35、多网络融合在胸部疾病诊断及分数阶多智能体网络控制中的应用

多网络融合在胸部疾病诊断及分数阶多智能体网络控制中的应用

多网络融合在胸部疾病诊断中的应用

在胸部疾病诊断领域，多网络融合技术展现出了巨大的潜力，它通过整合不同网络的优势，提高了疾病分类的准确性。

网络模型介绍

• Inception - v3 ：Inception网络的每个输入层都连接着不同大小的滤波器，这增强了网络对不同尺度的适应性，使特征表达能力更强。同时，它使用1×1卷积核进行降维，减少了网络参数。Inception - v3的主要改进是将大的二维卷积拆分为两个较小的一维卷积，例如3×3卷积可由1×3卷积后接3×1卷积替代，加快了运算速度并增强了网络的非线性。
• A - Densenet - 121 ：该网络通过添加类池化和空间池化来提升性能。类池化通过1×1卷积将全卷积网络生成的特征编码到每个类的M个通道中，然后使用平均池化方法计算类通道中的平均值，将特征图的大小从w×h×MC 减小到w×h×C。空间池化采用KMax + KMin方法，选择特征图中得分最高和最低的区域，并引入因子α来权衡两者的重要性，其公式为：
  [sc = \max_{h\in H_{k^+}} \frac{1}{k^+} \sum_{i,j} h_{i,j}z_{c_{i,j}} + \alpha \min_{h\in H_{k^-}} \frac{1}{k^-} \sum_{i,j} h_{i,j}z_{c_{i,j}}]
  其中，$z_c$ 是类 $c$ 经过类池化后的特征图，$h \in H_k$ 满足 $h_{i,j} \in (0,1)$ 且 $\sum_{i,j