CN110059672B - 一种对显微镜细胞图像检测模型进行增类学习的方法 - Google Patents

一种对显微镜细胞图像检测模型进行增类学习的方法 Download PDF

Info

Publication number
CN110059672B
CN110059672B CN201910358582.3A CN201910358582A CN110059672B CN 110059672 B CN110059672 B CN 110059672B CN 201910358582 A CN201910358582 A CN 201910358582A CN 110059672 B CN110059672 B CN 110059672B
Authority
CN
China
Prior art keywords
loss
model
incremental
confidence
soft
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.)
Expired - Fee Related
Application number
CN201910358582.3A
Other languages
English (en)
Other versions
CN110059672A (zh
Inventor
余春艳
陈立
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910358582.3A priority Critical patent/CN110059672B/zh
Publication of CN110059672A publication Critical patent/CN110059672A/zh
Application granted granted Critical
Publication of CN110059672B publication Critical patent/CN110059672B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，首先对初始图像进行预处理，使用旧类别样本训练faster‑rcnn模型获得显微镜细胞图像检测模型作为初始模型。使用训练好的显微镜图像细胞检测模型预测新的细胞，对新类别细胞样本进行手工标注。其次使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标置信度为0.2以上的粗标签。修改显微镜细胞图像检测模型最后一层大小，作为显微镜细胞图像增量检测模型。分别计算增量模型和初始模型的中间层特征图距离，计算显微镜细胞图像检测的分类和回归损失，计算置信度损失。最后通过最小化上述损失总和来训练更新模型。获得能够预测新类别细胞的显微镜细胞图像增量检测模型。

