CN110046654A - 一种识别分类影响因素的方法、装置及相关设备 - Google Patents

一种识别分类影响因素的方法、装置及相关设备 Download PDF

Info

Publication number
CN110046654A
CN110046654A CN201910228415.7A CN201910228415A CN110046654A CN 110046654 A CN110046654 A CN 110046654A CN 201910228415 A CN201910228415 A CN 201910228415A CN 110046654 A CN110046654 A CN 110046654A
Authority
CN
China
Prior art keywords
original image
classification results
pixel point
confidence value
classification
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
CN201910228415.7A
Other languages
English (en)
Inventor
王希
何光宇
平安
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.)
Neusoft Corp
Original Assignee
Neusoft Corp
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 Neusoft Corp filed Critical Neusoft Corp
Priority to CN201910228415.7A priority Critical patent/CN110046654A/zh
Publication of CN110046654A publication Critical patent/CN110046654A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本申请实施例公开了一种识别分类影响因素的方法、装置及相关设备，将原始图像输入图像分类模型，获得原始图像对于每个分类结果的置信度值。再依次对原始图像中每个像素点进行遮挡，获得遮挡图像对每个分类结果的置信度值。根据原始图像对每个分类结果的置信度值及遮挡图像中每个像素点对每个分类结果的置信度值，确定每个像素点对每个分类结果的相对置信度值。和/或，根据原始图像对每个分类结果的置信度值及原始图像的实际分类结果，确定每个像素点的反向梯度传播值。根据每个像素点对每个分类结果的相对置信度值和/或每个像素点的反向梯度传播值，确定每个像素点对每个分类结果的影响因素值，从而确定原始图像中对每个分类结果的影响区域。

Description

一种识别分类影响因素的方法、装置及相关设备
技术领域
本申请涉及人工智能技术领域，具体涉及一种识别分类影响因素的方法、装置及相关设备。
背景技术
深度学习是机器学习中一种基于对数据进行表征学习的方法，近年来取得了较为广泛的应用，例如应用于图像的分类。深度学习模型具有黑箱性特点，即通过调节模型参数可以训练出判别准确率很高的深度学习模型，而无法通过统计学基础假设来理解深度学习模型中的参数含义及其重要程度、波动范围。
实际上，深度学习模型本身也意味着知识，获知深度学习模型从数据中学习了哪些知识而产生了最终的决策也是需要关注的。如果一个模型完全不可解释，则在很多领域的应用就会因为无法给出更多可靠信息而受到限制。但是，现有技术中尚缺乏有效识别分类模型影响因素的方式。
发明内容
有鉴于此，本申请实施例提供一种识别分类影响因素的方法、装置及相关设备，以解决现有中无法有效识别分类模型的影响因素的技术问题。
为解决上述问题，本申请实施例提供的技术方案如下：
在本申请实施例第一方面，提供了一种识别分类影响因素的方法，所述方法包括：
将原始图像输入图像分类模型，获得所述原始图像对应于每个分类结果的置信度值；
根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值；和/或，根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值；其中，i分别取值1至n的整数，n为所述原始图像的像素点个数；
根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值；
根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，确定所述原始图像中对应于每个分类结果的影响区域。
在一种可能的实现方式中，所述根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值，包括：
将针对原始图像第i个像素点的遮挡图像输入所述图像分类模型，获得所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值；
根据所述原始图像对应于每个分类结果的置信度值以及所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值。
在一种可能的实现方式中，所述根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值，包括：
根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，计算所述图像分类模型的反向传播梯度向量；
将所述反向传播梯度向量中的第i个梯度值确定为所述原始图像第i个像素点的反向梯度传播值。
在一种可能的实现方式中，所述根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值，包括：
如果仅获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果仅获得所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点的反向梯度传播值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值加权求和，得到所述原始图像第i个像素点对应于每个分类结果的影响因素值。
