CN109448850A - 一种身体质量指数预测方法、装置、电子设备及存储介质 - Google Patents

一种身体质量指数预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109448850A
CN109448850A CN201811207054.XA CN201811207054A CN109448850A CN 109448850 A CN109448850 A CN 109448850A CN 201811207054 A CN201811207054 A CN 201811207054A CN 109448850 A CN109448850 A CN 109448850A
Authority
CN
China
Prior art keywords
picture
processed
encoder
convolution
attention mechanism
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811207054.XA
Other languages
English (en)
Inventor
王文东
田野
薄丁
薄一丁
阙喜戎
龚向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201811207054.XA priority Critical patent/CN109448850A/zh
Publication of CN109448850A publication Critical patent/CN109448850A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明实施例提供了一种身体质量指数预测方法、装置、电子设备及存储介质，其中，身体质量指数预测方法包括：获取包含待检测人体的待处理人体图片；将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。本发明实施例实现了便捷的确定待检测人体的身体质量指数BMI值。

Description

一种身体质量指数预测方法、装置、电子设备及存储介质
技术领域
本发明涉及健康信息学技术领域，特别是涉及一种身体质量指数预测方法、装置、电子设备及存储介质。
背景技术
BMI(Body Mass Index，身体质量指数)是国际上常用的衡量人体肥胖程度和是否健康的重要标准。该指数可以对人体胖瘦进行判定，作为人体健康程度的一种评价，辅助人们监测自身肥胖程度，指导日常饮食和运动的规划。
现有确定人体BMI值，是使用专门仪器测量人体的身高、体重，进而通过BMI计算公式，确定待检测人体的BMI值。其中，BMI计算公式为：其中H为身高，以米为单位；W为体重，以千克为单位。
发明人发现，现有通过专门仪器确定人体BMI值的方法中，由于仪器笨拙不具有便携性，使得确定人体BMI值的方式较为不便。因此，如何便捷的确定BMI值仍然是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种身体质量指数预测方法、装置、电子设备及存储介质，以实现便捷的确定待检测人体的身体质量指数BMI值。具体技术方案如下：
第一方面，本发明实施例公开了一种身体质量指数预测方法，所述方法包括：
获取包含待检测人体的待处理人体图片；
将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；
将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。
可选地，所述带有注意力机制的目标去噪卷积自编码器按照以下方法步骤确定，包括：
对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；
将所述待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，得到压缩特征图；
将所述压缩特征图输入到所述预设去噪卷积自编码器中的解码器中，通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，得到第二图片；
更新所述预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较所述第二图片与所述第一图片之间的差异值，将所述第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。
可选地，所述通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，包括：
步骤1，通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，得到第一特征图；
步骤2，通过修正线性单元ReLU激活函数以及池化操作对所述第一特征图进行处理，其中，所述ReLU激活函数f(x)公式如下：
f(x)＝max(0,x)
其中，所述x表示特征图中的特征向量；
步骤3，重复执行所述步骤1至所述步骤2，直至达到所述预设次数；
所述通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，包括：
步骤4，通过所述解码器中所述带有注意力机制的卷积操作对所述压缩特征图进行卷积操作，得到第二特征图；
