×
二阳欢;温桂华

深度网络中的多层次和多尺度特征聚合用于面部体质分类。 （英文） Zbl 1431.92055号

计算。数学。方法医学。 2019年，文章ID 1258782，第11页（2019年）.
体质分类是中医体质研究的基础和核心内容。为了提高体质分类的准确性，本文提出了一种基于卷积神经网络的多层次多尺度特征聚合方法，该方法由四个步骤组成。首先，它使用预处理的VGG16作为基本网络，然后通过有监督的特征学习细化网络结构，以捕获局部图像特征。其次，它从微调的VGG16模型中提取不同层的图像特征，然后通过主成分分析（PCA）对其进行降维。第三，它使用另一个预处理的NASNetMobile网络进行监督特征学习，输出全局平均池层的前一层特征。同样，这些特征通过PCA降维，然后在PCA后与VGG16中不同层的特征进行融合。最后，将所有特征与微调VGG16的全连接层进行聚合，然后进行结构分类。实验表明，使用多级多尺度特征聚集对体质分类非常有效，在测试数据集上的准确率达到69.61%。

MSC公司：

92 C50 医疗应用（通用）
68T07型 人工神经网络与深度学习
68吨10 模式识别、语音识别
62华氏35 多元分析中的图像分析

关键词：

面部体质分类;多层次的;多尺度特征聚合;卷积神经网络

软件：

CatBoost公司;开胃-v4;效率网;移动网络;凯拉斯;XGBoost公司;轻型GBM;scikit-图像;Xception公司;github;ImageNet公司;TensorFlow公司;Scikit公司
PDF格式BibTeX公司 XML格式引用
\textit{E.-Y.Huan}和\textit{G.-H.Wen}，计算。数学。方法Med.2019，文章ID 1258782，11 p.（2019；Zbl 1431.92055）
全文： 内政部