Description

一种对显微镜细胞图像检测模型进行增类学习的方法
技术领域
本发明涉及图像处理技术领域，特别是一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法。
背景技术
目标检测任务面临样本类别及样本自身的动态变化性带来的挑战。例如，无人驾驶中在新场景下对新物体的检测，显微镜图像细胞检测模型学习类别细胞等等，这就需要基于CNN的目标检测模型具有一定程度的增量学习能力。
传统的学习新类别有两种方式，第一，使用所有数据重新训练模型，但是由于目标检测任务的复杂性，这种方法会浪费大量的训练时间。第二，训练新的模型来预测新类，但是随着类别的增加，模型的数量也不断增加，每次预测都需要使用多个模型进行预测，预测所需要的时间呈线性增长。因此，目标检测的增量学习研究已成为新的研究热点。
显微镜细胞图像检测目标分类是显微镜图像细胞检测目标检测的基础性问题。为了应对新类别目标检测，首先需要解决新类别细胞的增量学习分类问题。目前常用的方法是使用新类别样本微调初始模型，初始模型定义为使用旧类别样本训练过后的模型，而微调后的模型称为增量模型。修改最后一层输出层大小以适应于增类任务，该层的权值是随机初始化。但是，仅使用微调会引起灾难性遗忘问题，增量模型能够准确的识别新类别目标，但是基本不能识别旧类别目标。这是因为微调过程中改变了模型权重和特征图去适应新的数据。
发明内容
有鉴于此，本发明的目的是提出一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，不仅能够预测旧类别细胞，并且也能够准确识别新类别细胞。
本发明采用以下方案实现：一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，利用增量学习方法使得显微镜细胞图像增量检测模型能够学习并检测出新的细胞类别，并且能够检测出旧类别细胞。
进一步地，具体包括以下步骤：
步骤S1：构建基于faster-rcnn的显微镜细胞图像检测模型作为初始模型；
步骤S2：利用新增类别样本对初始模型进行微调；
步骤S3：通过最小化总损失来训练初始模型，获得能够预测新类别细胞的显微镜细胞图像增量检测模型。
进一步地，步骤S1具体包括以下步骤：
步骤S11：对初始图像进行预处理，调整图像大小；
步骤S12：使用旧类别样本训练faster-rcnn模型获得显微镜细胞图像检测模型作为初始模型。
进一步地，步骤S2具体包括以下步骤：
步骤S21：采用初始模型预测新的细胞，对新类别细胞样本进行手工标注；
步骤S22：使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标为置信度为0.2以上的粗标签＜PO,BO,SO＞，其中PO代表类别标签，PO表示检测窗口，SO表示置信度；粗标签包含了大量初始模型从旧类别样本中学习到的旧类别信息；
步骤S23：修改显微镜细胞图像检测模型最后一层，使之成为显微镜细胞图像增量检测模型，训练过程中，计算增量模型和初始模型的中间层特征图距离，称为hint损失；hint损失LHint定义为：
Figure GDA0003608865480000031
式中，FO表示初始特征图,FI表示增量特征图；由于增量模型和初始模型中间层大小一致，不需要修改增量模型中间层大小去适应初始模型；通过使用hint损失，梯度下降时增量模型能够生成尽可能与初始模型相似的特征图，以保留初始模型中的旧类别信息；在本发明中，选择L2距离作为hint损失是因为损失能够使得增量模型稳定的梯度下降，L2距离为欧式距离，hint损失也选用L1距离作为损失公式，L1距离为曼哈顿距离。
步骤S24：计算显微镜下细胞图像目标检测的分类损失Lcls和回归损失Lreg：
Lcls＝Lhard-cls(PI,yP)+Lsoft-cls(PI,PO)；
Lreg＝Lhard-reg(BI,yB)+Lsoft-reg(BI,BO)；
式中，Lhard-cls是增量模型预测值PI和只有新类别标签真值标签yP的交叉熵损失，Lsoft-cls代表增量模型预测值PI和软目标的蒸馏损失PO；Lhard-reg为增量模型预测坐标BI与真值坐标yB的smooth L1损失；Lsoft-reg为增量模型预测坐标BI与软目标BO的smooth L1损失；其中，预测值与真值标签的损失称之为硬损失，预测值与软目标的蒸馏损失称之为软损失；
其中，本发明在硬损失中只计算了前景损失，前景损失定义为真值标签中的新类别检测窗口标签与相应位置预测检测窗口标签的损失。而软损失计算背景损失，背景损失为旧类别检测窗口标签与背景检测窗口与相应位置预测检测窗口标签的损失，防止互相抑制。
步骤S25：计算置信度损失，公式如下：
Lconfidence＝||SO-SI||1+||yS-SI||1；
式中，SO代表初始模型生成的软目标检测窗口置信度，SI代表增量模型预测的检测窗口置信度，yS为真值检测窗口置信度。由于背景类和真值检测窗口没有置信度，因此，将背景类和真值检测窗口置信度设置为1。计算软目标检测窗口置信度与预测检测窗口置信度的前景L1损失，和真值检测窗口置信度与预测检测窗口置信度的背景L1损失。由于提取软目标时，使用的是0.2置信度的粗标签，因此在连续增量学习时，会产生大量检测窗口。置信度损失不仅可以帮助增量模型保留初始类别信息，也有助于解决连续的进行增量学习时遇到的检测窗口逐渐变多的问题，可以抑制过多的检测窗口。
进一步地，本发明的总损失是一个多任务损失，既对检测窗口计算其回归损失，又对类别计算分类损失。步骤S3具体为：通过优化总损失来训练增量模型，其中，总损失Ltotal的公式如下：
Ltotal＝LRPN+LRoI+γLHint；
式中，γ为hint损失函数影响程度的超参数，本发明中区1。
