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！

摘要：本发明提出一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法，在构建多尺度网络时，基于贝叶斯深度学习构建深度贝叶斯蒸馏网络，量化了模型的偶然不确定性与认知不确定性，通过多次采样分布拟合训练数据模型从而对不确定性进行更为精确的建模，降低了不确定性对结果的影响。进一步，引入了知识蒸馏对模型进行压缩，构建了一个学生网络模型拟合教师网络的输出，用教师网络的参数和真实值标签训练学生网络，从而对模型参数量与时间进行优化，减小了模型的规模与等待时间。本发明的识别准确率显著提高，同时在极少影响模型准确率情况下减少了模型参数量与运行时间。

主权项：1.一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法，其特征在于，包括以下步骤：步骤1、采集皮肤病变图像作为样本，对所述皮肤病变样本进行标注并构建皮肤病变样本集；步骤2、将所述皮肤病变样本作为输入，构建基于深度残差金字塔多尺度编码网络的深度贝叶斯网络模型；通过先验分布刻画所述深度贝叶斯网络模型不确定性，同时基于似然函数对所述不确定性进行建模推导从而推导后验分布；所述基于深度残差金字塔多尺度编码网络的深度贝叶斯网络模型针对的不确定性为认知的不确定性，采用深度贝叶斯蒸馏网络拟合训练数据模型，具体步骤为：步骤2-2-1、预处理病变样本D，同时设置交叉验证子样本划分次数k，设置循环次数N并初始化N＝0；步骤2-2-2、本轮迭代开始，当Nk时表示交叉验证没有执行完，进行迭代交叉验证，否则跳出迭代；步骤2-2-3、采用深度贝叶斯网络模型，以第N个子样本作为验证集，其余N-1个样本作为训练集，进行模型训练，输出评估指标JN，求解样本的不确定分数I，对每个样本的多次预测先取平均再计算熵，求得H[y|x,D]，对每个样本的多次预测先计算熵再取平均，求得Eθ～pθ∣DH[y|x,θ]，基于I调整训练，更新训练模型；D为标注样本，H为当前模型熵，θ为求解目标模型参数，x为网络输入，y为网络输出；步骤2-2-4、迭代计数k＝k+1；步骤2-2-5、本轮迭代结束，判断是否满足迭代停止条件，满足则停止迭代，否则重复步骤2-4；步骤2-2-6、输出评估结果的平均值N表示循环计数器，k表示交叉验证计数器；步骤3、所述深度贝叶斯网络模型包括教师模型及学生模型，基于知识蒸馏对所述深度贝叶斯网络模型进行压缩，构建学生模型拟合教师模型输出。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法