一种基于深度标志物学习的特征提取方法及系统技术方案

本发明专利技术公开了一种基于深度标志物学习的特征提取方法及系统，属于计算机视觉技术领域。本发明专利技术的基于深度标志物学习的特征提取方法，首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。该发明专利技术的基于深度标志物学习的特征提取方法能够表达图像的语义信息，并具有更好的区分性，提高识别精度，具有很好的推广应用价值。

A feature extraction method and system based on deep marker learning

【技术实现步骤摘要】
一种基于深度标志物学习的特征提取方法及系统
本专利技术涉及计算机视觉
，具体提供一种基于深度标志物学习的特征提取方法及系统。
技术介绍
特征提取是图像处理、模式识别等领域的重要一步。在视觉领域，现有的特征提取方法在不同领域都能取得一定性能的提升，然而现有特征不具备较好的可解释性，在某些领域缺乏说服力。例如，在医学图像分析任务中，临床上主要通过病灶的一些临床表现进行分析。现有的特征并未考虑到这一点，从而降低了特征的实用性。如何有效解决现有特征可解释性低、有效性差问题，具有重要的研究意义和应用价值。
技术实现思路
本专利技术的技术任务是针对上述存在的问题，提供一种能够表达图像的语义信息，并具有更好的区分性，提高识别精度的基于深度标志物学习的特征提取方法。本专利技术进一步的技术任务是提供一种基于深度标志物学习的特征提取系统。为实现上述目的，本专利技术提供了如下技术方案：一种基于深度标志物学习的特征提取方法，该方法首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同本文档来自技高网...

【技术保护点】
1.一种基于深度标志物学习的特征提取方法，其特征在于：该方法首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。/n

【技术特征摘要】
1.一种基于深度标志物学习的特征提取方法，其特征在于：该方法首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。


2.根据权利要求1所述的基于深度标志物学习的特征提取方法，其特征在于：该方法具体包括以下步骤：
S1、训练阶段：构建多标志物学习模型
1)构建标志物；
2)根据构建的标志物构建多标志物学习模型；
S2、测试阶段：将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。


3.根据权利要求2所述的基于深度标志物学习的特征提取方法，其特征在于：构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。


4.根据权利要求3所述的基于深度标志物学习的特征提取方法，其特征在于：基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，



其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。


5.根据权利要求4所述的基于深度标志物学习的特征提取方法，其特征在于：测试阶段首先将测试图像输入多标志物学习模型，获...

【专利技术属性】
技术研发人员：袭肖明，于治楼，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东;37