论文部分内容阅读
舌象诊断是临床决策中非常重要的一个环节。研究人员提出了自动化的舌象诊断方法。他们通常从图片提取舌象,然后通过特征工程或深度学习方法,提取出相关的特征并分类,取得了不错的效果。然而,使用特征工程设计舌头特征需要很大工作量,另外仅使用手工特征或深度特征,无法较好地表示舌头的特征,特别是在舌头处于非统一光源和姿态下。因此,文章首先设计了基于Faster-RCNN的检测框架对舌象进行预处理,然后使用了多特征融合的方法,对底层特征和高层语义特征进行特征融合,使用该方法来对舌象进行分类。结果表明,该算法具有更好