【技术实现步骤摘要】
一种基于深度层次化最优传输的跨域舌头图像分类方法
[0001]本专利技术涉及辅助中医诊疗的舌头图像分类
，更具体的说是涉及一种基于深度层次化最优传输的跨域舌头图像分类方法。
技术介绍
[0002]现有基于机器学习的舌头图像分类方法大多是基于监督学习的。监督学习方法通常假设训练集与测试集服从同一个分布，因此在训练集上训练出来的模型在测试集同样可以表现的很好。然而，在现实应用中这样的假设是难以成立的，解决这类问题的主要思路是假设两个数据分布通过一个非线性映射到一个领域间共同的隐空间，以减少分布之间的漂移，让两个分布在经过非线性映射转换之后更加相似。这个非线性映射的过程称之为领域自适应。
[0003]现有基于机器学习的舌头图像分类就面临这样的问题。首先是不同人的舌头图像具有差异性，包括舌头图像的边缘纹理、颜色等。其次，不同医院的舌头图像采集设备可能是不同的，采集的舌头图像数据还受采集环境的影响，例如角度、光照等。另外，不同医院的地理位置不同，采集舌头图像的个体也有地域差异。这些因素导致了不同医院的舌头图像数据会出现比...
【技术保护点】
【技术特征摘要】
1.一种基于深度层次化最优传输的跨域舌头图像分类方法，其特征在于，所述方法包括以下步骤：S1、采集多个不同领域的舌头图像样本作为训练集；S2、利用深度神经网络对训练集中源域舌头图像样本进行特征提取，获取对应的源域舌头图像样本特征构成的源域图像特征图；利用深度神经网络对训练集中目标域舌头图像样本进行特征提取，获取对应的目标域舌头图像样本特征构成的目标域图像特征图；S3、对源域图像特征图中的源域舌头图像样本特征进行分块，获取源域舌头图像样本对应的源域图像特征集；对目标域图像特征图中的目标域舌头图像样本特征进行分块，获取目标域舌头图像样本对应的目标域图像特征集；S4、计算每一个源域舌头图像样本对应的源域图像特征集和目标域舌头图像样本对应的目标域图像特征集之间的最优化传输距离，作为源域舌头图像样本和目标域图像样本之间的样本最优化传输距离；S5、以所述样本最优化传输距离作为源域和目标域之间的成本度量，计算源域和目标域之间的域间最优化传输距离；S6、根据步骤S2提取的源域舌头图像样本特征值计算softmax交叉熵损失，作为损失函数的一部分；将域间最优化传输距离作为损失函数里的另一部分，构建分类损失函数，利用所述分类损失函数训练分类器；S7、利用训练好的分类器对待验证的舌头图像样本进行分类。2.根据权利要求1所述的基于深度层次化最优传输的跨域舌头图像分类方法，其特征在于，所述步骤S4中计算每一个源域舌头图像样本对应的源域图像特征集和目标域舌头图像样本对应的目标域图像特征集之间的最优化传输距离，包括以下方法：联合使用EMD距离和L2距离作为源域图像特征集和目标域图像特征集之间的代价函数，计算两个特征集之间的最优化传输距离，所述代价函数具体包括：其中，g表示深度神经网络的特征提取器；表示第i个源域舌头图像样本提取的源域图像特征图，表示第i个源域舌头图像样本，H
i
及W
i
分别表示第i个源域舌头图像样本提取的源域图像特征图的宽和高；表示第j个目标域舌头图像样本提取的目标域图像特征图，表示第j个目标域舌头图像样本，H
j
及W
j
分别表示第j个目标域舌头图像样本提取的目标域图像特征图的宽和高；表示元域图像特征图和目标域图像特征图的联合图像特征图；γ
in
表示任意一个源域舌头图像样本和任意一个目标域舌头图像样本之间关于对应的图像特征集的最优传输方案，C
in
表示任意一个源域舌头图像样本和任意一个目标域舌头图
像样本之间关于对应的图像特征集的代价矩阵；<γ
in
,C
in
>
F
表示γ
in
和C
in
的Frobenius点乘；表示第i个源域舌头图像样本提取的源域图像特征图沿着空间维度进行全局平均池化结果，池化结果，表示第j个目标域舌头图像样本提取的目标域图像特征图沿着空间维度进行全局平均池化结果，ch表示通道数。3.根据权利要求2所述的基于深度层次化最优传输的跨域舌头图像分类方法，其特征在于，所述步骤S4中计算每一个源域舌头图像样本对应的源域图像特征集和目标域舌头图像样本对应...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。