步骤5，通过所述ReLU激活函数以及上采样操作对所述第二特征图进行处理；
步骤6，重复执行所述步骤4至所述步骤5，直至达到所述预设次数。
可选地，所述通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，包括：
通过编码器中的卷积结构以及注意力机制，计算所述待处理的第一图片对应的特征图中每个通道的权重。
可选地，所述第一代价函数如下：
其中，所述SmoothL1(x)表示第一代价函数值，所述x表示所述第二图片与所述第一图片像素值差异的和。
可选地，所述目标支持向量回归模型按照以下方法步骤确定，包括：
将包含目标人员的模板图片输入到所述带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图；
将所述压缩特征图转换为一维特征向量；
将所述一维特征向量及所述目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在所述预设支持向量回归模型输出的第二代价函数满足预设条件时，判定所述预设支持向量回归模型为目标支持向量回归模型。
可选地，所述第二代价函数为：
cost(x)＝max(0,|d(x)|-ε)
其中，所述d(x)表示预测BMI值与真实BMI值的差值；所述ε表示预设差值。
第二方面，本发明实施例还公开了一种身体质量指数预测装置，所述装置包括：
图片获取模块，用于获取包含待检测人体的待处理人体图片；
特征向量确定模块，用于将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；
身体质量指数确定模块，用于将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。
可选地，所述装置还包括：
预处理模块，用于对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；
第一压缩特征图确定模块，用于将所述待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，得到压缩特征图；
第二图片确定模块，用于将所述压缩特征图输入到所述预设去噪卷积自编码器中的解码器中，通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，得到第二图片；
目标去噪卷积自编码器确定模块，用于更新所述预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较所述第二图片与所述第一图片之间的差异值，将所述第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。
可选地，所述第一压缩特征图确定模块，具体用于，
步骤1，通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，得到第一特征图；
步骤2，通过修正线性单元ReLU激活函数以及池化操作对所述第一特征图进行处理，其中，所述ReLU激活函数f(x)公式如下：
f(x)＝max(0,x)
其中，所述x表示特征图中的特征向量；
步骤3，重复执行所述步骤1至所述步骤2，直至达到所述预设次数；
所述第二图片确定模块，具体用于：
步骤4，通过所述解码器中所述带有注意力机制的卷积操作对所述压缩特征图进行卷积操作，得到第二特征图；
步骤5，通过所述ReLU激活函数以及上采样操作对所述第二特征图进行处理；
步骤6，重复执行所述步骤4至所述步骤5，直至达到所述预设次数。
可选地，所述第一压缩特征图确定模块，具有还用于：
通过编码器中的卷积结构以及注意力机制，计算所述待处理的第一图片对应的特征图中每个通道的权重。
可选地，所述装置还包括：
第二压缩特征图确定模块，用于将包含目标人员的模板图片输入到所述带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图；
特征向量确定模块，用于将所述压缩特征图转换为一维特征向量；
目标支持向量回归模型确定模块，用于将所述一维特征向量及所述目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在所述预设支持向量回归模型输出的第二代价函数满足预设条件时，判定所述预设支持向量回归模型为目标支持向量回归模型。
第三方面，本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述身体质量指数预测方法中任一所述的方法步骤。
第四方面，本发明实施例还公开了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述身体质量指数预测方法中任一所述的方法步骤。
本发明实施例提供了一种身体质量指数预测方法、装置、电子设备及存储介质，通过预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器对待处理人体图片进行处理，得到该待处理人体图片的特征向量；进而将特征向量输入到预先确定的目标支持向量回归模型，得到该待检测人体的身体质量指数。本发明实施例中使用了无监督学习的去噪卷积自编码器，来提取图片的特征，避免了数据标注。进而将提取的特征向量输入到预先确定的目标支持向量回归模型，实现了方便快捷的得到待检测人体的身体质量指数。综上，本发明实施例实现了便捷的确定待检测人体BMI值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1为本发明实施例的一种身体质量指数预测方法流程图；
