一种基于竞争的挤压和激励神经网络的舌苔体质分类方法技术

本发明专利技术公开了一种基于竞争的挤压和激励神经网络的舌苔体质分类方法，包括步骤：S1、对带标签的舌苔图片进行预处理，制作训练数据集与测试样本集；S2、设计基于竞争的挤压和激励网络结构块：将恒等流信息引入挤压和激励结构，让恒等流和残差流进行自适应竞争，得到残差流卷积通道间的关系信息后再调整残差流信息，最后融合恒等流信息和调整后的残差流信息，作为该结构块的输出；S3、构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练；S4、将测试样本传入训练好的网络模型，识别出该舌苔图片对应的体质类型。本发明专利技术采用基于竞争的挤压和激励神经网络进行舌苔体质分类，能提高计算机程序对舌苔体质分类的准确率与性能。

A Classification Method of Tongue Coat Constitution Based on Competitive Extrusion and Stimulation Neural Network

The invention discloses a tongue coating constitution classification method based on competitive extrusion and incentive neural network, which includes steps: S1, preprocessing the labeled tongue coating picture, making training data sets and test sample sets; S2, designing competition-based extrusion and incentive network structure blocks: introducing constant flow information into extrusion and incentive structure to make constant flow and residual flow self-adaptive. Competition, get the relationship information between the convolution channels of residual flow, then adjust the residual flow information, and finally fuse the constant flow information and the adjusted residual flow information as the output of the structure block; S3, construct the extrusion and incentive neural network based on competition, and train with the training data set; S4, pass the test sample into the trained network model to identify the corresponding tongue coating picture. Physical type. The present invention adopts competitive extrusion and excitation neural network to classify tongue coating constitution, which can improve the accuracy and performance of computer program to classify tongue coating constitution.