在一种可能的实现方式中，所述方法还包括：
根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，建立所述原始图像中对应于每个分类结果的影响因素热点图。
在一种可能的实现方式中，所述方法还包括：
根据训练图像以及所述训练图像的分类标签训练生成图像分类模型。
在一种可能的实现方式中，所述原始图像为三维核磁共振图像，所述图像分类模型为三维-卷积神经网络模型。
在本申请实施例第二方面，提供了一种识别分类影响因素的装置，所述装置包括：
获取单元，用于将原始图像输入图像分类模型，获得所述原始图像对应于每个分类结果的置信度值；
第一确定单元，用于根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值；和/或，根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值；其中，i分别取值1至n的整数，n为所述原始图像的像素点个数；
第二确定单元，用于根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值；
第三确定单元，用于根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，确定所述原始图像中对应于每个分类结果的影响区域。
在一种可能的实现方式中，所述第一确定单元，具体包括：
获取子单元，用于将针对原始图像第i个像素点的遮挡图像输入所述图像分类模型，获得所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值；
第一确定子单元，用于根据所述原始图像对应于每个分类结果的置信度值以及所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值。
在一种可能的实现方式中，所述第一确定单元，具体包括：
计算子单元，用于根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，计算所述图像分类模型的反向传播梯度向量；
第二确定子单元，用于将所述反向传播梯度向量中的第i个梯度值确定为所述原始图像第i个像素点的反向梯度传播值。
在一种可能的实现方式中，所述第二确定单元，具体用于：
如果仅获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果仅获得所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点的反向梯度传播值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值加权求和，得到所述原始图像第i个像素点对应于每个分类结果的影响因素值。
在一种可能的实现方式中，所述装置还包括：
建立单元，用于根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，建立所述原始图像中对应于每个分类结果的影响因素热点图。
在一种可能的实现方式中，所述装置还包括：
生成单元，用于根据训练图像以及所述训练图像的分类标签训练生成图像分类模型。
在一种可能的实现方式中，所述原始图像为三维核磁共振图像，所述图像分类模型为三维-卷积神经网络模型。
在本申请实施例第三方面，提供了一种计算机可读存储介质，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行第一方面所述的识别分类影响因素的方法。
在本申请实施例第四方面，提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行第一方面所述的识别分类影响因素的方法。
由此可见，本申请实施例具有如下有益效果：
本申请实施例首先将原始图像输入图像分类模型，以获取该图像分类模型针对原始图像所对应的每个分类结果的置信度值，即每个分类结果对应的概率值。其次，对原始图像中的每个像素点进行遮挡，获得原始图像中每个像素点的遮挡图像对应于每个分类结果的置信度值。即当遮挡原始图像中的某个像素点后，图像分类模型所输出的每个分类结果的概率值。然后，根据原始图像对应于每个分类结果的置信度值以及针对原始图像每个像素点的遮挡图像对应于每个分类结果的置信度值，确定原始图像每个像素点对应于每个分类结果的相对置信度值，即确定遮挡前后图像分类模型输出的对应于每个分类结果的概率变化值。和/或，根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，确定原始图像每个像素点的反向梯度传播值。再根据原始图像每个像素点对应于每个分类结果的相对置信度值和/或原始图像每个像素点的反向梯度传播值，确定原始图像每个像素点对应于每个分类结果的影响因素值。最后，根据原始图像每个像素点对应于每个分类结果的影响因素值，确定原始图像中对应于每个分类结果的影响区域。
可见，通过本申请实施例提供的方法，可以确定出原始图像中每个像素点对于每个分类结果的影响因素值，从而可以获知图像分类模型输出每个分类结果所依据的关键区域，有效识别图像分类模型对于影像的关注重点。
附图说明
图1为本申请实施例提供的一种识别分类影响因素的方法流程图；
图2为本申请实施例提供的原始图像的像素点个数示意图；
图3为本申请实施例提供的一种识别分类影响因素的方法框架图；
图4为本申请实施例提供的一种识别分类影响因素的装置结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为便于理解本申请实施例提供的方案，下面将先对本申请的背景技术进行说明。
在医疗领域，基于深度学习模型辅助医生判断患者疾病中，医生除了需要获知深度学习模型的输出结果，还需要了解该模型产生该输出结果是基于患者的哪些因素，因此，可视化和可解释深度学习模型是增加对自动医疗决策系统的信任的重要任务。在医疗领域，将对最终决策结果造成重要影响的因素，称为影像生物标记，通过发现影像生物标记，可以帮助医生进行科学研究。
