论文部分内容阅读
胶囊网络可以将输入图像的特征信息编码为胶囊,并通过随机路由算法获得低层胶囊中部分特征到高层胶囊中整体特征的特征组合映射,其中随机路由算法由迭代循环的方式来实现,高层胶囊由低层胶囊的组合来激活,反过来高层胶囊对低层胶囊的影响却仅存在于对于贡献权重的调节。胶囊网络的这种结构一方面可以实现由底层到高层充分的特征信息提取,来实现对于特征信息的充分利用,但也使其不可避免的易受噪声特征的影响。另一方面胶囊网络的模型结构和特征传递方式也导致其缺乏自上而下的空间关系指导,对于特征信息中的空间关系利用率不高。而人为给定次数的迭代循环算法也使得组合低层胶囊激活高层胶囊的特征寻优过程并不高效,进而导致胶囊网络在处理具有复杂特征与空间信息的输入图像时,模型收敛缓慢,精度欠佳。因此,本文提出了一种基于特征和空间关系编码的新型胶囊网络,为胶囊网络引入自上而下的空间关系信息的指导优化胶囊网络结构。一方面设置特征信息提取器和空间关系提取器分别对特征与空间关系进行抽象,减弱噪声信息的干扰,同时为胶囊网络引入空间信息指导;另一方面设置特征与空间关系编码器摒弃了迭代优化的方式,将寻找最优特征组合的过程加入反向传播,加速胶囊网络收敛和特征与空间关系寻优。除此之外,本文还探讨了使用反卷积层代替全连接层构建重构单元的的可能性。最终,与标准胶囊网络及其各种变体模型相比,本文所提出的基于特征和空间关系编码胶囊网络在Fashion-MNIST和CIFAR-10数据集上均取得了明显更好的精度。此外,与一些主流卷积神经网络相比,基于特征和空间关系编码胶囊网络以更加简单的网络结构在Fashion-MNIST上同样获得了相当有竞争力的精度,这得益于其高效的空间关系处理能力。鉴于特征与空间关系编码胶囊网络的上述优势,同时基于卷积神经网络肺节点识别模型又存在模型结构复杂,收敛缓慢,识别结果假阳性率高等问题,本文使用特征与空间关系编码胶囊网络替代传统的卷积神经网络,结合图像分割网络U-net构建了针对肺部CT图像中肺节点识别任务的混合模型。与此同时,针对识别过程中存在疑似节点的假阳率过高的问题,本文针对U-net进行了多方面的性能优化,并且应用数据增强,阈值设置等多种技术方式。最终,在引入多方面的评价指标之后,基于特征和空间关系编码胶囊网络的肺节点识别模型相比于基于残差神经网络的肺节点识别模型在LUNA-16数据集上取得了更好的精度表现,更快的收敛速度,更低的疑似节点假阳性率。