CN108764072B - 一种基于多尺度融合的血细胞亚型图像分类方法 - Google Patents
一种基于多尺度融合的血细胞亚型图像分类方法 Download PDFInfo
- Publication number
- CN108764072B CN108764072B CN201810453688.7A CN201810453688A CN108764072B CN 108764072 B CN108764072 B CN 108764072B CN 201810453688 A CN201810453688 A CN 201810453688A CN 108764072 B CN108764072 B CN 108764072B
- Authority
- CN
- China
- Prior art keywords
- blood cell
- cell subtype
- image
- layer
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
一种基于多尺度融合的血细胞亚型图像分类方法，包括以下步骤：(1)训练集包含4种红细胞亚型图像；(2)基于Xception的Entry flow模块构建浅层特征提取网络，输出4个不同尺度的特征图；(3)为步骤(2)中的4个输出分别连接4个由Xception Middle flow模块级联构成的中层特征提取网络；(4)为步骤(3)中的4个输出分别连接4个经过修改的Xception Exit flow模块，提取深层特征信息，输出4个高维特征向量；(5)融合(4)中输出的4个高维特征向量的信息，执行对图像类别的推断预测；(6)在分类网络上，使用经过数据扩增的血细胞亚型图像训练集进行训练；(7)使用步骤(6)中训练的网络在血细胞亚型图像测试集上进行预测，输出血细胞亚型图像所属的类别。本发明提升血细胞亚型图像分类器的性能。
Description
技术领域
本发明属于图像处理、计算机视觉、深度学习、图像分类领域，具体为一种基于多尺度融合的血细胞亚型图像分类方法。
背景技术
目前工业界最强大的图像处理技术就是深度学习了。在图像分类领域，ImageNet比赛准确率作为计算机视觉分类算法的基准已经是深入人心了。自2012年以来，卷积神经网络与深度学习就主导了该竞赛的排行榜。在2015年，Kaiming He等人提出了ResidualNeural Network结构，通过使用残差模块，并用Global Average Pooling取代全连接层，成功训练了152层深的网络，获得了当年的ImageNet冠军，top-5准确率达到93.3％。而在2017年，Francois Chollet提出了Xception结构，该结构的主要特点是深度可分离卷积与残差结构的结合，该网络在ImageNet上更进一步达到了94.5％的准确率。
Xception网络中的基本构成单元有Conv(卷积层)、Relu(激活层)、SeparableConv(深度可分离卷积层)、MaxPooling(最大池化层)、GlobalAveragePooling(全局平均池化层)、Optional fully-connected layer(可选的全连接层)、Logistic Regression(逻辑斯蒂回归)。以上基本单元组合经过合理的参数设置，构成了Xception网络的三个主要模块，分别为Entry flow模块、Middle flow模块、Exit flow模块。Entry flow作为输入图像的初始特征提取器，提取图像的浅层特征并数次缩小图像的分辨率。Middle flow作为中层特征提取器，连续级联8个组成中层特征提取网络，进一步提取图像特征。Exit flow提取深层特征并最终聚合所有特征图，输出类别向量。
基于血液的疾病的诊断通常涉及识别和表征患者的血液样本，而多种类型的血细胞则是血液的重要组成部分。检测和分类血细胞亚型的自动化方法在医学上有具有可观的应用价值，对于血液检查、血细胞检查等具有重要的指导意义。ResNet、Xception等在分类自然图像时具有很好的效果，将其应用到医学领域也是当前学术界的研究热点之一。此类网络往往通过多次的池化操作来提升卷积核的感受野并降低运算量，但该操作也往往使得图像分辨率急剧下降，使得图像的某些细节信息丢失，对于含有某些重要细微组织的医学图像任务而言这可能是难以接受的。在医学图像分类中，我们既希望通过降低分辨率来把握图像的全面的上下文信息，又希望充分利用高分辨率图像来获得局部的细节特征信息，把握好以上两点在提升血细胞亚型图像分类效果上具有重要作用。
发明内容
针对以上所述当前技术存在的一些问题与不足，为了使神经网络既能通过降低分辨率提升感受野来把握图像的全面的上下文信息，又能够充分利用高分辨率图像来获得足够的细节特征信息，本发明提供了一种基于多尺度融合的血细胞亚型图像分类方法。
本发明解决其技术问题所采用的技术方案是：
一种基于多尺度融合的血细胞亚型图像分类方法，包括以下步骤：
(1)训练集包含4种红细胞亚型图像，分别为eosinophil嗜酸粒细胞、lymphocyte淋巴细胞、monocyte单核细胞、neutrophil嗜中性粒细胞，因训练集图像有限，故使用数据扩增的方式，提升训练集规模；
(2)基于Xception Entry flow模块构建初步特征提取网络提取图像浅层特征，输出4个不同尺度即不同分辨率的特征图。以上称为本发明的Entry flow模块；