图2为本发明实施例的一种身体质量指数预测方法中目标去噪卷积自编码器确定方法流程图；
图3为本发明实施例的一种身体质量指数预测方法中预设去噪卷积自编码器中的编码器处理流程图；
图4为本发明实施例的一种身体质量指数预测方法中预设去噪卷积自编码器中的解码器处理流程图；
图5为本发明实施例的一种身体质量指数预测方法中带有注意力机制的卷积结构图；
图6为本发明实施例的一种身体质量指数预测方法中目标支持向量回归模型确定方法流程图；
图7为本发明实施例的一种身体质量指数预测装置结构示意图；
图8为本发明实施例的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，本发明实施例公开了一种身体质量指数预测方法，如图1所示。图1为本发明实施例的一种身体质量指数预测方法流程图，方法包括：
S101，获取包含待检测人体的待处理人体图片。
在本步骤中，可获取包含待检测人体的待处理人体图片，该待处理人体图片可为包含待检测人体的照片。
S102，将待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到待处理人体图片的特征向量。
本发明实施例的带有注意力机制的目标去噪卷积自编码器包括编码器与解码器，通过该目标去噪卷积自编码器中的编码器对待处理人体图片进行特征提取，得到压缩特征图。通过带有注意力机制的卷积操作，能够让目标去噪卷积自编码器在对待处理人体图片进行特征去提取过程中确定各个通道的重要性，从而注意更为重要的通道。
本发明实施例中的目标去噪卷积自编码器通过将多张训练图片输入到编码器中，使得通过编码器对各训练图片处理，得到各压缩的特征图，进而通过解码器对各压缩图片处理，得到各还原的图片，通过反向传播算法降低还原出来的各图片与输入的各图片之间的差异，通过该训练方式调节编码器以及解码器参数，使得解码器还原的图片与输入的图片之间差异在允许范围内，将此时得到的编码器与解码器形成本发明实施例的目标去噪卷积自编码器。具体确定目标去噪卷积自编码器的过程以下实施例中详细说明。
S103，将特征向量输入到预先确定的目标支持向量回归模型，得到待检测人体的身体质量指数。
上述在得到待处理人体图片的特征向量后，将各特征向量输入到预先确定的目标支持向量回归模型，通过该目标支持向量回归模型输出待检测人体的身体质量指数。
目标支持向量回归模型为，将包含目标人员的模板图片的一维特征向量及该目标人员的身体质量指数BMI值，输入到预设支持向量回归模型进行训练，得到的能够实现自动输出身体质量指数值的回归模型。具体确定目标支持向量回归模型的过程以下实施例中详细说明。
在本发明实施例提供的一种身体质量指数预测方法中，通过预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器对待处理人体图片进行处理，得到该待处理人体图片的特征向量；进而将特征向量输入到预先确定的目标支持向量回归模型，得到该待检测人体的身体质量指数。本发明实施例中使用了无监督学习的去噪卷积自编码器，来提取图片的特征，避免了数据标注。进而将提取的特征向量输入到预先确定的目标支持向量回归模型，实现了方便快捷的得到待检测人体的身体质量指数。综上，本发明实施例实现了便捷的确定BMI值。
可选地，在本发明的身体质量指数预测方法的一种实施例中，可有如图2所示的本发明实施例的一种身体质量指数预测方法中目标去噪卷积自编码器确定方法流程图。带有注意力机制的目标去噪卷积自编码器按照以下方法步骤确定，包括：
S201，对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片。
在本步骤中，对作为训练样本的第一图片预先固定长宽比放缩到预设大小(即最长边等于预设值)，然后补零生成一个正方形的图片。本发明实施例的目标去噪卷积自编码器需要具有去噪的目的，因此，需要给该正方面图片添加高斯白噪声，得到待处理的第一图片。例如，对该正方形的图片加上均值为0、方差为1的高斯白噪声，得到待处理的第一图片。添加噪声是为让预设去噪卷积自编码器在学习图片去噪的过程中，获得提取图片当中的重要特征的能力，而且添加噪声训练预设去噪卷积自编码器也能防止过拟合。
S202，将待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过编码器中带有注意力机制的卷积操作、激活函数以及池化操作对待处理的第一图片进行预设次数的处理，得到压缩特征图。
本发明实施例的预设去噪卷积自编码器包括编码器以及解码器，该编码器为将待处理的第一图片进行特征提取，进而得到压缩特征图。该编码器的操作包括带有注意力机制的卷积操作、激活操作以及池化操作。通过该编码器中带有注意力机制的卷积操作、激活函数以及池化操作对待处理的第一图片进行预设次数的处理，得到压缩特征图。
该编码器的处理过程可如图3所示，图3为本发明实施例的一种身体质量指数预测方法中预设去噪卷积自编码器中的编码器处理流程图。具体为：将待处理的第一图片输入到编码器，依次通过该编码器中带有注意力机制的卷积操作、ReLU激活函数以及池化操作，对该待处理的第一图片进行预设次数的重复操作，得到压缩特征图。