其中，LRPN损失和LRoI损失被定义如下：
Figure GDA0003608865480000051
Figure GDA0003608865480000052
式中，Lcls代表分类损失和，由交叉熵损失和分类蒸馏损失组成；Lreg代表回归损失和，它由smooth L1损失和回归蒸馏损失组成，Lconfidence为增量模型预测置信度与软标签置信度的L1损失。
与现有技术相比，本发明有以下有益效果：本发明提出利用知识蒸馏方法解决灾难性遗忘问题，面向目标分类和目标定位两大任务提出了一种新的知识蒸馏方法，不但设计了多损失任务中的分类蒸馏损失和回归蒸馏损失，同时使用hint学习保留初始模型的特征信息，进一步引入置信度损失以最大程度保留旧类别信息，以缓解灾难性遗忘，最终实现了应该端到端的显微镜图像细胞检测增量学习模型，不仅能够预测旧类别细胞，并且也能够准确识别新类别细胞。
附图说明
图1为本发明实施例的显微镜图像细胞检测增量学习模型的示意图。
图2为本发明实施例的执行结果示例图，其中左图为原图，右图为本实施例的预测结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，上方的方框为初始模型，下方方框为增量模型，虚线为反向传播方向。本实施例的目的在于针对现有显微镜图像细胞检测中的增类学习问题，提出利用知识蒸馏方法解决灾难性遗忘问题，面向目标分类和目标定位两大任务提出了一种新的知识蒸馏方法，不但设计了多损失任务中的分类蒸馏损失和回归蒸馏损失，同时使用hint学习保留初始模型的特征信息，进一步引入置信度损失以最大程度保留旧类别信息，以缓解灾难性遗忘，最终实现了应该端到端的显微镜图像细胞检测增量学习模型，不仅能够预测旧类别细胞，并且也能够准确识别新类别细胞。
本实施例提供了一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，利用增量学习方法使得显微镜细胞图像增量检测模型能够学习并检测出新的细胞类别，并且能够检测出旧类别细胞。
在本实施例中，具体包括以下步骤：
步骤S1：构建基于faster-rcnn的显微镜细胞图像检测模型作为初始模型；
步骤S2：利用新增类别样本对初始模型进行微调；
步骤S3：通过最小化总损失来训练初始模型，获得能够预测新类别细胞的显微镜细胞图像增量检测模型。
在本实施例中，步骤S1具体包括以下步骤：
步骤S11：对初始图像进行预处理，调整图像大小；
步骤S12：使用旧类别样本训练faster-rcnn模型获得显微镜细胞图像检测模型作为初始模型。
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：采用初始模型预测新的细胞，对新类别细胞样本进行手工标注；
步骤S22：使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标为置信度为0.2以上的粗标签＜PO,BO,SO＞，其中PO代表类别标签，PO表示检测窗口，SO表示置信度；粗标签包含了大量初始模型从旧类别样本中学习到的旧类别信息；
步骤S23：修改显微镜细胞图像检测模型最后一层，使之成为显微镜细胞图像增量检测模型，训练过程中，计算增量模型和初始模型的中间层特征图距离，称为hint损失；hint损失LHint定义为：
Figure GDA0003608865480000081
式中，FO表示初始特征图,FI表示增量特征图；由于增量模型和初始模型中间层大小一致，不需要修改增量模型中间层大小去适应初始模型；通过使用hint损失，梯度下降时增量模型能够生成尽可能与初始模型相似的特征图，以保留初始模型中的旧类别信息；在本发明中，选择L2距离作为hint损失是因为损失能够使得增量模型稳定的梯度下降，L2距离为欧式距离，hint损失也选用L1距离作为损失公式，L1距离为曼哈顿距离。
步骤S24：计算显微镜下细胞图像目标检测的分类损失Lcls和回归损失Lreg：
Lcls＝Lhard-cls(PI,yP)+Lsoft-cls(PI,PO)；
Lreg＝Lhard-reg(BI,yB)+Lsoft-reg(BI,BO)；
式中，Lhard-cls是增量模型预测值PI和只有新类别标签真值标签yP的交叉熵损失，Lsoft-cls代表增量模型预测值PI和软目标的蒸馏损失PO；Lhard-reg为增量模型预测坐标BI与真值坐标yB的smooth L1损失；Lsoft-reg为增量模型预测坐标BI与软目标BO的smooth L1损失；其中，预测值与真值标签的损失称之为硬损失，预测值与软目标的蒸馏损失称之为软损失；
其中，本发明在硬损失中只计算了前景损失，前景损失定义为真值标签中的新类别检测窗口标签与相应位置预测检测窗口标签的损失。而软损失计算背景损失，背景损失为旧类别检测窗口标签与背景检测窗口与相应位置预测检测窗口标签的损失，防止互相抑制。
步骤S25：计算置信度损失，公式如下：
Lconfidence＝||SO-SI||1+||yS-SI||1；
式中，SO代表初始模型生成的软目标检测窗口置信度，SI代表增量模型预测的检测窗口置信度，yS为真值检测窗口置信度。由于背景类和真值检测窗口没有置信度，因此，将背景类和真值检测窗口置信度设置为1。计算软目标检测窗口置信度与预测检测窗口置信度的前景L1损失，和真值检测窗口置信度与预测检测窗口置信度的背景L1损失。由于提取软目标时，使用的是0.2置信度的粗标签，因此在连续增量学习时，会产生大量检测窗口。置信度损失不仅可以帮助增量模型保留初始类别信息，也有助于解决连续的进行增量学习时遇到的检测窗口逐渐变多的问题，可以抑制过多的检测窗口。
在本实施例中，总损失是一个多任务损失，既对检测窗口计算其回归损失，又对类别计算分类损失。步骤S3具体为：通过优化总损失来训练增量模型，其中，总损失Ltotal的公式如下：
