[发明专利]一种循环跳跃的深度学习网络

权利要求书

1.一种循环跳跃的深度学习网络，其特征在于，包括以下步骤：

(1)反向短跳跃链接的设计：引入一种反向短跳跃链接，用于串联每个卷积模块的输入和输出特征，实现卷积特征的循环使用，找到最重要的特征信息，辅助兴趣目标的准确分割；

(2)注意引导卷积模块的设计：引入注意引导的卷积模块，针对性处理跳跃链接传递的图像信息，改善分割网络的目标探测敏感性和有效性；

(3)循环跳跃的深度学习网络：将跳跃链接和注意卷积模块整合到BiO-Net分割网络中，从而构建一个循环跳跃的深度学习网络,该网络包含三种不同的跳跃链接,分别为前向跳跃链接、反向跳跃链接、以及反向短跳跃链接和三种不同的卷积模块,分别为编码卷积模块、解码卷积模块、以及注意引导卷积模块，编码和解码卷积模块由两个基于图像通道的串联操作和两个相同卷积层构成。

2.根据权利要求1所述的一种循环跳跃的深度学习网络，其特征在于，所述的步骤(3)中编码和解码卷积模块中的两个相同卷积层的每个卷积层包含三个基本的操作单元，即一个3×3的卷积运算，一个批样本正则化运算和一个线性修正激活运算，即卷积层可表示为Conv3×3àBNàReLU。

3.根据权利要求1所述的一种循环跳跃的深度学习网络，其特征在于，所述的步骤(3)中注意引导的卷积模块由三个卷积窗为1×1的卷积层构成，用于处理跳跃链接传递的卷积特征，降低这些特征中的冗余信息。

4.根据权利要求1所述的一种循环跳跃的深度学习网络，其特征在于，所述的步骤(2)中注意引导卷积模块的设计如下：

使用三个卷积窗为1×1的卷积层对跳跃链接传递的特征信息进行处理，第一和第三个卷积层具有完全相同的组成结构，即Conv1×1àBNàReLU，其主要作用是获取所需的图像维度，使不同卷积特征可以进行基于像素的算术运算；第二个卷积层的结构为Conv1×1àBNàSigmoid，其中Sigmoid为不同于ReLU的激活函数，其次，使用基于像素的乘法和加法运算对处理后的卷积特征及其原始版本进行整合，在基本保持原始特征不变的条件下，凸显某些关键的兴趣区域，特征整合过程可表示为：

X₁＝X₀(1+S(X₀))

其中，X₀和X₁分别表示跳跃链接传递的图像特征及其被注意引导卷积模块处理后的版本，S(·)表示sigmoid激活函数。