基于此，本申请实施例提供了一种识别分类影响因素的方法，首先将原始图像输入图像分类模型，以获得图像分类模型针对原始图像输出的每个分类结果的置信度值。再依次对原始图像中的每个像素点进行遮挡，获得每个像素点的遮挡图像对应于每个分类结果的置信度值。再根据遮挡前原始图像对应于每个分类结果的置信度值以及遮挡图像中每个像素点对应于每个分类结果的置信度值，确定原始图像中每个像素点对应于每个分类结果的相对置信度值，即确定遮挡前后每个像素点对于每个分类结果的置信度差值。和/或，根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，确定原始图像中每个像素点的反向梯度传播值。再根据原始图像每个像素点对应于每个分类结果的相对置信度值和/或原始图像每个像素点的反向梯度传播值，确定原始图像每个像素点对应于每个分类结果的影响因素值，从而根据影响因素值确定原始图像中对应于每个分类结果的影响区域。可见，通过上述方法，可以获取图像分类模型在特定分类中的重点关注区域。
为便于理解本申请提供的技术方案，下面将结合附图对本申请实施例提供的一种识别分类影响因素的方法进行说明。
参见图1，该图为本申请实施例提供的一种识别分类影响因素的方法流程图，如图1所示，该方法可以包括；
S101：将原始图像输入图像分类模型，获得原始图像对应于每个分类结果的置信度值。
本实施例中，首先将原始图像输入图像分类模型，以获得原始图像对应于每个分类结果的置信度值。其中，每个分类结果的置信度值是指原始图像为该分类结果的概率值，一般各个分类结果的置信度值相加为一。例如，原始图像输入图像分类模型，该图像分类模型输出三个分类结果，分别为A、B和C，其中，原始图像为分类结果A的概率值为0.7，为分类结果B的概率值为0.2，为分类结果C的概率值为0.1。则原始图像对应于分类结果A的置信度值为0.7，对应于分类结果B的置信度值为0.2，对应于分类结果C的置信度值为0.1。
需要说明的是，原始图像可以为二维图像，也可以为三维图像，当原始图像为二维图像时，相应地图像分类模型为二维图像分类模型，以便根据二维图像输出分类结果；当原始图像为三维图像，相应地图像分类模型为三维图像分类模型，以便根据三维图像输出分类结果。
S102：根据原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定原始图像第i个像素点对应于每个分类结果的相对置信度值，其中，i分别取值1至n的整数，n为原始图像的像素点个数。
本实施例中，当获取原始图像对应于每个分类结果的置信度值后，再依次遮挡原始图像中的每个像素点，获取遮挡每个像素点的遮挡图像对应于每个分类结果的置信度值，即获得该遮挡图像对应于每个分类结果的概率值。并根据原始图像对应于每个分类结果的置信度值以及针对原始图像每个像素点的遮挡图像对应于每个分类结果的置信度值，确定原始图像每个像素点对应于每个分类结果的相对置信度值。其中，关于获取原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值的实现方式将在后续实施例进行说明。
在具体实现时，针对原始图像中的每个像素点均进行遮挡，然后将该遮挡后的图像输入图像分类模型，获得该遮挡图像对应于每个分类结果的置信度值，从而获得每个像素点被遮挡时，所对应的遮挡图像对于每个分类结果的置信度值。例如，图2所示，假设原始图像共包括15个像素点，将遮挡像素点1图像确定为遮挡图像1，获得遮挡图像1对应于分类结果A、B、C的置信度值；将遮挡像素点2的图像确定为遮挡图像2，获得遮挡图像2对应于分类结果A、B、C的置信度值，依次遮挡每个像素点，从而获得15个像素点分别对应的遮挡图像对用于每个分类结果的置信度值。
当确定出原始图像每个像素点的遮挡图像对应与每个分类结果的置信度值，将原始图像对应于每个分类结果的置信度值与原始图像中每个像素点的遮挡图像对应于每个分类结果的置信度值做差，从而获取原始图像中每个像素点对应于每个分类结果的相对置信度值，其中，相对置信度值为正数。
例如，原始图像对应于分类结果A的置信度值为0.7，对应于分类结果B的置信度值为0.2，对应于分类结果C的置信度值为0.1。像素点1的遮挡图像1对应于分类结果A的置信度值0.6，对应于分类结果B的置信度值为0.25，对应于分类结果C的置信度值为0.15；则像素点1对应于分类结果A的相对置信度值为原始图像对应于分类结果A的置信度值0.7与遮挡图像1对应于分类结果A的置信度值0.6的差值，即为0.1；对于分类结果B的相对置信度值为原始图像对应于分类结果B的置信度值0.2与遮挡图像1对应于分类结果B的置信度值0.25的差值，即为0.05；对于分类结果C的相对置信度值为原始图像对应于分类结果C的置信度值0.1与遮挡图像1对应于分类结果C的置信度值0.15的差值，即为0.05。同理，当像素点2的遮挡图像2对应于分类结果A的置信度值0.75，对应于分类结果B的置信度值为0.1，对应于分类结果C的置信度值为0.15。像素点2对应于分类结果A的相对置信度值为0.05、对于分类结果B的相对置信度值为为0.1，对于分类结果C的相对置信度值为0.05。当原始图像包括15个像素点时，每个分类结果共对应15个相对置信度值。
在具体实现时，为便于后续的计算，还可以对每个分类结果针对每个像素点的相对置信度值进行归一化处理，以使得相对置信度值位于预设区间，具体实现时，可以利用公式(1)实现：
其中，yij为第i个像素点对于第j个分类结果的归一化相对置信度值，xij为第i个像素点对于第j个分类结果的置信度值，minj为第j个分类结果所对应的n个相对置信度值的最小值，maxj为第j个分类结果所对应的N个相对置信度值的最大值，n为原始图像的像素点个数。
在实际应用时，可以利用上述公式将每个分类结果对应的相对置信度值进行归一化处理。
S103：根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，确定原始图像第i个像素点的反向梯度传播值。
本实施例中，将根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，来确定原始图像每个像素点的反向梯度传播值。其中，反向梯度传播值用于反映图像分类模型输出的分类结果与实际分类结果之间的差值，可以用于调整图像分类模型中权值，以使得调整后的图像分类模型的输出分类结果更接近实际分类结果。
