欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202210487255X
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,所述方法包括以下步骤:S1、搭建以VGG16网络为主干网络的深度神经网络血细胞分类模型;

S2、以孪生网络为基础,通过Gram矩阵和Squeeze-excitation操作提取源域血细胞图像中的风格信息和内容信息,进而构建孪生网络特征解耦模块;S25、提取输入的血细胞特征图的风格信息SD+∈RN×C×H×W和内容信息CD∈RN×C×H×W,并基于所提取的血细胞特征图的风格信息和内容信息构建孪生网络特征解耦模块,其中,N表示同一批次源域血细胞图像特征图的数量,C表示通道数量,H和W表示空间上的维度数量,血细胞特征图的风格信息和内容信息用公式分别表示为:SD+=FSE(SD·λDr)

CD=B+FSE(SD·λDi)

式中,FSE(·)表示Squeeze操作和Excitation操作,其中Squeeze操作Fsq(·)表示对每张血细胞特征图unc∈RC×H×W进行全局平均池化Fsq(·),进而得到一个1×1×C的全局信息数据zc,表示为:Excitation操作Fex(·)表示获得C个通道中所有特征的权重s,表示为:

s=Fex(zc,W)=σ(W2δ(W1zc))

其中W1和W2为全连接层,W1的大小为W2的大小为r为缩放系数,δ(·)为ReLU函数,σ(·)为sigmoid函数;

FSE(uc)表示得到的特征权重s与张量unc相乘,即FSE(uc)=s·uc;

S3、将源域血细胞图像进行预处理,然后将源域血细胞图像与预处理后的对应源域血细胞图像一并输入孪生网络特征解耦模块中进行训练;

S4、将孪生网络特征解耦模块训练后的两个输出进行批量归一化处理,并利用KL散度对齐批归一化处理后的两个输出的风格信息和内容信息,然后将对齐后的源域血细胞图像输入深度神经网络血细胞分类模型中进行训练,基于随机梯度下降法对预定义的分类损失函数进行优化,进而获取训练好的深度神经网络血细胞分类模型;

S5、利用训练好的深度神经网络血细胞分类模型对目标域的血细胞测试样本进行预测分类。

2.如权利要求1所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,所述深度神经网络血细胞分类模型包括依次连接的第一模块、第二模块、第三模块、第四模块、第五模块和第六模块,其中,所述第一模块包括依次连接的第一卷积层、特征解耦子模块、第二卷积层和第一最大池化层,第二模块包括依次连接的第三卷积层、第四卷积层和第二最大池化层,第三模块包括依次连接的第五卷积层、第六卷积层、第七卷积层和第三最大池化层,第四模块包括依次连接的第八卷积层、第九卷积层、第十卷积层和第四最大池化层,第五模块包括依次连接的第十一卷积层、第十二卷积层、第十三卷积层和第五最大池化层,第六模块包括依次连接的Flatten层、第一全连接层、第二全连接层、第三全连接层和Softmax函数回归预测类别。

3.如权利要求2所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,所述步骤S2具体实现方式包括:S21、将输入的同一批次源域血细胞图像特征图I∈RN×C×H×W进行风格实例归一化,进而提取风格归一化后的源域血细胞图像特征图B∈RN×C×H×W,实例归一化操作IN(·)用公式表示为:式中,Inchw表示第nchw张源域血细胞图像特征图,c是通道数的索引,h和w是空间上的维度,μnc是同一批次源域血细胞图像特征图的均值,是同一批次源域血细胞图像特征图的标准差,ε表示预设常数;

S22、将输入的源域血细胞图像特征图与对应风格归一化后的源域血细胞图像特征图进行相减,得到剩下的源域血细胞图像风格耦合特征SD,表示为SD=I-B=I-IN(I);

S23、基于Gram矩阵提取与领域无关的源域血细胞图像风格表示权重;

S24、利用Gram矩阵对特定领域的风格信息进行解耦,并分别计算与该特定领域无关的风格权重λDi以及与该特定领域相关的风格权重λDr,其中,与该特定领域无关的风格权重λDi用公式表示为:与该特定领域相关的风格权重λDr用公式表示为:

λDr=softmax(1-λDi)

式中,G表示Gram矩阵,i和j分别表示Gram矩阵的行和列,Softmax表示归一化指数函数。

4.如权利要求3所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,所述步骤S23的具体实现方式为:将输入的源域血细胞特征图通过平铺向量化,并基于Gram矩阵将向量化的特征图源域血细胞组成希尔伯特空间,然后将Gram矩阵中的内积转换为余弦相似度,进而减轻每个通道的范数差异,最后利用预定义的特征空间捕获Gram矩阵中每一行的风格信息,进而提取出与领域无关的源域血细胞图像风格表示权重。

5.如权利要求4所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,利用预定义的特征空间捕获Gram矩阵中每一行的风格信息用公式表示为:式中,i和j分别表示Gram矩阵的行和列。

6.如权利要求5所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,所述步骤S3中对源域血细胞图像进行预处理具体包括:首先对源域血细胞图片进行随机剪裁,获取尺寸为120×120的血细胞剪裁图片;然后根据0.5的概率对血细胞剪裁图片进行水平翻转;最后随机改变血细胞剪裁图片的亮度、对比度、饱和度和色调。

7.如权利要求6所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法,其特征在于,所述步骤S4的具体实现方式包括:S41、将孪生网络特征解耦模块输出的内容信息特征图和风格信息特征图进行批量归一化处理,然后基于自适应平均池化获取对应全局和局部的上下文信息并分别生成N维样本x1,…,xN;

S42、基于Parzen window对和进行概率密度估计,用公式表示为:

式中,和分别表示输入的源域血细胞图像内容信息概率密度、输入的源域血细胞图像风格信息概率密度、经过预处理后的源域血细胞图像内容信息概率密度以及经过预处理后的源域血细胞图像风格信息概率密度,是由方差为0.04的高斯函数构成的窗函数,即距离x越近则计数权重越大,和分别表示输入的源域血细胞图像的内容信息特征图样本和风格信息特征图样本,和分别表示源域血细胞图像经过预处理后的内容信息特征图样本和风格信息特征图样本;

S43、利用KL散度最小化内容信息CD之间的差异以及最大化风格信息SD+之间的差异,得到内容信息损失函数和风格信息损失函数并将容信息损失函数和风格信息损失函数构造为对比损失函数,其中内容信息的损失公式为:风格信息的损失公式为:

所述对比损失函数用公式表示为:

S44、将经过KL散度处理后的源域血细胞图像内容特征输入至深度神经网络血细胞分类模型中,并将最后的回归损失函数定义为交叉熵函数,用公式表示为:其中M为类别的数量,yic为符号函数,即1或0,当样本i的真实标签与预测标签c相同时为1,否则为0,pic为样本i属于类别c的预测概率;

S45、将对比损失函数LDual和交叉熵函数LTask相加并作为预定义的分类损失函数,即L=LDual+LTask,然后利用随机梯度下降法对预定义的分类损失函数进行优化,进而得到训练好的深度神经网络血细胞份分类模型。