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：华南理工大学

摘要：本发明涉及图像处理技术领域，具体涉及一种混沌变换类MLP网络的多输入体质识别方法，该方法包括S1数据采集与处理、S2构建混沌变换类MLP网络架构、S3关键部位特征提取与融合以及S4多标签中心认知引力损失，该方法能够利用混沌变换类MLP网络Chaos‑MLP模型提取面部图像和舌头图像对应关键部位的深度特征，通过多标签中心认知引力损失来优化融合面部和舌头的关键部位特征能有效提高兼夹体质识别的准确性和可解释性。

主权项：1.一种混沌变换类MLP网络的多输入体质识别方法，其特征在于该方法包括以下步骤，S1，数据采集与处理：采集面部和舌头图像，以及标注体质标签并构建用于深度模型训练和测试的数据集；S2，构建混沌变换类MLP网络架构：利用多阶段的混沌变换MLP层、可学习Channel-FC层和Token-FC层来提取面部图像和舌头图像关键部位的深层特征；S3，关键部位特征提取与融合：将提取的面部图像和舌头图像的关键部位特征进行融合，并映射到对应的体质类型空间，获得预测的体质类型向量；S4，多标签中心认知引力损失：计算预测的面部图像和舌头图像的体质类型向量与真实的面部图像和舌头图像的体质类型向量之间的中心认知引力损失，并将其用于混沌变换类MLP网络模型的训练；其中，步骤S3的实现过程为：S3.1，假设数据集中有个样本，，体质标签类别有C类，表示输入样本集，表示标签集，为每种体质的类别向量，将数据集划分为和，分别用于混沌变换类MLP模型训练和测试，体质类型集，表示体质的类型；然后，提取输入的面部图像和舌头图像的关键部位融合特征，随后输入分类器，进而得到输出体质类型的决策向量类别，其维数C等于集合T的大小，决策向量的元素为，当=1时，当前输入面部图像和舌头图像对应体质类型；S3.2，运用混沌变换类MLP模型对输入的面部图像和舌头图像融合特征进行建模，模型从输入中提取的视觉特征表示为：式中，表示混沌变换类MLP模型的权重；S3.3，使用二值分类器将特征输入到全连接层FC，由sigmoid激活函数实现，则体质类型如下：式中，表示输出FC层的参数；表示整个参数集；表示体质识别的输出向量，由每种类型的体质标签类别概率组成；在步骤S3中，采用小块令牌编码PatchEmbedding对输入的舌头图像进行分块，并采用7×7卷积核、步长为4、填充为2的卷积层提取初步特征，作为混沌变换模块的输入特征，采用了Chaos-MLP模型提取面部图像和舌头图像的关键部位深层融合特征；所述Chaos-MLP模型的特征学习和提取过程为：假设输入为，对应的Token-FC特征表示为：式中，表示混沌变换的空间特征，其中；将与权重相加得到输出的交互特征，则混沌变换后的聚合特征输出为：式中，表示可学习的权重；k表述第k个输入Token；j表示第j个输出Token；表示Token聚合后的特征向量；受Logistic混沌映射的启发，高通道和宽通道的混沌变换特征表达式为：式中，和表示混沌变换后的高和宽通道特征；和表示输入混沌变换块之前的高和宽通道特征；那么，拼接混沌变换和线性变换后的通道特征和分别表示为：式中，和表示高、宽通道的权重；表示线性激活函数；表示批量性归一化；表示线性变换层；总的来说，基于混沌变换类MLP模型的表达式为： 式中，表示输入的特征；表示批量性归一化，其中高斯误差GELU作为激活函数；表示通过混沌变换模块提取的中间特征；表示输入图像对应的体质标签类别相关的输出特征；将混沌变换类MLP模型提取的面部图像和舌头图像关键部位特征，以及其对应的标签关系特征输入到Sigmoid分类器，进而获得体质类型：式中，表示输出体质多标签类别的概率向量；Sigmoid表示输出标签类别（0,1）之间的概率值；FC表示全连接层；表示输入图像对应的体质标签类别相关的输出特征；其中，步骤S4中多标签中心认知引力损失函数的构建过程为：S4.1，假设输入图像的体质标签，那么，中心认知引力损失表达式为：式中，表示二值交叉熵损失；为权值参数；表示指数底；和分别表示正、负样本标签对应的中心认知引力；其中，二值交叉熵损失的表达式为：式中，表示输入图像体质标签数量；表示真实的体质标签；表示预测的体质标签；S4.2，根据预测标签的概率，将其分为正类和负类的样本标签，并计算正类和负类样本标签的认知引力，增加样本标签的可区分性；其中，正类和负类的标签的概率密度表达式如下：式中，表示正类标签的概率密度；表示负类标签的概率密度；表示标签之间的距离计算；表示真实标签的中心；表示真实标签；表示预测标签的中心；表示预测标签；表示正类标签的数量；表示样本总的标签数量；表示负类标签的数量，则对应的自信息表达式如下：式中，表示一个无穷小数，取1e-5，避免自信息log表达式的真数为0，那么，根据正类样本标签的自信息、负类样本标签的自信息与预测标签和真实标签的距离计算其认知引力，表达式如下：式中，表示正类样本标签的认知引力值；表示负类样本标签的认知引力值；为二值认知引力系数。

全文数据：

权利要求：

百度查询： 华南理工大学 一种混沌变换类MLP网络的多输入体质识别方法