其中，原始图像的实际分类结果是指该原始图像的真实分类结果。例如，针对原始图像，图像分类模式输出的分类结果A的置信度值为0.7，分类结果B的置信度值为0.2，分类结果C的置信度值为0.1。该原始图像的实际分类结果为A，则对应的置信度值为1，则根据分类结果A的置信度值0.7以及实际分类结果A的置信度值1确定原始图像中每个像素点的反向梯度传播值。其中，关于确定原始图像中每个像素点的反向梯度传播值的实现将在后续说明。
需要说明的是，所确定的原始图像中每个像素点的反向梯度传播值对于每个分类结果均是相同的。例如，确定出原始图像中像素点1的反向梯度传播值为q，则对于分类结果A，像素点1的反向梯度传播值为q，对于分类结果B，像素点1的反向梯度传播值为q，对于分类结果C，像素点1的反向梯度传播值为q。
在本实施例中，S102和S103可以同时执行，也可以仅执行S102或者S103。当同时执行S102和S103时，则利用两个步骤获得参数执行S104；如果仅执行S102或S103，则仅利用其中一项参数执行S104。
S104：根据原始图像第i个像素点对应于每个分类结果的相对置信度值和/或原始图像第i个像素点的反向梯度传播值，确定原始图像第i个像素点对应于每个分类结果的影响因素值。
本实施例中，对于每个分类结果，根据原始图像中每个像素点对于该分类结果的相对置信度值和/或原始图像中每个像素点的反向梯度传播值，计算原始图像中每个像素点对于该分类结果的影响因素值。其中，影响因素值用于反映像素点对于分类结果的影响程度，影响因素值越大，表明该像素点对于该分类结果的影响程度越大。
需要说明的是，在实际应用时，当仅获取原始图像第i个像素点对应于每个分类结果的相对置信度值时，仅根据相对置信度值确定影响因素值；当仅获取原始图像第i个像素点的反向梯度传播值，仅根据反向梯度传播值确定影响因素值。当同时获取获取原始图像第i个像素点对应于每个分类结果的相对置信度值和原始图像第i个像素点的反向梯度传播值时，则根据相对置信度值以及反向梯度传播值确定影响因素值。其中，关于确定影响因素值的实现方式将在后续实施例进行说明。
在具体实现时，当原始图像包括m个分类结果，根据原始图像第i个像素点对应于第j个分类结果的相对置信度值和/或原始图像第i个像素点的反向梯度传播值，确定原始图像第i个像素点对应于第j个分类结果的影响因素值。当原始图像包括n个像素点时，第j个分类结果对应n个影响因素值。
例如，原始图像包括3个分类结果A、B和C，原始图像第1个像素点对应于分类结果A的相对置信度值为a，第1个像素点的反向梯度传播值q，则根据a和q确定原始图像第1个像素点对应于分类结果A的影响因素值；原始图像第1个像素点对应于分类结果B的相对置信度值为b，第1个像素点的反向梯度传播值q，则根据b和q确定原始图像第1个像素点对应于分类结果B的影响因素值；原始图像第1个像素点对应于分类结果C的相对置信度值为c，第1个像素点的反向梯度传播值q，则根据c和q确定原始图像第1个像素点对应于分类结果C的影响因素值。如果原始图像包括15个像素点，则分类结果A、B和C分别包括15个影响因素值。
S105：根据原始图像第i个像素点对应于每个分类结果的影响因素值，确定原始图像中对应于每个分类结果的影响区域。
本实施例中，当通过上述步骤获得原始图像中每个像素点对应于每个分类结果的影响因素值后，根据该影响因素值确定原始图像中对应于每个分类结果的影响区域。其中，影响因素值可以反映当前像素点对于当前分类结果的影响大小，当影响因素值越大，表明该影响因素值对应的像素点对产生该分类结果的影响越大，从而使得用户可以获取产生当前分类结果所依据的关键因素。
例如，获得原始图像中15个像素点对分类结果A的影响因素值，其中第5个像素点对应于分类结果A的影响因素值为0.5，第6个像素点对应于分类结果A的影响因素值为0.1，则表明第5个像素点对应的区域对于产生分类结果A的影响大于第6个像素点对应的区域。
通过上述描述可知，首先将原始图像输入图像分类模型，以获得图像分类模型针对原始图像输出的每个分类结果的置信度值。再依次对原始图像中的每个像素点进行遮挡，获得每个像素点的遮挡图像对应于每个分类结果的置信度值。再根据遮挡前原始图像对应于每个分类结果的置信度值以及遮挡图像中每个像素点对应于每个分类结果的置信度值，确定原始图像中每个像素点对应于每个分类结果的相对置信度值，即确定遮挡前后每个像素点对于每个分类结果的置信度差值。和/或，根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，确定原始图像中每个像素点的反向梯度传播值。再根据原始图像每个像素点对应于每个分类结果的相对置信度值和/或原始图像每个像素点的反向梯度传播值，确定原始图像每个像素点对应于每个分类结果的影响因素值，从而根据影响因素值确定原始图像中对应于每个分类结果的影响区域。可见，通过上述方法，可以获取图像分类模型在每个分类结果中的重点关注区域，以帮助医生进行临床研究。
在本申请实施例一种可能的实现方式中，为使得用户可以直观地了解原始图像对应于每个分类结果的影响区域，还可以采用热点图的方式进行展示。即根据原始图像第i个像素点对应于每个分类结果的影响因素值，建立原始图像中对应于每个分类结果的影响因素热点图。在具体实现时，针对每个分类结果，根据原始图像中每个像素点对于该分类结果的影响因素值，建立原始图像中对于该分类结果的影响因素热点图，从而获得该分类结果对应的影响因素热点图。在实际应用中，可以根据影响因素值的大小，对每个影响区域进行不同着色。由于影响因素值越大，表明该影响区域对于产生该分类结果的影响越大，则该影响区域的颜色越深。例如，影响因素值最大的影响区域分配红色，影响因素值次之的影响区域分类粉色或其他浅色，从而使得用户可以直观了解产生当前分类结果的关键影响区域。
在本申请实施例一种可能的实现方式中，提供了一种确定原始图像中每个像素点对应于每个分类结果的相对置信度值，具体为，将针对原始图像第i个像素点的遮挡图像输入图像分类模型，获得针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值；根据原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定原始图像第i个像素点对应于每个分类结果的相对置信度值。