(3)为(2)中的4个输出分别连接4个由Xception Middle flow模块级联构成的中层特征提取网络，对(2)中输出的多尺度特征图进行进一步的特征提取。以上称为本发明的Middle flow模块；
(4)为(3)中的4个输出分别连接4个Xception Exit flow模块，进一步提取深层特征，并将特征图转化为高维特征向量。以上称为本发明的Exit flow模块；
(5)将(4)中输出的4个高维特征向量相加，融合多尺度特征图中的信息，最后连接Logistic Regression输出类别概率向量。以上称为本发明的Multi-Scale-Fusion AndPrediction模块；
(6)在(2)(3)(4)(5)步骤所构建的分类网络上，使用(1)中经过数据扩增的血细胞亚型图像训练集进行网络训练；
(7)使用(6)中训练得到的分类网络在血细胞亚型图像测试集上进行预测，输出血细胞亚型图像所属的类别。
进一步，所述步骤(1)中，数据扩增的过程为：
(11)随机旋转、随机缩放、随机剪切、随机缩放，随机翻转；
(12)设定程度的随机图像对比度调整，设定程度的随机亮度衰减；
(13)将所有图像的尺寸调整为(299,299)。
再进一步，所述步骤(2)为：
(21)使用Xception Entry flow模块初步提取图像浅层特征，并输出四个不同尺度的特征图作为下一层集成Middle flow模块的中层特征提取网络的四个输入，以Xception中对应层的权重为网络权重的初始值；
(22)输出4个特征图通道数分别为64、128、256、728。
更进一步，所述步骤(3)为：
(31)将(22)中所述的四个输出分别输入4路分别由8个Xception Middle flow模块级联而成的中层多尺度特征提取网络中。其中4路Xception Middle flow模块，深度可分离卷积核数目分别设置为对应的64、128、256、728。以MSRA初始化方法初始化权重。
(32)输出4个特征图通道数分别为64、128、256、728。
更进一步，所述步骤(4)为：
(41)将(32)中的输出分别输入4个Xception Exit flow模块，分别将4个XceptionExit flow模块中的第一个深度可分离卷积层卷积核数目修改为64、128、256、728，第二个深度可分离卷积层卷积核数目修改为128、256、512、1536，并删除模块全局池化层后的部分。以MSRA初始化方法初始化权重。
(42)输出4个2048维的高维特征向量。
更进一步，所述步骤(5)为：
将(42)中得到的4个2028维的高维特征向量相加，再级联长度为2048、4的全连接层，最后连接Logistic Regression输出类别概率向量。
更进一步，所述步骤(6)为：
以Adam(Adaptive Moment Estimation)为优化器进行网络训练，损失函数为交叉熵函数。
更进一步，所述步骤(7)为：
将需要预测的血细胞亚型图像调整尺寸为(299,299)。将其输入训练好的网络，输出的四维类别向量中值最大者对应类型即为输出结果。
本发明的有益效果主要表现在：融合了网络特征提取过程中的不同层次不同尺度的特征信息，使神经网络既能通过把握图像的全面的上下文信息，又能够获得足够的细节特征信息，综合两者进行图像分类，进一步提升血细胞亚型图像分类器的性能。
附图说明
图1是Xception网络结构示意图。其中Conv为卷积层，Relu为激活层，SeparableConv为深度可分离卷积层，MaxPooling为最大池化层，GlobalAveragePooling为全局平均池化层，Optional fully-connected layer为可选的全连接层，LogisticRegression为逻辑斯蒂回归，以上即为构成Xception网络的基本单元，数字为各层超参数。images为输入的图像，feature maps为特征图，亦即上一模块的输出，下一模块的输入。2048-dimensional vectors为全局平均池化层输出的特征向量。Entry flow、Middleflow、Exit flow为网络的三个组成模块。Entry flow模块用于接受输入图像并进行浅层特征的提取。Middle flow模块用于进一步的特征提取，Repeated 8times指在网络中该模块一共级联8个。Exit flow模块被用于最终聚合特征图并连接至全连接层，最终使用Logistic Regression输出图像所属类别。
图2是本发明网络结构示意图。其中Conv为卷积层，Relu为激活层，SeparableConv为深度可分离卷积层，MaxPooling为最大池化层，GlobalAveragePooling为全局平均池化层，Dense为全连接层，Logistic Regression为逻辑斯蒂回归，以上即为构成本发明网络结构的基本单元。images为输入的图像。channels为卷积核通道数。限于本图篇幅未指出feature maps与2048-dimensional vectors，两者具体含义与图1一致，具体位置可参考图1。Entry flow、Middle flow、Exit flow、Multi-Scale-Fusion And Prediction为本发明网络的四个组成模块，Middle flow、Exit flow构成了互不干涉的4条特征提取路径。其中,Entry flow模块用于接受输入图像并进行浅层特征的提取。Middle flow模块用于进一步的特征提取，Repeated 8times指在网络中该模块一共级联8个。Exit flow模块用于聚合单尺度内的特征图，提取2048维的特征向量并输出。Multi-Scale-Fusion And Prediction模块最终融合多尺度下提取的特征向量连接至全连接层，并使用Logistic Regression输出图像所属类别。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图图2，一种基于多尺度融合的血细胞亚型图像分类方法，包括以下步骤：
