買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜四川大學(xué)申請(qǐng)的專(zhuān)利基于神經(jīng)網(wǎng)絡(luò)集成架構(gòu)搜索的皮膚癌診斷模型訓(xùn)練方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119168992B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-18發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202411331542.7，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)基于神經(jīng)網(wǎng)絡(luò)集成架構(gòu)搜索的皮膚癌診斷模型訓(xùn)練方法是由張蕾;蔣獻(xiàn);張楗偉;魏新;李佳奇;杜丹;黃月設(shè)計(jì)研發(fā)完成，并于2024-09-24向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于神經(jīng)網(wǎng)絡(luò)集成架構(gòu)搜索的皮膚癌診斷模型訓(xùn)練方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)集成架構(gòu)搜索的皮膚癌診斷模型訓(xùn)練方法，包括如下步驟：步驟1、收集皮膚鏡圖像數(shù)據(jù)集并對(duì)數(shù)據(jù)集中的每張圖像進(jìn)行標(biāo)注；步驟2、設(shè)計(jì)搜索空間：利用ResNet50卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，通過(guò)擴(kuò)展和變更基礎(chǔ)模型中的基礎(chǔ)組件，構(gòu)建一個(gè)綜合的架構(gòu)搜索空間；步驟3、實(shí)施搜索策略：采用一次學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索架構(gòu)和基于Bagging的集成學(xué)習(xí)方法；步驟4、評(píng)估子架構(gòu)性能和多樣性；步驟5、完成搜索后，將子架構(gòu)群體中的具有較高性能的多個(gè)子架構(gòu)進(jìn)行集成。本發(fā)明解決了傳統(tǒng)皮膚癌智能輔助診斷技術(shù)中存在的效率低下、性能受限以及難以應(yīng)對(duì)復(fù)雜數(shù)據(jù)挑戰(zhàn)等問(wèn)題，提高了皮膚癌分類(lèi)的準(zhǔn)確性和魯棒性。

本發(fā)明授權(quán)基于神經(jīng)網(wǎng)絡(luò)集成架構(gòu)搜索的皮膚癌診斷模型訓(xùn)練方法在權(quán)利要求書(shū)中公布了：1.基于神經(jīng)網(wǎng)絡(luò)集成架構(gòu)搜索的皮膚癌診斷模型訓(xùn)練方法，其特征在于，包括如下步驟：步驟1、收集皮膚鏡圖像數(shù)據(jù)集并對(duì)數(shù)據(jù)集中的每張圖像進(jìn)行標(biāo)注，標(biāo)注包括病變類(lèi)型和病變區(qū)域，形成一個(gè)有標(biāo)簽的皮膚鏡圖像數(shù)據(jù)集，并分為訓(xùn)練集和驗(yàn)證集；步驟2、設(shè)計(jì)搜索空間：利用ResNet50卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，并結(jié)合基于CAM的全局病變定位模塊以及基于全局特征的類(lèi)內(nèi)中心學(xué)習(xí)模塊；通過(guò)擴(kuò)展和變更基礎(chǔ)模型中的基礎(chǔ)組件，構(gòu)建一個(gè)綜合的架構(gòu)搜索空間；包括如下子步驟：步驟21、搭建ResNet50基礎(chǔ)模型；步驟22、整合全局病變定位模塊和類(lèi)內(nèi)中心學(xué)習(xí)模塊：在ResNet50的最后一個(gè)卷積層之后添加一個(gè)基于CAM的全局病變定位模塊，在池化層之后加入基于全局特征的類(lèi)內(nèi)中心學(xué)習(xí)模塊；步驟23、搜索空間的擴(kuò)展與優(yōu)化；首先通過(guò)多樣化卷積層類(lèi)型來(lái)擴(kuò)展網(wǎng)絡(luò)的表達(dá)能力：在殘差塊中使用不同層數(shù)的卷積層、在卷積層中引入不同尺寸的卷積核、采用不同的卷積方式，形成多種卷積組合；其次，在每個(gè)殘差塊中，采用多種不同的模塊連接方式；在部分殘差塊中添加注意力機(jī)制模塊；此外，池化層使用多種池化技術(shù)；步驟3、實(shí)施搜索策略：在神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索過(guò)程中，采用一次學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索架構(gòu)和基于Bagging的集成學(xué)習(xí)方法；包括如下子步驟：步驟31、初始化神經(jīng)網(wǎng)絡(luò)架構(gòu)：在搜索空間中搜索所有殘差塊和池化層的組合方案，并結(jié)合初始卷積層和全連接層形成類(lèi)ResNet50的卷積神經(jīng)網(wǎng)絡(luò)模型，再整合全局病變定位模塊和類(lèi)內(nèi)中心學(xué)習(xí)模塊形成一個(gè)子架構(gòu)；然后將所有子架構(gòu)嵌入到一個(gè)超級(jí)網(wǎng)絡(luò)中；步驟32、劃分訓(xùn)練數(shù)據(jù)集：將訓(xùn)練數(shù)據(jù)集通過(guò)Bootstrap抽樣生成若干個(gè)子數(shù)據(jù)集Di；步驟33、使用一次學(xué)習(xí)架構(gòu)搜索訓(xùn)練超級(jí)網(wǎng)絡(luò)：在每次訓(xùn)練迭代中，從超級(jí)網(wǎng)絡(luò)中隨機(jī)選擇一個(gè)子架構(gòu)Ai，并采用一個(gè)子數(shù)據(jù)集Di進(jìn)行訓(xùn)練；然后，使用選定子架構(gòu)的損失函數(shù)LAiθi,Di來(lái)更新超級(jí)網(wǎng)絡(luò)的共享權(quán)重θi；訓(xùn)練目標(biāo)是最小化超級(jí)網(wǎng)絡(luò)的損失函數(shù)，超級(jí)網(wǎng)絡(luò)的損失函數(shù)為： 其中，LAiθi,Di為第i個(gè)子架構(gòu)的損失函數(shù)，Ai表示第i個(gè)子架構(gòu)，θi為其對(duì)應(yīng)的參數(shù)；步驟34、基于Bagging方法的子架構(gòu)選擇與訓(xùn)練：在超級(jí)網(wǎng)絡(luò)訓(xùn)練完成后，再使用Bagging方法選擇不同的子架構(gòu)進(jìn)行獨(dú)立訓(xùn)練；步驟4、評(píng)估子架構(gòu)性能和多樣性：在搜索過(guò)程中，實(shí)時(shí)評(píng)估各子架構(gòu)的分類(lèi)性能；步驟5、子架構(gòu)集成：將子架構(gòu)群體中的具有較高性能的多個(gè)子架構(gòu)進(jìn)行集成。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人四川大學(xué)，其通訊地址為：610000 四川省成都市武侯區(qū)一環(huán)路南一段24號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。