【技术实现步骤摘要】
一种基于竞争的挤压和激励神经网络的舌苔体质分类方法
本专利技术涉及计算机领域的图像分类、中医领域的舌苔体质分类的应用
，具体涉及一种基于竞争的挤压和激励神经网络的舌苔体质分类的方法。
技术介绍
图像分类技术是以数字图像为基础，从图像提取出特征，并在此基础上对图像进行类别判定。由于深度卷积神经网络能从复杂的图片数据集中自动建模，能学习从图片中提取出适合分类的那些特征，故目前的图像分类任务大多采用深度卷积神经网络的方法。在深度卷积神经网络中，残差结构的神经网络以其易优化、性能好的优点受到工业、学业界广泛应用。另一方面，在网络内部隐含关系的建模上，挤压和激励结构的网络通过建模残差流通道间的关系，从而让网络性能得到提升。由于在残差结构中，残差信息流可以看作为恒等信息流的补充，所以挤压和激励结构不应只用残差流信息对残差流通道进行建模，而应该综合恒等流的信息和残差流的信息，让其隐含的竞争关系对残差流的通道进行更好地建模，从而让网络性能得到进一步提升。人体体质是人的形态结构、心理活动与身体机能等因素的综合且稳定的特性体现。在1970年末，王琦教授将人体体质划分为七种(正常质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、瘀血质)并得到众多医家广泛认同，后在2005年王琦教授对原有的七种类型增补为九种基本体质类型(平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、瘀血质、气郁质、特禀质)[王琦.9种基本中医体质类型的分类及其诊断表述依据[J].北京中医药大学学报,2005(04):1-8.]，从而更全面合理地反映人体体质。且该划分体质方法在2009年被中华中医药学会写入《中医体质分类与判定标准》中。这表明人体体质可划分为9种类型，且能有效进行体质分类的方法具有一定的意义与价值。舌诊是中医诊断的重要方法。舌象是能体现出人的体质类型[匡调元.舌象与体质[J].中西医结合学报,2004(04):264-287.]，在《中医体质分类与判定标准》中还标出各种体质对应的舌象特点。这些事实均表明，基于舌苔的外貌特征是能够判别出人体体质类型的。
技术实现思路
本专利技术是为了解决现有技术的不足，提出了一种基于竞争的挤压和激励神经网络的舌苔体质分类的方法，所述方法能够提高计算机程序对舌苔图片进行体质分类的准确率，本专利技术用于提高计算机程序对人体体质类型判别的精度，不涉及疾病的治疗和诊断。本专利技术的目的可以通过采取如下技术方案达到：一种基于竞争的挤压和激励神经网络的舌苔体质分类方法，包括步骤：S1、对带标签的舌苔图片进行预处理，制作训练数据集与测试样本集；S2、设计基于竞争的挤压和激励网络结构块：将恒等流信息引入挤压和激励结构，让恒等流和残差流进行自适应竞争，得到残差流卷积通道间的关系信息后再调整残差流信息，最后融合恒等流信息和调整后的残差流信息，作为该结构块的输出；S3、构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练；S4、将测试样本传入训练好的网络模型，识别出该舌苔图片对应的体质类型。进一步地，所述的步骤S1中，数据集被划分为训练集和测试集，并且对训练集图片进行缩放、随机裁剪、归一化操作，对测试集图片进行缩放、居中裁剪、归一化操作。进一步地，，所述的步骤S2中，设计基于竞争的挤压和激励网络结构块时，定义输入的恒等信息流为X∈RW′×H′×C′,W′和H′分别为信息流通道的宽和高，C′为信息流的通道数，则残差信息流为U＝Ftr(X,Wr)∈RW×H×C，其中Ftr(X,Wr)表示残差块中两层卷积层的变换函数，W和H分别为信息流通道的宽和高，C为信息流的通道数；如果恒等流X和残差流U的维度一致，则恒等信息流将被转换为其中Fid(X,Wid)为一层1×1卷积核的卷积层变换函数，否则则包括步骤：S21、将恒等流和残差流分别经过全局平均池化处理，即挤压处理：定义U＝[u1,u2,…,uC]，则全局平均池化操作为：S22、然后用一个轻量级小网络对这两条被挤压后的信息进行建模，从而得到残差流的通道建模信息：所述轻量级小网络起激励作用，该轻量级小网络的输出即为残差流的通道建模关系；S23、残差流为根据所得的激励值为则经过激励后的残差信息流为：S24、最后将残差信息流和恒等流信息相加进行融合，完成该基于竞争的挤压和激励网络结构块的流程，得到该结构块的输出：进一步地，所述轻量级小网络的构建采用双全连接的建模法，包括步骤：让信息流通过一层全连接层，得到输出其中该全连接层的输入为C个神经元(即)，输出为个神经元(即)，激活函数为Relu函数.让信息流通过另一个结构一样的全连接层得到输出进行拼接操作，将拼接一起，得到输出为向量其中r是压缩系数)，再用一个全连接层对进行再建模，该全连接层的输入为个神经元，输出为C个神经单元，激活函数采用Sigmoid函数，从而得到该激励结构的输出进一步地，所述轻量级小网络的构建采用2×1的卷积核的建模法，包括步骤：进行Reimage操作，将两条信息流合并成一张图：这时再用个卷积核大小为2×1的卷积对图进行卷积，并对得到的个RC大小的卷积图取均值得到一张RC大小的均值图，再拉伸得到向量vs∈RC；接着用两层全连接层来对vs进行再建模，其中第一层全连接层的输入是C个神经元，即vs，输出为个神经元，激活函数采用Relu函数；第二层的全连接层的输入是个神经元，输出是C个神经单元，激活函数采用Sigmoid函数，从而得到该激励结构的输出进一步地，所述轻量级小网络的构建采用1×1的卷积核的建模法，包括步骤：进行Reimage操作，将两条信息流合并成一张图：这时再用个卷积核大小为1×1的卷积对图进行卷积，并对得到的个R2×C大小的卷积图取均值得到一张R2×C大小的均值图，再拉伸得到向量vs∈R2C；接着用两层全连接层来对vs进行再建模，其中第一层全连接层的输入是2个神经元，即vs，输出为个神经元，激活函数采用Relu函数；第二层的全连接层的输入是个神经元，输出是C个神经单元，激活函数采用Sigmoid函数，从而得到该激励结构的输出进一步地，所述的步骤S3中，构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练的步骤包括：S31、将普通残差网络中的残差网络结构块替换成基于竞争的挤压和激励网络结构块，再采用Softmax分类器作为网络最后的输出，从而构建好基于竞争的挤压和激励神经网络；S32、训练中的损失函数采用交叉熵损失，优化算法采用mini-batch的随机梯度下降；输入训练数据集，多次迭代训练出较优网络模型参数。进一步地，所述的步骤S4中，测试样本舌苔图传入训练好的网络后，以网络预测输出结果中的最高预测值对应的类别即为该测试图片对应的体质类型。与现有技术相比，本专利技术所述的技术具有如下几点和有益效果：1、本专利技术所述技术的基于竞争的挤压和激励网络结构块同时考虑残差流和恒等流的关系，能进一步提升网络的建模能力，且基于该结构块搭建的网络在图像分类任务中表现突出。2、本专利技术所述技术的基于竞争的挤压和激励网络结构块的拓展性强且实用方便，只需要将普通残差网络的残差块替换成基于竞争的挤压和激励网络结构块即可。3、本专利技术所述方法中将基于竞争的挤压和激励神经网络引入舌苔体质分类领域，能更好地从舌苔图片中提取出特征信息，让计算机程序对舌苔图像体质分类本文档来自技高网...

