基于特征解耦的领域泛化和领域自适应血细胞分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937566A(43)申请公布日2023.04.07(21)申请号202210487255.XG06N3/04(2006.01)(22)申请日2022.05.06G06N3/08(2006.01)G06T7/00(2017.01)(71)申请人湖南大学地址410082湖南省长沙市岳麓区麓山南路1号(72)发明人张辉陈天才陈煜嵘曹意宏刘立柱袁小芳王耀南(74)专利代理机构长沙市护航专利代理事务所(特殊普通合伙)43220专利代理师莫晓齐(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/40(2022.01)G06V10/82(2022.01)权利要求书4页说明书9页附图4页(54)发明名称基于特征解耦的领域泛化和领域自适应血细胞分类方法(57)摘要本发明具体公开了一种基于特征解耦的领域泛化和领域自适应血细胞分类方法，所述方法包括以下步骤：S1、搭建深度神经网络血细胞分类模型；S2、构建孪生网络特征解耦模块；S3、预处理源域血细胞图像，并将源域血细胞图像与预处理后的源域血细胞图像一并输入孪生网络特征解耦模块中进行训练；S4、将孪生网络特征解耦模块的两个输出批量归一化处理，并利用KL散度对齐两个输出的风格信息和内容信息，进而通过预定义的分类损失函数进行分类模型优化；S5、对目标域的血细胞测试样本进行预测分类。本发明采用对比学习方法，有效减少了网络模型的训练时间，提高了血细胞图像的分类精度和泛化性能，提升了面对实际复杂条件下血细胞图像的检测性能。CN115937566ACN115937566A权利要求书1/4页1.基于特征解耦的领域泛化和领域自适应血细胞分类方法，其特征在于，所述方法包括以下步骤：S1、搭建以VGG16网络为主干网络的深度神经网络血细胞分类模型；S2、以孪生网络为基础，通过Gram矩阵和Squeeze‑excitation操作提取源域血细胞图像中的风格信息和内容信息，进而构建孪生网络特征解耦模块；S3、将源域血细胞图像进行预处理，然后将源域血细胞图像与预处理后的对应源域血细胞图像一并输入孪生网络特征解耦模块中进行训练；S4、将孪生网络特征解耦模块训练后的两个输出进行批量归一化处理，并利用KL散度对齐批归一化处理后的两个输出的风格信息和内容信息，然后将对齐后的源域血细胞图像输入深度神经网络血细胞分类模型中进行训练，基于随机梯度下降法对预定义的分类损失函数进行优化，进而获取训练好的深度神经网络血细胞分类模型；S5、利用训练好的深度神经网络血细胞分类模型对目标域的血细胞测试样本进行预测分类。2.如权利要求1所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法，其特征在于，所述深度神经网络血细胞分类模型包括依次连接的第一模块、第二模块、第三模块、第四模块、第五模块和第六模块，其中，所述第一模块包括依次连接的第一卷积层、特征解耦子模块、第二卷积层和第一最大池化层，第二模块包括依次连接的第三卷积层、第四卷积层和第二最大池化层，第三模块包括依次连接的第五卷积层、第六卷积层、第七卷积层和第三最大池化层，第四模块包括依次连接的第八卷积层、第九卷积层、第十卷积层和第四最大池化层，第五模块包括依次连接的第十一卷积层、第十二卷积层、第十三卷积层和第五最大池化层，第六模块包括依次连接的Flatten层、第一全连接层、第二全连接层、第三全连接层和Softmax函数回归预测类别。3.如权利要求2所述的基于特征解耦的领域泛化和领域自适应血细胞分类方法，其特征在于，所述步骤S2具体实现方式包括：S21、将输入的同一批次源域血细胞图像特征图I∈RN×C×H×W进行风格实例归一化，进而提取风格归一化后的源域血细胞图像特征图B∈RN×C×H×W，其中，N表示同一批次源域血细胞图像特征图的数量，C表示通道数量，H和W表示空间上的维度数量，实例归一化操作IN(·)用公式表示为：式中，Inchw表示第nchw张源域血细胞图像特征图，c是通道数的索引，h和w是空间上的维度，μnc是同一批次源域血细胞图像特征图的均值，是同一批次源域血细胞图像特征图的标准差，ε表示预设常数；2CN115937566A权利要求书2/4页S22、将输入的源域血细胞图像特征图与对应风格归一化后的源域血细胞图像特征图进行相减，得到剩下的源域血细胞图像风格耦合特征SD，表示为SD＝I‑B＝I‑IN(I)；S23、基于Gram矩阵提取与领域无关的源域血细胞图像风格表示权重；S24、利用Gram矩阵对特定领域的风格信息进行解耦，并分别计算与该特定领域无关的风格权重λDi以及与该特定领域相关的风格权重λDr，其中，与该特定领域无关的风格权重λDi用公式表示为：与该特定领