丁 偕,崔浩阳,张敬谊

(万达信息股份有限公司 数据中心,上海 201112)

1 引言

卷积神经网络(Convolutional Neural Network,CNN)已经成为图像分类的重要方法[1],并在医学影像领域得到了快速发展,具体包括甲状腺癌筛查、乳腺癌诊断、前列腺的Gleason 分级、眼底图像的异常筛查等方面.不断改进和创新的CNN 模型,已然成为提高准确率和效率的关键,其中池化层是CNN 最重要的组成部分之一.池化层目的在于减少图像尺寸和参数,提高计算效率,增大感受野以及提高模型的鲁棒性.目前最大值池化和平均值池化是在CNN 中被广泛使用,而这两种传统的池化方法虽然处理速度较快,但会引入边缘光晕、模糊和块效应.最大值池化是最常用的池化方式,由于其处理过程过于简单,使得在激活图上丢失了大量信息,而平均池化会对某些特征图产生模糊效果[2].虽然这些池化方法是高效简单的,但是阻碍了网络学习最优模型参数的潜力[3].

本文提出了一种基于小波分解卷积神经网络,利用小波分解中的下采样实现对特征图的池化,从而减少特征信息的丢失,并且通过小波分解能够获得特征图的频域信息,包括低频分量和高频分量[4].而传统的卷积神经网络擅长捕获空间域特征[5,6].因此,通过小波分解可将频域信息引入到CNN 框架中,使得模型能够同时学习空域特征和频域特征,其中小波分解得到的低频信息作为特征图池化的结果,而高频信息通过捷径连接方式添加到下一层[7].可弥补在池……