CN109871883A - 神经网络训练方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种神经网络训练方法及装置、电子设备和存储介质，所述方法包括：对多个第一样本图像进行筛选，从多个第一样本图像中确定出已标注的多个第二样本图像；根据多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，第四样本图像被标注为第一类别；根据已标注的多个第二样本图像和多个第四样本图像，训练诊断网络。根据本公开的实施例的神经网络训练方法，可对多个第一样本图像进行筛选，获得已标注的第二样本图像，可降低标注成本，并可生成第四样本图像，可增加第一类别的样本数量，扩大样本总数，并使第一类别和第二类别的样本数量均衡，提高训练效果。

Description

神经网络训练方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种神经网络训练方法及装置、电子设备和存储介质。

背景技术

在相关技术中，在训练神经网络的过程中，可能出现样本量不足和样本标注代价成本的情况，导致训练效果不佳。例如，医学图像需要专业医生标注，成本较高，且健康的人很少进行医学检查，获取医学图像，导致医学图像中的负样本数量较少，使得正负样本数量不均衡，导致训练效果较差。

发明内容

本公开提出了一种神经网络训练方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种神经网络训练方法，包括：

对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，所述多个第二样本图像被标注为第一类别或第二类别；

根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，所述第四样本图像被标注为第一类别；

根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，其中，所述诊断网络用于确定待处理图像的类别。

根据本公开的实施例的神经网络训练方法，可对多个第一样本图像进行筛选，获得已标注的第二样本图像，可降低标注成本，并可生成第四样本图像，可增加第一类别的样本数量，扩大样本总数，并使第一类别和第二类别的样本数量均衡，提高训练效果。

在一种可能的实现方式中，所述多个第一样本图像包括已标注的样本图像和未标注的样本图像，已标注的样本图像组成第一训练集，未标注的样本图像组成第二训练集，

其中，对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，包括：

根据所述第一训练集训练样本选择网络，得到当前训练状态的样本选择网络；

通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像；

将已标注的多个第五样本图像加入所述第一训练集，并将所述多个第五样本图像从所述第二训练集中去除；

根据所述第一训练集再次训练所述样本选择网络，得到下一个训练状态的样本选择网络；

在满足预设的第一训练条件的情况下，得到目标状态的第一训练集，所述目标状态的第一训练集中包括已标注的多个第二样本图像。

通过这种方式，可通过样本选择网络筛选出第二样本图像，降低标注人员的工作量，降低标注成本，迅速增加已标注的样本图像的数量。

在一种可能的实现方式中，通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像，包括：

通过样本选择网络对第二训练集的多个样本图像分别进行处理，获得各个样本图像属于第一类别的第一概率及属于第二类别的第二概率；

根据所述第一概率和第二概率，分别确定第二训练集的多个样本图像的信息熵；

根据多个样本图像的信息熵，从第二训练集的多个样本图像中确定所述第五样本图像。

通过这种方式，可根据信息熵筛选出待标注的第五样本图像，降低标注成本。

在一种可能的实现方式中，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，通过数据增强网络生成多个第四样本图像，

其中，所述方法还包括：

通过预训练的判别网络以及被标注为第一类别的第三样本图像训练所述数据增强网络。

在一种可能的实现方式中，通过预训练的判别网络和被标注为第一类别的第三样本图像训练所述数据增强网络，包括：

通过数据增强网络对随机噪声信号进行处理，获得第一噪声图像；

将第一噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第一噪声图像的真实性判别结果，其中，所述真实性判别结果包括真实图像或生成图像；

在所述第一噪声图像的真实性判别结果为生成图像的情况下，根据所述真实性判别结果，确定所述数据增强网络的网络损失；

根据所述网络损失，调整所述数据增强网络的网络参数。

在一种可能的实现方式中，通过预训练的判别网络和被标注为第一类别的第三样本图像训练所述数据增强网络，包括：

在所述第一噪声图像的真实性判别结果为真实图像的情况下，获得训练后的数据增强网络。

通过这种方式，可通过判别网络来确定数据增强网络生成的第四样本图像的质量，加快数据增强网络的训练速度，提高数据增强网络的鲁棒性，并可利用生成第四样本图像的方式增加第一类别的样本数量，避免正负样本数量不平衡。

在一种可能的实现方式中，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，包括：

通过训练后的数据增强网络对随机噪声信号进行处理，获得第二噪声图像；

将所述第二噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第二噪声图像的真实性判别结果；

在所述第二噪声图像的真实性判别结果为真实图像的情况下，将所述第二噪声图像确定为所述第四样本图像。

在一种可能的实现方式中，所述诊断网络包括特征提取网络和分类网络。

在一种可能的实现方式中，根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，包括：

通过多个第六样本图像训练所述特征提取网络；

将所述第二样本图像或第四样本图像输入训练后的特征提取网络进行处理，获得第二特征图像；

根据所述第二特征图像，训练分类网络。

在一种可能的实现方式中，通过多个第六样本图像训练所述特征提取网络，包括：

将第六样本图像输入特征提取网络进行处理，获得第一特征图像；

将所述第一特征图像输入解码网络进行处理，获得解码图像；

根据所述解码图像和所述第六样本图像，确定所述解码网络和所述特征提取网络的综合网络损失；

根据所述综合网络损失调整所述解码网络和所述特征提取网络的网络参数；

在满足预设的第二训练条件的情况下，获得训练后的特征提取网络和解码网络。

在一种可能的实现方式中，根据所述第二特征图像，训练分类网络，包括：

将所述第二特征图像输入分类网络进行处理，获得第二特征图像的类别；

根据第二特征图像的类别以及第二样本图像或第四样本图像的标注类别，确定分类网络的网络损失；

根据所述分类网络的网络损失对分类网络的网络参数进行调整；

在满足预设的第三训练条件的情况下，获得训练后的分类网络。

根据本公开的另一方面，提供了一种图像处理方法，包括：

将待处理图像输入所述神经网络训练方法训练后的诊断网络进行处理，获得所述待处理图像的类别。

根据本公开的另一方面，提供了一种神经网络训练装置，包括：

筛选模块，用于对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，所述多个第二样本图像被标注为第一类别或第二类别；

