【技术实现步骤摘要】
本专利技术属于计算机视觉和图像处理，特别涉及一种面部痤疮检测技术。
技术介绍
1、目标检测是计算机视觉领域的一项关键任务，在各种领域如自动驾驶、视频监控、医学影像分析等都有广泛应用。其主要目的是从图像或视频中识别和定位特定目标，并确定它们所属的类别。随着几十年的不断发展，目标检测问题在各种场景下取得了显著进展。近年来，深度学习的兴起推动了目标检测领域的革新，引入了基于神经网络的方法，如faster r-cnn、yolo、centernet等，这些方法采用锚点框或无锚点框的策略，相较于传统方法，它们通常能够提供更准确和可靠的检测结果。
2、排序损失方法近年来大量应用到了目标检测领域当中，chen kean等人采用ap损失函数代替分类损失以解决但阶段目标检测模型中的不平衡问题；qi qian等人同样采用排序分数代替分类分数，在模拟了排序分数的基础上通过扩大正负样本分数分布的距离来提升排序分数的有效性。tan zhiyu等人将整张图片的正样本根据iou值划分为多个区间进行采样，提升了排序损失的采样有效性。参考文献：chen k,li j,lin w,see j,wang j,duan l,chen z,he c,zou j.towards accurate one-stage object detection with ap-loss.in:proceedings of the ieee/cvf conference on computer vision and patternrecognition.2019,5119-5
3、医学图像目标检测通常比普通的目标检测更具挑战性，因为医学目标与背景常常难以区分。而大部分的医学图像目标检测方法都是针对特定的医学图像数据特征提出一定的改进，没有考虑到医学图像本身的共同特点，同时由于缺乏高质量的公开数据集，关于面部痤疮的检测研究较少。ethan h.nguyen等人用圆形检测框代替矩形检测框进行肾小球和细胞检测，相比于矩形圆形更吻合相关目标的形态；thomas wollmann等人根据显微镜图像中细胞和颗粒的数据特征改进了网络结构、锚回归方法和损失函数；yi jing ru等人使用对象引导的由粗到细的分割分支来排除细胞图像实例分割任务中相邻对象对分割效果的干扰；kuladech rashataprucksa等人将深度学习目标检测方法应用于痤疮图像并获得了比机器学习方法更好的效果；zhang jianwei采用nwd分支替换iou分支提升了两阶段模型第一阶段的召回率，并贡献了10分类的面部痤疮数据集scuacne。参考文献：nguyen e h,yang h,deng r,lu y,zhu z,roland j t,lu l,landman b a,fogo a b,huo y.circlerepresentation for medical object detection.ieee transactions on medicalimaging,2021,41(3):746-754；wollmann t,rohr k.deep consensus network:aggregating predictions to improve object detection in microscopyimages.medical image analysis,2021,70:102019；yi j,wu p,tang h,liu b,huang q,qu h,han l,fan w,hoeppner d j,metaxas d n.object-guided instance segmentationwith auxiliary feature refinement for biological images.ieee transactions onmedical imaging,2021,40(9):2403-2414；rashataprucksa k,chuangchaichatchavarnc,triukose s,nitinawarat s,pongprutthipan m,piromsopa k.acne detection withdeep neural networks.in:2020 2nd international conference on image processingand machine vision.2020,53-56；zhang j,zhang l,wang j,et al.sa-rpn:a spacialaware region proposal network for acne detection[j].ieee journal ofbiomedical and health informatics,2023。但目前关于面部痤疮检测的研究较少，且大部分医学图像目标检测的研究均是根据特定数据集的特征在传统目标检测模型上进行改进，方法难以泛化到其它医学图像数据集。
技术实现思路
1、为解决上述技术问题，本专利技术提出一种基于增强排序精度的采样有效性的面部痤疮检测方法，可为后续各类面部痤疮检测或医学图像检测场景下的计算机应用提供场景中感兴趣目标的精确位置与类别。
2、本专利技术采用的技术方案为：基于增强排序精度的采样有效性的面部痤疮检测方法，包括以下步骤：
3、s1、构建人工神经网络，该人工神经网络对输入图像的处理过程为：
4、s11、使用多层级卷积神经网络对输入图像进行特征提取，获得输入的特征图f；
5、s12、根据特征图维度初始化滑动窗口作为初始锚框，对特征图f基于初始锚框进行初步回归与前后景分类，并筛选前景候选框；
6、s13、根据步骤s12得到的前景候选框重新从特征图f中提取特征，进行实例分割、分类和回归，得到实例分割结果m、分类分数p和边框回归结果b；
7、s14、使用边框回归结果b从特征图f中再次提取特征，学习边框回归结果b的排序分数t，分实例采样器和背景采样器进行采样获得训练样本，之后使用排序网络训练排序分数，与步骤s3中的分类分数融合，得到最终分数s；...
【技术保护点】
1.基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤S11具体为：通过卷积神经网络对输入图像进行特征提取，并采用特征金字塔进行特征增强，得到多级特征图F；表达式为：
3.根据权利要求2所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤S12的具体实现过程为：根据多级特征图F维度确定滑动窗口数量，并设计多级滑动窗口大小作为初始锚框A，对初始锚框进行初步回归与前后景分类，筛选一定数量的回归后检测框作为前景RoI；具体表达式如下：
4.根据权利要求3所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤S13的具体实现过程为：步骤S12的前景候选框RoI，使用特征对齐提取器提取特征：
5.根据权利要求4所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤S14的具体实现过程为：根据步骤S13的最终回归后候选框，使用特征对齐提取器f再次从多级特征图F中提取准确的特征；而后使
6.根据权利要求5所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤S2训练过程中采用的损失函数，表达式为：
7.根据权利要求6所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，前后景提取损失Lc表达式为：
8.根据权利要求7所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，目标检测损失Ld表达式为：
9.根据权利要求8所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，排序损失Lrank表达式为：
...【技术特征摘要】
1.基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤s11具体为：通过卷积神经网络对输入图像进行特征提取，并采用特征金字塔进行特征增强，得到多级特征图f；表达式为：
3.根据权利要求2所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤s12的具体实现过程为：根据多级特征图f维度确定滑动窗口数量，并设计多级滑动窗口大小作为初始锚框a，对初始锚框进行初步回归与前后景分类，筛选一定数量的回归后检测框作为前景roi；具体表达式如下：
4.根据权利要求3所述的基于增强排序精度的采样有效性的面部痤疮检测方法，其特征在于，步骤s13的具体实现过程为：步骤s12的前景候选框roi，使用特征对齐提取器提取特征：
5.根据权利要求4所述的基于增强排...
【专利技术属性】
技术研发人员：张蕾，王君有，蒋献，刘文杰，李佳奇，魏新，
申请(专利权)人：四川大学，
类型：发明
国别省市：
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。