【技术实现步骤摘要】
本专利技术涉及无监督域自适应和医学图像处理，尤其涉及一种基于类决策边界的动态扩展网络无监督域自适应方法及系统。
技术介绍
1、近年来，深度学习技术已经在图像识别、语音识别、自然语言处理等领域取得了巨大的进展。尽管有监督学习是解决各种目标任务中最受欢迎的方法，但它需要大量的标记数据，并满足训练集和测试集独立同分布的假设。在实际应用中，由于数据来源的多样性和难以获取标注的问题，模型的泛化能力仍需进一步提高。无监督域自适应是一种利用未标注的数据提高模型泛化能力和适应性的技术，尤其是在样本分布差异较大、数据标注成本高的实际应用场景下，更能体现其优势。
2、在医学影像无监督领域自适应的研究中，目前已经出现了一些较为成熟的方法，如批归一化、图像配准和对抗学习等。文献[1](nibali a,he z,wollersheim d.pulmonarynodule classification with deep residual networks[j].international journal ofcomputer assisted ra...
【技术保护点】
1.一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，具体包含以下步骤：
2.如权利要求1所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤1中，医学图像数据集包括X线胸片数据集、颅内出血数据集、乳腺钼靶数据集。
3.如权利要求1或2所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤1中，数据预处理包括：利用图像的均值和标准差进行归一化；采用随机缩放、翻转、旋转进行数据增强。
4.如权利要求1所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤2中，在主干网络中引...
【技术特征摘要】
1.一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，具体包含以下步骤：
2.如权利要求1所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤1中，医学图像数据集包括x线胸片数据集、颅内出血数据集、乳腺钼靶数据集。
3.如权利要求1或2所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤1中，数据预处理包括：利用图像的均值和标准差进行归一化；采用随机缩放、翻转、旋转进行数据增强。
4.如权利要求1所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤2中，在主干网络中引入自编码器模块，将输入数据压缩成潜在表示，并从潜在表示重构输入数据；动态学习新的特征，并将其集成到原有的特征中，通过融合源域和目标域的特征表示来更新模型；在动态扩展网络的核心部分，引入编码器和解码器来实现自编码器的功能；在编码器中，使用多层卷积神经网络来学习输入数据的空间结构和层次特征，通过隐藏层将输入数据压缩成低维表示；编码器的输出紧跟一个relu激活函数，解码过程用全连接层完成，将低维表示还原为原始数据。
5.如权利要求1或4所述一种基于类决策边界的动态扩展网络无监督域自适应方法，其特征是，步骤2中，使用多层卷积操作捕获输入数据的局部关系，并通过池化操作进行降采样；将多层卷积提取的特征与自编码器学习的低维表示进行融合；对多层卷积提取的特征以及softmax分类器进行联合训练；将模型学到的特征映射到不同类别的概率分布上，实现对输入...
【专利技术属性】
技术研发人员：陈元姣，汪雕，何必仕，徐哲，
申请(专利权)人：杭州电子科技大学，
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。