S203，将压缩特征图输入到预设去噪卷积自编码器中的解码器中，通过解码器中带有注意力机制的卷积操作、激活函数以及上采样操作对压缩特征图进行预设次数的处理，得到第二图片。
本发明实施例的预设去噪卷积自编码器中的解码器对压缩特征图进行特征提取，进而还原压缩特征图，得到第二图片。该解码器的操作包括带有注意力机制的卷积操作、激活操作以及上采样操作。通过该编码器中带有注意力机制的卷积操作、激活函数以及上采样操作对压缩特征图进行与编码器预设次数相同次数的处理，得到还原后的第二图片。因为有上采样的过程，则可以根据编码器生成的压缩特征图进行复原，完成对带有噪声图片的去噪过程。整个去噪卷积自编码器的训练过程是无监督的，不需要任何标注。
该解码器的处理过程可如图4所示，图4为本发明实施例的一种身体质量指数预测方法中预设去噪卷积自编码器中的解码器处理流程图。具体为：将压缩特征图输入到解码器，依次通过该解码器中带有注意力机制的卷积操作、ReLU激活函数以及上采样操作，对该压缩特征图进行与编码器预设次数相同次数的重复操作，得到还原后的第二图片。
S204，更新预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较第二图片与第一图片之间的差异值，将第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。
本发明实施例训练的优化目标是解码器恢复出来的结果与没有噪声的图片之间的差异，通过第一代价函数以及反向传播算法比较第二图片与第一图片之间的差异值，将第一代价函数计算的差异值收敛时、所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。
反向传播算法实际上就是计算梯度的方法，通过梯度确定第一代价函数的下降方向，从而沿着该梯度下降方向降低第一代价函数的值，达到减小恢复出来的人体图片与原始图片之间差异的目的。反向传播算法会从后往前计算梯度，来更新预设去噪卷积自编码器的参数中的参数，达到训练的目的。该训练过程可以看到并没有使用标注的信息，所以被称为无监督式学习。
在得到完整的带有注意力机制的目标去噪卷积自编码器后，为了能够提取图片的有效特征，只需要目标去噪卷积自编码器中的编码器，该编码器将输入的包含待检测人体的待处理人体图片生成一个包含人体图片重要特征的压缩特征图。
可选地，S204中第一代价函数如下：
其中，SmoothL1(x)表示第一代价函数值，x表示第二图片与第一图片像素值差异的和。
可选地，上述202中通过编码器中带有注意力机制的卷积操作、激活函数以及池化操作对待处理的第一图片进行预设次数的处理，包括：
步骤1，通过编码器中带有注意力机制的卷积操作对待处理的第一图片进行卷积处理，得到第一特征图。
可选地，步骤1中通过编码器中带有注意力机制的卷积操作对待处理的第一图片进行卷积处理，包括：
通过编码器中的卷积结构以及注意力机制，计算待处理的第一图片对应的特征图中每个通道的权重。
本发明实施例中的去噪卷积自编码器主要由卷积构成，其所使用的卷积结合了注意力机制，注意力机制会对卷积所输出的特征图的不同通道赋予不同的权重，如图5所示。图5为本发明实施例的一种身体质量指数预测方法中带有注意力机制的卷积结构图。
传统卷积S(i,j)为：
其中，I表示卷积的输入，K表示二维卷积核，i和j分别表示进行卷积运算的位置，m和n分别表示卷积核覆盖的有效范围。
传统卷积计算中，利用上述公式采用滑动窗口的方式对图片计算，进而得到图片的一个二维特征图(形状为H，W，其中H表示高，W表示宽)，而多个卷积核就会产生一个三维特征图(形状为H，W，C，其中C为通道数，也代表了卷积核的个数)。
本发明实施例中通过传统卷积的结构结合注意力机制，针对待处理的第一图片对应的特征图的每一个通道都计算一个权重，该权重是根据特征图来计算的，如图5所示。通过以下公式(1)到公式(3)，计算该待处理的第一图片对应的特征图中每个通道的权重：
X′＝W*X+b (1)
Xfinal＝F⊙Sigmoid(X′) (3)
其中，公式1中X表示卷积输出后的特征图F在C维度上的全局平均池化的结果，是一个形状为1x 1x C的向量，然后经过一个全联接层，生成X′，也是一个形状为1x 1x C的向量。然后经过公式(2)的Sigmoid函数，生成一个形状为1x 1x C的向量，其值代表了一个权重，然后乘以F(如公式(3)所示，其中F为卷积输出后的特征图，⊙代表了C维度上的元素广播相乘)，表示不同通道其受到的重视程度不同。通过这种带有注意力机制的卷积操作，能够让自编码器自我学习特征图中各个通道的重要性，从而注意更为重要的通道。
步骤2，通过修正线性单元ReLU激活函数以及池化操作对第一特征图进行处理，其中，ReLU激活函数f(x)公式如下：
f(x)＝max(0,x)
其中，x表示特征图中的特征向量；
步骤3，重复执行步骤1至步骤2，直至达到预设次数；
上述203中通过解码器中带有注意力机制的卷积操作、激活函数以及上采样操作对压缩特征图进行预设次数的处理，包括：
步骤4，通过解码器中带有注意力机制的卷积操作对压缩特征图进行卷积操作，得到第二特征图；
步骤5，通过ReLU激活函数以及上采样操作对第二特征图进行处理；
步骤6，重复执行步骤4至步骤5，直至达到预设次数。
在本发明实施例中，通过反向传播算法调制预设去噪卷积自编码器，不需要进行数据标记，通过无监督的学习方法即可得到目标去噪卷积自编码器。相比于现有技术中需要大量的标注数据的完全监督式的学习方法构建深度回归模型，本发明实施例避免了现有技术中标注大量数据具有费时费力费财的弊端。