生成模块，用于根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，所述第四样本图像被标注为第一类别；

第一训练模块，用于根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，其中，所述诊断网络用于确定待处理图像的类别。

在一种可能的实现方式中，所述多个第一样本图像包括已标注的样本图像和未标注的样本图像，已标注的样本图像组成第一训练集，未标注的样本图像组成第二训练集，

其中，所述筛选模块被进一步配置为：

根据所述第一训练集训练样本选择网络，得到当前训练状态的样本选择网络；

通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像；

将已标注的多个第五样本图像加入所述第一训练集，并将所述多个第五样本图像从所述第二训练集中去除；

根据所述第一训练集再次训练所述样本选择网络，得到下一个训练状态的样本选择网络；

在满足预设的第一训练条件的情况下，得到目标状态的第一训练集，所述目标状态的第一训练集中包括已标注的多个第二样本图像。

在一种可能的实现方式中，所述筛选模块被进一步配置为：

通过样本选择网络对第二训练集的多个样本图像分别进行处理，获得各个样本图像属于第一类别的第一概率及属于第二类别的第二概率；

根据所述第一概率和第二概率，分别确定第二训练集的多个样本图像的信息熵；

根据多个样本图像的信息熵，从第二训练集的多个样本图像中确定所述第五样本图像。

在一种可能的实现方式中，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，通过数据增强网络生成多个第四样本图像，

其中，所述装置还包括：

第二训练模块，用于通过预训练的判别网络以及被标注为第一类别的第三样本图像训练所述数据增强网络。

在一种可能的实现方式中，所述第二训练模块被进一步配置为：

通过数据增强网络对随机噪声信号进行处理，获得第一噪声图像；

将第一噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第一噪声图像的真实性判别结果，其中，所述真实性判别结果包括真实图像或生成图像；

在所述第一噪声图像的真实性判别结果为生成图像的情况下，根据所述真实性判别结果，确定所述数据增强网络的网络损失；

根据所述网络损失，调整所述数据增强网络的网络参数。

在一种可能的实现方式中，所述第二训练模块被进一步配置为：

在所述第一噪声图像的真实性判别结果为真实图像的情况下，获得训练后的数据增强网络。

在一种可能的实现方式中，所述生成模块被进一步配置为：

通过训练后的数据增强网络对随机噪声信号进行处理，获得第二噪声图像；

将所述第二噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第二噪声图像的真实性判别结果；

在所述第二噪声图像的真实性判别结果为真实图像的情况下，将所述第二噪声图像确定为所述第四样本图像。

在一种可能的实现方式中，所述诊断网络包括特征提取网络和分类网络。

在一种可能的实现方式中，所述第一训练模块被进一步配置为：

通过多个第六样本图像训练所述特征提取网络；

将所述第二样本图像或第四样本图像输入训练后的特征提取网络进行处理，获得第二特征图像；

根据所述第二特征图像，训练分类网络。

在一种可能的实现方式中，所述第一训练模块被进一步配置为：

将第六样本图像输入特征提取网络进行处理，获得第一特征图像；

将所述第一特征图像输入解码网络进行处理，获得解码图像；

根据所述解码图像和所述第六样本图像，确定所述解码网络和所述特征提取网络的综合网络损失；

根据所述综合网络损失调整所述解码网络和所述特征提取网络的网络参数；

在满足预设的第二训练条件的情况下，获得训练后的特征提取网络和解码网络。

在一种可能的实现方式中，所述第一训练模块被进一步配置为：

将所述第二特征图像输入分类网络进行处理，获得第二特征图像的类别；

根据第二特征图像的类别以及第二样本图像或第四样本图像的标注类别，确定分类网络的网络损失；

根据所述分类网络的网络损失对分类网络的网络参数进行调整；

在满足预设的第三训练条件的情况下，获得训练后的分类网络。

根据本公开的另一方面，提供了一种图像处理装置，包括：

获得模块，用于将待处理图像输入所述神经网络训练装置训练后的诊断网络进行处理，获得所述待处理图像的类别。

根据本公开的另一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的神经网络训练方法的流程图；

图2示出根据本公开实施例的神经网络训练方法的流程图；

图3示出根据本公开实施例的生成第四样本图像的示意图；

图4示出根据本公开实施例的训练特征提取网络的示意图；

图5示出根据本公开实施例的图像处理方法的示意图；

图6示出根据本公开实施例的神经网络训练方法的应用示意图；

图7示出根据本公开实施例的神经网络训练装置的框图；

图8示出根据本公开实施例的神经网络训练装置的框图；

图9示出根据本公开实施例的电子设备的框图；

图10示出根据本公开实施例的电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的神经网络训练方法的流程图，如图1所示，所述方法包括：

在步骤S11中，对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，所述多个第二样本图像被标注为第一类别或第二类别；

在步骤S12中，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，所述第四样本图像被标注为第一类别；

在步骤S13中，根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，其中，所述诊断网络用于确定待处理图像的类别。

根据本公开的实施例的神经网络训练方法，可对多个第一样本图像进行筛选，获得已标注的第二样本图像，可降低标注成本，并可生成第四样本图像，可增加第一类别的样本数量，扩大样本总数，并使第一类别和第二类别的样本数量均衡，提高训练效果。

在一种可能的实现方式中，所述神经网络训练方法可以由终端设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，所述神经网络训练方法通过服务器执行。

在一种可能的实现方式中，第一样本图像可以是医学图像，例如，获取的青光眼患者或疑似青光眼患者的眼部的医学图像，为鉴别所述医学图像中的眼部是否患有青光眼，需要专业医生进行诊断和标注，因此，对医学图像的标注成本较高。在示例中，第一样本图像可具有两个类别，即，第一类别和第二类别，例如，第一样本图像为眼部医学图像，第一类别为非青光眼患者的眼部医学图像，第二类别为青光眼患者的眼部医学图像。第一样本图像还可以是其他图像，例如人脸图像、动物或植物图像、景物图像、物品图像或其他医学图像，且第一样本图像的标注成本较高，例如，如果第一样本图像为动物或植物图像，则需要专业的生物学家进行鉴别和标注，标注成本较高，本公开对第一样本图像的类型不做限制。

