买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：郑州大学第一附属医院

摘要：本发明公开了一种基于动态内容自适应Transformer的皮肤镜图像分割方法，包括S1：构建包括混合编码器的解码器的动态内容自适应Transformer网络模型，包括：S1.1：采用依次连接的残差网络、线性映射单元和多层稀疏化Transformer网络构建混合编码器，稀疏化Transformer网络中的稀疏化预测单元用于对图像块的特征的重要性进行预测和自适应丢弃；S1.2：构建解码器，由解码器输出分割图；S2：采用公开的皮肤镜图像数据集作为训练集，对构建的动态内容自适应Transformer网络模型进行训练；S3：将待检测皮肤镜图像输入训练后的动态内容自适应Transformer网络模型，获取待检测皮肤镜图像的分割图。本发明实现了自适应皮肤镜图像分割，能够动态自适应地调节模型的计算复杂度，平衡推理速度和检测性能。

主权项：1.一种基于动态内容自适应Transformer网络的皮肤镜图像分割方法，其特征在于，包括以下步骤：S1：构建动态内容自适应Transformer网络模型，所述动态内容自适应Transformer网络模型包括混合编码器和解码器，包括如下步骤：S1.1：采用依次连接的残差网络、线性映射单元和多层稀疏化Transformer网络构建混合编码器，所述混合编码器用于输出平面特征，所述多层稀疏化Transformer网络依次连接，由最后一层稀疏化Transformer网络输出平面特征；所述残差网络用于提取细节特征，输出特征图像；所述线性映射单元用于将残差网络输出的特征图像转化为序列；采用依次连接的第一层归一化单元、稀疏化自注意力调节模块、第二层归一化单元和前馈神经网络构建单层稀疏化Transformer网络，第一层归一化的输入与稀疏化自注意力调节模块的输出进行第一残差连接，第二层归一化的输入还与前馈神经网络的输出进行第二残差连接，单层稀疏化Transformer网络输出当前层的全局语义特征，当前层的全局语义特征作为下一层稀疏化Transformer网络的输入，最后一层稀疏化Transformer网络输出最终的全局语义特征，并将最终的全局语义特征转换为平面特征；所述稀疏化自注意力调节模块用于得到自适应特征图，所述稀疏化自注意力调节模块包括稀疏化预测单元，所述稀疏化预测单元用于对图像块的特征的重要性进行预测，自适应丢弃键值对中不重要的图像块的特征；S1.2：采用上采样单元、特征通道拼接单元和卷积单元构建解码器，由解码器输出分割图；S2：采用公开的皮肤镜图像数据集作为训练集，设置模型训练的参数，定义综合损失函数，对构建的动态内容自适应Transformer网络模型进行训练；S3：将待检测皮肤镜图像输入训练后的动态内容自适应Transformer网络模型，获取待检测皮肤镜图像的分割图。

全文数据：

权利要求：

百度查询： 郑州大学第一附属医院 基于动态内容自适应Transformer的皮肤镜图像分割方法