参考文献：

[1] 丁永伟，中医体质理论的发展，云南中医药杂志，271-75（2010）
[2] 王琦，中医体质研究中的三个关键问题（上），《中医杂志》，2006年第47期，第4期，第250-252页
[3] 王琦，中医体质研究中的三个关键问题（下），《中医杂志》，47,5329-332（2006）
[4] 中国中医药协会，《中医体质理论分类与鉴定》（ZYYXH/T157-2009），《世界中医杂志》，2009年第4期，第303-304页
[5] Yu，R.X。；王，Q。；王杰，《体质鉴定应用现状分析》，《中华中医药信息杂志》2013年第2期，第107-109页
[6] 刘，X。；王强，《关于修订中医体质分类测定标准的建议与分析》，北京中医药大学，36，5，300-304（2013）
[7] Su，S.-Y。；杨，C.-H。；Chiu，C.-C。；Wang，Q.，用于识别中医体质的声学特征，《替代与补充医学杂志》，19，6，569-576（2013）·doi:10.1089/acm.2012.0478
[8] Hou，S。；张杰。；李鹏，基于面部颜色和纹理的中医体质分类研究，生物医学研究，28，10，4645-4650（2017）
[9] Lu，G.L。；Huang，Y.S。；张琦，基于舌象和体征的辅助中医体质识别模型研究，李时珍医学与材料医学研究，30，1，244-246（2019）
[10] Wang，Y.C。；Bai，L.N.，基于BP神经网络的中医脉搏信号体成分分类，中医杂志，55，15（2014）
[11] 张海勇。；李，S。；王晓云，基于相关识别的动态分类模型——以皮肤和中医体质为例，高等工程科学，49，3，137-143（2017）
[12] 宋，L。；刘杰。；钱，B.，用于多实例多标签图像分类的深度多模式CNN，IEEE图像处理汇刊，27，12，6025-6038（2018）·doi:10.1109/tip.2018.2864920
[13] 张，M。；李伟（Li，W.）。；Du，Q.，Diverse region-based CNN for hyperspectral image classification，IEEE Transactions on image Processing，27，6，2623-2634（2018年）·Zbl 1409.94822号 ·doi:10.1109/tip.2018.2809606
[14] 多尔兹，J。；Gopinath，K。；Yuan，J.，HyperDense-Net:用于多模式图像分割的超灵敏连接CNN，IEEE医学成像事务，38，5，1116-1126（2018）·doi:10.10109/周三.2018.2878669
[15] Chen，L。；宾利，P。；Mori，K。；Misawa，K。；藤原，M。；Rueckert，D.，DRINet for medical image segmentation，IEEE Transactions on medical Imaging，37，11，2453-2462（2018年）·doi:10.1109/tmi.2018.2835303
[16] 蔡，Z。；Vasconcelos，N.，Cascade R-CNN:深入研究高质量物体检测，IEEE计算机视觉和模式识别会议论文集
[17] 陈，Y。；李伟（Li，W.）。；Sakaridis，C.，用于野外目标检测的域自适应快速R-CNN，IEEE计算机视觉和模式识别会议论文集
[18] Jin，K.H。；Frahm，J.M.，场景识别交替专家的层次结构，欧洲计算机视觉会议论文集
[19] Cheng，X。；卢，J。；冯，J。；袁，B。；周杰，带对象的场景识别，模式识别，74474-487（2018）·doi:10.1016/j.patcog.2017.09.025
[20] 胡，X。；朱，H。；徐，J。；徐，D。；Dong，J.，基于深度卷积神经网络的手腕脉搏信号分析，IEEE生物信息学和计算生物学计算智能会议论文集
[21] 李，H。；徐，B。；Wang，N.，用于身体结构分类的深度卷积神经网络，Springer人工神经网络国际会议论文集
[22] Huan，E.Y。；Wen，G.H。；Zhang，S.J.，基于人脸图像的人体体质分类深度卷积神经网络，医学中的计算和数学方法，2017（2017）·数字对象标识代码：10.1155/2017/9846707
[23] Li，H.H。；Wen，G.H。；Zeng，H.B.，《使用混合深度学习方法进行自然舌体识别》（2018年），德国柏林：施普林格出版社，德国柏林
[24] 胡锦林。；丁Y.T。；Kan，H.X.，基于机器学习的舌象体质分类，佳木斯大学学报（自然科学版），36，5，709-713（2018）
[25] 周，H。；胡，G。；Zhang，X.，基于CNN的舌象结构识别，2018年第11届国际图像与信号处理大会论文集，生物医学工程与信息学（CISP-BMEI），IEEE
[26] 马，J。；文，G。；王，C。；姜磊，舌体识别的复杂性感知分类方法，医学人工智能，96，123-133（2019）·doi:10.1016/j.artmed.2019.03.008
[27] 邓，J。；Dong，W。；Socher，R.，Imagenet:大型分层图像数据库，IEEE计算机视觉和模式识别会议论文集
[28] Tajbakhsh，N。；Shin，J.Y。；Gurudu，S.R.，医学图像分析的卷积神经网络：全面训练或微调，IEEE医学成像学报，35，5，1299-1312（2016）·doi:10.1109/tmi.2016.2535302
[29] Simonyan，K。；Zisserman，A.，用于大规模图像识别的极深卷积网络，https://arxiv.org/abs/1409.1556
[30] Zoph，B。；瓦苏德万，V。；Shlens，J.，学习可扩展图像识别的可转换架构，IEEE计算机视觉和模式识别会议论文集
[31] 塞格迪，C。；Vanhoucke，V。；Ioffe，S.，《重新思考计算机视觉的初始架构》，IEEE计算机视觉和模式识别会议论文集
[32] 陈，Y。；陶，G。；Ren，H。；林，X。；Zhang，L.，基于CNN和SVM的道路监控图像中的准确安全带检测，神经计算，274，80-87（2018）·doi:10.1016/j.neucom.2016.06.098
[33] 马，Y。；谢，Q。；刘，Y。；Xiong，S.，一种基于加权KNN的自动图像标注方法，神经计算与应用，1-12（2019）·doi:10.1007/s00521-019-04114-y
[34] 刘，X。；张，R。；孟，Z。；R·洪。；Liu，G.，关于融合CNN潜在深层特征进行图像分类，万维网，22，2，423-436（2019）·doi:10.1007/s11280-018-0600-3
[35] 奥利维拉，R.B。；Papa，J.P。；Pereira，A.S。；Tavares，J.M.R.S.，图像中色素性皮肤病变分类的计算方法：回顾和未来趋势，神经计算与应用，29，3，613-636（2018）·doi:10.1007/s00521-016-2482-6
[36] Han，D。；刘，Q。；Fan，W.，《使用CNN传输学习和网络数据增强的新图像分类方法》，《应用专家系统》，95，43-56（2018）·doi:10.1016/j.eswa.2017.11.028
[37] Marquesan，C.S。；卡鲁皮亚，M。；Prathiba，T.，使用随机森林分类器进行热人脸识别的多分辨率变换，计算与理论纳米科学杂志，15，3，785-792（2018）·doi:10.1166/jctn.2018.7160
[38] Che，T。；Guestrin，C.，Xgboost:一个可扩展的树增强系统，第22届Acm-Sigkdd知识发现和数据挖掘国际会议论文集，Acm
[39] Ke，G。；孟，Q。；Finley，T.，LightGBM：高效梯度增强决策树，神经信息处理系统进展，3146-3154（2017）
[40] Dorogush，A.V。；埃尔绍夫，V。；Gulin，A.，CatBoost：支持分类功能的梯度增强，https://arxiv.org/abs/1810.11363
[41] 王强，《中医九种基本体质的分类与诊断依据》，《北京中医药大学学报》，2005年第28、4、1-8期
[42] Cholet、F.、Keras、，https://github.com/fchollet/keras
[43] 阿巴迪，M。；巴勒姆，P。；Chen，J.，Tensorflow:大规模机器学习系统，第十二届{USENIX}操作系统设计与实现研讨会论文集
[44] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A.，Scikit-learn:机器学习在python中的应用，《机器学习研究杂志》，第12期，第2825-2830页（2011年）·Zbl 1280.68189号
[45] 斯特凡，V.W。；Johannes，L。；Schönberger，J.N.，Scikit-image:python中的图像处理（2014）
[46] He，K。；张，X。；Ren，S.，图像识别的深度残差学习，IEEE计算机视觉和模式识别会议论文集
[47] 塞格迪，C。；洛夫，S。；Vanhoucke，V.，Inception-v4，Inception-resnet和剩余连接对学习的影响，第三十一届AAAI人工智能会议论文集
[48] Chollet，F.，Xception:深度学习与深度可分离卷积，IEEE计算机视觉和模式识别会议论文集
[49] A.G.霍华德。；朱，M。；Chen，B.，Mobilenets:用于移动视觉应用的高效卷积神经网络，https://arxiv.org/abs/1704.04861
[50] 黄，G。；刘，Z。；Maaten，V.D.，密集连接卷积网络，IEEE计算机视觉和模式识别会议论文集
[51] Tan，M。；Le，Q.V.，EfficientNet:卷积神经网络模型缩放的再思考，https://arxiv.org/abs/1905.11946
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。