一种基于空间交叉注意力机制特征融合的目标分类方法

1.本发明涉及一种基于空间交叉注意力机制特征融合的目标分类方法，属于计算机辅助检测技术领域。


背景技术：

2.随着图像处理技术的发展，基于图像进行目标识别和分类的技术已经广泛应用到生活的各个领域内，其中包括计算机辅助检测领域。比如医学领域内对于肺结节的检测，临床医生根据肺结节的存在与否以及结节的大小、结节密度，再结合有无长期吸烟史、有无肺癌家族史等因素综合判断肺结节是否为早期肺癌。
3.低剂量螺旋计算机断层扫描(low-dose spiral computed tomography，ldct)是目前应用最广泛的肺结节筛查方式，其可以检测到3mm以上的肺结节。但是一次ldct可以产生几百张轴向图像，在筛查肺结节阶段，专业医生需要检查每张图像，从而需要花费大量的时间，工作强度比较大。为降低医生的工作强度，目前，通常使用肺部肿瘤结节计算机辅助检测 (cad)系统以辅助放射医师进行肺部肿瘤结节检测。
4.使用该系统时，医生将待检测的ct图像输入到该系统中，系统可以快速定位到疑似结节区域，并给出候选结节是阳性的概率，也即分辨出该ct图像中疑似结节是否为真的肺结节而非其他脏器、血管等的阴影。该系统由两部分组成：候选结节检测、肺结节识别与分类。其中肺结节识别与分类对假阳性候选结节的感知程度决定了整个系统的性能。因此，提升系统对肺结节识别与分类的精度是辅助肺结节检测技术发展的主流方向。
5.近年来，随着深度学习应用方法的普及，基于卷积神经网络(cnn)的计算机医疗辅助诊断系统已成为研究热点，在肺结节识别方面的研究已经取得了一些成果。但是cnn模型是基于二维ct图像来识别假阳性结节。由于肺结节的位置和表现形式不同，可以将肺结节形态细分为孤立性、血管粘连性、胸膜粘连性、磨玻璃以及空洞性，增加了模型假阳性识别的难度。而三维图像相对于二维图像具有更丰富的语义信息，因此，基于三维图像对假阳性结节进行识别，更能提高模型的鲁棒性。
6.而现有的基于三维图像对假阳性结节进行识别分类的过程通常会采用多尺度特征融合以提高检测准确率，多尺度特征融合即将各阶段提取的多尺度的特征进行融合，比如通常是在下采样提取到多尺度的特征后采用金字塔采样的方式向上融合，最终根据融合后的特征进行目标的分类，但是这样的方式会造成特征冗余，从而导致分类精度下降。


技术实现要素：

7.为了进一步提高计算机辅助检测技术中对于目标分类的精度，本发明提供了一种基于空间交叉注意力机制特征融合的目标分类方法，所述方法包括：
8.step1：获取三维待分类图像，设三维待分类图像中目标区域的长、宽和高分别为l、w 和h；
9.step2：采用3dsenet主干网络对待分类图像中目标区域进行特征提取得到四个初
步特征向量；所述3dsenet主干网络由若干个seblock块组成，seblock块为在resblock块中增加了se三维通道注意力模块得到；
10.step3：将3dsenet主干网络输出的四个初步特征向量分别进行特征细化处理得到细化后的特征向量；
11.step4：将细化后的四个特征向量以通道注意力机制激励的方法用一个特征图的特征去重标定另一个特征图，最终得到用于分类的特性向量；
12.step5：根据最终得到的用于分类的特性向量对三维待分类图像进行分类。
13.可选的，所述se三维通道注意力模块对输入的特征xc×
l
×w×h先进行squeeze操作以获取特征图基于通道的全局特征图zc×1×1×1，再根据全局特征图进行excitation操作以得到特征图再用scale操作将特征图与原始输入的特征xc×
l
×w×h相乘，完成特征重标定的作用以对特征进行校正。
14.可选的，所述step2中se三维通道注意力模块根据输入的特征xc×
l
×w×h得到四个初步特征向量，包括：
15.对于输入特征xc×
l
×w×h进行squeeze操作，获取特征图基于通道的全局特征，实现方法如下：
[0016][0017]
即采用三维全局自适应平均池化的方法，将一个通道上整个空间特征编码为一个全局特征，输出的是特征图zc×1×1×1；其中c代表通道数；
[0018]
通过如下公式实现excitation操作得到特征图
[0019]
sc＝σ(ω2δ(ω1z))
ꢀꢀꢀ
(3)
[0020]
