典型文献
基于ME-ANet模型的糖尿病视网膜病变分级
文献摘要：
糖尿病视网膜病变(Diabetic Retinopathy,DR)是一种致盲率很高的眼科疾病.不同病变等级的视网膜图像之间差异小且病灶点分布无规律.针对现有深度模型对DR中的相似病灶点识别率低,严重影响模型分类精度的问题,本研究以深度学习为基础,构建新的模型架构进行训练,提出一种集成MobileNetV2和Effi-cientNetB0深度模型的注意力网络:ME-ANet.模型集成分为头部和主干两部分,将深度模型的浅层部分融合构成网络的头部,训练时采用迁移学习的策略对网络模型参数进行初始化,减少训练中的过拟合问题.主干部分利用上述两种模型的核心结构,设计3个阶段集成模块进行特征提取.同时设计全局注意力机制(Global Attention Mechanism,GAM)并分别嵌入到3个阶段的集成模块中.模型的改进加速了网络的收敛速度,该网络模型实现了对图像浅层信息的特征融合提取,减少了微病灶特征信息在训练过程中的卷积丢失问题,模型的分类精度进一步得到改善.通过模型集成构建特征提取主干网络,提高了模型对低级特征信息的学习,注意力机制抑制非病变特征信息,强化典型病灶特征学习,从而实现细粒度分类,进一步提升了模型的分类性能.
文献关键词：
糖尿病视网膜病变;迁移学习;集成模块;注意力机制;特征融合
中图分类号：
作者姓名：
程小辉;李贺军;邓昀;陶小梅;黎辛晓
作者机构：
桂林理工大学信息科学与工程学院,广西桂林 541006;广西嵌入式技术与智能系统重点实验室,广西桂林 541006
文献出处：
引用格式：
[1]程小辉;李贺军;邓昀;陶小梅;黎辛晓-.基于ME-ANet模型的糖尿病视网膜病变分级)[J].广西科学,2022(02):249-259
A类：
ANet,cientNetB0
B类：
ME,糖尿病视网膜病变分级,Diabetic,Retinopathy,DR,致盲率,眼科疾病,视网膜图像,无规律,有深度,深度模型,识别率,影响模型,模型分类,分类精度,模型架构,MobileNetV2,Effi,注意力网络,模型集成,迁移学习,初始化,少训练,过拟合,心结,集成模块,全局注意力机制,Global,Attention,Mechanism,GAM,收敛速度,模型实现,特征融合,特征信息,训练过程,主干网络,低级,病变特征,特征学习,细粒度分类,分类性能
AB值：
0.365286
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