在一种可能的实现方式中，为降低标注成本，可对多个第一样本图像进行筛选，并对筛选出的样本图像进行标注，还可循环执行筛选和标注的步骤，逐步扩大已标注的样本图像的数量。

在一种可能的实现方式中，在步骤S11中，可首先标注少量第一类别的第一样本图像和第二类别的第一样本图像，其中，第一类别和第二类别的第一样本图像数量相等或近似，以使得正负样本数量均衡，即，第一类别的第一样本图像(负样本)和第二类别的第一样本图像(正样本)的数量均衡。例如，可由医生标注5个青光眼患者的眼部医学图像和5个非青光眼患者的眼部医学图像。在标注后，所述多个第一样本图像包括已标注的样本图像和未标注的样本图像，已标注的样本图像组成第一训练集，未标注的样本图像组成第二训练集，例如，第一样本图像可包括1000个眼部医学图像，已对10个样本进行标注，已标注的10个眼部医学图像组成第一训练集，未标注990个的眼部医学图像组成第二训练集。

在一种可能的实现方式中，步骤S11包括：根据所述第一训练集训练样本选择网络，得到当前训练状态的样本选择网络；通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像；将已标注的多个第五样本图像加入所述第一训练集，并将所述多个第五样本图像从所述第二训练集中去除；根据所述第一训练集再次训练所述样本选择网络，得到下一个训练状态的样本选择网络；在满足预设的第一训练条件的情况下，得到目标状态的第一训练集，所述目标状态的第一训练集中包括已标注的多个第二样本图像。

在一种可能的实现方式中，所述样本选择网络可以是由特征提取网络和分类网络组成的神经网络，也可以是其他能够判别输入的第一样本图像属于第一类别还是第二类别的神经网络，本公开对样本选择网络的类型不作限制。在示例中，可向样本选择网络输入未标注的样本图像，样本选择网络可输出该样本图像属于第一类别的第一概率以及属于第二类别的第二概率，如果第一概率大于或等于50％，则判断输入的样本图像属于第一类别，否则，判断输入的样本图像属于第二类别。

在一种可能的实现方式中，可使用第一训练集训练所述样本选择网络，获得当前训练状态的样本选择网络，在示例中，第一训练集中可包括由医生标注的5个青光眼患者的眼部医学图像(第二类别)和5个非青光眼患者的眼部医学图像(第一类别)，可使用这10个图像对样本选择网络进行训练。例如，可将第一训练集中的任一样本图像输入样本选择网络，样本选择网络可输出该样本图像属于第一类别的第一概率和属于第二类别的第二概率，可根据该样本图像的标注以及第一概率或第二概率确定样本选择网络的网络损失，例如，该样本图像被标注为第一类别(例如，可标注属于第一类别的概率为100％，属于第二类别的概率为0)，样本选择网络输出的该样本图像的第一概率为60％，第二概率为40％，则样本选择网络输出的概率和标注的概率之间存在差异，可根据该差异确定样本选择网络的网络损失，并可对网络损失进行反向传播，以调整样本选择网络的网络参数。在示例中，可将第一训练集中的10个图像全部输入样本选择网络，即，对样本选择网络的网络参数调整10次，获得当前训练状态的样本选择网络。

在一种可能的实现方式中，可将第二训练集中的多个未标注的样本图像分别输入样本选择网络，可通过样本选择网络针对每个样本图像输出的第一概率和第二概率来筛选出第五样本图像。

在一种可能的实现方式中，通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像，包括：通过样本选择网络对第二训练集的多个样本图像分别进行处理，获得各个样本图像属于第一类别的第一概率及属于第二类别的第二概率；根据所述第一概率和第二概率，分别确定第二训练集的多个样本图像的信息熵；根据多个样本图像的信息熵，从第二训练集的多个样本图像中确定所述第五样本图像。

在一种可能的实现方式中，可将第二训练集中的多个未标注的样本图像分别输入样本选择网络，样本选择网络可分别输出每个样本图像的类别，例如，输出每个样本图像属于第一类别的第一概率以及属于第二类别的第二概率，可根据第一概率和第二概率从第二训练集中筛选出部分样本图像，即，筛选出第五样本图像。

在一种可能的实现方式中，样本选择网络针对每个样本图像输出的第一概率和第二概率之间的差距可能较大，也可能较小。例如，样本选择网络针对某个样本图像输出的第一概率为85％，第二概率为15％，该样本图像属于第一类别的特征较明显，容易识别出该样本图像属于第一类别，则该样本图像具有的信息量较小，对样本选择网络的训练作用较小。又例如，样本选择网络针对另一样本图像输出的第一概率为51％，第二概率为49％，该样本图像属于第一类别和属于第二类别的特征均不明显，不易识别出该样本图像的类别，则该样本图像具有的信息量较大，对样本选择网络的训练作用较大，即，如果对该样本图像进行标注，并使用该样本图像训练样本选择网络，则样本选择网络通过该样本图像可一次获得较多的信息，或者可一次获得较多的区分样本图像类别的特征。可从第二训练集中筛选出具有信息量较大的样本图像。

在一种可能的实现方式中，可通过第二训练集中的各样本图像的信息熵来筛选出具有信息量较大的样本图像，各样本图像的信息熵可通过以下公式(1)来确定：

其中，H为信息熵，n为类别数量，在示例中，n为2，即，共有第一类别和第二类别两个类别，c_j为第一类别或第二类别，y为样本选择网络确定的样本图像x的类别，p(y＝c_j|x)为样本选择网络确定的样本图像x属于c_j类别的概率。根据公式(1)，如果第一概率和第二概率接近，即，第一概率和第二概率均接近50％，则信息熵较大，如果第一概率和第二概率差距较大，则信息熵较小。

在一种可能的实现方式中，可根据各样本图像的信息熵来筛选第五样本图像，例如，可从第二训练集中的多个样本图像中，选取信息熵大于或等于预定信息熵阈值的多个样本图像，作为第五样本图像，或者，按照信息熵对多个样本图像进行排列(降序排列)，并选取前K(K为正整数)个样本图像作为第五样本图像，本公开对选取第五样本图像的方式不做限制。

