融减自动编码器

作     者：孙宇 魏本征 刘川 张魁星 丛金玉 SUN Yu;WEI Benzheng;LIU Chuan;ZHANG Kuixing;CONG Jinyu

作者机构：山东中医药大学智能与信息工程学院济南250355 山东中医药大学医学人工智能研究中心山东青岛266122 山东中医药大学青岛中医药科学院山东青岛266122 

出 版 物：《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期：2021年第15卷第8期

页      面：1526-1533页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61872225) 山东省自然科学基金(ZR2019ZD04,ZR2015FM010) 

主　　题：自动编码器(AE) 特征提取 融减自动编码器(MRAE) 融减网络结构 联合重构损失函数 

摘      要：自动编码器(AE)是深度学习领域中一种结构简单且应用广泛的无监督特征提取算法。在图像特征提取方面,现有自动编码器普遍存在特征提取不充分、模型参数量较多等问题。针对上述问题,提出了一种用于图像特征提取的融减自动编码器(MRAE)。首先,在该算法中提出“融减网络结构,该结构在编码器中通过特征交叉传递实现了特征融合,在解码器中通过优化解码结构降低了特征损失并减少了模型参数量;其次,设计一种联合重构损失函数,该函数通过计算特征层之间的重构损失,在加强特征层之间联系的同时可有效避免模型早熟。实验结果表明:在肺部CT图像数据集上,基于融减自动编码器所提取的特征使用支持向量机(SVM)、K-means和分类回归决策树(CART)等分类器,肺炎筛查准确率均在97%以上;在CvD数据集上,基于融减自动编码器所提取的特征使用全连接分类的准确率均在90%以上。