本实施例中，对于原始图像中每个像素点依次进行遮挡，并将该像素点对应的遮挡图像输入图像分类模型，以使得图像分类模型根据遮挡图像输入每个分类结果的置信度值，从而获得原始图像中每个像素点被遮挡时，对于每个分类结果的置信度值。在具体实现时，可以仅遮挡当前像素点以获得当前像素点对应的遮挡图像，也可以以当前像素点为圆心，遮挡多个像素点以获得当前像素点对应的遮挡图像。由于原始图像可以为二维图像，也可以为三维图像，当原始图像为二维图像时，可以利用二维遮挡块遮挡原始图像中的每个像素点；当原始图像为三维图像时，可以利用三维立方块遮挡原始图像中的每个像素点。
当获取原始图像中每个像素点的遮挡图像对应于每个分类结果的置信度值后，将原始图像对应于每个分类结果的置信度值以及针对原始图像每个像素点的遮挡图像对应每个分类结果的置信度值进行做差，将该差值确定原始图像中每个像素点对应于每个分类结果的相对置信度。
在本申请实施例一种可能的实现方式中，提供了一种确定原始图像每个像素点的反向梯度传播值的方法，具体为，根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，计算图像分类模型的反向传播梯度向量；将反向传播梯度向量中的第i个梯度值确定为原始图像第i个像素点的反向梯度传播值。
在具体实现时，由于原始图像对应的实际分类结果是确定的，因此可以确定原始图像对应的实际分类结果的置信度值为1，则根据图像分类模型针对原始图像输出的与实际分类结果相对应的分类结果的置信度值，利用反向传播算法计算获得图像分类模型的反向传播梯度向量。其中，反向传播梯度向量所包括的反向梯度传播值数量与原始图像包括的像素点数量相同，该反向传播梯度向量使得图像分类模型的输出结果更接近原始图像的实际分类结果。例如，原始图像的实际分类结果为A，而图像分类模型输出的分类结果为A、B和C，则在计算图像分类模型的反向传播梯度向量时，是利用实际分类结果A的置信度值1，以及图像分类模型输出的分类结果A的置信度值计算图像分类模型的反向传播梯度向量。
需要说明的是，其中图像分类模型可以根据训练图像以及训练图像的分类标签训练生成图像分类模型。即将训练图像以及训练图像的分类标签作为训练数据输入初始模型中，以使得训练生成的图像分类模型可以根据输入图像的特征确定该图像的分类结果。
在本申请实施例一种可能的实现方式中，提供了一种确定原始图像第i个像素点对应于每个分类结果的影响因素值，在实际应用中，可以分为以下几种方式：
一种是，如果仅获得原始图像第i个像素点对应于每个分类结果的相对置信度值，将原始图像第i个像素点对应于每个分类结果的相对置信度值确定为原始图像第i个像素点对应于每个分类结果的影响因素值。
另一种是，如果仅获得原始图像第i个像素点的反向梯度传播值，将原始图像第i个像素点的反向梯度传播值确定为原始图像第i个像素点对应于每个分类结果的影响因素值。
再一种是，如果获得原始图像第i个像素点对应于每个分类结果的相对置信度值以及原始图像第i个像素点的反向梯度传播值，将原始图像第i个像素点对应于每个分类结果的相对置信度值以及原始图像第i个像素点的反向梯度传播值加权求和，得到原始图像第i个像素点对应于每个分类结果的影响因素值。
也就是，当在实际应用中，仅执行S102时，则将该步骤获得原始图像每个像素点对应于每个分类结果的相对置信度值确定为原始图像当前像素点对应于每个分类结果的影响因素值。如果仅执行S103，则将该步骤获得原始图像每个像素点的反向梯度传播值确定为原始图像当前像素点对应于每个分类结果的影响因素值。如果同时执行S102和S103，则将获得的相对置信度值以及反向梯度传播值进行加权求和，将加权求和对应的值确定为影响因素值。
在具体实现时，可以预先为相对置信度值和反向梯度传播值配置权重，当计算原始图像中每个像素点对应于每个分类结果的影响因素值时，利用预先配置的权重分别加权，再进行相加，从而获得影响因素值。其中，相对置信度值的权重和反向梯度传播值的权重之和为1。例如，相对置信度值的权重为0.4，反向梯度传播值的权重为0.6。
可以理解的是，本申请实施例提供的方法可以应用于任何进行图像分类的领域，例如医疗领域。在实际应用时，原始图像可以为三维核磁共振图像，相应地图像分类模型可以为三维-卷积神经网络模型。在具体实现时，该三维-卷积神经网络模型可以采用五层的卷积神经网络。其中，第一层为卷积层，使用73大小的卷积核、包括64个卷积核；第二层为最大池化层，使用33大小的池化核；第三层为卷积层，使用73大小的卷积核、128个卷积核；第四层为最大池化层，使用33大小的池化核；第五层为完全连接层，具有512个节点。
为便于理解本申请提供的技术方案的过程，参见图3，该图为本申请实施例提供的一种识别分类影响因素的方法框图，首先将原始图像输入至图像分类模型，获得原始图像对应于每个分类结果的置信度值。然后基于遮挡的可视化方法，获得针对原始图像每个像素点的遮挡图像对应于每个分类结果的置信度值，以便根据原始图像对应于每个分类结果的置信度值确定原始图像中每个像素点对应于每个分类结果的相对置信度值。同时基于梯度的可视化方法确定原始图像每个像素点的反向梯度传播值。然后将原始图像每个像素点对应于每个分类结果的相对置信度值以及原始图像中每个像素点的反向梯度传播值加权求和，从而获得原始图像每个像素点对应于每个分类结果的影响因素值。
基于上述方法实施例，本申请还提供了一种识别分类影响因素的装置，下面将结合附图对该装置进行说明。
参见图4，该图为本申请实施例提供的一种识别分类影响因素的装置结构图，如图4所示，该装置可以包括：
获取单元401，用于将原始图像输入图像分类模型，获得所述原始图像对应于每个分类结果的置信度值；
第一确定单元402，用于根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值；和/或，根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值；其中，i分别取值1至n的整数，n为所述原始图像的像素点个数；
第二确定单元403，用于根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值；
第三确定单元404，用于根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，确定所述原始图像中对应于每个分类结果的影响区域。
在一种可能的实现方式中，所述第一确定单元，具体包括：