可选地，在本发明身体质量指数预测方法的一种实施例中，可有如图6所示的本发明实施例的一种身体质量指数预测方法中目标支持向量回归模型确定方法流程图。目标支持向量回归模型按照以下方法步骤确定，包括：
S601，将包含目标人员的模板图片输入到带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图。
本步骤为将包含目标人员的模板图片输入到确定好的带有注意力机制的目标去噪卷积自编码器的编码器中，通过该编码器对模板图片进行去噪以及特征提取，得到压缩特征图。
S602，将压缩特征图转换为一维特征向量。
将上述得到的压缩特征图包含的向量均转换为一维向量。
S603，将一维特征向量及目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在预设支持向量回归模型输出的第二代价函数满足预设条件时，判定预设支持向量回归模型为目标支持向量回归模型。
本发明实施例的预设条件为第二代价函数收敛。
可选地，第二代价函数为：
cost(x)＝max(0,|d(x)|-ε)
其中，d(x)表示预测BMI值与真实BMI值的差值；ε表示预设差值。
目标支持向量回归模型是找到一个回归超平面，让训练数据集合中的所有数据到该超平面的距离最近。由于所有数据并不能都很好的落在同一个回归超平面上，所以所有数据到回归超平面的距离都可以给定一个容忍值ε防止过拟合。
在训练该支持向量回归模型时，需要进行监督式学习，即需要将包含目标人员的模板图片的目标人员的真实BMI值也输入到预设支持向量回归模型进行训练。该训练过程为将该模板图片对应的一维特征向量及目标人员的身体质量指数BMI值输入到预设支持向量回归模型，得到预测BMI值，并将该预测BMI值与真实BMI值带入第二代价函数，通过更新该预设支持向量回归模型的参数，在该预设支持向量回归模型输出的第二代价函数满足预设条件时，判定该预设支持向量回归模型为目标支持向量回归模型。
本发明实施例中，由于输入为压缩特征图的一维特征向量组，其维度大小相比于目标人员的模板图片的维度大小有了压缩，所以预设支持回归模型训练所需要的标注数据会变少。所以相比较于针对原始图片进行回归所需要的训练数据要少，减少了数据标注量。
通过本发明实施例，可得到能够检测输入的包含待检测人体的待处理人体图片的BMI值，实现方便快捷的确定待检测人体的BMI值。
第二方面，本发明实施例还公开了一种身体质量指数预测装置，如图7所示。图7为本发明实施例的一种身体质量指数预测装置结构示意图，装置包括：
图片获取模块701，用于获取包含待检测人体的待处理人体图片；
特征向量确定模块702，用于将待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到待处理人体图片的特征向量；
身体质量指数确定模块703，用于将特征向量输入到预先确定的目标支持向量回归模型，得到待检测人体的身体质量指数。
在本发明实施例提供了一种身体质量指数预测装置中，通过预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器对待处理人体图片进行处理，得到该待处理人体图片的特征向量；进而将特征向量输入到预先确定的目标支持向量回归模型，得到该待检测人体的身体质量指数。本发明实施例中使用了无监督学习的去噪卷积自编码器，来提取图片的特征，避免了数据标注。进而将提取的特征向量输入到预先确定的目标支持向量回归模型，实现了方便快捷的得到待检测人体的身体质量指数。综上，本发明实施例实现了便捷的确定待检测人体BMI值。
可选地，在本发明的身体质量指数预测装置的一种实施例中，装置还包括：
预处理模块，用于对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；
第一压缩特征图确定模块，用于将待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过编码器中带有注意力机制的卷积操作、激活函数以及池化操作对待处理的第一图片进行预设次数的处理，得到压缩特征图；
第二图片确定模块，用于将压缩特征图输入到预设去噪卷积自编码器中的解码器中，通过解码器中带有注意力机制的卷积操作、激活函数以及上采样操作对压缩特征图进行预设次数的处理，得到第二图片；
目标去噪卷积自编码器确定模块，用于更新预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较第二图片与第一图片之间的差异值，将第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。
可选地，在本发明的身体质量指数预测装置的一种实施例中，第一压缩特征图确定模块，具体用于：
步骤1，通过编码器中带有注意力机制的卷积操作对待处理的第一图片进行卷积处理，得到第一特征图；
步骤2，通过修正线性单元ReLU激活函数以及池化操作对第一特征图进行处理，其中，ReLU激活函数f(x)公式如下：
f(x)＝max(0,x)
其中，x表示特征图中的特征向量；
步骤3，重复执行步骤1至步骤2，直至达到预设次数；
第二图片确定模块，具体用于：
步骤4，通过解码器中带有注意力机制的卷积操作对压缩特征图进行卷积操作，得到第二特征图；
步骤5，通过ReLU激活函数以及上采样操作对第二特征图进行处理；