(1)训练集包含4种红细胞亚型图像，分别为eosinophil嗜酸粒细胞、lymphocyte淋巴细胞、monocyte单核细胞、neutrophil嗜中性粒细胞，因训练集图像有限，故使用数据扩增的方式，提升训练集规模；
(2)基于Xception Entry flow模块构建初步特征提取网络提取图像浅层特征，输出4个不同尺度即不同分辨率的特征图。以上称为本发明的Entry flow模块；
(3)为(2)中的4个输出分别连接4个由Xception Middle flow模块级联构成的中层特征提取网络，对(2)中输出的多尺度特征图进行进一步的特征提取。以上称为本发明的Middle flow模块；
(4)为(3)中的4个输出分别连接4个Xception Exit flow模块，进一步提取深层特征，并将特征图转化为高维特征向量。以上称为本发明的Exit flow模块；
(5)将(4)中输出的4个高维特征向量相加，融合多尺度特征图中的信息，最后连接Logistic Regression输出类别概率向量。以上称为本发明的Multi-Scale-Fusion AndPrediction模块；
(6)在(2)(3)(4)(5)步骤所构建的分类网络上，使用(1)中经过数据扩增的血细胞亚型图像训练集进行网络训练；
(7)使用(6)中训练得到的分类网络在血细胞亚型图像测试集上进行预测，输出血细胞亚型图像所属的类别。
进一步，所述步骤(1)中，数据扩增的过程为：
(11)随机旋转、随机缩放、随机剪切、随机缩放，随机翻转；
(12)设定程度的随机图像对比度调整，设定程度的随机亮度衰减；
(13)将所有图像的尺寸调整为(299,299)。
再进一步，所述步骤(2)为：
(21)使用Xception Entry flow模块初步提取图像浅层特征，并输出四个不同尺度的特征图作为下一层集成Middle flow模块的中层特征提取网络的四个输入，以Xception中对应层的权重为网络权重的初始值；
(22)输出4个特征图通道数分别为64、128、256、728。
更进一步，所述步骤(3)为：
(31)将(22)中所述的四个输出分别输入4路分别由8个Xception Middle flow模块级联而成的中层多尺度特征提取网络中。其中4路Xception Middle flow模块，深度可分离卷积核数目分别设置为对应的64、128、256、728。以MSRA初始化方法初始化权重。
(32)输出4个特征图通道数分别为64、128、256、728。
更进一步，所述步骤(4)为：
(41)将(32)中的输出分别输入4个Xception Exit flow模块，分别将4个XceptionExit flow模块中的第一个深度可分离卷积层卷积核数目修改为64、128、256、728，第二个深度可分离卷积层卷积核数目修改为128、256、512、1536，并删除模块全局池化层后的部分。以MSRA初始化方法初始化权重。
(42)输出4个2048维的高维特征向量。
更进一步，所述步骤(5)为：
将(42)中得到的4个2028维的高维特征向量相加，再级联长度为2048、4的全连接层，最后连接Logistic Regression输出类别概率向量。
更进一步，所述步骤(6)为：
以Adam(Adaptive Moment Estimation)为优化器进行网络训练，损失函数为交叉熵函数。
更进一步，所述步骤(7)为：
将需要预测的血细胞亚型图像调整尺寸为(299,299)。将其输入训练好的网络，输出的四维类别向量中值最大者对应类型即为输出结果。
Claims (8)
1.一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述方法包括以下步骤：
(1)训练集包含4种血细胞亚型图像，分别为eosinophil嗜酸粒细胞、lymphocyte淋巴细胞、monocyte单核细胞、neutrophil嗜中性粒细胞，使用数据扩增的方式提升训练集规模；
(2)基于Xception Entry flow模块构建初步特征提取网络提取图像浅层特征，输出4个不同尺度即不同分辨率的特征图，以上称为Entry flow模块；
(3)为(2)中的4个输出分别连接4个由Xception Middle flow模块级联构成的中层特征提取网络，对(2)中输出的多尺度特征图进行进一步的特征提取，以上称为Middle flow模块；
(4)为(3)中的4个输出分别连接4个的Xception Exit flow模块，进一步提取深层特征，并将特征图转化为高维特征向量，以上称为Exit flow模块；
(5)将(4)中输出的4个高维特征向量相加，融合多尺度特征图中的信息，最后连接Logistic Regression输出类别概率向量，以上称为Multi-Scale-Fusion And Prediction模块；
(6)在(2)(3)(4)(5)步骤所构建的分类网络上，使用(1)中经过数据扩增的血细胞亚型图像训练集进行网络训练；
(7)使用(6)中训练得到的网络在血细胞亚型图像测试集上进行预测，输出血细胞亚型图像所属的类别。