Ltotal＝LRPN+LRoI+γLHint；
式中，γ为hint损失函数影响程度的超参数，本发明中区1。
其中，LRPN损失和LRoI损失被定义如下：
Figure GDA0003608865480000091
Figure GDA0003608865480000092
式中，Lcls代表分类损失和，由交叉熵损失和分类蒸馏损失组成；Lreg代表回归损失和，它由smooth L1损失和回归蒸馏损失组成，Lconfidence为增量模型预测置信度与软标签置信度的L1损失。
本实施例首先对初始图像进行预处理，使用旧类别样本训练faster-rcnn模型获得显微镜细胞图像检测模型作为初始模型。使用训练好的显微镜图像细胞检测模型预测新的细胞，对新类别细胞样本进行手工标注。其次使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标置信度为0.2以上的粗标签。修改显微镜细胞图像检测模型最后一层大小，作为显微镜细胞图像增量检测模型。分别计算增量模型和初始模型的中间层特征图距离，计算显微镜细胞图像检测的分类和回归损失，计算置信度损失。最后通过最小化上述损失总和来训练更新模型。获得能够预测新类别细胞的显微镜细胞图像增量检测模型。
图2为应用本发明实施例细胞检测可视化效果图，左图为增类学习时只能检测出两个类别的细胞图像，而使用本实施例中，能够检测到三个类别的细胞图像，如右图所示。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，其特征在于：利用增量学习方法使得显微镜细胞图像增量检测模型能够学习并检测出新的细胞类别，并且能够检测出旧类别细胞；
具体包括以下步骤：
步骤S1：构建基于faster-rcnn的显微镜细胞图像检测模型作为初始模型；
步骤S2：利用新增类别样本对初始模型进行微调；
步骤S3：通过最小化总损失来训练初始模型，获得能够预测新类别细胞的显微镜细胞图像增量检测模型；
步骤S2具体包括以下步骤：
步骤S21：采用初始模型预测新的细胞，对新类别细胞样本进行手工标注；
步骤S22：使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标为置信度为0.2以上的粗标签＜PO,BO,SO＞，其中PO代表软目标类别标签，BO表示检测窗口，SO表示置信度；
步骤S23：修改显微镜细胞图像检测模型最后一层，使之成为显微镜细胞图像增量检测模型，训练过程中，计算增量模型和初始模型的中间层特征图距离，称为hint损失；hint损失LHint定义为：
Figure FDA0003608865470000011
式中，FO表示初始特征图,FI表示增量特征图；通过使用hint损失，梯度下降时增量模型能够生成尽可能与初始模型相似的特征图，以保留初始模型中的旧类别信息；
步骤S24：计算显微镜下细胞图像目标检测的分类损失Lcls和回归损失Lreg：
Lcls＝Lhard-cls(PI,yP)+Lsoft-cls(PI,PO)；
Lreg＝Lhard-reg(BI,yB)+Lsoft-reg(BI,BO)；
式中，Lhard-cls是增量模型预测值PI和只有新类别标签真值标签yP的交叉熵损失，Lsoft-cls代表增量模型预测值PI和软目标类别标签PO的蒸馏损失；Lhard-reg为增量模型预测坐标BI与真值坐标yB的smooth L1损失；Lsoft-reg为增量模型预测坐标BI与软目标BO的smooth L1损失；其中，预测值与真值标签的损失称之为硬损失，预测值与软目标的蒸馏损失称之为软损失；
步骤S25：计算置信度损失，公式如下：
Lconfidence＝||SO-SI||1+||yS-SI||1；
式中，SO代表置信度，SI代表增量模型预测的检测窗口置信度，yS为真值检测窗口置信度；
步骤S3具体为：通过优化总损失来训练增量模型，其中，总损失Ltotal的公式如下：
Ltotal＝LRPN+LRoI+γLHint；
式中，γ为hint损失函数影响程度的超参数；
其中，LRPN损失和LRoI损失被定义如下：
Figure FDA0003608865470000031
Figure FDA0003608865470000032
式中，Lcls代表分类损失和，由交叉熵损失和分类蒸馏损失组成；Lreg代表回归损失和，它由smooth L1损失和回归蒸馏损失组成，Lconfidence为增量模型预测置信度与软标签置信度的L1损失。
2.根据权利要求1所述的一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，其特征在于：步骤S1具体包括以下步骤：
步骤S11：对初始图像进行预处理，调整图像大小；
步骤S12：使用旧类别样本训练faster-rcnn模型获得显微镜细胞图像检测模型作为初始模型。
CN201910358582.3A 2019-04-30 2019-04-30 一种对显微镜细胞图像检测模型进行增类学习的方法 Expired - Fee Related CN110059672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910358582.3A CN110059672B (zh) 2019-04-30 2019-04-30 一种对显微镜细胞图像检测模型进行增类学习的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910358582.3A CN110059672B (zh) 2019-04-30 2019-04-30 一种对显微镜细胞图像检测模型进行增类学习的方法