在一种可能的实现方式中，可对筛选出的第五样本图像进行标注，将标注后的第五样本图像加入第一训练集，并将第五样本图像从第二训练集中去除，第一训练集中的已标注的样本图像的数量增加，第二训练集中的未标注的样本图像数量减少。在示例中，第一样本图像为眼部医学图像，由专业医生对筛选出的第五样本图像进行标注，可减少待标注的样本图像的数量，减少标注人员的工作量，降低标注成本。

在一种可能的实现方式中，在第一样本图像中的已标注的样本图像的数量增加后，可再次利用第一训练集训练样本选择网络。在示例中，可利用新增加的第五样本图像再次训练样本选择网络，例如，新增加K个第五样本图像，可利用新增加的K各第五样本图像来训练样本选择网络，即，将样本选择网络的网络参数更新K次，获得下一个训练状态的样本选择网络。

在一种可能的实现方式中，再次训练样本选择网络后，所述下一个训练状态的样本选择网络即为当前训练状态的样本选择网络，可确定当前训练状态的样本选择网络或第一训练集是否满足第一训练条件。在示例中，所述第一训练条件可包括第一训练集中的已标注的样本图像的数量，如果第一训练集中的已标注的样本图像的数量达到预定数量，则满足第一训练条件。

在示例中，所述第一训练条件可包括使用样本选择网络的确定验证集中的样本图像的类别的正确率是否达到预定正确率，可使用样本选择网络确定验证集中的各样本图像的类别，其中，验证集可以是由多个已标注的样本图像组成的图像集，可利用当前训练状态的样本选择网络确定验证集中的各样本图像的类别，并根据样本选择网络的判断结果和验证集中各样本图像的标注来确定样本选择网络的判断正确率，在判断正确率大于或等于预定正确率的情况下，样本选择网络的拟合优度满足第一训练条件。在示例中，第一训练条件还可包括验证集中的各样本图像的信息熵，在样本选择网络的判断正确率大于或等于预定正确率的情况下，根据样本选择网络的输出结果确定的各样本图像的信息熵均小于或等于信息熵阈值(即，样本选择网络的判断结果的准确度较高，较少出现第一概率和第二概率接近而难以确定样本图像类别的情况)，则样本选择网络满足第一训练条件。

在一种可能的实现方式中，如果不满足预设的第一训练条件，则可迭代执行从第二训练集中筛选并标注第五样本图像以增加第一训练集的样本图像数量，以及利用样本图像数量增加后的第一训练集训练样本选择网络的过程，直到满足预设的第一训练条件为止。

在一种可能的实现方式中，如果第一训练集中的已标注的样本图像的数量满足第一训练条件，可获得目标状态的第一训练集，即，具有足够多的样本图像数量的第一训练集。如果样本选择网络满足第一训练条件，则样本选择网络的拟合优度较高，使用样本选择网络确定未标注的样本图像的类别的正确率较高，且根据样本选择网络的输出确定的各样本图像的信息熵较低(即，第一概率和第二概率差距较大，容易识别样本图像的类别)，可利用样本选择网络对第二训练集中的剩余的未标注样本图像进行处理，并根据样本选择网络的输出结果对未标注样本图像进行标注，以进一步扩大第一训练集中的样本图像的数量。其中，第一训练集中的已标注的样本图像即为所述第二样本图像。

通过这种方式，可通过样本选择网络筛选出第二样本图像，降低标注人员的工作量，降低标注成本，迅速增加已标注的样本图像的数量。

在一种可能的实现方式中，在步骤S12中，为扩大样本图像的数量并使正负样本数量平衡，可通过数据增强网络生成第四样本图像，即，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，通过数据增强网络生成多个第四样本图像。在示例中，所述数据增强网络可以和判别网络构成深度卷积生成式对抗网络(Deep ConvolutionalGenerative Adversarial Networks，DCGAN)。所述数据增强网络可以是卷积神经网络等神经网络，本公开对数据增强网络的类型不作限制，数据增强网络可对随机噪声进行处理，以生成第四样本图像。判别网络可确定生成的第四样本图像的真实性判别结果，所述判别网络可以是卷积神经网络等神经网络，本公开对判别网络的类型不作限制。如果真实性判别结果为真实图像，则生成的第四样本图像与扫描或拍摄获得的真实图像一致或相似，判别网络无法区分该图像为人工生成的图像，即，生成的第四样本图像质量较高，可以作为样本图像使用。如果生成的第四样本图像的真实性判别结果为生成图像，则生成的第四样本图像质量差，与实际拍摄或扫描获得的图像差异较大，不可作为样本图像使用。

在一种可能的实现方式中，可在使用数据增强网络生成第四样本图像之前，对数据增强网络进行训练。

图2示出根据本公开实施例的神经网络训练方法的流程图，如图2所示，所述方法还包括：

在步骤S14中，通过预训练的判别网络以及被标注为第一类别的第三样本图像训练所述数据增强网络。

在一种可能的实现方式中，所述判别网络可以是预训练的神经网络，可用于判别输入的图像是真实获取的图像(例如，真实拍摄到的图像或真实扫描获得的图像)还是人工生成的图像(例如，通过软件绘制等方式生成的图像)，所述判别网络的输出可以是输入图像为真实获取的图像的概率，可通过所述概率来确定真实性判别结果，例如，当输入图像为真实获取的图像的概率大于或等于50％时，真实性判别结果为真实图像，当输入图像为真实获取的图像的概率小于50％时，真实性判别结果为生成图像。

在一种可能的实现方式中，步骤S14可包括：通过数据增强网络对随机噪声信号进行处理，获得第一噪声图像；将第一噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第一噪声图像的真实性判别结果，其中，所述真实性判别结果包括真实图像或生成图像；在所述第一噪声图像的真实性判别结果为生成图像的情况下，根据所述真实性判别结果，确定所述数据增强网络的网络损失；根据所述网络损失，调整所述数据增强网络的网络参数。

在一种可能的实现方式中，可通过随机噪声发生器等装置产生随机噪声信号，或者，可使用伪随机数算法等方法产生随机噪声信号，本公开对产生随机噪声信号的方法不做限制。可将随机噪声信号输入数据增强网络进行处理，获得第一噪声图像，第一噪声图像为数据增强网络的输出图像，该输出图像与真实拍摄到的图像或真实扫描获得的图像可具有一定差异。