步骤6，重复执行步骤4至步骤5，直至达到预设次数。
可选地，在本发明的身体质量指数预测装置的一种实施例中，第一压缩特征图确定模块，具有还用于：
通过编码器中的卷积结构以及注意力机制，计算待处理的第一图片对应的特征图中每个通道的权重。
可选地，在本发明的身体质量指数预测装置的一种实施例中，装置还包括：
第二压缩特征图确定模块，用于将包含目标人员的模板图片输入到带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图；
特征向量确定模块，用于将压缩特征图转换为一维特征向量组；
目标支持向量回归模型确定模块，用于将一维特征向量及目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在预设支持向量回归模型输出的第二代价函数满足预设条件时，判定预设支持向量回归模型为目标支持向量回归模型。
第三方面，本发明实施例还公开了一种电子设备，如图8所示。图8为本发明实施例公开的一种电子设备结构示意图，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801、通信接口802、存储器803通过通信总线804完成相互间的通信；
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现以下方法步骤：
获取包含待检测人体的待处理人体图片；
将待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到待处理人体图片的特征向量；
将特征向量输入到预先确定的目标支持向量回归模型，得到待检测人体的身体质量指数。
上述电子设备提到的通信总线804可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线804可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口802用于上述电子设备与其他设备之间的通信。
存储器803可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器803还可以是至少一个位于远离前述处理器801的存储装置。
上述的处理器801可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明实施例提供的一种电子设备中，通过预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器对待处理人体图片进行处理，得到该待处理人体图片的特征向量；进而将特征向量输入到预先确定的目标支持向量回归模型，得到该待检测人体的身体质量指数。本发明实施例中使用了无监督学习的去噪卷积自编码器，来提取图片的特征，避免了数据标注。进而将提取的特征向量输入到预先确定的目标支持向量回归模型，实现了方便快捷的得到待检测人体的身体质量指数。综上，本发明实施例实现了便捷的确定待检测人体BMI值。
第四方面，本发明实施例还公开了一种计算机可读存储介质，其特征在于，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时，实现上述身体质量指数预测方法中任一的方法步骤。
本发明实施例提供了一种存储介质，通过预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器对待处理人体图片进行处理，得到该待处理人体图片的特征向量；进而将特征向量输入到预先确定的目标支持向量回归模型，得到该待检测人体的身体质量指数。本发明实施例中使用了无监督学习的去噪卷积自编码器，来提取图片的特征，避免了数据标注。进而将提取的特征向量输入到预先确定的目标支持向量回归模型，实现了方便快捷的得到待检测人体的身体质量指数。综上，本发明实施例实现了便捷的确定待检测人体BMI值。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备以及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种身体质量指数预测方法，其特征在于，所述方法包括：
获取包含待检测人体的待处理人体图片；
将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；
将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。
2.根据权利要求1所述的方法，其特征在于，所述带有注意力机制的目标去噪卷积自编码器按照以下方法步骤确定，包括：
对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；
将所述待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，得到压缩特征图；
将所述压缩特征图输入到所述预设去噪卷积自编码器中的解码器中，通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，得到第二图片；
更新所述预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较所述第二图片与所述第一图片之间的差异值，将所述第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。
