[发明专利]一种结合卷积神经网络和梯度提升树的图像识别方法

说明书

本发明公开了一种结合卷积神经网络和梯度提升树的图像识别方法，属于机械学习技术领域。该方法根据输入图像尺寸大小获取一组图像补丁，与原图像一同作为输入数据，采用5个分支，每个分支采用改进后的VGG‑19模型对输入图像进行特征提取，然后将提取的特征输入到梯度提升树中进行训练，得到一个基本分类器，使用加权投票法将基本分类器组合为强分类器用于对输入图像进行分类。本方法通过对医学图像的识别证明，能够精确、快速的对输入医学图像进行分类，辅助医生诊断疾病，提高诊断效率，从而有效减少误诊率。

技术领域

本发明涉及一种结合卷积神经网络和梯度提升树的图像识别方法，所属图像分析领域。

背景技术

在这个信息化时代，图像分析在我们日常生活中不可或缺，通过使用机械学习的方法可以帮助人们高效地管理图片。建立机械学习模型，通过在给定数据集上进行训练得到的训练模型可以完成新图像数据某些特定的任务，如识别、分类和分割等。支持向量机作为传统的机械学习算法，应用于图像分析领域效果显著。但是，传统的机械学习算法的准确率依赖于先验知识通过人工设计算法来提取特征，从而训练模型，由于人工选取特征难度较高，模型容易出现欠拟合和过拟合情况；不同模型之间由于提取特征的不同，准确率的差异也很大；一个样本数据集必须设计一个对应特征提取的方法，因此模型泛化能力难以保证。其次，随着科技的进步和发展，大数据时代到来，能够获取到大量的图像资源，而传统的机械学习方法难以适应大规模数据集，在大数据集上的表现不佳，深度学习因此应运而生。

深度学习是属于机械学习研究中的一个新领域，是机器学习中一种基于对数据进行表征学习的方法。通过模拟人类的学习行为，建立多层神经网络模型，使用反向传播、梯度下降等算法后，计算机会自动优化对输入数据进行的特征提取，从而达到较为精确地运算效果。在图像分析领域中，CNN卷积神经网络表现的异常出色，2012年ILSVRC比赛中Alexnet以绝对的优势摘得大赛桂冠，使得卷积神经网络重新回归公众的视野，之后不断蓬勃发展，目前CNN在图像分析领域处于主导地位。卷积神经网络的不断发展也推动了其在医学图像分析领域中的应用于研究，目前卷积神经网络在医学图像分析一些领域的应用中，完成任务的准确率已经超过医生。但是，深层卷积神经网络需要大规模数据集对模型进行训练，目前传统医学图像数据集规模并不是很大，含有隐私信息的图像数据更难以获取，所以很容易造成所述模型与样本数据集产生过拟合的现象，需要通过一些方法来实现优化。随着医学图像数据集的不断增加，深度学习也将成为一种不可或缺的计算机辅助诊断手段。

目前已经有深度学习和传统机械学习结合的模型，但是由于样本数据集规模过小、神经网络模型过于复杂，很容易出现过拟合现象，其次，基于一个分支训练的分类器分类准确性有待提升。

现有技术不足之处：

(1)传统的机械学习手工提取特征困难，难以适应大规模数据训练，并且模型的泛化能力较差。

(2)单纯的深度学习模型需要大规模的数据集对神经网络进行训练，而目前不具备如此大规模医学图像数据集，对于一些含有隐私信息的医学图像数据获取则更加困难，训练深度学习模型的时候很容易出现过拟合现象。

(3)已有的深度学习和传统机械学习结合模型准确率有待提升。

发明内容

本发明的目的在于解决目前已有方法的不足之处。通过获取图像补丁的方法获取一组输入图像的补丁，与输入图像一同作为输入数据分别输入到每个分支中的神经网络进行训练，提高对单个图像特征的提取的效果。采用在图像识别领域表现良好的VGG-19模型进行迁移学习，提出类感知损失函数，缩小相同类别图像间的类内间距，扩大不同类别图像间的类间间距，提高分类准确性，使用原始数据集和待训练数据集进行交替训练，减少模型与待训练数据集过拟合，使得模型在小样本数据集上一样有较好的表现。最后使用加权投票法对生成的多个基本分类器进行线性组合形成强分类器，进一步提高对输入图片的分类准确率。具体步骤如下：