基于噪声样本渐近修正的中医舌色分类方法

文档摘要：基于深度学习的中医舌色分类模型具备良好的性能,但是依赖大量正确标注的样本.由于人工标注样本费时费力,不可避免地存在错误标注,导致模型在训练过程中对噪声样本过拟合,使其泛化能力变差.为此,本文提出了一种基于噪声样本渐近修正的中医舌色分类方法.首先,根据舌色分类的特点,提出了一种全局-局部特征融合方法,将其嵌入到ResNet18骨干网络中,构建了舌色分类网络,并采用集成学习范式,提高分类模型的可靠性和稳定性;其次,针对噪声样本下的舌色分类网络训练问题,提出了样本注意力机制和噪声样本标签重新标注机制,在训练过程中对干净样本和噪声样本加以区分,赋予不同的权重,并逐步对噪声样本标签进行修正;最后,采用Boostrapping损失函数降低模型对噪声样本的关注度,抑制噪声样本对分类性能的影响.将提出的方法在两个自建的舌色分类数据集上进行了实验验证,结果表明,该方法通过渐进地对噪声标签进行校正,可以获得比现有的有噪样本下图像分类方法更高的分类精度,Acc指标分别达到了94.6%和93.65%.

Abstract：AutotonguecolorclassificationisanimportantresearchtopicinthestudyofTCM(TraditionalChineseMedicine)objectification.Affectedbyvariousfactorssuchasdoctor'sexperienceandilluminationconditions,thereoftenexisterrorsinthemanuallyannotatedlabels,thatis,noisylabels.Noisylabelswillcausethemodelnottoconvergeinthetrainingprocessandthegeneralizationabilitywillbepoor.Therefore,inthispaper,aTCMtonguecolorclassificationmethodisproposedbyprogressivelycorrectingnoisysamples.First,accordingtothecharacteristicsofthetonguecolorclassification,aglobal-localfeaturefusionmethodisproposed,whichisembeddedintheResNet18backbonenetwork,con-structingatonguecolorclassificationnetwork.Theensemblelearningparadigmisadoptedtoimprovethereliabilityandstabilityoftheclassificationmodel.Next,fortheclassificationnetworktrainingproblemundernoisysamples,asampleat-tentionmechanismandare-labelingmechanismareproposed.Duringthetrainingprocess,differentweightsareassignedtocleansamplesandnoisysamples,andthenoisysamplesaregraduallyadjusted.Finally,thenetworkmodelisoptimizedandtrainedwiththeBoostrappinglossfunctiontosuppresstheimpactofnoisysamplesontheclassificationperformance.TheexperimentalresultsontwotonguecolorclassificationdatasetsSIPL-AandSIPL-Bshowthat,theproposedmethodcaneffectivelycorrectnoisylabels,thereby,significantlyimprovingthetonguecolorclassificationaccuracy.Comparedwiththeexistingimageclassificationmethodsundernoisysamples,theproposedmethodcanachieveahigherclassificationaccuracy,reaching94.6%and93.65%,respectively.

作者：孙亮亮  李艳萍  张辉  卓力Author：SUNLiang-liang  LIYan-ping  ZHANGHui  ZHUOLi
作者单位：北京工业大学信息学部,北京100124;北京工业大学计算智能与智能系统北京重点实验室,北京100124
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2024, 52(5)
分类号：TP391
关键词：中医舌色分类  噪声样本  样本注意力机制  重新标注机制  Boostrapping损失  
Keywords：TCMtonguecolorclassification  noisysample  sampleattentionmechanism  re-labelingmechanism  boostrappingloss  
机标分类号：TP391.41TP181P237
在线出版日期：2024年7月22日
基金项目：基于噪声样本渐近修正的中医舌色分类方法[
期刊论文]  电子学报--2024, 52(5)孙亮亮  李艳萍  张辉  卓力基于深度学习的中医舌色分类模型具备良好的性能,但是依赖大量正确标注的样本.由于人工标注样本费时费力,不可避免地存在错误标注,导致模型在训练过程中对噪声样本过拟合,使其泛化能力变差.为此,本文提出了一种基于噪声...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文

关键词：中医舌色分类,噪声样本,样本注意力机制,重新标注机制,Boostrapping损失,

2024-10-4 00:55 上传 基于噪声样本渐近修正的中医舌色分类方法.pdf

文件大小:

1.97 MB

下载次数:

60

高速下载