一种基于群等变注意力神经网络的图像分类方法及其装置制造方法及图纸

本发明专利技术公开了一种基于群等变注意力神经网络的图像分类方法，包括：获得训练样本集、类别标签，以及训练样本中各个像素点的位置编码，对位置编码进行群作用得到群作用位置编码集合，将训练样本与群作用位置编码集合输入至提升

【技术实现步骤摘要】
一种基于群等变注意力神经网络的图像分类方法及其装置


[0001]本专利技术属于等变图像处理领域，具体涉及一种基于群等变注意力神经网络的图像分类方法及其装置。

技术介绍

[0002]图像分类一直是计算机视觉领域的研究热点，且基于神经网络的图像分类模型已被广泛应用至实际生活中，如安防领域的人脸识别，交通领域的车牌检测与识别，以及互联网领域的基于内容的图像检索等。因此，设计高预测准确率模型十分具有价值。近年来，随着深度学习技术的飞速发展，人工神经网络被广泛的应用于医学影像临床诊断，极大减轻了医生的负担，缓解了一定程度的医药资源紧张问题，并取得了很好的临床效果。
[0003]理论上，对于医学图像分类任务而言，因涉及个人健康，对模型精度与鲁棒性要求高要求模型具备强鲁棒性，模型应尽量减少误判的发生。此外，对于肿瘤图像而言，患者在进行临床磁共振检查，获取肿瘤图像时，由于患者姿势的变动，获取的肿瘤图像会发生相应的平移、旋转、翻转。但模型的预测结果不应随着患者检测姿势的变动而变动。因此，对于乳腺肿瘤图像分类任务而言，模型应具备等变性质。具体而言，对乳腺肿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于群等变注意力神经网络的图像分类方法，其特征在于，包括：(1)获得肿瘤图像数据集以及类别标签，肿瘤图像数据集包括训练样本集；(2)构建训练模型：训练模型包括提升
‑
注意力模块、群等变注意力模块、全局池化模块和softmax模块；其中，获得训练样本中各个像素点的位置编码，通过对位置编码进行李群作用得到第一群作用位置编码集合，将训练样本与第一群作用位置编码集合输入至提升
‑
注意力模块得到变换图像集合；分别对变换图像集合中的像素点元素和李群元素进行比对得到变换图像集合像素点的位置编码，将变换图像集合像素点的位置编码通过李群作用得到第二群作用位置编码集合，将变换图像集合与第二群作用位置编码集合输入至群等变注意力模块得到多个特征图集合，对每个特征图集合进行加和操作得到输出特征图；将多个输出特征图依次通过全局池化模块和softmax模块得到预测类别概率；(3)基于预测类别概率和类别标签通过交叉熵损失函数对训练模型进行训练，更新训练模型参数得到图像分类模型；(4)应用时，将肿瘤图像输入图像分类模型得到肿瘤图像判断结果。2.根据权利要求1所述的基于群等变注意力神经网络的图像分类方法，其特征在于，通过对位置编码进行李群作用得到第一群作用位置编码集合，包括：将李群中的各个元素分别作用与位置编码得到第一群作用位置编码集合，其中，第一群作用位置编码L
h
为：其中，为h为李群中的元素，为李群，P为维度，ρ(
·
)为位置编码函数，i和j分别为像素点集的元素，x(j)为将像素点的元素j映射至齐次空间，x(i)为将像素点的元素i映射至齐次空间。3.根据权利要求1所述的基于群等变注意力神经网络的图像分类方法，其特征在于，将训练样本与第一群作用位置编码集合输入至提升
‑
注意力模块得到变换图像集合，所述提升
‑
注意力模块包括提升
‑
注意力层、归一化层和激活函数层，将训练样本与第一群作用位置编码通过提升
‑
注意力层进行注意力机制操作，将操作结果依次输入至归一化层和激活函数层得到变换图像，多个变换图像构建变换图像集合。4.根据权利要求1所述的基于群等变注意力神经网络的图像分类方法，其特征在于，将训练样本与第一群作用位置编码通过提升
‑
注意力层进行注意力机制操作，所述注意力机制操作的操作结果m为：其中，均为线性变换，σ为softmax函数，为训练样本的点集，i和j分别为像素点集的元素，L
...

【专利技术属性】
技术研发人员：徐仁军，杨凯帆，刘可，
申请(专利权)人：浙江大学，
类型：发明
国别省市：