3.根据权利要求2所述的方法，其特征在于，所述通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，包括：
步骤1，通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，得到第一特征图；
步骤2，通过修正线性单元ReLU激活函数以及池化操作对所述第一特征图进行处理，其中，所述ReLU激活函数f(x)公式如下：
f(x)＝max(0,x)
其中，所述x表示特征图中的特征向量；
步骤3，重复执行所述步骤1至所述步骤2，直至达到所述预设次数；
所述通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，包括：
步骤4，通过所述解码器中所述带有注意力机制的卷积操作对所述压缩特征图进行卷积操作，得到第二特征图；
步骤5，通过所述ReLU激活函数以及上采样操作对所述第二特征图进行处理；
步骤6，重复执行所述步骤4至所述步骤5，直至达到所述预设次数。
4.根据权利要求3所述的方法，其特征在于，所述通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，包括：
通过编码器中的卷积结构以及注意力机制，计算所述待处理的第一图片对应的特征图中每个通道的权重。
5.根据权利要求2所述的方法，其特征在于，所述第一代价函数如下：
其中，所述SmoothL1(x)表示第一代价函数值，所述x表示所述第二图片与所述第一图片像素值差异的和。
6.根据权利要求1所述的方法，其特征在于，所述目标支持向量回归模型按照以下方法步骤确定，包括：
将包含目标人员的模板图片输入到所述带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图；
将所述压缩特征图转换为一维特征向量；
将所述一维特征向量及所述目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在所述预设支持向量回归模型输出的第二代价函数满足预设条件时，判定所述预设支持向量回归模型为目标支持向量回归模型。
7.根据权利要求6所述的方法，其特征在于，所述第二代价函数为：
cost(x)＝max(0,|d(x)|-ε)
其中，所述d(x)表示预测BMI值与真实BMI值的差值；所述ε表示预设差值。
8.一种身体质量指数预测装置，其特征在于，所述装置包括：
图片获取模块，用于获取包含待检测人体的待处理人体图片；
特征向量确定模块，用于将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；
身体质量指数确定模块，用于将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN201811207054.XA 2018-10-17 2018-10-17 一种身体质量指数预测方法、装置、电子设备及存储介质 Pending CN109448850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811207054.XA CN109448850A (zh) 2018-10-17 2018-10-17 一种身体质量指数预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811207054.XA CN109448850A (zh) 2018-10-17 2018-10-17 一种身体质量指数预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN109448850A true CN109448850A (zh) 2019-03-08

Family

ID=65546513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811207054.XA Pending CN109448850A (zh) 2018-10-17 2018-10-17 一种身体质量指数预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109448850A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363290A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于混合神经网络模型的图像识别方法、装置及设备
CN111078895A (zh) * 2019-12-18 2020-04-28 江南大学 基于去噪卷积神经网络的远程监督实体关系抽取方法
CN111724901A (zh) * 2020-06-19 2020-09-29 中山大学 一种基于视觉的结构体参数预测方法、系统、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912790A (zh) * 2016-04-15 2016-08-31 重庆大学 基于深度回归模型的遥感水质监测方法
CN108170736A (zh) * 2017-12-15 2018-06-15 南瑞集团有限公司 一种基于循环注意力机制的文档快速扫描定性方法
