[发明专利]用于自动化图像特征提取的深度学习架构

权利要求书

1.一种卷积神经网络系统，包括：

存储器，所述存储器存储计算机可执行组件；

处理器，所述处理器执行存储在所述存储器中的计算机可执行组件，其中所述计算机可执行组件包括：

机器学习组件，所述机器学习组件基于接收成像数据的卷积神经网络生成关于所述成像数据的学习的成像输出，其中所述机器学习组件对与所述卷积神经网络的卷积层相关联的所述成像数据执行多个顺序和/或并行下采样和上采样。

2.根据权利要求1所述的卷积神经网络系统，其中所述机器学习组件基于包括第一深度的第一卷积层处理和包括第二深度的第二卷积层处理来分析所述成像数据。

3.根据权利要求2所述的卷积神经网络系统，其中所述第一卷积层处理包括第一滤波器尺寸，并且所述第二卷积层处理包括不同于所述第一滤波器尺寸的第二滤波器尺寸。

4.根据权利要求2所述的卷积神经网络系统，其中所述机器学习组件顺序地执行所述第一卷积层处理和所述第二卷积层处理。

5.根据权利要求2所述的卷积神经网络系统，其中所述机器学习组件并行地执行所述第一卷积层处理和所述第二卷积层处理。

6.根据权利要求1所述的卷积神经网络系统，其中所述机器学习组件基于与所述卷积神经网络相关联的学习的成像输出来确定所述成像数据的一部分的分类和相关联的定位。

7.根据权利要求6所述的卷积神经网络系统，其中所述计算机可执行组件还包括：

可视化组件，所述可视化组件生成与所述成像数据的所述部分的所述分类和所述定位相关联的多维可视化。

8.一种方法，包括：

由包括处理器的系统接收成像数据；以及

由所述系统对与卷积神经网络的卷积层相关联的所述成像数据执行迭代顺序和/或并行下采样和上采样以生成学习的成像输出。

9.根据权利要求8所述的方法，其中所述对所述成像数据执行所述迭代顺序和/或并行下采样和上采样包括基于包括第一深度的第一卷积层处理和包括第二深度的第二卷积层处理来分析所述成像数据。

10.根据权利要求9所述的方法，其中所述第一卷积层处理包括第一滤波器尺寸，并且所述第二卷积层处理包括不同于所述第一滤波器尺寸的第二滤波器尺寸。

11.根据权利要求9所述的方法，其中所述对所述成像数据执行所述迭代顺序和/或并行下采样和上采样包括顺序地执行所述第一卷积层处理和所述第二卷积层处理。

12.根据权利要求9所述的方法，其中所述对所述成像数据执行所述迭代顺序和/或并行下采样和上采样包括并行地执行所述第一卷积层处理和所述第二卷积层处理。

13.根据权利要求8所述的方法，其中所述方法还包括：

由所述系统基于与所述卷积神经网络相关联的学习的成像输出来对所述成像数据的特征进行分类。

14.根据权利要求13所述的方法，其中所述方法还包括：

由所述系统生成与所述成像数据的所述特征的所述分类相关联的多维可视化。

15.一种方法，包括：

由包括处理器的系统接收包括一组图像的成像数据；以及

由所述系统通过对与卷积神经网络的卷积层相关联的所述成像数据执行迭代顺序和/或并行下采样和上采样来训练所述卷积神经网络。

16.根据权利要求15所述的方法，其中所述训练包括执行包括第一深度的第一卷积层处理和包括第二深度的第二卷积层处理。