[发明专利]一种基于少样本学习方法的轻微高血压眼底辨别模型

权利要求书

1.一种基于少样本学习方法的轻微高血压眼底辨别模型，其特征在于，包括：孪生神经网络(10)，连接于所述孪生神经网络(10)输出端的距离度量网络(20)，以及连接于所述距离度量网络(20)输出端的全连接网络(30)；

所述孪生神经网络(10)包括预训练的两个并列的主干特征提取网络，分别用于提取输入的两张待比对的眼底图像的特征向量；其中，所述两个并列的主干提取网络具有相同的网络架构且共享网络参数和权值，并且包含通道注意力机制和空间注意力机制；所述两张待比对的眼底图像包括一张轻微高血压眼底图像(X₁)和一张待检测眼底图像(X₂)；所述主干特征提取网络包括由输入端至输出端依次连接的特征提取单元(11)、注意力机制模块(12)和特征输出单元(13)；其中，所述注意力机制模块(12)包括在先的通道注意力池化和在后的空间注意力池化，特征提取单元(11)的高层卷积的输出进入注意力机制模块(12)之后，先进行通道注意力池化，具体由全局最大池化层和一个全局平均池化层进行池化，然后池化结果送到一个多层神经网络，对全局最大池化结果和全局平均池化结果进行元素加法以获取池化的特征图，之后进行sigmoid激活，获得基于通道的特征图；通过通道注意力机制所建立起的通道特征图，可以更好地浏览不同通道之间的高抽象特征；前一步建立的通道特征图进入空间注意力池化，由两个池化层进行下采样计算，这两个池化层并不是进行逐个元素的加法，而是将两个池化层连在一起进行进一步的卷积，卷积过程后，再次用sigmoid函数激活空间特征图；所得到的空间特征图，与特征提取单元(11)的输出叠加后，作为所述特征输出单元(13)的输入；

所述距离度量网络(20)通过距离函数计算所述两个并列的主干特征提取网络所输出的两个特征向量之间的距离；

所述全连接网络(30)根据所述距离输出两张待比对的眼底图像的相似度结果。

2.如权利要求1所述的基于少样本学习方法的轻微高血压眼底辨别模型，其特征在于：所述特征提取单元(11)包括依次串联的第一至第四特征提取层(111、112、113、114)和末尾卷积层(115)；其中，第一特征提取层(111)和第二特征提取层(112)均由卷积层、池化层、卷积层、池化层、ReLU层依次堆叠而成，第三特征提取层(113)和第四特征提取层(114)均由卷积层、池化层、卷积层、池化层、卷积层、池化层、ReLU层依次堆叠而成。

3.如权利要求1所述的基于少样本学习方法的轻微高血压眼底辨别模型，其特征在于：所述特征输出单元(13)由卷积层、池化层、ReLU层依次堆叠而成。

4.如权利要求1所述的基于少样本学习方法的轻微高血压眼底辨别模型，其特征在于：所述全连接网络根据所述距离，进行是否相似的二分类操作，以输出两张待比对的眼底图像的相似度二分类标签。

5.如权利要求1所述的基于少样本学习方法的轻微高血压眼底辨别模型，其特征在于，所述距离函数的形式如下：

d＝∑||x_1i-x_2i||

其中，d表示距离，x_1i表示轻微高血压眼底图像(X₁)的特征向量的第i个元素，x_2i表示待检测眼底图像(X₂)的特征向量的第i个元素。

6.如权利要求1所述的基于少样本学习方法的轻微高血压眼底辨别模型，其特征在于，对所述轻微高血压眼底辨别模型进行训练时，定义损失函数如下：

其中，x表示训练集中的一组图像在训练时实际输出的相似度结果，y表示该组图像的真实相似度标签，x_j表示N组图像中第j组图像所实际输出的相似度结果，y_j表示第j组图像的真实相似度标签。