[发明专利]一种特征内增强的弱监督学习方法

权利要求书

1.一种特征内增强的弱监督学习方法，其特征在于，包括以下步骤：

步骤1：利用浅层卷积神经网络提取输入图像的浅层特征，获得高分辨率的纹理特征图；

步骤2：对纹理特征图进行特征内增强处理，获得增强后的纹理特征图；

步骤3：利用深层卷积神经网络提取纹理特征图的深层特征，用于计算损失函数；

所述步骤2包括：

步骤2.1：对纹理特征图的每个通道特征图分别进行归一化处理，获得归一化特征图；

步骤2.2：选取阈值，对归一化特征图筛选显著特征图，高于阈值的为有效特征区域，低于阈值的为无效特征区域；

步骤2.3：以显著特征图的特征峰点为中心，以特征峰点最近的特征低点为边界，确定增强特征范围，将增强特征范围复制到无效特征区域，得到增强后的纹理特征图。

2.根据权利要求1所述的一种特征内增强的弱监督学习方法，其特征在于，所述步骤1包括：

步骤1.1：通过1倍卷积核提取输入图像宽高尺寸缩放0.5倍的初始特征图；

步骤1.2：利用1倍卷积组对初始特征图提取宽高尺寸不变的浅层特征、利用2倍卷积组对初始特征图提取宽高缩放0.5倍的浅层特征，对上述两个浅层特征在通道维度组合，获得纹理特征图。

3.根据权利要求2所述的一种特征内增强的弱监督学习方法，其特征在于，所述步骤3包括：

步骤3.1：分别利用1倍卷积组、2倍卷积组、4倍卷积组和8倍卷积组提取步骤2.3中增强后的纹理特征图的深层特征；

利用1倍卷积组对增强后的纹理特征图提取高宽尺寸不变的深层特征；

利用2倍卷积组对增强后的纹理特征图提取高宽尺寸缩放0.5倍的深层特征；

利用4倍卷积组对增强后的纹理特征图提取高宽尺寸缩放0.25倍的深层特征；

利用8倍卷积组对增强后的纹理特征图提取高宽尺寸缩放0.125倍的深层特征；

对上述四个深层特征在通道维度组合，获得纹理特征图；

步骤3.2：对步骤3.1中获得的纹理特征图进行全连接层处理得到特征向量，并计算损失函数。

4.根据权利要求2所述的一种特征内增强的弱监督学习方法，其特征在于，所述纹理特征图和初始特征图尺寸计算公式如下：输出尺寸=[(输入尺寸+2倍边界填充-核尺寸)/步长]+1。

5.根据权利要求1所述的一种特征内增强的弱监督学习方法，其特征在于，所述归一化处理采用的归一化公式如下：输出特征=（输入特征–最小特征）/（最大特征-最小特征）。