2022114589938一种图像分类模型、模型训练方法及其应用.pdfVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN115880523A

(43)申请公布日2023.03.31

(21)申请号202211458993.8G06N3/0464(2023.01)

(22)申请日2022.11.17

(71)申请人南京邮电大学

地址210003江苏省南京市鼓楼区新模范

马路66号

(72)发明人陈旭晖陆雪琪郭玫麟尹海涛

(74)专利代理机构南京正联知识产权代理有限

公司32243

专利代理师姜梦翔

(51)Int.Cl.

G06V10/764(2022.01)

G06V10/774(2022.01)

G06V10/82(2022.01)

G06N3/08(2023.01)

G06N3/048(2023.01)

权利要求书2页说明书6页附图6页

(54)发明名称

一种图像分类模型、模型训练方法及其应用

(57)摘要

本发明涉及深度学习图像分类技术领域，提

供了一种图像分类模型、模型训练方法及其应

用，所述图像分类模型训练方法具体是通过数据

增强提高样本的质量和多样性以获得更好的训

练效果；并通过ResNet50模型，引入通道注意力

机制模块形成SE‑ResNet50模型，利用通道注意

力机制对自适应的特征权重学习；接着SE‑

ResNet50模型中，加入多尺度特征的层间信息融

合模块；最后在网络结构中引入多尺度特征融合

自注意力模块，形成SEL‑ResNet50网络，即本发

明所述图像分类模型；所述图像分类模型应用于

医学影像图片分类，可以兼顾分类效率和精度。

A

3

2

5

0

8

8

5

1

1

N

C

CN115880523A权利要求书1/2页

1.一种图像分类模型训练方法，其特征在于，所述模型训练方法包括：

步骤一，输入训练样本中的训练图像，对所述训练图像进行数据增强，所述数据增强过

程包括：随机概率的翻转与旋转、从图像中心区域进行缩放裁剪处理，通过所述数据增强可

以增加训练样本的多样性，提升模型的泛化性能；然后对数据增强后的训练图像进行归一

化处理，输出预处理后的图像；

步骤二，将步骤一所得到所述预处理后的图像先输入第一尺度缩减层，输出第一阶段

图像特征X、再将X输入第二尺度缩减层，输出X；X输入第三尺度缩减层，输出X；所述第一

11223

尺度缩减层、第二尺度缩减层和第三尺度缩减层为添加了注意力机制模块的SE‑ResNet50

网络中每一次特征图尺寸缩减的网络层的前三个阶段的尺度缩减层；所述SE‑ResNet50网

络共包含四个尺度缩减层；每一个尺度缩减层是原SE‑ResNet50网络中的一部分结构，特征

图在通过该结构后其尺度大小会得到缩减；每个尺度缩减层是由n个添加了通道注意力机

制SE‑Block的SE‑ResNet模块堆叠而成，n为大于1的正整数；

所述通道注意力机制SE‑Block的操作步骤包括：对输入的特征进行全局池化操作，接

着将池化的特征输入两层感知机模块并采用sigmoid激活函数获得权重，然后与原残差块

的输入特征相乘并赋予权重，得到相比于原来更加有通道特征信息的特征图；

步骤三，将所述第一尺度缩减层、第二尺度缩减层和第三尺度缩减层的输出X，X和X