[发明专利]一种基于特征共享的自学习迁移方法

权利要求书

1.一种基于特征共享的自学习迁移方法，其特征在于，该方法包括如下步骤：

步骤一：网络建模

采用卷积神经网络作为卷积自编码器，在卷积自编码器的编码特征后面加入一个nonlocal模块，nonlocal模块包括四个卷积层和一个softmax层，采用softmax作为分类器；

步骤二：数据集划分

选择两个不同类型的医学数据集A、B，数据集A由无标签数据构成，数据集B由有标签数据构成，将数据集B划分为训练集和测试集；

步骤三：网络训练

首先，用数据集A训练自编码器，自编码器包含编码器和解码器，在数据集A训练好自编码器后，将自编码器中的编码部分提取出来，当做特征提取器，连接到一个分类器C₁中，利用数据集B中划分的训练集训练新的分类器C₂，整个训练过程中特征提取器参数固定不变，最终数据集A训练的特征提取器与数据集B训练的分类器的组合就是本方法构建的具有自学习迁移能力的分类模型；

步骤四：测试

将步骤三训练结果在数据集B中划分的测试集进行测试，计算准确率。

2.根据权利要求1所述的基于特征共享的自学习迁移方法，其特征在于，步骤一中所述的卷积自编码器由编码和解码两部分组成，编码器包括6个卷积层，2个池化层，最终将一个1通道灰色图片信息或3通道的彩色图片信息转换为256通道的编码特征张量，解码器与编码器结构一致，用来重构编码特征张量；

卷积自编码器的损失函数如下所示:

公式(1)中，X表示解码器重构的图像矩阵，Y表示原图像矩阵，E为卷积自编码器的损失函数，F全称叫Frobenius范数，指一种矩阵范数，就是把矩阵里的各个元素求平方和最后开方。

3.根据权利要求1所述的基于特征共享的自学习迁移方法，其特征在于，步骤一中所述的nonlocal模块中，输入与输出之间数学表达式表示为：

i和j代表输入特征向量元素位置坐标,x表示维度为7*7*256的编码特征张量，表示输出张量，张量维度和x一样；x_i表示x中第i个位置的元素取值，表示中第i个位置的元素取值；f表示计算任意两个标量元素相似性的函数，c(x)表示归一化参数。

4.根据权利要求1所述的基于特征共享的自学习迁移方法，其特征在于，步骤二中所述数据集B按2：8分为两部分，其中20％的有标签数据作为训练集，剩下的80％有标签数据作为测试集。