一种用于图像特征提取的联合融减自动编码器算法

技术领域

本发明涉及图像特征提取技术领域，具体为一种用于图像特征提取的联合融减自动编码器算法。

背景技术

传统自动编码器主要由编码器、解码器和隐含层三部分构成，编码器主要是对输入信息进行特征提取，解码器是对特征进行解码恢复，隐含层利用恢复信号和输入信号间的重构损失函数对特征进行优化。现有自动编码器虽已在特征提取方面取得了一定进展，但在编码过程中存在特征缺乏融合、在解码过程中产生棋盘效应和逐层上采样引起模型效率低下，以及损失函数过早最优化导致模型早熟等问题。

基于此，本发明设计了一种用于图像特征提取的联合融减自动编码器算法，以解决上述提到的问题。

发明内容

本发明的目的在于提供一种用于图像特征提取的联合融减自动编码器算法，在编码阶段提升特征表达能力，在解码阶段精简解码网络结构和提升解码效率；在降低模型整体的参数量的同时，更好地优化模型所提取的目标特征和避免模型早熟。

为实现上述目的，本发明提供如下技术方案：一种用于图像特征提取的联合融减自动编码器算法，包括建立联合融减网络结构模型和分解重构损失函数模型，

所述建立联合融减网络结构模型包括以下步骤：

编码阶段：

S1：利用卷积和池化操作对受损信号进行特征提取及降维；

S2：对于每个卷积层均使用Relu函数作为激活函数，以及对每层池化后的特征进行局部响应归一化；

S3：在特征提取过程中在第3特征层对第1特征层进行融合，在第4特征层对第2特征层进行融合；

解码阶段：

S4：模型将原本应与编码器对称的4层解码层精简到2层，使得整个模型网络规模由8层减少到6层；

所述建立分解重构损失函数模型包括以下步骤：

S5：模型再相互对称的编码层和解码层之间计算均方误差损失，并联合重构误差损失函数按照0.2：0.8比例形成多重构损失，一并进行优化。

优选的，所述第3特征层的融合系数为0.7，第1特征层的融合系数为0.3。

优选的，所述第4特征层的融合系数为0.8，第2特征层的融合系数为0.2。

与现有技术相比，本发明的有益效果是：本发明通过联合融减自动编码器中的联合融减网络结构能够提升模型的特征表达能力并提升模型的运行效率，同时该算法的多重构损失函数也能加强过程特征层之间的联系以及避免模型早熟。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明联合融减自动编码器网络结构框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种用于图像特征提取的联合融减自动编码器算法，包括建立联合融减网络结构模型和分解重构损失函数模型，

所述建立联合融减网络结构模型包括以下步骤：

编码阶段：

S1：利用卷积和池化操作对受损信号进行特征提取及降维；

S2：对于每个卷积层均使用Relu函数作为激活函数，以及对每层池化后的特征进行局部响应归一化；

S3：在特征提取过程中在第3特征层对第1特征层进行融合，第3特征层的融合系数为0.7，第1特征层的融合系数为0.3，在第4特征层对第2特征层进行融合，第4特征层的融合系数为0.8，第2特征层的融合系数为0.2；

解码阶段：

S4：模型将原本应与编码器对称的4层解码层精简到2层，使得整个模型网络规模由8层减少到6层。

所述建立分解重构损失函数模型包括以下步骤：

S5：模型再相互对称的编码层和解码层之间计算均方误差损失，并联合重构误差损失函数按照0.2：0.8比例形成多重构损失，一并进行优化。

为联合融减自动编码器的有效性，我们在肺部3分类CT图像数据集上分别使用稀疏自编码器、卷积自编码器、卷积降噪自编码器以及联合融减自编码器进行了特征提取，并将提取特征进行了分类。实验结果显示，与稀疏自编码器、卷积自编码器、卷积降噪自编码器相比，在测试集上联合融减自编码器的准确率分别提升了28.98％、29.18％、29.18％，这表明联合融减自动编码器在图像特征提取方面的优异性能。

为进一步联合融减自动编码器的有效性，我们在Cats vs.Dogs自然图像数据集上分别使用稀疏自编码器、卷积自编码器、卷积降噪自编码器以及联合融减自编码器进行了特征提取，并将提取特征进行了分类。实验结果显示，与稀疏自编码器、卷积自编码器、卷积降噪自编码器相比，在测试集上联合融减自编码器的准确率分别提升了30.89％、34.58％、30.58％，同时联合融减自动编码器在验证集和测试集上所提取特征的分类准确率近乎相同，这表明模型有较强抗拟合能力。

联合融减自动编码器网络参数表：

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。