其中z是squeeze操作的输出，σ和δ是sigmoid激活函数，w1＝c/r，w2＝c2/r，r 代表缩减系数；
[0021]
用scale操作将excitation操作得到的sc与xc×
l
×w×h相乘，scale操作的公式如下所示：
[0022][0023]
其中为se三维通道注意力模块的输出，其大小与输入的特征图的大小相同；
[0024]
四个初步特征向量分别记为x1、x2、x3和x4。
[0025]
可选的，所述step3包括：
[0026]
由输入特征x2，经过多尺度特征细化模块后得到输出x
′2，然后将输入特征x1和x
′2的上采样特征进行融合，再输入到多尺度特征细化模块fs中，得到输出x
′1，最后将x1和x
′1融合得到输出s1：
[0027][0028]
其中，fs为特征细化模块，λ1，λ2为一组线性参数，λ
′1，λ
′2为另外一组线性参数， up(x
′2)表示对细化后的特征x
′2进行上采样操作；
[0029]
由输入特征x3，经过多尺度特征细化模块后得到输出x
′3，然后将输入特征x2和x
′3的上采样特征进行融合，再输入到多尺度特征细化模块fs中，得到输出x
′2，最后将x2、x
′2和
输出特征s1的下采样特征，融合得到输出s2：
[0030][0031]
其中，down(s1)表示对stage1融合后的特征s1进行下采样操作，λ
′1λ
′2λ
′3为一组线性参数；
[0032]
由输入特征x4，经过多尺度特征细化模块后得到输出x
′4，然后将输入特征x3和x
′4的上采样特征进行融合，再输入到多尺度特征细化模块fs中，得到输出x
′3，最后将x3、x
′3和输出特征s2的下采样特征，融合得到输出s3：
[0033][0034]
由输入特征x4，经过多尺度特征细化模块后得到输出x
′4；将x4、x
′4和stage3的输出特征 s3的下采样特征，融合，得到输出特征s4：
[0035][0036]
可选的，所述step4包括：
[0037]
将s4和s3通过交叉注意力融合机制将s4的特征标定到s3上输出融合特征f3；
[0038]
将f3和s2通过交叉注意力融合机制将f3的特征标定到s2上输出融合特征f2；
[0039]
将f2和s1通过交叉注意力融合机制将f2的特征标定到s1上输出融合特征f1。
[0040]
可选的，所述将s4和s3通过交叉注意力融合机制将s4的特征标定到s3上输出融合特征f3，
[0041]
包括：
[0042]
对通道相同的两个特征s4和s3，进行三维空间上特征的相似性重标定：
[0043]s′3＝simam(s3)，s
′4＝simam(s4)
ꢀꢀꢀ
(14)
[0044]
通过通道注意力的压缩激励方法squeeze操作，将s4′
压缩成基于通道的一维向量f4，再和s3′
相乘得到输出f3，从而重新标定s3的特征：
[0045]
f4＝σ(w2δ(w1f
sq
(s
′4)))，f3＝s
′3f1ꢀꢀꢀ
(15)
[0046]
其中表示内部像素线性可分性，sigmod表示激活函数。
[0047]
所述step5包括：
[0048]
特征f1通过三维空间池化输出一维分类向量，长度为4379，分类器输出二分类的置信度序列。
[0049]
本技术还提供一种肺结节阳性概率预测方法，所述方法基于cad系统输出的疑似肺结节数据采用上述方法得出肺结节阳性概率预测值。
[0050]
本发明有益效果是：
[0051]
通过无参注意力机制捕获相似特征图的重要特征，然后以通道注意力机制激励的方法以一个特征图的特征去重标定另一个特征图，达到融合的效果，本技术方法不仅有效地融合了两个特征图的特征，而且不同于特征金字塔的上采样融合相似特征图的方法，本技术方法有效的减少了参数量，减少了特征冗余，提高了识别性能，本技术通过对于肺结节
阳性识别的实例验证其有效性。
附图说明
[0052]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0053]
图1是本发明一个实施例中提供的肺部实质分割三维图。
[0054]
图2是本发明一个实施例中提供的基于空间交叉注意力机制特征融合的目标分类方法的模型结构示意图。
[0055]
图3是本发明一个实施例中提供的se三维通道注意力模块示意图。
[0056]
图4是本发明一个实施例中提供的seblock示意图。
[0057]
