论文部分内容阅读
中医体质分类是体质研究的基础和核心内容,是从复杂多变的个体体质现象中提炼出适合于群体的体质特征并形成最终的分类系统。目前将深度学习技术用于面部体质分类领域的研究还处于起步阶段,还有很多问题需要解决。本文研究其中的三个问题:首先,围绕传统的人工设计特征对面部体质图像表示能力不强的问题进行方法研究。然后,在卷积神经网络的基础上,围绕面部体质数据量少的问题进行研究。最后,针对现有体质分类方法未能考虑深度神经网络中不同层次语义特征的问题设计相应的解决方案。具体研究工作包括:(1)提出了基于深度网络特征学习的面部体质分类算法。该算法通过卷积神经网络进行端对端的训练,学习得到面部体质图像的高层语义特征。然后,通过将卷积神经网络中最后一层全连接层特征与面部体质图像的颜色特征相融合,进一步增强面部体质图像的表达能力。在面部体质数据集上实验证明所提算法的有效性。(2)提出了基于迁移学习和集成学习的面部体质分类算法。在面部体质数据集上,通过Dense Net-169模型进行迁移训练,构建了迁移体质神经网络(Constitution Net)。为了进一步提高体质分类效果,将Constitution Net模型同VGG-16、Inception V3和Dense Net-121模型进行集成体质分类。在面部体质数据集上的实验结果,证明了该算法的有效性。(3)提出了基于多层次多尺度特征聚合的面部体质分类算法。在面部体质数据集上,通过对VGG-16和NASNet Mobile模型进行迁移训练,分别构建了用于体质分类的VGG-CI和NASNet Mobile模型。利用VGG-CI网络中不同层的特征,经过特征降维后和VGG-CI网络中全连接层的特征进行融合,增强面部体质图像的特征表征能力。利用NASNet Mobile网络中全局平均池化层的前一层卷积特征,特征降维之后,再与VGG-CI网络融合后的特征进一步融合,进一步增强面部体质图像的特征表征能力。在面部体质数据上实验证明了本文算法的有效性。