2.如权利要求1所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(1)中，数据扩增的过程为：
(11)随机旋转、随机缩放、随机剪切和随机翻转；
(12)设定程度的随机图像对比度调整，设定程度的随机亮度衰减；
(13)将所有图像的尺寸调整为(299,299)。
3.如权利要求2所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(2)中，初步特征提取网络的过程为：
(21)使用Xception Entry flow模块初步提取图像浅层特征，并输出四个不同尺度的特征图作为下一层Middle flow模块的中层特征提取网络的四个输入，以Xception中对应层的权重为网络权重的初始值；
(22)输出4个特征图通道数分别为64、128、256、728。
4.如权利要求3所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(3)中，中层特征提取网络的过程为：
(31)将(22)中四个输出分别输入，4路由8个Xception Middle flow模块级联而成的中层多尺度特征提取网络中，其中4路Xception Middle flow模块，深度可分离卷积核数目分别设置为对应的64、128、256、728，以MSRA初始化方法初始化权重；
(32)输出4个特征图通道数分别为64、128、256、728。
5.如权利要求4所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(4)的过程为：
(41)将(32)中的输出分别输入4个Xception Exit flow模块，分别将4个XceptionExit flow模块中的第一个深度可分离卷积层卷积核数目修改为64、128、256、728，第二个深度可分离卷积层卷积核数目修改为128、256、512、1536，并删除模块全局池化层后的部分，以MSRA初始化方法初始化权重；
(42)输出4个2048维的高维特征向量。
6.如权利要求5所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(5)的过程为：将(42)中得到的4个2028维的高维特征向量相加，再级联长度为2048、4的全连接层，最后连接Logistic Regression输出类别概率向量。
7.如权利要求1～6之一所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(6)中：以Adam为优化器进行网络训练，损失函数为交叉熵函数。
8.如权利要求1～6之一所述的一种基于多尺度融合的血细胞亚型图像分类方法，其特征在于，所述步骤(7)中：将需要预测的血细胞亚型图像调整尺寸为(299,299)，将其输入训练好的网络，输出的四维类别向量中值最大者对应类型即为输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810453688.7A CN108764072B (zh) | 2018-05-14 | 2018-05-14 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810453688.7A CN108764072B (zh) | 2018-05-14 | 2018-05-14 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764072A CN108764072A (zh) | 2018-11-06 |
| CN108764072B true CN108764072B (zh) | 2021-04-06 |
Family
ID=64010291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810453688.7A Active CN108764072B (zh) | 2018-05-14 | 2018-05-14 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764072B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543595B (zh) * | 2018-11-19 | 2021-09-07 | 上海交通大学 | 基于深度可分离卷积神经网络的电线的训练方法和检测方法 |
| CN109785336B (zh) * | 2018-12-18 | 2020-11-27 | 深圳先进技术研究院 | 基于多路径卷积神经网络模型的图像分割方法及装置 |
| CN110084828A (zh) * | 2019-04-29 | 2019-08-02 | 北京华捷艾米科技有限公司 | 一种图像分割方法、装置及终端设备 |
| CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
| CN110164550B (zh) * | 2019-05-22 | 2021-07-09 | 杭州电子科技大学 | 一种基于多视角协同关系的先天性心脏病辅助诊断方法 |
| CN110427970B (zh) * | 2019-07-05 | 2023-08-01 | 平安科技（深圳）有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
| CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