获取子单元，用于将针对原始图像第i个像素点的遮挡图像输入所述图像分类模型，获得所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值；
第一确定子单元，用于根据所述原始图像对应于每个分类结果的置信度值以及所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值。
在一种可能的实现方式中，所述第一确定单元，具体包括：
计算子单元，用于根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，计算所述图像分类模型的反向传播梯度向量；
第二确定子单元，用于将所述反向传播梯度向量中的第i个梯度值确定为所述原始图像第i个像素点的反向梯度传播值。
在一种可能的实现方式中，所述第二确定单元，具体用于：
如果仅获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果仅获得所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点的反向梯度传播值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值加权求和，得到所述原始图像第i个像素点对应于每个分类结果的影响因素值。
在一种可能的实现方式中，所述装置还包括：
建立单元，用于根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，建立所述原始图像中对应于每个分类结果的影响因素热点图。
在一种可能的实现方式中，所述装置还包括：
生成单元，用于根据训练图像以及所述训练图像的分类标签训练生成图像分类模型。
在一种可能的实现方式中，所述原始图像为三维核磁共振图像，所述图像分类模型为三维-卷积神经网络模型。
需要说明的是，本实施例中各个单元的实现可以参见上述方法实施例，本实施例在此不再赘述。
另外，本申请实施例还提供一种计算机可读存储介质，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述的识别分类影响因素方法。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述的识别分类影响因素方法。
通过上述实施例可知，本申请实施例首先将原始图像输入图像分类模型，以获取该图像分类模型针对原始图像所对应的每个分类结果的置信度值，即每个分类结果对应的概率值。其次，对原始图像中的每个像素点进行遮挡，获得原始图像中每个像素点的遮挡图像对应于每个分类结果的置信度值。即当遮挡原始图像中的某个像素点后，图像分类模型所输出的每个分类结果的概率值。然后，根据原始图像对应于每个分类结果的置信度值以及针对原始图像每个像素点的遮挡图像对应于每个分类结果的置信度值，确定原始图像每个像素点对应于每个分类结果的相对置信度值，即确定遮挡前后图像分类模型输出的对应于每个分类结果的概率变化值。和/或，根据原始图像对应于每个分类结果的置信度值以及原始图像的实际分类结果，确定原始图像每个像素点的反向梯度传播值。再根据原始图像每个像素点对应于每个分类结果的相对置信度值和/或原始图像每个像素点的反向梯度传播值，确定原始图像每个像素点对应于每个分类结果的影响因素值。最后，根据原始图像每个像素点对应于每个分类结果的影响因素值，确定原始图像中对应于每个分类结果的影响区域。
可见，通过本申请实施例提供的方案，可以确定出原始图像中每个像素点对于每个分类结果的影响因素值，从而可以获知图像分类模型输出每个分类结果所依据的关键区域，有效识别图像分类模型对于影像的关注重点。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
还需要说明的是，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种识别分类影响因素的方法，其特征在于，所述方法包括：
将原始图像输入图像分类模型，获得所述原始图像对应于每个分类结果的置信度值；
根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值；和/或，根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值；其中，i分别取值1至n的整数，n为所述原始图像的像素点个数；
根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值；
根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，确定所述原始图像中对应于每个分类结果的影响区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值，包括：
将针对原始图像第i个像素点的遮挡图像输入所述图像分类模型，获得所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值；
根据所述原始图像对应于每个分类结果的置信度值以及所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值，包括：
根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，计算所述图像分类模型的反向传播梯度向量；
将所述反向传播梯度向量中的第i个梯度值确定为所述原始图像第i个像素点的反向梯度传播值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值，包括：
如果仅获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果仅获得所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点的反向梯度传播值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；
