1与F3进行Concat操作，并将结果特征图依次送入如下的卷积操作中：卷积核大小为3×3，步长为1，卷积核大小为1×1，步长为1，最终得到可预测的特征图R2，其维度为26×26×3*(5+C)，

8)将R1与R2和真值计算损失函数，并反向传播训练参数，

步骤3)-步骤7)中，每次卷积操作后将输入Swish激活函数处理，通过所述Swish激活函数减少负输入的丢失，

卷积操作中卷积核为参数，自图像左上角至右下角遍历图像，对应元素相乘得到另一张图像，将该图像所得到的值作为Swish激活函数的输入，得到Swish激活函数的输出值即为特征图，将得到的预测结果与数据集的真实值输入到损失函数中，计算损失函数的值，该值为该模型的误差值，计算损失函数的微分值，对卷积核参数进行更新迭代，最终得到局部最优解，预测时，将图像输入模型，首先提取特征得到预测值，此时该预测值无需再次计算损失函数，表现为图像中的病灶的检测框，

本发明中，用采用Swish激活函数代替现有技术的Leaky ReLU激活函数，现有技术的Leaky ReLU激活函数公式如下：

Swish激活函数公式如下：

Swish＝x*sigmoid(βx) (2)

在x＜0处，Swish激活函数的曲率更为灵活，使得梯度不为0，从而使得输入为负值的神经元保持有效，

在图1中，输入图像为一张肺炎X光图像，原始图像大小为3×1024×1024，由于显存的限制，将其重设置大小为3×416×416，原始图像经过四次步长为2的空洞卷积后得到特征图F1，其大小为26×26×256，接着将F1经过一次步长为2的空洞卷积后得到第一个输出值R1，其维度为13×13×3*(5+C)，将F2经过一次上采样得到F3，对F1和F3进行Concat操作得到第二个输出值R2，其维度为26×26×3*(5+C)，以上涉及图像尺寸仅为例子，实际可以根据场合调整，

其损失函数为平方损失函数,公式如下所示：

应用一个对数函数来设置损失函数的权值:

ψ(t)＝log(α|AP_i-AP_i-1|+e) (4)

在公式(4)中，α可以用于控制权重变化的快慢，α的取值范围为100～1000；AP_i为第i个epoch的平均精度值，e为自然底数，

实时计算每个epoch的平均精度并计算AP导向权重，植入AP导向权重的损失函数，其变体损失函数公式如下：