引入抑制增长损失函数的肺炎目标检测

滕 皓，陆慧娟+，朱海天，朱文杰

(1.中国计量大学 信息工程学院，浙江 杭州 310018；2.中国计量大学 经济管理学院，浙江 杭州 310018)

0 引 言

目前，基于深度学习的目标检测在医学影像具有广泛的应用，主要包括乳腺癌图像分类[1]、肺结节检测[2]、肺炎检测等。针对医学影像目标检测的改进方法具有多向性，如增加网络的深度提升网络的表征能力，或者改进训练策略、损失函数等。

目标检测是一个多任务算法，容易导致某项任务主导模型训练的情况，多任务权重需要得到调整。一种边界框损失函数K-L损失函数[3]被提出，用于学习更为精准的检测框位置。Michelle Guo等[4]提出的动态任务优先排序算法，其思想来源于课程学习。将多个任务基于难度系数进行排序，从而使得较简易的任务优先被执行，并且随时间调整该难度系数。DFNet[5]被提出，动态设置各个类别之间损失函数的权值，原因是背景与目标像素个数会有区别，而背景像素过多会使得背景对模型训练影响更大，从而导致精度降低。Kang Zhao等[6]改进了Focal Loss进而提出动态损失函数，该动态损失函数保持Focal Loss的精度并且加快了模型训练的收敛。

本文将Faster R-CNN以及R-FCN算法应用于肺炎目标检测，提出了抑制增长损失函数，损失函数的每一项权值被自适应地调整，使得损失函数数值随step增大的项得到增强，损失函数数值随step减小的项不变，同时根据课程学习[7]自适应地调整不同任务的优先次序。肺炎图像存在检测框模糊以及图像通道数单一的缺陷，这些缺陷易导致模型训练较难收敛，因此提出抑制增长损失函数。……