如果获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值加权求和，得到所述原始图像第i个像素点对应于每个分类结果的影响因素值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，建立所述原始图像中对应于每个分类结果的影响因素热点图。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据训练图像以及所述训练图像的分类标签训练生成图像分类模型。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述原始图像为三维核磁共振图像，所述图像分类模型为三维-卷积神经网络模型。
8.一种识别分类影响因素的装置，其特征在于，所述装置包括：
获取单元，用于将原始图像输入图像分类模型，获得所述原始图像对应于每个分类结果的置信度值；
第一确定单元，用于根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值；和/或，根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值；其中，i分别取值1至n的整数，n为所述原始图像的像素点个数；
第二确定单元，用于根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值；
第三确定单元，用于根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，确定所述原始图像中对应于每个分类结果的影响区域。
9.一种计算机可读存储介质，其特征在于，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的识别分类影响因素的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的识别分类影响因素的方法。
CN201910228415.7A 2019-03-25 2019-03-25 一种识别分类影响因素的方法、装置及相关设备 Pending CN110046654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910228415.7A CN110046654A (zh) 2019-03-25 2019-03-25 一种识别分类影响因素的方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910228415.7A CN110046654A (zh) 2019-03-25 2019-03-25 一种识别分类影响因素的方法、装置及相关设备

Publications (1)

Publication Number Publication Date
CN110046654A true CN110046654A (zh) 2019-07-23

Family

ID=67275108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910228415.7A Pending CN110046654A (zh) 2019-03-25 2019-03-25 一种识别分类影响因素的方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN110046654A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104984A (zh) * 2019-12-23 2020-05-05 东软集团股份有限公司 一种电子计算机断层扫描ct图像分类方法、装置及设备
CN111161789A (zh) * 2019-12-11 2020-05-15 深圳先进技术研究院 一种模型预测的关键区域的分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766933A (zh) * 2017-10-24 2018-03-06 天津大学 一种解释卷积神经网络的可视化方法
CN108537820A (zh) * 2018-04-18 2018-09-14 清华大学 动态预测方法、系统及所适用的设备
CN108681775A (zh) * 2018-05-25 2018-10-19 厦门大学 通过WordNet嵌入进行测试和更新的树形网络方法
CN109031152A (zh) * 2018-10-15 2018-12-18 重庆科技学院 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法
CN109409434A (zh) * 2018-02-05 2019-03-01 福州大学 基于随机森林的肝脏疾病数据分类规则提取的方法
CN109410249A (zh) * 2018-11-13 2019-03-01 深圳龙岗智能视听研究院 一种结合深度特征与手绘特征自适应目标的追踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766933A (zh) * 2017-10-24 2018-03-06 天津大学 一种解释卷积神经网络的可视化方法
CN109409434A (zh) * 2018-02-05 2019-03-01 福州大学 基于随机森林的肝脏疾病数据分类规则提取的方法
CN108537820A (zh) * 2018-04-18 2018-09-14 清华大学 动态预测方法、系统及所适用的设备
CN108681775A (zh) * 2018-05-25 2018-10-19 厦门大学 通过WordNet嵌入进行测试和更新的树形网络方法
CN109031152A (zh) * 2018-10-15 2018-12-18 重庆科技学院 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法
CN109410249A (zh) * 2018-11-13 2019-03-01 深圳龙岗智能视听研究院 一种结合深度特征与手绘特征自适应目标的追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SEBASTIAN BACH等: ""On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation"", 《PLOS》 *