| CN111881707B (zh) * | 2019-12-04 | 2021-09-14 | 马上消费金融股份有限公司 | 图像翻拍检测方法、身份验证方法、模型训练方法及装置 |
| CN111210388B (zh) * | 2019-12-30 | 2021-02-02 | 深圳市爱协生科技有限公司 | 基于生成对抗网络的马赛克人脸图像超分辨率重建方法 |
| CN111368873A (zh) * | 2020-01-15 | 2020-07-03 | 江西理工大学 | 基于深度融合卷积神经网络模型及其组织学图像分类方法 |
| CN111476267A (zh) * | 2020-02-28 | 2020-07-31 | 北京航空航天大学 | 根据细胞影像进行药物疗效分类的方法与电子设备 |
| CN111639677B (zh) * | 2020-05-07 | 2022-09-02 | 齐齐哈尔大学 | 一种基于多分路通道扩容网络的垃圾图像分类方法 |
| WO2022094783A1 (zh) * | 2020-11-04 | 2022-05-12 | 深圳迈瑞生物医疗电子股份有限公司 | 血细胞图像分类方法及样本分析系统 |
| CN114418863B (zh) * | 2022-03-31 | 2022-06-07 | 北京小蝇科技有限责任公司 | 细胞图像修复方法、装置、计算机存储介质及电子设备 |
| CN114462555B (zh) | 2022-04-13 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 基于树莓派的多尺度特征融合配电网设备识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016103096A (ja) * | 2014-11-27 | 2016-06-02 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、プログラム、制御方法 |
| CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
| CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
| CN106248559A (zh) * | 2016-07-14 | 2016-12-21 | 中国计量大学 | 一种基于深度学习的白细胞五分类方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN106650796A (zh) * | 2016-12-06 | 2017-05-10 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和系统 |
| CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
| CN107655159A (zh) * | 2017-10-19 | 2018-02-02 | 福建帝视信息科技有限公司 | 一种基于人群密度感知模型的空调节能控制方法及系统 |
| CN107704866A (zh) * | 2017-06-15 | 2018-02-16 | 清华大学 | 基于新型神经网络的多任务场景语义理解模型及其应用 |
| CN107784324A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 基于深度残差网络的白血细胞多分类识别方法 |
-
2018
- 2018-05-14 CN CN201810453688.7A patent/CN108764072B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016103096A (ja) * | 2014-11-27 | 2016-06-02 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、プログラム、制御方法 |
| CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
| CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
| CN106248559A (zh) * | 2016-07-14 | 2016-12-21 | 中国计量大学 | 一种基于深度学习的白细胞五分类方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN106650796A (zh) * | 2016-12-06 | 2017-05-10 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和系统 |
| CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
| CN107704866A (zh) * | 2017-06-15 | 2018-02-16 | 清华大学 | 基于新型神经网络的多任务场景语义理解模型及其应用 |
| CN107784324A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 基于深度残差网络的白血细胞多分类识别方法 |