在一种可能的实现方式中，可从所述第一训练集中选取多个被标注为第一类别的样本图像，即，第三样本图像，可将多个第三样本图像作为参考。可将第一噪声图像和多个第三样本图像输入判别网络。所述判别网络可以以第三样本图像为依据，确定第一噪声图像为真实图像的概率。在示例中，可以以多个第三样本图像为依据，通过特征提取处理提取多个第三样本图像的特征图，并获取第三样本图像的多种特征(例如，结构、形态、尺寸、色度值、亮度值、灰度值等特征)，即，真实图像的多种特征，进一步地，可以以真实图像的多种特征为依据，确定生成的第一噪声图像与真实图像的特征的相似度。在示例中，可提取第一噪声图像的特征图，并获取第一噪声图像的多种特征，以将第一噪声图像的多种特征与真实图像的多种特征分别进行比较，以确定特征相似度，可将所述特征相似度确定为第一噪声图像为真实图像的概率。在示例中，如果第一噪声图像为真实图像的概率大于或等于50％，则真实性判别结果为真实图像，如果第一噪声图像为真实图像的概率小于50％，则真实性判别结果为输出图像，需要对数据增强网络的网络参数进行调整。

在一种可能的实现方式中，可根据判别网络输出的第一噪声图像为真实图像的概率来确定数据增强网络的网络损失，在示例中，所述数据增强网络的网络损失可根据以下公式(2)来确定：

L_gan＝∑_i∑_j[logD(x_i)+log(1-D(G(z_j)))] (2)

其中，L_gan为数据增强网络的网络损失，x_i为第i个第三样本图像，z_j为第j次生成的随机噪声信号，G(z_j)为数据增强网络基于z_j生成的第一噪声图像，D(x_i)为判别网络针对第三样本图像x_i输出的概率，D(G(z_j))为判别网络针对第一噪声图像G(z_j)输出的概率。

在一种可能的实现方式中，可根据所述网络损失，调整数据增强网络的网络参数。在示例中，可按照以下目标函数(3)调整数据增强网络的网络参数：

T＝min_G max_D L_gan (3)

其中，T为所述目标函数，可用于表示对网络参数的调整方向，可表示使判别网络输出的第一噪声图像为真实图像的概率最大化，可表示使数据增强网络的网络损失最小化，根据公式(3)，可在调整网络参数的过程中，使判别网络输出的概率最大化的同时，使数据增强网络的网络损失最小化。

在示例中，可通过目标函数确定数据增强网络的各参数的梯度，并利用梯度下降法(例如，随机梯度下降法)将网络损失进行反向传播，以调整生成网络的网络参数，可减小计算量，防止过拟合。通过调整网络参数，可获得调整后的数据增强网络。

在一种可能的实现方式中，在调整网络参数后，再次向数据增强网络输入随机噪声，生成第一噪声图像，并由判别网络确定第一噪声图像的真实性判别结果，如果真实性判别结果仍为生成图像，则继续迭代执行上述训练过程。

在一种可能的实现方式中，通过预训练的判别网络和被标注为第一类别的第三样本图像训练所述数据增强网络，包括：在所述第一噪声图像的真实性判别结果为真实图像的情况下，获得训练后的数据增强网络。在示例中，如果真实性判别结果为真实图像，则第一噪声图像与第三样本图像(即，真实获取的图像)之间的差别较小，数据增强网络生成的第一噪声图像与真实获取的图像一致或接近，判别网络已无法分辨出第一噪声图像为生成的图像还是真实获取的图像，训练后的数据增强网络的拟合优度较高，可用于生成第四样本图像。

在一种可能的实现方式中，可使用训练后的数据增强网络对随机噪声信号进行处理，获得第四样本图像，由于第四样本图像与被标注为第一类别的第三样本图像一致或相似，因此，第四样本图像也可被标注为第一类别。在示例中，第一样本图像为眼部医学图像，第一类别的第一样本图像为非青光眼患者的眼部医学图像，第二类别的第一样本图像为青光眼患者的眼部医学图像，由于非青光眼患者很少进行医学检查，导致非青光眼患者的眼部医学图像数量较少，训练过程中，正负样本数量不均衡，导致训练效果不佳。可通过数据增强网络生成第一类别的第四样本图像，以补充第一类别的样本图像数量，使正负样本数量均衡，提升训练效果。在示例中，第一类别也可以是青光眼患者的眼部医学图像，本公开对第一类别与第二类别代表的样本图像的类型不做限制。

在一种可能的实现方式中，步骤S12包括：通过训练后的数据增强网络对随机噪声信号进行处理，获得第二噪声图像；将所述第二噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第二噪声图像的真实性判别结果；在所述第二噪声图像的真实性判别结果为真实图像的情况下，将所述第二噪声图像确定为所述第四样本图像。

图3示出根据本公开实施例的生成第四样本图像的示意图，如图3所示，可将随机噪声信号z输入训练后的数据增强网络，获得第二噪声图像。

在一种可能的实现方式中，可将第二噪声图像与被标注为第一类别的第三样本图像输入判别网络，判别网络可输出第二噪声图像的真实性判别结果。在示例中，判别网络可根据第二噪声图像的特征与第三样本图像的特征之间的相似度，确定第二噪声图像为真实图像的概率，在第二噪声图像为真实图像的概率大于或等于50％的情况下，第二噪声图像的真实性判别结果为真实图像，否则为生成图像。

在一种可能的实现方式中，在第二噪声图像的真实性判别结果为真实图像的情况下，将所述第二噪声图像确定为所述第四样本图像，第四样本图像可作为第一类别的样本图像，来增加样本图像的数量。

在一种可能的实现方式中，如果第二噪声图像的真实性判别结果为生成图像，可再次训练生成网络。或者，如果第二噪声图像为真实图像的概率接近50％(例如，在50％的某个邻域内)，即，难以区分第二噪声图像为真实图像还是生成图像，则再次训练生成网络。

在一种可能的实现方式中，也可不使用判别网络，直接通过训练后的数据增强网络直接生成第四样本图像。

通过这种方式，可通过判别网络来确定数据增强网络生成的第四样本图像的质量，加快数据增强网络的训练速度，提高数据增强网络的鲁棒性，并可利用生成第四样本图像的方式增加第一类别的样本数量，避免正负样本数量不平衡。