【技术保护点】
1.一种基于竞争的挤压和激励神经网络的舌苔体质分类方法，其特征在于，包括步骤：S1、对带标签的舌苔图片进行预处理，制作训练数据集与测试样本集；S2、设计基于竞争的挤压和激励网络结构块：将恒等流信息引入挤压和激励结构，让恒等流和残差流进行自适应竞争，得到残差流卷积通道间的关系信息后再调整残差流信息，最后融合恒等流信息和调整后的残差流信息，作为该结构块的输出；S3、构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练；S4、将测试样本传入训练好的网络模型，识别出该舌苔图片对应的体质类型。

【技术特征摘要】
1.一种基于竞争的挤压和激励神经网络的舌苔体质分类方法，其特征在于，包括步骤：S1、对带标签的舌苔图片进行预处理，制作训练数据集与测试样本集；S2、设计基于竞争的挤压和激励网络结构块：将恒等流信息引入挤压和激励结构，让恒等流和残差流进行自适应竞争，得到残差流卷积通道间的关系信息后再调整残差流信息，最后融合恒等流信息和调整后的残差流信息，作为该结构块的输出；S3、构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练；S4、将测试样本传入训练好的网络模型，识别出该舌苔图片对应的体质类型。2.根据权利要求1所述的方法，其特征在于，所述的步骤S1中，数据集被划分为训练集和测试集，并且对训练集图片进行缩放、随机裁剪、归一化操作，对测试集图片进行缩放、居中裁剪、归一化操作。3.根据权利要求1所述的方法，其特征在于，所述的步骤S2中，设计基于竞争的挤压和激励网络结构块时，定义输入的恒等信息流为X∈RW′×H′×C，W′和H′分别为信息流通道的宽和高，C′为信息流的通道数，则残差信息流为U＝Ftr(X，Wr)∈RW×H×C，其中Ftr(X，Wr)表示残差块中两层卷积层的变换函数，W和H分别为信息流通道的宽和高，C为信息流的通道数；如果恒等流X和残差流U的维度一致，则恒等信息流将被转换为其中Fid(X，Wid)为一层1×1卷积核的卷积层变换函数，否则则包括步骤：S21、将恒等流和残差流分别经过全局平均池化处理，即挤压处理：定义U＝[u1，u2，...，uC]，则全局平均池化操作为：S22、然后用一个轻量级小网络对这两条被挤压后的信息进行建模，从而得到残差流的通道建模信息：所述轻量级小网络起激励作用，该轻量级小网络的输出即为残差流的通道建模关系，其中和分别为残差流U和恒等流被全局平均池化后的结果；S23、残差流为U＝Ftr(X，Wr)∈RW×H×C，根据所得的激励值为则经过激励后的残差信息流为：S24、最后将残差信息流和恒等流信息相加进行融合，完成该基于竞争的挤压和激励网络结构块的流程，得到该结构块的输出：4.根据权利要求3所述的方法，其特征在于，所述轻量级小网络的构建可以采用双全连接的建模法，包括步骤：让信息流通过一层全连接层，得到输出其中r为压缩系数，该全连接层的输入为C个神经元，输出为...

【专利技术属性】
技术研发人员：文贵华，骆明楠，胡杨，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44