[發明專利]一種基于神經網絡架構搜索的圖像分類方法

有效

• 申請號: 202010775260.1
• 申請日: 2020-08-05
• 公開（公告）號: CN111898689B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 王勇;王曉晶;何小宇;胡建中;黃偉紅
• 申請（專利權）人: 中南大學;中南大學湘雅醫院
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06N3/0464;G06N3/126;G06F16/55
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 歐陽迪奇

本發明公開了一種基于神經網絡架構搜索的圖像分類方法，通過將整個卷積神經網絡編碼成種群，引入遺傳算法產生后代，結合醫療圖像分類的精確率、召回率需求，設計適應度評估策略進行種群更迭，最終找出最優種群解碼后實現精準分類。相比于現有的基于特征提取的醫學圖像分類方法，本發明分類的速度更快并且準確率更高；相比于現有的基于人工設計神經網絡的醫學圖像分類方法，本發明靈活度高，在各種醫療圖像分類任務中都能尋找出性能更佳的架構。

技術領域

本發明屬于計算機視覺領域，涉及一種基于神經網絡架構搜索的圖像分類方法。

背景技術

近來，將人工智能技術應用于醫療領域已經屢見不鮮，各種人工智能技術(例如SVM、決策樹等)在醫療圖像分割、圖像分類等方面已經超越了醫療專家，尤其以深度卷積神經網絡技術為代表的深度學習技術在醫療圖像領域已經開始嶄露鋒芒。但是醫療圖像領域所用的神經網絡架構大多是基于手工設計的，這樣會導致一個問題：當新的分類任務到來時，原本設計出來的架構可能在新的任務上表現不佳，需要重新設計，使得過程耗時耗力。基于此，神經網絡架構搜索(NAS)算法應運而生，在給定數據集上，NAS可以自動地根據性能表現搜索最優的神經網絡架構，在一些醫學圖像識別任務中，通過NAS自動搜索的CNN架構已展現出比人工設計的CNN架構更優的性能。

在NAS方法中，基于進化算法的NAS方法是一類主流的研究方法，并被證明有潛力找到全局最優的CNN架構。現有的基于進化算法的NAS方法通常使用一個個體來代表整個CNN，并使用遺傳算子來探索搜索空間。但是，它們通常面臨兩個挑戰：1)由于CNN具有大量要編碼的參數和權重，因此個體的長度很長，這會導致較大的搜索空間；2)由于最佳的CNN的深度是未知的，因而這涉及到一個變長度的優化問題。由于不同尺寸的搜索空間可能具有不同的最優解，這導致搜索常常陷入混亂。

發明內容

本發明的目的是為了改進現有應用于醫療圖像分類的神經網絡性能并解決傳統進化計算NAS兩個挑戰。提出了一種新的醫學圖像分類的神經網絡架構搜索方法，能針對不同醫療圖像分類任務穩定的搜索出性能更佳的神經網絡架構，并且具有更好的性能。具體包含以下步驟：

一種基于神經網絡架構搜索的圖像分類方法，包括以下步驟：

步驟一，對待處理的圖片集進行數據預處理，然后劃分為訓練集、測試集和驗證集；

步驟二，隨機初始化一個卷積神經網絡，通過簡單編碼機制將每一層的參數和初始化權值進行編碼形成個體，此時所有個體的集合即初始種群，接下來將初始種群中的個體按照所在層代表的類型劃分為三個子種群即卷積、池化和全連接子種群，每個子種群中的個體長度相同且類型一致，然后采用遺傳算法的交叉算子、變異算子作用于三個子種群產生三個后代子種群，將三個后代子種群合并成后代種群并打亂內部排序，構成后代種群；

步驟三，從后代種群中依次取出每一個個體，對每個個體通過插入、替換和刪除的更新策略產生三個新的候選種群即候選CNN架構；

步驟四：將三個新的候選種群解碼成CNN，結合訓練集和驗證集進行預訓練，然后采用適應度評估策略計算經數據預處理后的圖片集包括準確率、精確率、召回率、參數數目和損失在內的適應度，通過二進制錦標賽算法選擇包括初始種群和三個候選種群共四個種群之中的最佳種群；

步驟五：用最佳種群替換步驟二中的初始種群，此時最佳種群就是新的初始種群，然后跳轉回步驟二循環執行直至達到預設循環次數，將最終得到的最佳種群解碼成CNN架構，結合訓練集和測試集進行深度訓練，獲得最終模型，并將最終模型用于圖片分類。

所述的方法，步驟一包括以下步驟：

a)將所有照片重設成相同尺寸；

b)通過濾波、降噪步驟對照片進行清洗；

c)照片歸一化、正則化；