在一种可能的实现方式中，在步骤S13中，可使用已标注的第二样本图像和数据增强网络生成的第四样本图像训练诊断网络。

在第二样本图像中，包括被标注为第一类别的样本图像和被标注为第二类别的样本图像，第四样本图像被标注为第一类别。所述诊断网络可用于判断输入诊断网络的图像属于第一类别还是第二类别，其中，诊断网络可以是卷积神经网络等神经网络，本公开对诊断网络的类型不作限制。

在一种可能的实现方式中，所述诊断网络包括特征提取网络和分类网络。所述特征提取网络可用于获取输入诊断网络的图像的特征，所述分类网络可用于根据所述特征判断输入诊断网络的图像属于第一类别还是第二类别。在示例中，输入诊断网络的图像的特征可包括特征图或特征向量等，本公开对特征不做限制。

在一种可能的实现方式中，步骤S13可包括：通过多个第六样本图像训练所述特征提取网络；将所述第二样本图像或第四样本图像输入训练后的特征提取网络进行处理，获得第二特征图像；根据所述第二特征图像，训练分类网络。

在一种可能的实现方式中，第六样本图像可以是任意图像，通过多个第六样本图像训练所述特征提取网络，包括：将第六样本图像输入特征提取网络进行处理，获得第一特征图像；将所述第一特征图像输入解码网络进行处理，获得解码图像；根据所述解码图像和所述第六样本图像，确定所述解码网络和所述特征提取网络的综合网络损失；根据所述综合网络损失调整所述解码网络和所述特征提取网络的网络参数；在满足预设的第二训练条件的情况下，获得训练后的特征提取网络和解码网络。

图4示出根据本公开实施例的训练特征提取网络的示意图，如图4所示，可将任一第六样本图像输入特征提取网络进行特征提取处理，获得第一特征图像F，并将第一特征图像F输入解码网络，获得解码图像。所述解码图像为解码网络的输出图像，与第六样本图像存在差异，可根据该差异确定特征提取网络和解码网络的综合网络损失。

在一种可能的实现方式中，所述综合网络损失可通过以下公式(4)来确定：

其中，J_AE为所述综合网络损失，a_k为第六样本图像的第k个像素点，b_k为解码图像的第k个像素点，m为第六样本图像或解码图像的像素点总数，W为正则化项，λ为正则化系数，W与λ可避免在迭代训练过程中出现过拟合的情况。

在一种可能的实现方式中，可按照使综合网络损失最小化的方向来调整解码网络和特征提取网络的网络参数，在示例中，可使用梯度下降法进行综合网络损失的反向传播，来调整解码网络和特征提取网络的网络参数。

在一种可能的实现方式中，第二训练条件可包括调整次数和综合网络损失的大小或敛散性等条件。可对特征提取网络输入预定数量的第六样本图像，以将特征提取网络训练预定次数，当调整次数达到预定次数时，即为满足第二训练条件。也可不限定训练次数，在综合网络损失降低到一定程度或收敛于某个区间内时，满足第二训练条件。

在一种可能的实现方式中，在特征提取网络和解码网络训练完成后，将第六样本图像输入特征提取网络，解码网络输出的解码图像与第六样本图像一致或相似。在训练完成后，特征提取网络可用于对输入的图像进行特征提取处理。

在一种可能的实现方式中，可将第二样本图像或第四样本图像中的任意一个输入训练后的特征提取网络，特征提取网络可对输入的图像进行特征提取处理，获得第二特征图像。

在一种可能的实现方式中，根据所述第二特征图像，训练分类网络，包括：将所述第二特征图像输入分类网络进行处理，获得第二特征图像的类别；根据第二特征图像的类别以及第二样本图像或第四样本图像的标注类别，确定分类网络的网络损失；根据所述分类网络的网络损失对分类网络的网络参数进行调整；在满足预设的第三训练条件的情况下，获得训练后的分类网络。

在一种可能的实现方式中，可将第二特征图像输入分类网络，分类网络可对第二特征图像进行处理，获得第二特征图像的类别。在示例中，分类网络可输出第二特征图像属于第一类别的概率和/或第二特征图像属于第二类别的概率。在第二特征图像属于第一类别的概率大于或等于50％的情况下，可确定第二特征图像属于第一类别，否则，第二特征图像书与第二类别。

在一种可能的实现方式中，可根据第二特征图像的类别以及第二样本图像或第四样本图像的标注类别，确定分类网络的网络损失。在示例中，第二样本图像可以以概率的形式进行标注，例如，第二样本图像属于第一类别的概率为100％，则第二样本图像属于第一类别，第二样本图像属于第一类别的概率为0，则第二样本图像属于第二类别。第四样本图像可标注为属于第一类别的概率为100％。

在一种可能的实现方式中，可根据分类网络输出的概率和标注的概率之间的差异确定分类网络的网络损失，还可对分类网络的网络损失进行正则化处理，以避免在迭代训练分类网络的过程中，分类网络出现过拟合的情况。

在一种可能的实现方式中，可根据分类网络的网络损失对分类网络的网络参数进行调整。可按照使分类网络的网络损失最小化的方向调整分类网络的网络参数，在示例中，可使用梯度下降法将分类网络的网络损失进行反向传播，以调整分类网络的网络参数。

在一种可能的实现方式中，第三训练条件可包括调整次数和网络损失的大小或敛散性等条件。可对特征提取网络输入预定数量的第二样本图像或第四样本图像，以将分类网络训练预定次数，当调整次数达到预定次数时，即为满足第三训练条件。也可不限定训练次数，在网络损失降低到一定程度或收敛于某个区间内时，满足第三训练条件，获得训练后的分类网络。

在一种可能的实现方式中，可使用训练后的特征提取网络和训练后的分类网络(即，训练后的诊断网络)，来确定输入图像的类别。

图5示出根据本公开实施例的图像处理方法的示意图，如图5所示，所示图像处理方法包括：将待处理图像输入所述神经网络训练方法训练后的诊断网络进行处理，获得所述待处理图像的类别。