VITALI PETSIUK等: ""RISE: Randomized Input Sampling for Explanation of Black-box Models"", 《ARXIV》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161789A (zh) * 2019-12-11 2020-05-15 深圳先进技术研究院 一种模型预测的关键区域的分析方法及装置
CN111161789B (zh) * 2019-12-11 2023-10-31 深圳先进技术研究院 一种模型预测的关键区域的分析方法及装置
CN111104984A (zh) * 2019-12-23 2020-05-05 东软集团股份有限公司 一种电子计算机断层扫描ct图像分类方法、装置及设备
CN111104984B (zh) * 2019-12-23 2023-07-25 东软集团股份有限公司 一种电子计算机断层扫描ct图像分类方法、装置及设备

Similar Documents

Publication Publication Date Title
Li et al. Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks
Zhou et al. Salient region detection via integrating diffusion-based compactness and local contrast
CN110516803A (zh) 将传统计算机视觉算法实现为神经网络
Han et al. Multi-verse optimizer with rosenbrock and diffusion mechanisms for multilevel threshold image segmentation from COVID-19 chest X-ray images
CN110046654A (zh) 一种识别分类影响因素的方法、装置及相关设备
Kim et al. Uncertain reasoning and learning for feature grouping
Neshat et al. A new skin color detection approach based on fuzzy expert system
Kersten et al. Associative learning of scene parameters from images
Yang et al. Deep learning-based viewpoint recommendation in volume visualization
Sagues-Tanco et al. Fast synthetic dataset for kitchen object segmentation in deep learning
Chang et al. Fuzzy Hopfield neural network with fixed weight for medical image segmentation
CN111126617B (zh) 一种选择融合模型权重参数的方法、装置及设备
CN110826726B (zh) 目标处理方法、目标处理装置、目标处理设备及介质
Lücke et al. Occlusive components analysis
Gunes et al. Comparative beauty classification for pre-surgery planning
Nanni et al. Building ensemble of deep networks: convolutional networks and transformers
Alraddady et al. Fusion Strategy for Improving Medical Image Segmentation.
CN113924580A (zh) 深度神经网络可视化
Sun et al. A Brand-New Simple, Fast, and Effective Residual-Based Method for Radial Basis Function Neural Networks Training
Qiao et al. Efficient deep-narrow residual networks using dilated pooling for scene recognition
Esmaeilishahmirzadi et al. A novel method for enhancing the classification of pulmonary data sets using generative adversarial networks
Arshad et al. Interval complex single-valued neutrosophic hypersoft set with Application in Decision Making
Fan et al. Multiscale convolutional neural network for no-reference image quality assessment with saliency detection
Bilan Image Processing and Pattern Recognition Based on Artificial Models of the Structure and Function of the Retina
Awasthi et al. Fully Automated Clustering based Blueprint for Image Analysis

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

Application publication date: 20190723

RJ01 Rejection of invention patent application after publication