吴云峰 吴春敏

（福建中医药大学 福建省福州市 350100）

1 基于Inception-ResNet的分类网络

1.1 Inception-ResNet网络架构介绍

本文将Inception[1]和ResNet[2]网络结构进行结合，并且加入Stem、SE-Block、Reduction 等部分。因为Inception 结构是通过卷积过程来运算的，实验过程中把原来的7*7 和5*5 的卷积核分解为7*1，1*7，5*1，1*5，这样做可以增加运行速度，并且加深了一倍的网络深度。ResNet 的残差结构引入的目的是减少因为层数增加而导致的梯度消失以及过拟合问题[3]。SE-Block 的嵌入是为了增加网络中的特征的权重，并且把激活函数把原有的ReLU改成LeakyReLU，目的是增加网络泛化能力。最后的一个层级是Softmax，本文肺炎CT 图像种类为3 种，此处将Softmax 设置为3。详细的模型示意图如图1。

1.2 Inception-ResNet实践细节

本文的Inception-ResNet 模块正如图2 所示。主要有以下步骤：第一步，全局平均池化[4]（Global pooling），将从inception 网络的图片特征中获得全局特征信息，输出结果x；第二步，将上一步池化结果x 通过全连接层（FC），此处获得结果C1·x，目的是减少通道数量，减少计算参数；第三步，经过非线性层（ReLU），激活函数此处为θ，获得结果θ（C1x）；第四步，将结果传递到全连接层（FC）设置学习的缩放参数为C2，此处目的是将通道数还原至原有的数量，此步骤获得结果为C2θ(C1·x)；第五步，将第四步的结果传送到非线性层σ 以此获得各个通道的权重信息并输出。所有的特征信息参数都包含在全连接层当中，权重信息通过激活函数设置，以此来实现着重学习重要特征，达到减少干扰项的目的。模型最后一步是把分别来自ResNet 模块和Inception 模块的对应信息进行叠加。另外，为了减少参数量和计算量，本文的残差模块只应用到最后一个Inception 模块进行结合，这样计算量减少的同时不影响实验最终的准确率。……