在一种可能的实现方式中，可使用训练后的诊断网络(即，训练后的特征提取网络和训练后的分类网络)来确定待处理图像的类别。可将待处理图像输入特征提取网络，获得待处理图像的特征图像，并可将待处理图像的特征图像输入分类网络，获得待处理图像的类别。在示例中，分类网络可输出待处理图像属于第一类别的概率和待处理图像属于第二类别的概率。

在示例中，待处理图像为眼部医学图像，诊断网络可判断该眼部医学图像属于青光眼患者的眼部医学图像(第二类别)还是非青光眼患者的眼部医学图像(第一类别)。

根据本公开的实施例的神经网络训练方法，可通过样本选择网络筛选出第二样本图像，降低标注人员的工作量，降低标注成本，迅速增加已标注的样本图像的数量，并可通过判别网络来确定数据增强网络生成的第四样本图像的质量，加快数据增强网络的训练速度，提高数据增强网络的鲁棒性，进一步地，可生成第四样本图像，可增加第一类别的样本数量，扩大样本总数，并使第一类别和第二类别的样本数量均衡，提高训练效果。

图6示出根据本公开实施例的神经网络训练方法的应用示意图，如图6所示，可获得多个第一样本图像，所述第一样本图像为眼部医学图像。为降低眼部医学图像的标注成本，可使用样本选择网络对第一样本图像进行筛选。

在一种可能的实现方式中，如图6的P1部分所示，可由医生从第一样本图像中选择5个青光眼患者的眼部医学图像(第二类别)和5个非青光眼患者的眼部医学图像(第一类别)进行标注，并组成第一训练集。第一样本图像中剩余的样本图像组成第二训练集。

在一种可能的实现方式中，可使用第一训练集训练样本选择网络，并将第二训练集中的样本图像输入样本选择网络进行处理，获得第二训练集中各样本图像属于第一类别的概率以及属于第二类别的概率，并根据公式(1)确定各样本图像的信息熵，通过信息熵筛选待标注的第五样本图像，并由医生对第五样本图像进行标注。可将标注好的第五样本图像添加至第一训练集，同时从第二训练集中去除第五样本图像。在第一训练集的样本图像数量增加后，可再次使用第一训练集训练样本选择网络。可迭代执行筛选出第五样本图像，增加第一训练集中的样本图像数量以及训练样本选择网络的过程，直到第一训练集中的样本图像数量满足第一训练条件。

在一种可能的实现方式中，如图6的P2部分所示，可从第一训练集中选择出非青光眼患者的眼部医学图像(第一类别)的第三样本图像，并通过数据增强网络对随机噪声信号进行处理，获得第一噪声信号，进一步地，可将第一噪声信号和第三年样本图像输入判别网络进行处理，并根据公式(2)确定数据增强网络的网络损失，以调整数据增强网络的网络参数，在判别网络将第一噪声图像判断为真实图像后，数据增强网络训练完成。可使用数据增强网络生成第二噪声图像，可将第二噪声图像输入判别网络，如果第二噪声图像的真实性判别结果为真实图像，可将第二噪声图像确定为第四样本图像，可迭代执行生成第四样本图像的步骤，直到第二样本图像和第四样本图像组成的图像集中正负样本图像数量平衡。

在一种可能的实现方式中，如图6的P3部分所示，可使用任意样本图像(第六样本图像)训练特征提取网络，在示例中，可将任一第六样本图像输入特征提取网络，获得第六样本图像的第一特征图像，并由解码网络对第一特征图像进行处理，获得解码图像。可根据解码图像与第六特征图像的差异获得特征提取网络和解码网络的综合网络损失J_AE，并可根据综合网络损失调整特征提取网络和解码网络的网络参数，直到满足第二训练条件，获得训练后的特征提取网络和解码网络。

在一种可能的实现方式中，如图6的P4部分所示，可使用第二样本图像和第四样本图像组成的图像集以及训练后的特征提取网络，训练分类网络。可将第二样本图像和第四样本图像中的任意一个输入特征提取网络，特征提取网络可获得第二样本图像和第四样本图像的第二特征图像，并通过分类网络对第二特征图像进行处理，获得第二特征图像的分类结果，即，输入的图像属于青光眼患者的眼部医学图像(第二类别)和非青光眼患者的眼部医学图像(第一类别)的概率，可根据所述概率与输入的图像的标注，确定分类网络的网络损失，并根据分类网络的网络损失调整分类网络的网络参数，直到满足第三训练条件，获得训练后的分类网络。

在一种可能的实现方式中，可使用训练后的特征提取网络和分类网络对待处理图像进行处理。特征提取网络可获得待处理图像的特征图像，分类网络可根据特征图像确定待处理图像为青光眼患者的眼部医学图像还是非青光眼患者的眼部医学图像。

图7示出根据本公开实施例的神经网络训练装置的框图，如图7所示，所述装置包括：

筛选模块11，用于对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，所述多个第二样本图像被标注为第一类别或第二类别；

生成模块12，用于根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，所述第四样本图像被标注为第一类别；

第一训练模块13，用于根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，其中，所述诊断网络用于确定待处理图像的类别。

在一种可能的实现方式中，所述多个第一样本图像包括已标注的样本图像和未标注的样本图像，已标注的样本图像组成第一训练集，未标注的样本图像组成第二训练集，

其中，所述筛选模块被进一步配置为：

根据所述第一训练集训练样本选择网络，得到当前训练状态的样本选择网络；

通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像；

将已标注的多个第五样本图像加入所述第一训练集，并将所述多个第五样本图像从所述第二训练集中去除；

根据所述第一训练集再次训练所述样本选择网络，得到下一个训练状态的样本选择网络；

在满足预设的第一训练条件的情况下，得到目标状态的第一训练集，所述目标状态的第一训练集中包括已标注的多个第二样本图像。

在一种可能的实现方式中，所述筛选模块被进一步配置为：

通过样本选择网络对第二训练集的多个样本图像分别进行处理，获得各个样本图像属于第一类别的第一概率及属于第二类别的第二概率；

根据所述第一概率和第二概率，分别确定第二训练集的多个样本图像的信息熵；

根据多个样本图像的信息熵，从第二训练集的多个样本图像中确定所述第五样本图像。

图8示出根据本公开实施例的神经网络训练装置的框图，如图8所示，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，通过数据增强网络生成多个第四样本图像，

