买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：常熟市第一人民医院;江苏智先生信息科技有限公司

摘要：本发明公开了基于神经网络的空间通道注意力机制的空间冗余压缩模型，具体涉及图像处理技术领域，使用浅层特征融合模块将f1，f2两层浅层特征进行特征融合。再通过并行部分解码器并行连接，将融合后的浅层特征和f3，f4，f5三个高级特征聚合起来，从而得到全局映射图。接着，对浅层特征f2，高级特征f3、f4、f5四个特征层采用空间通道增强卷积模块，以获取多尺度特征信息。再将得到的特征信息使用反向门控通道变换模块，逐步挖掘识别区域，保持全局连接并有效计算。接着，在训练过程中采用深度监督策略，对4个特征层侧输出以及全局特征进行监督，以优化模型性能。最后，经过Sigmoid函数得到输出预测图像。

主权项：1.基于神经网络的空间通道注意力机制的空间冗余压缩模型，其特征在于：预训练的骨干网络Res2Net-50、浅层特征融合模块、边缘增强多尺度特征融合模块、空间通道增强卷积模块以及反向门控通道变换模块构成压缩模型EMFFNet；浅层特征融合模块，由预训练的骨干网络Resnet-50将输入的息肉图像划分成5个特征层，使用空间通道注意力机制将浅层特征f1，f2经过卷积后得到f1’和f2’，再使用浅层特征融合模块将卷积后的f1’和f2’融合得到融合浅层特征sf1；边缘增强多尺度特征融合模块，把高级特征{fi,i=3,4,5}三个高级特征层和经过融合浅层特征sf1，经过解码器PD，通过并行连接来聚合所有特征，解码器由Sg=PDsf1,f3,f4,f5来计算，从而得到全局映射图Sg；再经过深度监督，在不同和尺度下约束网络，使其在边界获得更多注意力；最后经过Sigmoid函数，得到加强边界后的图像；对浅层特征f2，高级特征f3、f4、f5四个特征层通过空间通道增强卷积模块获取多尺度特征信息，再将得到的特征信息使用反向门控通道变换模块，逐步挖掘识别区域，保持全局连接并有效计算；在训练过程中采用深度监督策略，对四个特征层侧输出以及全局特征进行监督；经过Sigmoid函数得到输出预测图像；空间通道增强卷积模块包括：SRU空间重建单元，通过分离操作将信息丰富的特征图与信息少的特征图分开，然后通过重构操作将这两部分特征图相加，生成具有丰富信息的特征图；CRU通道重建单元，将具有丰富信息的特征图依次进行分割、变换操作以及融合，得到减少特征通道的特征图；CBAM卷积块注意力模块，包括通道注意力模块和空间注意力模块，通道注意力模块先对原始特征图的每个通道进行全局最大池化和全局平均池化操作，从而捕捉通道的全局特征；通过全连接层和激活函数对池化后的特征进行建模，获得适合应用于CRU通道重建单元得到的特征图的通道注意力权重；这些注意力权重被用来对原始特征图的通道进行加权，生成加权后的通道特征图；空间注意力模块对于输入的原始特征图，通过沿通道方向实施最大池化和平均池化，来捕获不同尺度的特征，从而获得上下文信息；将最大池化和平均池化的特征沿着通道维度进行拼接，形成融合多尺度的上下文特征的特征图；利用卷积操作提炼融合特征，产生空间注意力权重；应用Sigmoid函数对空间注意力权重进行激活；将空间注意力权重乘以原始特征图的每个像素位置，实现对空间特征图的加权处理，最后将加权的通道特征图和加权的空间特征图逐元素相乘，得到注意力增强特征。

全文数据：

权利要求：

百度查询： 常熟市第一人民医院 江苏智先生信息科技有限公司 基于神经网络的空间通道注意力机制的空间冗余压缩模型