10.3969/j.issn.1006-9348.2020.12.078
基于多尺度多特征卷积神经网络的肝硬化识别
针对B超图像肝硬化识别中有标记数据不足和单一尺度特征缺乏鲁棒性的问题,提出了一种基于数据增强的多尺度多特征卷积神经网络M-CNN模型.首先在有限的肝硬化数据集上进行数据增强,一定程度上避免了过拟合现象.为了增强特征鲁棒性,将三种不同尺度的样本作为模型输入,模型同时学习到了不同尺度的特征,将网络不同层的多尺度信息做加权求和,使得不同层的特征对最终结果有不同影响,从而提高了模型的泛化能力.同时改进分类器权重系数,灵活调整权重灵敏度,最终在决策时提升了整个分类器的性能.实验表明,对测试集的分类准确率达到了99.2%.
肝硬化识别、多尺度、多特征
37
TP391.9(计算技术、计算机技术)
国家自然科学基金61303079
2021-03-03(万方平台首次上网日期,不代表论文的发表时间)
共7页
375-381