17、高效网络及其模糊集成：皮肤癌分类与舌像分割的创新技术

高效网络及其模糊集成：皮肤癌分类与舌像分割的创新技术

一、舌像分割技术：DSE - Net

1. 深度语义增强模块（DSE）

   • 设计初衷 ：轻量级特征提取可能导致精度略有损失，因此设计了DSE模块来补充和提高编码器的性能。该模块在提高精度方面起着关键作用。
   • 结构特点 ：受相关研究启发，设计了并行结构来聚合多尺度特征图。与金字塔结构不同，DSE模块的每个分支由不同速率的空洞卷积级联而成，以从不同分支提取特征。空洞卷积相比标准卷积，能在不增加额外参数的情况下带来更大的感受野，从而整合更多语义信息。同时，为控制参数数量，采用了改进的空洞分离卷积，将其分为空洞深度卷积和逐点卷积。空洞分离卷积提高了精度，而逐点卷积大大减少了参数数量。
   • 具体操作 ：将编码器提取的特征图X（X ∈ RC×W ×H ，C为通道数，W和H分别为宽度和高度）送入四个并行分支Br（r = 0, 1, 2, 3）。B0为跳跃连接，有助于恢复网络输出的全空间分辨率；B1的膨胀率α = 1，本质上是标准卷积；B2通过级联α = 1和α = 3的空洞分离卷积，将感受野从3×3扩展到9×9；B3由α = 1、α = 3和α = 5的三个空洞分离卷积级联，将感受野提升到19×19。最后，所有分支连接起来，通过1×1卷积得到深度语义增强后的改进特征图∼X，公式为：
     [
     \sim X = P\left(\Theta(B_0, B_1, B_2, B_3, \sum_{r = 0}^{1}B_r