图5是本发明一个实施例中提供的特征细化模块示意图。
[0058]
图6是本发明一个实施例中提供的特征融合方法示意图。
[0059]
图7是本发明一个实施例中提供的交叉注意力特征融合模块(csfa)示意图。
[0060]
图8是本发明一个实施例中提供的阳性肺结节预测实例效果图。
具体实施方式
[0061]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0062]
实施例一：
[0063]
本实施例提供一种基于空间交叉注意力机制特征融合的目标分类方法，所述方法包括：
[0064]
step1：获取三维待分类图像，设三维待分类图像中目标区域的长、宽和高分别为l、w 和h；
[0065]
step2：采用3dsenet主干网络对待分类图像中目标区域进行特征提取得到四个初步特征向量；所述3dsenet主干网络由若干个seblock块组成，seblock块为在resblock块中增加了se三维通道注意力模块得到；
[0066]
step3：将3dsenet主干网络输出的四个初步特征向量分别进行特征细化处理得到细化后的特征向量；
[0067]
step4：将细化后的四个特征向量以通道注意力机制激励的方法用一个特征图的特征去重标定另一个特征图，最终得到用于分类的特性向量；
[0068]
step5：根据最终得到的用于分类的特性向量对三维待分类图像进行分类。
[0069]
实施例二：
[0070]
本实施例提供一种基于空间交叉注意力机制特征融合的目标分类方法，所述方法在 cad(computer-aided detection，计算机辅助检测)系统根据ct图像确定疑似结节区域后进一步进行处理以给出该疑似结节区域为阳性肺结节的概率(即将疑似结节区域进行分类，分为真的肺结节和假的肺结节)，所述方法包括：
[0071]
步骤一，获取疑似肺结节数据：
[0072]
实际检测过程中，cad系统会直接给出疑似肺结节数据，在本实施例中因以luna16 数据集为例进行介绍，因此对数据集中的数据进行预处理以获得疑似肺结节数据，具体的，包括：
[0073]
步骤1-1：肺部实质分割
[0074]
在原始ct图像中，采集得到是x射线衰减值，单位为亨氏单位(hounsfield unit,hu)。物质的ct值反映其密度，ct值越高表示物质密度越高。肺部的hu值为-500左右，因此在对肺部进行实质分割时，可将阈值区间设为[-1000,400]，即hu值大于400的值置为400，hu值小于-1000的置为-1000；然后可使用归一化方法将hu值转换至[0,255]范围内。图1 即为一个处理后的肺部实质分割三维图像。
[0075]
步骤1-2：提取疑似肺结节数据
[0076]
对于luna16数据集中的每个候选结节，也即疑似肺结节区域，读取其坐标文件，获取该候选结节的三维世界坐标使用如下公式计算得到其体素坐标v
voxel
：
[0077][0078]
其中，v
orgin
为肺部原点坐标，d
spacing
为像素间隔。
[0079]
对于每个候选结节，以其体素坐标为中心点，裁剪出长宽高相等的立方块。
[0080]
根据luna16数据集中疑似肺结节数据块的大小分布，在本发明中，分别选择边长为 24、28、32、36和40(单位：mm)五种不同尺度的立方块，保存为.npy格式的文件，便于后续训练和测试时使用。若裁剪范围超出图像区域，则补0。
[0081]
步骤1-3：数据增强
[0082]
分析所选用的luna16数据集，统计所有正负样本的个数，其中阳性肺结节(正样本) 的数量为1557，占总数的0.21％，假阳性肺结节(负样本)数量为753418，占总数的 99.79％，其中1代表阳性肺结节，0代表假阳性肺结节。显而易见，负样本的数量远远大于正样本的数量，从而导致二分类模型的训练结果偏向易识别为负样本的情况，不利于有效评价二分类模型的性能。为缓解数据样本数量不平衡现象，可使用数据增强方法，扩充正样本的数量。在本发明中，所选用的数据增强方法如下：
[0083]
(1)旋转：将立方体图像沿着横截面旋转90
°
、180
°
、270
°
。
[0084]
(2)镜像：将立方体图像分别沿着冠状面和矢状面对称反转。
[0085]
通过以上方法对正样本进行数据增强，最终总的正样本数量为原正样本数量的20倍。
[0086]
需要进行说明的是，luna16数据集为公开的数据局，包括888低剂量肺部ct影像 (mhd格式)数据，每个影像包含一系列胸腔的多个轴向切片。每个影像包含的切片数量会随着扫描机器、扫描层厚和患者的不同而有差异。原始图像为三维图像。每个图像包含一系列胸腔的多个轴向切片。这个三维图像由不同数量的二维图像组成。
[0087]
步骤二：建立模型
[0088]
通过分析预处理后的数据集，为构造合适的模型，需解决以下两个问题：
[0089]
(1)根据肺结节的位置和表现形式不同，可以将肺结节细分为孤立性、血管粘连
性、胸膜粘连性、磨玻璃性以及空洞性。肺结节具有体积小、形状不规则等特点，增加了模型对负样本识别的难度。
[0090]
(2)经过数据增强后正负样本的数量依旧不均衡，因此需要在模型构建和训练过程中调整分类器性能，使得模型对两类样本的感知程度大致相等。
[0091]
针对以上两个问题，如图2所示，本发明将模型设计分为三个阶段以获取更好的分类性，这三个阶段分别为：主干网络特征提取阶段、多尺度特征融合阶段和特征分类阶段。
[0092]
在主干网络特征提取阶段，采用的是3dsenet模型，在该模型中，因为采用了三维通道注意力机制，所以能更好地提取特征。3dsenet模型为基础网络模型，详细介绍可参考“yang j,jiang x,ma x.3dsenet:3d spatial attention region ensemble network for real
‑ꢀ
time 3d hand pose estimation[c]//2020 10th international conference on information science andtechnology(icist).2020.”中的介绍。
[0093]
在多尺度特征融合阶段，通过获取主干网络不同阶段的特征图进行特征细化，以及与通过空间交叉注意力融合机制融合相似特征图，从而达到多尺度特征融合的效果。
[0094]
在特征分类阶段，在分类器中引入可变参数，在训练过程中随着正负样本的比例做出自适应改变，通过线性变化提高对数量较少样本的感知效果，从而具有更好的分类性能。
[0095]
步骤2-1：主干网络特征提取阶段
[0096]
搭建主干网络进行特征提取，本发明的主干网络采用了3dsenet，它由若干个seblock 块组成。在图4中显示了seblock块的原理图，也就是在resblock块(resblock块为主干网络3dresnet模型中的主要模块)中增加了se三维通道注意力模块，从而增强了特征提取能力。
[0097]
se三维通道注意力模块的原理如图3所示。具体步骤如下：
[0098]
(1)squeeze操作
[0099]
对于输入特征xc×
l
×w×h(其中c代表通道数，l、w和h分别代表立方体的长、宽和高)，首先进行squeeze操作，获取特征图基于通道的全局特征，实现方法如下:
[0100][0101]
即采用三维全局自适应平均池化的方法，将一个通道上整个空间特征编码为一个全局特征，输出的是特征图zc×1×1×1。
[0102]
(2)excitation操作
[0103]
通过如下公式实现excitation操作得到特征图
[0104]
sc＝σ(w2δ(ω1z))
ꢀꢀꢀ
(3)
[0105]
其中z是squeeze操作的输出，σ和δ是sigmoid激活函数，w1＝c/r,w2＝c2/r，r代表缩减系数，在此可取值16。
[0106]
(3)scale操作
[0107]
经过对通道权重的学习，用scale操作将sc与原来的特征图相乘，完成特征重标定的作用，即对特征进行校正，校正后的特征可保留有价值的特征，剔除没价值的特征。scale操作的公式如下所示：
[0108][0109]
其中为se三维通道注意力模块的输出，其大小与输入的特征图的大小相同。
[0110]
se三维注意力通道机制模块，可作为即插即用的模块插入3dresnet的特征提取模块 resblock中，构建为seblock模块，从而达到三维特征重标定的效果。
[0111]
步骤2-2：多尺度特征融合阶段
[0112]
将主干网络在特征提取阶段的四个输出：stage1、stage2、stage3和stage4通过如图2所示的多尺度特征融合模块，输出用于分类的特征向量。肺结节具有尺寸大小多变、形状不规则、位置分布随机等特点，不利于主干网络有效提取特征。为了改善模型的特征提取效果，本发明在主干网络提取特征过后，将每个阶段的输出分别进行多尺度特征细化处理后，再与其他阶段特征融合，达到更好的特征提取效果。详细步骤如下：
[0113]
(1)特征细化模块
[0114]
本发明采用一种多尺度特征细化模块，如图5所示，，该多尺度特征细化模块可融合下一层次的上采样信息作为输入(见虚线框)，并采用4个分支进行特征细化处理，也就是分别采用1
×1×
1，3
×3×
3，5
×5×
5，7
×7×
7三维卷积，再采用3
×3×
3的三维空洞卷积(对应的膨胀系数分别为1，3，5，7)。
[0115]
(2)特征融合框架
[0116]
stage1至stage4的特征融合方法可描述如下：
[0117]
stage1：首先由stage2的输入特征x2，经过多尺度特征细化模块后得到输出x
′2，然后将 stage1的输入特征x1和x
′2的上采样特征进行融合，再输入到多尺度特征细化模块fs中，得到输出x
′1，最后将x1和x
′1融合得到输出s1。stage1的特征融合公式可表示为：
[0118][0119]
其中，fs为特征细化模块，λ1，λ2为一组线性参数，λ
′1，λ
′2为另外一组线性参数，up(x
′2)表示对细化后的特征x
′2进行上采样操作；
[0120]
stage2：首先由stage3的输入特征x3，经过多尺度特征细化模块后得到输出x
′3，然后将 stage2的输入特征x2和x
′3的上采样特征进行融合，再输入到多尺度特征细化模块fs中，得到输出x
′2，最后将x2、x
′2和stage1的输出特征s1的下采样特征，融合得到输出s2。stage2的特征融合公式可表示为：
[0121][0122]
其中，fs为特征细化模块，down(s1)表示对stage1融合后的特征s1进行下采样操作，λ
′3为线性参数；
[0123]
stage3：首先由stage4的输入特征x4，经过多尺度特征细化模块后得到输出x
′4，然后将 stage3的输入特征x3和x
′4的上采样特征进行融合，再输入到多尺度特征细化模块fs中，得到输出x
′3，最后将x3、x
′3和stage2的输出特征s2的下采样特征，融合得到输出s3。stage3的特征融合公式可表示为：
[0124][0125]
stage4：输入特征x4，经过多尺度特征细化模块后得到输出x
′4。将x4、x
′4和stage3
的输出特征s3的下采样特征，融合，得到输出特征s4。stage4的特征融合公式可表示为：
[0126][0127]
(3)空间交叉注意力融合机制
[0128]
通过分析特征融合框架的输出向量以及融合过程，发现每个层次的输出向量具有相同的通道数，且彼此间已经融合了相似的特征。若使用特征金字塔的上采样连接融合方法无疑会造成特征冗余，从而会影响精度。因此，本发明提出了一种新的特征融合方法，即基于空间交叉注意力机制融合相似特征图。
[0129]
(a)注意力机制simam
[0130]
在本发明中，采用注意力机制simam计算不同向量的相似性：该注意力机制通过实现一种能量函数评估三维特征图中每一个像素点的重要性，无需额外参数为特征图推导权值，是一种无参数三维注意力模块。
[0131]
假设输入特征图为x∈rc×
l
×w×h，定义如下能量函数e
t
：
[0132][0133]
其中m＝l
×h×
w，t是目标像素点，y0和y
t
是二值标签(y0取1，y
t
取-1)，xi表示特征图中的像素点，最小化公式(9)等价于训练同一通道内的像素点t与其他像素点之间的线性可分性。为了提高模型的泛化能力，可在函数中添加正则化系数λ，得到如下公式：
[0134][0135]
最小化公式(10)中的能量函数e
t
，可得到w
t
和b
t
：
[0136][0137]
其中分别是对除该通道外的所有像素点计算的均值和方差，w
t
，b
t
是在单个通道计算获得的。
[0138]
假设单个通道中的所有像素遵循相同的分布，可以计算所有像素点的平均值和方差，并重新用于评估该通道上的所有像素点的重要程度。计算像素点最小能量的公式可表示为：
[0139][0140]
其中因此评估每个像素点的重要性可表示为即能量越低，和其他像素点的线性可分性越小，重要性也就越高。
[0141]
输入特征图，注意力机制simam的输出可表示为：
[0142][0143]
(b)空间交叉注意力融合
[0144]
由特征融合框架输出的多尺度特征[s1，s2，s3，s4]，通过两两融合特征的方法输出用来分类的特征向量。本发明通过空间交叉注意力机制来替代特征金字塔融合的上采样方法，主要实现步骤如下：
[0145]
在图7中，以s3，s4融合为例来描述交叉注意力融合机制(csfa)，融合两个特征的方法：
[0146]
s3，s4的通道数是相等的，且在特征融合的过程中具备了其他尺度相似的特征，通过 simam注意力机制，对通道相同的两个特征，进行三维空间上特征的相似性重标定：
[0147]s′3＝simam(s3)，s
′4＝simam(s4)
ꢀꢀꢀ
(14)
[0148]
通过通道注意力的压缩激励方法(squeeze操作)，将s
′4压缩成基于通道的一维向量f4，再和s
′3相乘得到输出f3，从而重新标定s3的特征：
[0149]
f4＝σ(w2δ(w1f
sq
(s
′4)))，f3＝s
′3f4ꢀꢀꢀ
(15)
[0150]
因为s3本就具备s4的部分特征，且用s4重新标定了s3，所以该方法在效果上等价于融合。而与上采样融合相似特征相比，减少了参数量和特征冗余。
[0151]
由特征融合框架输出的多尺度特征[s1，s2，s3，s4]的融合过程如图6所示：
[0152]
1、s4和s3通过csfa，将s4的特征标定到s3上输出融合特征f3。
[0153]
2、f3和s2通过csfa，将f3的特征标定到s2上输出融合特征f2。
[0154]
3、f2和s1通过csfa，将f2的特征标定到s1上输出融合特征f1。
[0155]
步骤2-3：特征分类阶段
[0156]
在特征分类阶段，在本发明中，采用了长尾学习分类器。在输入特征时会根据特征的分布情况，自适应调整置信度。其原理可描述如下。
[0157]
对于标签[0，1]，设模型的输出，即预测的置信度序列为可以通过线性变换的方式调整类别置信度，公式如下：
[0158][0159]
其中αj，βj为针对每一个类别概率分布调整要学习的修正参数。再定义一个置信度方程组合对齐概率和原始概率，得到修正概率
[0160][0161]
其中σ(x)为激活函数。
[0162]
将通过空间金字塔池化(spp)过后的向量输入到输入维度为4379，输出维度为2的长尾学习分类器中，得到二分类的置信度序列。
[0163]
步骤3：模型训练
[0164]
采用4块geforce rtx 3090 gpu训练模型，batch size设置为128，迭代100个epoch。优化器选择sgd(初始学习率设置0.001，动量因子设置0.9)，损失函数采用交叉熵，做十折交叉验证。
[0165]
步骤4：多尺寸预测置信度序列加权融合
[0166]
由于肺结节形状、大小、纹理变化范围大，所以针对同一可疑病灶区域，分别截取不同尺寸的样本，分别训练，最终输出置信度序列z＝[z0，z1]。
[0167]
采用加权融合的方法融合大小为243、283、323、363、403mm3的5种尺寸的置信度序列：
0.125fpps比本技术方法m1高，但是在4，8fpps处效果并不理想，可见grwloss对于 disalignlinear是有一定调整效果的。m4替换了csfa采用了fpn的上采样连接方法，效果相较本技术方法m1并不理想，可见csfa对于相似特征的融合效果是有一定提升的。 m5，m6采用了传统的全连接层，m5针对数据不平衡问题采用focalloss作为解决方案， m6则是采用数据均衡的方法，截取同正样本数量相同的负样本作为训练集。
[0186]
表3：不同输入尺寸的效果对比：
[0187][0188]
模型的cpm得分在243至403的区间内呈上升趋势，但是在403至563的区间内呈下降趋势。因此，本技术选取243至403的5种尺寸做加权融合：
[0189]
表4：选取243至403的5种尺寸做加权融合的结果
[0190][0191]
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
[0192]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。