其中，所述装置还包括：

第二训练模块14，用于通过预训练的判别网络以及被标注为第一类别的第三样本图像训练所述数据增强网络。

在一种可能的实现方式中，所述第二训练模块被进一步配置为：

通过数据增强网络对随机噪声信号进行处理，获得第一噪声图像；

将第一噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第一噪声图像的真实性判别结果，其中，所述真实性判别结果包括真实图像或生成图像；

在所述第一噪声图像的真实性判别结果为生成图像的情况下，根据所述真实性判别结果，确定所述数据增强网络的网络损失；

根据所述网络损失，调整所述数据增强网络的网络参数。

在一种可能的实现方式中，所述第二训练模块被进一步配置为：

在所述第一噪声图像的真实性判别结果为真实图像的情况下，获得训练后的数据增强网络。

在一种可能的实现方式中，所述生成模块被进一步配置为：

通过训练后的数据增强网络对随机噪声信号进行处理，获得第二噪声图像；

将所述第二噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第二噪声图像的真实性判别结果；

在所述第二噪声图像的真实性判别结果为真实图像的情况下，将所述第二噪声图像确定为所述第四样本图像。

在一种可能的实现方式中，所述诊断网络包括特征提取网络和分类网络。

在一种可能的实现方式中，所述第一训练模块被进一步配置为：

通过多个第六样本图像训练所述特征提取网络；

将所述第二样本图像或第四样本图像输入训练后的特征提取网络进行处理，获得第二特征图像；

根据所述第二特征图像，训练分类网络。

在一种可能的实现方式中，所述第一训练模块被进一步配置为：

将第六样本图像输入特征提取网络进行处理，获得第一特征图像；

将所述第一特征图像输入解码网络进行处理，获得解码图像；

根据所述解码图像和所述第六样本图像，确定所述解码网络和所述特征提取网络的综合网络损失；

根据所述综合网络损失调整所述解码网络和所述特征提取网络的网络参数；

在满足预设的第二训练条件的情况下，获得训练后的特征提取网络和解码网络。

在一种可能的实现方式中，所述第一训练模块被进一步配置为：

将所述第二特征图像输入分类网络进行处理，获得第二特征图像的类别；

根据第二特征图像的类别以及第二样本图像或第四样本图像的标注类别，确定分类网络的网络损失；

根据所述分类网络的网络损失对分类网络的网络参数进行调整；

在满足预设的第三训练条件的情况下，获得训练后的分类网络。

在一种可能的实现方式中，一种图像处理装置，包括：

获得模块，用于将待处理图像输入所述神经网络训练装置训练后的诊断网络进行处理，获得所述待处理图像的类别。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了神经网络训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图9是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图10是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种神经网络训练方法，其特征在于，包括：

对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，所述多个第二样本图像被标注为第一类别或第二类别；

根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，所述第四样本图像被标注为第一类别；

根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，其中，所述诊断网络用于确定待处理图像的类别。

2.根据权利要求1所述的方法，其特征在于，所述多个第一样本图像包括已标注的样本图像和未标注的样本图像，已标注的样本图像组成第一训练集，未标注的样本图像组成第二训练集，

其中，对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，包括：

根据所述第一训练集训练样本选择网络，得到当前训练状态的样本选择网络；

通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像；

将已标注的多个第五样本图像加入所述第一训练集，并将所述多个第五样本图像从所述第二训练集中去除；

根据所述第一训练集再次训练所述样本选择网络，得到下一个训练状态的样本选择网络；

在满足预设的第一训练条件的情况下，得到目标状态的第一训练集，所述目标状态的第一训练集中包括已标注的多个第二样本图像。

3.根据权利要求2所述的方法，其特征在于，通过所述当前训练状态的样本选择网络对所述第二训练集中的样本图像进行筛选，得到待标注的多个第五样本图像，包括：

通过样本选择网络对第二训练集的多个样本图像分别进行处理，获得各个样本图像属于第一类别的第一概率及属于第二类别的第二概率；

根据所述第一概率和第二概率，分别确定第二训练集的多个样本图像的信息熵；

根据多个样本图像的信息熵，从第二训练集的多个样本图像中确定所述第五样本图像。

4.根据权利要求1-3中任一项所述的方法，其特征在于，根据所述多个第二样本图像中被标注为第一类别的第三样本图像，通过数据增强网络生成多个第四样本图像，

其中，所述方法还包括：

通过预训练的判别网络以及被标注为第一类别的第三样本图像训练所述数据增强网络。

5.根据权利要求4所述的方法，其特征在于，通过预训练的判别网络和被标注为第一类别的第三样本图像训练所述数据增强网络，包括：

通过数据增强网络对随机噪声信号进行处理，获得第一噪声图像；

将第一噪声图像和所述被标注为第一类别的第三样本图像输入预训练的判别网络，获得所述第一噪声图像的真实性判别结果，其中，所述真实性判别结果包括真实图像或生成图像；

在所述第一噪声图像的真实性判别结果为生成图像的情况下，根据所述真实性判别结果，确定所述数据增强网络的网络损失；

根据所述网络损失，调整所述数据增强网络的网络参数。

6.一种图像处理方法，其特征在于，包括：

将待处理图像输入权利要求1-5中任一项所述的神经网络训练方法训练后的诊断网络进行处理，获得所述待处理图像的类别。

7.一种神经网络训练装置，其特征在于，包括：

筛选模块，用于对多个第一样本图像进行筛选，从所述多个第一样本图像中确定出已标注的多个第二样本图像，所述多个第二样本图像被标注为第一类别或第二类别；

生成模块，用于根据所述多个第二样本图像中被标注为第一类别的第三样本图像，生成多个第四样本图像，所述第四样本图像被标注为第一类别；

第一训练模块，用于根据已标注的多个第二样本图像和所述多个第四样本图像，训练诊断网络，其中，所述诊断网络用于确定待处理图像的类别。

8.一种图像处理装置，其特征在于，包括：

获得模块，用于将待处理图像输入权利要求7中所述的神经网络训练装置训练后的诊断网络进行处理，获得所述待处理图像的类别。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至6中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。