20、用于无监督特征学习的残差稀疏自编码器

用于无监督特征学习的残差稀疏自编码器

在医疗图像分析领域，准确识别细胞的染色模式对于疾病诊断至关重要。本文将介绍一种用于无监督特征学习的残差稀疏自编码器（Residual Sparse Autoencoder，简称残差SAE），并探讨其在HEp - 2细胞图像表示和染色模式识别中的应用。

1. 残差SAE的原理

残差SAE的核心思想是通过堆叠多个SAE来学习前一个SAE中无法恢复的残差的潜在特征，直到重建误差足够小。具体来说，从目标HEp - 2细胞图像中提取图像块，形成d维向量作为残差SAE的训练样本。学习到的权重（W、WRes1、WRes2）会被重新转换为原始图像块的大小，以便进行可视化。可视化结果显示，后续级别的残差SAE能够呈现更详细的结构。

2. 残差SAE的激活聚合用于图像表示

• 激活值的获取 ：原始SAE的输入数据是从输入图像中滑动提取的l×l局部区域的向量化表示。假设原始、第一级和第二级残差SAE的隐藏层神经元数量分别为d1、d2和d3，对于每个局部区域，可以获得d1、d2和d3个激活值。对于一个m×n的图像，可以以(m - l)×(n - l)个中心像素为聚焦像素提取l×l局部区域，(残差)SAE中具有dk个神经元的隐藏层产生的激活值可以重新排列为大小为(m - l)×(n - l)的dk个映射。
• 激活图的处理 ：由于HEp - 2细胞图像的大小不同，残差SAE中的激活图大小也会相应变化。为了获得用于HEp - 2图像表示的等长特征，将每个激活图划分为相同数量的区域，并对一个区域内的激活值进行平均聚合，形成最终表示。结合HEp