肺结节目标检测_一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法_2017104646844_权利要求书_专利查询_专利网_钻瓜专利网...

3.根据权利要求1所述的方法，其特征在于，所述步骤B具体过程如下：

B1、单层无监督重构卷积神经网络；

①在单个卷积层中，使用卷积神经网络前向提取输入特征，多个不同的卷积核使得网络能够提取输入数据的多种特征，并使用激活函数实现特征的输出；卷积操作的整体公式为：

其中，符号⊕表示卷积操作，函数f(·)表示激活函数，参数w(n,j)和b(n,j)分别表示第n个卷积层的第j个输出对应的权重和偏置；假设输入Xn-1的规模为Nr×Nc，w(n,j)的规模为Mr×Mc，则输出Zn的大小为(Nr-Mr+1)×(Nc-Mc+1)，表示第n层提取到图像空间特征；

②使用提取的特征进行输入的反向重建，其公式为：符号为逆卷积操作，f’(·)为激活函数的反函数；反向重建的过程中将偏置项b弃用，主要原因是偏置项为常数项，在卷积操作和反卷积操作中作用不大，因此，对重构的过程作用不大；

③构建重建损失函数进行单层卷积神经网络微调，调整的主要参数是每一层的权重项和偏置项；构建的损失函数公式如下：

损失函数由两项构成，第一项为重建误差，第二项为正则项，也称为惩罚项，λ为平衡两项的一个常量，损失函数对权重项和偏置项求偏导数，则获得权重项及偏置项的调整项；

B2、有监督卷积神经网络整体微调；

①多个卷积层堆叠形成的卷积神经网络经全连接层以及一个输出层完成分类任务，使用分类结果与实际类别进行比较，构建输出层的损失函数：

其中，y为结节图像对应的实际类别，为卷积神经网络预测的分类结果；

②计算网络整体分类误差；

③根据分类误差，使用反向传播算法计算每一层的残差，并微调每一层的权重项与偏置。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！