一种基于图像分割的全卷积神经网络制造技术

本发明专利技术涉及神经网络领域，提供了一种基于图像分割的全卷积神经网络，包括特征提取模块、第一特征融合模块、第二特征融合模块、分割图生成模块，其中特征提取模块用于提取输入图像的低层次特征和高层次特征；第一特征融合模块用于对低层次特征和高层次特征分别进行卷积和融合处理，以得到第一、第二特征融合图；所述第二特征融合模块，用于将第一特征融合图进行处理，最终输出第三特征融合图；所述分割图生成模块用于将第二融合特征图和第三特征融合图进行拼接处理，得到目标分割图像。本发明专利技术能够有效提升全卷积神经网络的有效感受野，从而更好地融合高层特征的空间信息，获得更好的语义分割效果。

A full convolution neural network based on image segmentation

【技术实现步骤摘要】
一种基于图像分割的全卷积神经网络
本专利技术涉及神经网络
，具体涉及一种基于图像分割的全卷积神经网络。
技术介绍
糖尿病视网膜病变(DR)一直是工作年龄人士失明的主要原因。据世界糖尿病基金会估计，到2030年将有4.38亿人获得DR。因此，早期介入和DR筛查对于预防视力丧失至关重要。由于DR筛查具有成本低，无痛，无创等优点，因此分析眼底视网膜图像是最流行的方法。此外，眼底视网膜图像中硬渗出物(EX)的存在和大小是诊断DR严重程度的主要指标。因此，开发用于硬渗出物检测的自动化工具至关重要。相关技术中，采用神经网络分割方法进行眼底视网膜图像的硬渗出物分割。神经网络方法进行视网膜眼底图像分割可以被看作是一个语义分割问题。语义分割任务最初流行的深度学习方法是进行图像块分类，即利用像素周围的图像块对每一个像素进行独立的分类。加州大学伯克利分校的Long等人提出全卷积神经网络，使用全卷积神经网络进行图像分割可生成任意大小的图像分割图，且该方法比传统图像块分类法效率更高。然而使用现有的全卷积神经网络进行眼底视网膜图像分割时，由于是逐层提本文档来自技高网...

【技术保护点】
1.一种基于图像分割的全卷积神经网络，其特征是，包括特征提取模块、第一特征融合模块、第二特征融合模块、分割图生成模块，其中：/n所述特征提取模块，用于提取输入图像的低层次特征和高层次特征；/n所述第一特征融合模块，与所述特征提取模块连接，用于对所述低层次特征和高层次特征分别进行卷积处理，以及将处理后的低层次特征和高层次特征相乘得到第一特征融合图，将所述第一特征融合图与所述高层次特征相加得到第二融合特征图；/n所述第二特征融合模块，与所述第一特征融合模块连接，用于将所述第一特征融合图依次进行global pooling卷积操作、1×1卷积以及多次空洞卷积，每次空洞卷积的空洞率不同且逐渐增加，最终...

【技术特征摘要】
1.一种基于图像分割的全卷积神经网络，其特征是，包括特征提取模块、第一特征融合模块、第二特征融合模块、分割图生成模块，其中：
所述特征提取模块，用于提取输入图像的低层次特征和高层次特征；
所述第一特征融合模块，与所述特征提取模块连接，用于对所述低层次特征和高层次特征分别进行卷积处理，以及将处理后的低层次特征和高层次特征相乘得到第一特征融合图，将所述第一特征融合图与所述高层次特征相加得到第二融合特征图；
所述第二特征融合模块，与所述第一特征融合模块连接，用于将所述第一特征融合图依次进行globalpooling卷积操作、1×1卷积以及多次空洞卷积，每次空洞卷积的空洞率不同且逐渐增加，最终输出第三特征融合图；
所述分割图生成模块，与所述第一特征融合模块、第二特征融合模块皆连接，用于将所述第二融合特征图和第三特征融合图进行拼接处理，得到目标分割图像；
其中，在训练神经网络之前，根据所述特征提取模块、第一特征融合模块、第二特征融合模块和分割图生成模块构建所述全卷积神经网络，采用随机初始化的参数初始化所述全卷积神经网络，且基于预设训练样本集训练所述全卷积神经网络。


2.根据权利要求1所述的一种基于图像分割的全卷积神经网络，其特征是，所述进行globalpooling卷积操作，具体为：将所述第一特征融合图进行双线性插值以及3×3卷积。


3.根据权...

【专利技术属性】
技术研发人员：季鑫，康宏，
申请(专利权)人：北京市眼科研究所，北京上工医信科技有限公司，
类型：发明
国别省市：北京;11