基于深度可分离残差网络的皮肤病识别与分类

发布时间：2021-09-04 17:26

　　本文针对临床上的皮肤病的检出效率较低、费用高等缺点,提出了一种针对皮肤病识别问题的深度学习神经网络架构,该模型可以有效地提取皮肤病图像的特征,并且对其进行准确的识别与分类。实验结果表明,本文提出的方法准确率达到96.7%,与VGGNet和ResNet相比,分别提高了4.7%和3.4%。 

【文章来源】：电子技术与软件工程. 2020,(18)

【文章页数】：3 页

【部分图文】：

深度可分离残差模块

图1：深度可分离残差模块本文将深度可分离卷积与Res Net相结合，设计了一种新颖的网络结构-SRes Net。我们将SRes Net应用到皮肤病图像识别任务中，并对比了VGGNet与Res Net两种深度学习主流模型。实验结果表明，我们的方法在准确率，召回率等指标上与传统模型相比均占有一定优势。

输入层：本文将收集好的皮肤镜图像处理成RGB3通道的张量作为卷积层的输入。图像在输入模型之前进行了数据增强操作以及标准化预处理，减去训练集数据的均值，并除以训练集数据的标准差。除此之外，为了满足模型输入维度一致的需要，我们规定图像在载入模型之前自动调整成256×256大小。卷积层：卷积层的主要作用是通过卷积核提取图片特征，对图像进行加权，经Relu函数处理后，获取图像局部特征。卷积核数量决定了特征图数量，选择合适大小的卷积核控制参数量在合理范围内。本文设计了一种深度可分离残差模块(res)，如图1所示，其内部由两次深度可分离卷积和一次残差条跳跃连接组成，此模块可以在减少参数量的同时有效地提取输入图像的特征。本文提出的SRes Net模型包含5个卷积块(图2),第1块内有1个卷积层并且步长设置为2用于降低输入特征的维度。其余4个卷积块作为深度可分离残差模块(res)。其中,res1,res2,res3,res4内有分别有3,4,6,3个卷积层。在每个卷积操作之后，我们都采用了Re LU函数对特征图进行更新。SRes Net的4个res模块使用的卷积核数量具体为64、128、256、512，同时卷积核的大小均设置为3×3。另一方面,我们将卷积核的stride参数设置为1,padding参数设置为’same’,以此维持卷积输入前后的特征图维度[8]。

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的色素性皮肤病识别分类[J]. 何雪英,韩忠义,魏本征.  计算机应用. 2018(11)



本文编号：3383692