FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类

这篇具有很好参考价值的文章主要介绍了FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

FFCNet: Fourier Transform-Based Frequency Learning and Complex Convolutional Network for Colon Disease Classification

摘要

提出了一种基于傅立叶的频率复杂网络(FFCNet)用于结肠疾病分类:

  1. 将复杂卷积网络与频率学习相结合,以克服实际卷积操作造成的相位信息损失
  2. 傅立叶变换将图像的平均亮度转移到光谱中的一个点(DC分量),通过解耦图像内容和亮度来减轻亮度不均匀的影响。
  3. FFCNet中的图像补丁加扰模块生成随机局部频谱块,使网络能够学习长期和局部疾病特异性特征,并提高硬样本的判别能力
    代码链接
    FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类
    频域学习在结肠疾病分类任务中具有潜力和局限性。
    a) 潜力:光谱对亮度不敏感,并且具有位移变化性
    b) 限制:缺乏图像局部信息和相位信息

方法

FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类

Patch Shuffling Module (PSM)

所提出的PSM将时域图像转换为频域表示,包括图像切片、DFT和随机混洗。与没有划片的图像光谱相比,由于频域中的一个点可以影响整个图像的光谱特性,该网络将只学习全局信息,这忽略了结肠分类所需的局部特征

Frequency-Domain Complex Network

所提出的频率学习网络可以在训练过程中通过复杂的操作直接学习复值谱图。复杂网络的骨干架构采用ResNet,内部运算由复杂的子组件(复杂卷积、ReLU、批量归一化)代替。每个残差块由两个3*3卷积层和一个连接路径组成。因此,所提出的网络考虑了频率信息特征的优势和复杂操作的丰富表达能力。

Complex Convolution

为了在复域中执行与传统实值2D卷积等效的运算,将谱图中的复矩阵P=a+bi的实部a和虚部b分别输入到网络中。同时,插入两组卷积核c和d来模拟复数卷积核Q=c+di的实部和虚部。复数卷积可以表示为
FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类

Complex ReLU

FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类

Complex BN

FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类
FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类
这篇文章看代码就差不多了

def forward(self, x, target = None):
        xr = x[:,[0,1,2],:,:]
        xi = x[:,[3,4,5],:,:]
        xr, xi = self.conv1(xr, xi)
        xr, xi = self.bn1(xr, xi)
        xr, xi = self.relu(xr, xi)
        xr, xi = self.maxpool(xr, xi)
        xr, xi = self.conv2_x(xr, xi)
        xr, xi = self.conv3_x(xr, xi)
        xr, xi = self.conv4_x(xr, xi)
        xr, xi = self.conv5_x(xr, xi)
        xr, xi = self.avg_pool(xr, xi)
        xr = xr.view(xr.size(0), -1)
        xi = xi.view(xi.size(0), -1)
        xr, xi = self.fc(xr, xi)
        x = torch.sqrt(torch.pow(xr,2)+torch.pow(xi,2))
        return x

实验结果

FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类
FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类文章来源地址https://www.toymoban.com/news/detail-458575.html

到了这里,关于FFCNet:基于傅立叶变换的频率学习和复杂卷积网络用于结肠疾病分类的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包