[發明專利]一種基于特征共享的自學習遷移方法

在審

• 申請號: 202110362608.9
• 申請日: 2021-04-02
• 公開（公告）號: CN112990340A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 王軼默;劉劍;許一航;薛磊;柳文章
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 許小莉

1.一種基于特征共享的自學習遷移方法，其特征在于，該方法包括如下步驟：

步驟一：網絡建模

采用卷積神經網絡作為卷積自編碼器，在卷積自編碼器的編碼特征后面加入一個nonlocal模塊，nonlocal模塊包括四個卷積層和一個softmax層，采用softmax作為分類器；

步驟二：數據集劃分

選擇兩個不同類型的醫學數據集A、B，數據集A由無標簽數據構成，數據集B由有標簽數據構成，將數據集B劃分為訓練集和測試集；

步驟三：網絡訓練

首先，用數據集A訓練自編碼器，自編碼器包含編碼器和解碼器，在數據集A訓練好自編碼器后，將自編碼器中的編碼部分提取出來，當做特征提取器，連接到一個分類器C₁中，利用數據集B中劃分的訓練集訓練新的分類器C₂，整個訓練過程中特征提取器參數固定不變，最終數據集A訓練的特征提取器與數據集B訓練的分類器的組合就是本方法構建的具有自學習遷移能力的分類模型；

步驟四：測試

將步驟三訓練結果在數據集B中劃分的測試集進行測試，計算準確率。

2.根據權利要求1所述的基于特征共享的自學習遷移方法，其特征在于，步驟一中所述的卷積自編碼器由編碼和解碼兩部分組成，編碼器包括6個卷積層，2個池化層，最終將一個1通道灰色圖片信息或3通道的彩色圖片信息轉換為256通道的編碼特征張量，解碼器與編碼器結構一致，用來重構編碼特征張量；

卷積自編碼器的損失函數如下所示:

公式(1)中，X表示解碼器重構的圖像矩陣，Y表示原圖像矩陣，E為卷積自編碼器的損失函數，F全稱叫Frobenius范數，指一種矩陣范數，就是把矩陣里的各個元素求平方和最后開方。

3.根據權利要求1所述的基于特征共享的自學習遷移方法，其特征在于，步驟一中所述的nonlocal模塊中，輸入與輸出之間數學表達式表示為：

i和j代表輸入特征向量元素位置坐標,x表示維度為7*7*256的編碼特征張量，表示輸出張量，張量維度和x一樣；x_i表示x中第i個位置的元素取值，表示中第i個位置的元素取值；f表示計算任意兩個標量元素相似性的函數，c(x)表示歸一化參數。

4.根據權利要求1所述的基于特征共享的自學習遷移方法，其特征在于，步驟二中所述數據集B按2：8分為兩部分，其中20％的有標簽數據作為訓練集，剩下的80％有標簽數據作為測試集。