| CN107655159A (zh) * | 2017-10-19 | 2018-02-02 | 福建帝视信息科技有限公司 | 一种基于人群密度感知模型的空调节能控制方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| A deep convolutional neural network for classification of red blood cells in sickle cell anemia;Mengjia Xu 等;《PloS Comput Biol》;20171019;第13卷(第10期);摘要，第1-27页 * |
| Neural Network Classification of White Blood Cell using Microscopic Images;Mazin Z.Othman 等;《International Journal of Advanced Computer Science and Applications》;20171231;第8卷(第5期);第99-104页 * |
| Xception: Deep Learning with Depthwise Separable Convolutions;Francois Chollet;《2017 IEEE Conference on Computer Vision and Pattern Recognition》;20171109;摘要，第1-6节 * |
| 基于卷积神经网络的外周血白细胞分类;陈畅 等;《中国生物医学工程学报》;20180228;第37卷(第1期);第17-24页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764072A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764072B (zh) | 一种基于多尺度融合的血细胞亚型图像分类方法 | |
| CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
| US20220215227A1 (en) | Neural Architecture Search Method, Image Processing Method And Apparatus, And Storage Medium | |
| Wu et al. | End-to-end chromosome Karyotyping with data augmentation using GAN | |
| CN111476266B (zh) | 一种基于迁移学习的非平衡类别白细胞分类方法 | |
| CN112906718B (zh) | 一种基于卷积神经网络的多目标检测方法 | |
| CN110660478A (zh) | 一种基于迁移学习的癌症图像预测判别方法和系统 | |
| CN108510004B (zh) | 一种基于深度残差网络的细胞分类方法及系统 | |
| CN112396587B (zh) | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 | |
| CN113378796B (zh) | 一种基于上下文建模的宫颈细胞全切片分类方法 | |
| WO2021051987A1 (zh) | 神经网络模型训练的方法和装置 | |
| CN104700100A (zh) | 面向高空间分辨率遥感大数据的特征提取方法 | |
| CN112633257A (zh) | 基于改良卷积神经网络的马铃薯病害识别方法 | |
| AlBdairi et al. | Identifying ethnics of people through face recognition: A deep CNN approach | |
| CN110096976A (zh) | 基于稀疏迁移网络的人体行为微多普勒分类方法 | |
| CN112507904A (zh) | 一种基于多尺度特征的教室人体姿态实时检测方法 | |
| CN113283524A (zh) | 一种基于对抗攻击的深度神经网络近似模型分析方法 | |
| CN110910388A (zh) | 一种基于U-Net和密度估计的癌细胞图像分割方法 | |
| CN110728186A (zh) | 一种基于多网融合的火灾检测方法 | |
| CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
| CN112560668A (zh) | 一种基于场景先验知识的人体行为识别方法 | |
| CN109583406B (zh) | 基于特征关注机制的人脸表情识别方法 | |
| Li et al. | HEp-2 specimen classification with fully convolutional network | |
| CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
| Uddin et al. | A convolutional neural network for real-time face detection and emotion & gender classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |