(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111638106.0 (22)申请日 2021.12.2 9 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 祝真滨　马玉良　张卫　孟明　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 杨舟涛 (51)Int.Cl. G06T 7/10(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 一种基于遗传算法的U-Net网络模型剪枝 方 法 (57)摘要 本发明公开了一种基于遗传算法的U ‑Net网 络模型剪枝方法。 本发明首先对 数据集进行扩增 处理， 其次将遗传优化算 法与U‑Net模型相结合， 将U‑Net模型的损失函数引入到遗传算法的适应 度指标中， 而优化的目标则是U ‑Net模型的各层 通道数的压缩率组合； 随后通过遗传算法获得所 需的最佳U ‑Net网络的压缩率组合， 并对网络结 构进行剪枝处理。 本发明与剪枝前的U ‑Net网络 模型相比， 在三个数据集以及各自的扩增数据集 的分割结果上， 模型剪枝前后对 结果并没有较大 差异， 但整个U ‑Net网络的参数量以及计算量等 都有明显的降低， 达 到了网络模型剪枝的效果。 权利要求书3页 说明书6页 附图3页 CN 114332101 A 2022.04.12 CN 114332101 A 1.一种基于 遗传算法的U ‑Net网络模型剪枝方法， 其特 征在于， 包括如下步骤： 步骤1、 对训练集图像进行 水平翻转、 垂直翻转和多角度旋转； 步骤2、 对彩色图像进行图像的预处 理操作； 步骤3、 对U ‑Net网络模型构建新的损失函数， 使其更加适合于存在像素不平衡问题的 视网膜图像数据集的训练； 所述的新的损失函数表达式为： Loss＝Ldice+λLr#(1) Lr为交叉熵函数， 表达式如下： 其中TP和TN分别是真阳性和真阴性像素的个数； Np和Nn分别是目标像素和非目标像素 的个数； y是 标签值， y＝1,为分割目标， y＝0,为背景； p是像素的预测概 率值； Ldice为Dice系数表达式， 如下： 其中N是像素的数量值； p(k,i)∈[0,1]， q(k,i)∈[0,1]分别是像素点k类的预测概率 和真实标签， λ为系数； 步骤4、 将U ‑Net网络模型对称的四层卷积层的数量作为优化目标， 即遗传算法的优化 结果为一组含四个压缩率数值的组合； 采用遗传优化算法对该组合进行寻优， 最终获得一 个最佳的压缩率组合， 每层卷积层数量进行相对应的修改操作后， 便得到了一个剪枝后的 U‑Net网络模型； 步骤5、 将U ‑Net网络的损失函数作为参数融合到遗传算法的适应度函数中， 使两者存 在一个反比关系， 并通过适应度函数来扩大损失函数之间的差距； 步骤6、 通过对遗传算法的不断迭代， 得到所需的最优压缩率组合， 并在三个数据集上 分别进行U ‑Net网络模型剪枝前后的实验 对比。 2.根据权利要求1所述的一种基于遗传算法的U ‑Net网络模型剪枝方法， 其特征在于： 对训练集图像进行水平翻转、 垂直翻转使 数据量扩增4倍； 对训练集图像进行多角度旋转使 数据量扩增8倍。 3.根据权利要求1所述的一种基于遗传算法的U ‑Net网络模型剪枝方法， 其特征在于： 所述的步骤4中， 压缩率组合如下： α ＝[α1， α2， α3， α4]#(4) 式中αβ的取值范围为[0.1,0.2, …,0.8]； α 作为遗传算法的输入参数。 4.根据权利要求1所述的一种基于遗传算法的U ‑Net网络模型剪枝方法， 其特征在于： 所述的U‑Net网络结构如下： 在网络的编码结构， 使用了四层编码块， 其中每层编码块包括两个卷积层， 一个批归一 化层、 LReLU激活层以及最大池化层； 在网络的解码结构， 与编码结构相对应， 使用了四层解码块， 其中每层解码块包括两个 卷积层， 一个上采样层、 BN层以及一个跳跃 连接层。权　利　要　求　书 1/3 页 2 CN 114332101 A 25.根据权利要求1所述的一种基于遗传算法的U ‑Net网络模型剪枝方法， 其特征在于： 所述的步骤5中， 遗传算法中的适应度函数表达式为： Fitness＝e20*(0.3‑Loss)#(5) 其中Loss为U‑Net网络模型的损失函数。 6.根据权利要求1所述的一种基于 遗传算法的U ‑Net网络模型剪枝方法， 其特 征在于： 遗传算法与U ‑Net网络模型 结合的伪代码如下： 权　利　要　求　书 2/3 页 3 CN 114332101 A 3