US20180289334A1 (en) * 2017-04-05 2018-10-11 doc.ai incorporated Image-based system and method for predicting physiological parameters

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912790A (zh) * 2016-04-15 2016-08-31 重庆大学 基于深度回归模型的遥感水质监测方法
US20180289334A1 (en) * 2017-04-05 2018-10-11 doc.ai incorporated Image-based system and method for predicting physiological parameters
CN108170736A (zh) * 2017-12-15 2018-06-15 南瑞集团有限公司 一种基于循环注意力机制的文档快速扫描定性方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363290A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于混合神经网络模型的图像识别方法、装置及设备
CN111078895A (zh) * 2019-12-18 2020-04-28 江南大学 基于去噪卷积神经网络的远程监督实体关系抽取方法
CN111078895B (zh) * 2019-12-18 2023-04-18 江南大学 基于去噪卷积神经网络的远程监督实体关系抽取方法
CN111724901A (zh) * 2020-06-19 2020-09-29 中山大学 一种基于视觉的结构体参数预测方法、系统、装置及存储介质

Similar Documents

Publication Publication Date Title
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
Bi et al. Automatic liver lesion detection using cascaded deep residual networks
CN109035250B (zh) 建立年龄预测模型的方法及装置、年龄预测方法及装置
CN108334899A (zh) 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法
Ionescu et al. Prediction of reader estimates of mammographic density using convolutional neural networks
CN106373109A (zh) 一种医学图像模态合成的方法
Lee et al. CT image conversion among different reconstruction kernels without a sinogram by using a convolutional neural network
CN110599505A (zh) 一种器官图像分割方法、装置、电子设备和存储介质
CN109448850A (zh) 一种身体质量指数预测方法、装置、电子设备及存储介质
JP2014064941A (ja) 医療用途のデジタルｘ線画像の明るさレベルを計算する方法
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN111179247A (zh) 三维目标检测方法及其模型的训练方法及相关装置、设备
CN109118487B (zh) 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
CN112750137A (zh) 基于深度学习的肝脏肿瘤分割方法及系统
Wang et al. ECT image reconstruction algorithm based on multiscale dual-channel convolutional neural network
CN109064511B (zh) 一种人体重心高度测量方法、装置及相关设备
Saeed et al. A granular level feature extraction approach to construct hr image for forensic biometrics using small training dataset
CN113850796A (zh) 基于ct数据的肺部疾病识别方法及装置、介质和电子设备
CN113240699B (zh) 图像处理方法及装置，模型的训练方法及装置，电子设备
CN112288744A (zh) 基于整型推理量化cnn的sar图像变化检测方法
CN115346074B (zh) 训练方法、图像处理方法、装置、电子设备以及存储介质
Iskarous Detecting the edge of the tongue: A tutorial
CN115346125A (zh) 一种基于深度学习的目标检测方法
CN110570417B (zh) 肺结节分类装置及图像处理设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308