【技术实现步骤摘要】
Awareness Module,TAM)
,该模块将底层丰富的纹理信息进行挖掘并利用高层语义信息进行背景抑制,从而捕获更纯净的纹理信息
。
其次,设计纹理增强模块
(Textural Feature Enhancement Module,TFEM)
,将来自
TAM
的底层纹理信息进行增强
。
最后,提出残差金字塔可拆分注意力模块
(The Residual Pyramid Splittable Attention Module,RPSA)
,平衡跳跃连接中的通道信息,提高整体网络的检测性能
。
[0016]总之,本专利技术通过挖掘细粒度纹理特征,并引入浅层纹理信息保留目标的细粒度特征,进行增强后与多级特征融合,同时引入金字塔可拆分注意力模块,一方面获取更多的特征信息,另一方面捕获通道之间的相互作用,从而大幅提高融合效果,并最终提高目标检测的精度,尤其适用于肠镜图像中的小目标息肉识别检测
。
[0017]在四个公开数据集上验证所提方法的有效性,实验结果表明,相较于主流的检测算法,
FGFCN
通过挖掘细粒度特征来提高模型的检测性能,检测精度优于现有方法,因此更具有临床应用价值
。
附图说明
[0018]图1为不同数据集数据分布图
。
[0019]图2为本专利技术一种基于纹理感知和细粒度特征补偿的肠镜病灶检测方法的总体框架图
。
[0020]图3为纹理感知模块
【技术保护点】
【技术特征摘要】
1.
一种基于纹理感知和细粒度特征补偿的肠镜病灶检测方法,其特征在于,包括如下步骤:步骤1,将获取的肠镜图像输入主干网络提取多级特征
C
j
,
2≤j≤m
;步骤2,从特征
C2挖掘纹理特征,并与特征
C
m
中的语义特征整合,通过特征
C
m
对背景信息进行抑制,捕获细粒度纹理特征;步骤3,将所述细粒度纹理特征进行增强;步骤4,将特征
C3~
C
m
‑1分别卷积,之后分别与步骤3增强后的特征融合,得到
m
‑2个融合特征
P3~
P
m
‑1;步骤5,将特征
C
m
经注意力机制和空间金字塔池化得到特征
P
m
;步骤6,对步骤4和步骤5所得特征进行自上至下和自下至上的多尺度特征融合,并在其中至少一个融合过程中引入金字塔可拆分注意力模块,以平衡跳跃链接中的通道信息,捕获通道之间的相互作用;步骤7,基于多尺度融合结果,进行目标检测
。2.
根据权利要求1所述基于纹理感知和细粒度特征补偿的肠镜病灶检测方法,其特征在于,所述主干网络为
Darknet53
主干网络,取
m
=
5。3.
根据权利要求1所述基于纹理感知和细粒度特征补偿的肠镜病灶检测方法,其特征在于,所述步骤2,首先使用两个1×1卷积层分别将
C2和
C
m
的通道更改为
256
和
1024
,然后对特征进行上采样,随后进行拼接运算,再通过两个3×3的卷积和一个1×1的卷积,最后进行
Sigmoid
函数运算
。4.
根据权利要求1所述基于纹理感知和细粒度特征补偿的肠镜病灶检测方法,其特征在于,所述步骤3,采用至少3个具有不同扩张率
d
的平行残余分支和一个主干分支,首先,每一个分支中第一个卷积层利用1×1卷积运算将通道大小减少到
32
;其次,自第2个残余分支起,第
i
个残余分支
b
i
进行
(2i
‑
1)
×
(2i
‑
1)
卷积操作和具有扩张率
(2i
‑
1)
的膨胀卷积操作;然后,将第1~3个残余分支分别通过3×3卷积运算将通道均转化为
C
;最后,将各残余分支得到的多尺度特征进行
Concat
拼接后再与主干分支进行融合,随后将融合后的结果输入到
ReLU
函数中,得到增强后的最终特征
f
k
'。5.
根据权利要求4所述基于纹理感知和细粒度特征补偿的肠镜病灶检测方法,其特征在于,所述残余分支的数量为4,所述
(2i
‑
1)
×
(2i
‑
1)
卷积操作分解为两个步骤的序列,即
(2i
‑
1)
×1和1×
(2i
‑
1)
内核,其中:第一个残余分支
b1,对细粒度纹理特征进行1×1卷积,将输入的特征通道大小减小到
C
,获得
b1;第二个残余分支
b2,对细粒度纹理特征依次进行1×1卷积
、1
×3卷积
、3
×1卷积,最后用扩张率为3的膨胀卷积对特征进行多尺度处理,随后进行3×3卷积运算将通道大小减小到
C
,获得小尺度上的上下文信息
...
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。