Publications (2)

Publication Number Publication Date
CN110059672A CN110059672A (zh) 2019-07-26
CN110059672B true CN110059672B (zh) 2022-06-14

Family

ID=67321746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910358582.3A Expired - Fee Related CN110059672B (zh) 2019-04-30 2019-04-30 一种对显微镜细胞图像检测模型进行增类学习的方法

Country Status (1)

Country Link
CN (1) CN110059672B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765855B (zh) * 2019-09-12 2023-04-18 杭州迪英加科技有限公司 一种病理图像处理方法及系统
CN110837856B (zh) * 2019-10-31 2023-05-30 深圳市商汤科技有限公司 神经网络训练及目标检测方法、装置、设备和存储介质
CN111144451B (zh) * 2019-12-10 2023-08-25 东软集团股份有限公司 一种图像分类模型的训练方法、装置及设备
CN111369535B (zh) * 2020-03-05 2023-04-07 笑纳科技(苏州)有限公司 一种细胞检测方法
US10970598B1 (en) * 2020-05-13 2021-04-06 StradVision, Inc. Learning method and learning device for training an object detection network by using attention maps and testing method and testing device using the same
CN111738436B (zh) * 2020-06-28 2023-07-18 电子科技大学中山学院 一种模型蒸馏方法、装置、电子设备及存储介质
CN112257864B (zh) * 2020-10-22 2022-08-16 福州大学 一种用于解决灾难性遗忘问题的终生学习方法
CN112199572B (zh) * 2020-11-09 2023-06-06 广西职业技术学院 一种京族图案收集整理系统
CN112528971B (zh) * 2021-02-07 2021-06-04 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN112990280B (zh) * 2021-03-01 2023-08-25 华南理工大学 面向图像大数据的类增量分类方法、系统、装置及介质
CN113205142B (zh) * 2021-05-08 2022-09-06 浙江大学 一种基于增量学习的目标检测方法和装置
CN113222014A (zh) * 2021-05-12 2021-08-06 深圳思谋信息科技有限公司 图像分类模型训练方法、装置、计算机设备和存储介质
CN113536971A (zh) * 2021-06-28 2021-10-22 中科苏州智能计算技术研究院 一种基于增量学习的目标检测方法
CN113673589A (zh) * 2021-08-12 2021-11-19 南京理工大学 基于边框距离度量的标签选择自适应增量检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226155A (zh) * 2007-12-21 2008-07-23 中国人民解放军第八一医院 智能化肺癌早期细胞病理图像识别处理方法
CN106874894A (zh) * 2017-03-28 2017-06-20 电子科技大学 一种基于区域全卷积神经网络的人体目标检测方法
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN108550133A (zh) * 2018-03-02 2018-09-18 浙江工业大学 一种基于Faster R-CNN的癌细胞检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1262907B1 (en) * 2001-05-28 2007-10-03 Honda Research Institute Europe GmbH Pattern recognition with hierarchical networks
US9778263B2 (en) * 2013-11-13 2017-10-03 General Electric Company Quantitative in situ characterization of biological samples

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226155A (zh) * 2007-12-21 2008-07-23 中国人民解放军第八一医院 智能化肺癌早期细胞病理图像识别处理方法
CN106874894A (zh) * 2017-03-28 2017-06-20 电子科技大学 一种基于区域全卷积神经网络的人体目标检测方法
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN108550133A (zh) * 2018-03-02 2018-09-18 浙江工业大学 一种基于Faster R-CNN的癌细胞检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田敏皓 陈平."基于增量学习的X射线安检系统检测算法研究".《测试技术学报》.2019,全文. *

Also Published As

Publication number Publication date
CN110059672A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110059672B (zh) 一种对显微镜细胞图像检测模型进行增类学习的方法
CN111063410B (zh) 一种医学影像文本报告的生成方法及装置
CN109272031A (zh) 一种训练样本生成方法及装置、设备、介质
CN111428733B (zh) 基于语义特征空间转换的零样本目标检测方法及系统
WO2020077858A1 (zh) 基于神经网络的视频描述生成方法、介质、终端及装置
CN110120065B (zh) 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统
CN112836639A (zh) 基于改进YOLOv3模型的行人多目标跟踪视频识别方法
CN112990298B (zh) 关键点检测模型训练方法、关键点检测方法及装置
CN112052818B (zh) 无监督域适应的行人检测方法、系统及存储介质
CN113128478B (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN113469186B (zh) 一种基于少量点标注的跨域迁移图像分割方法
CN110992365A (zh) 一种基于图像语义分割的损失函数及其设计方法
Freytag et al. Labeling examples that matter: Relevance-based active learning with gaussian processes
CN113222149A (zh) 模型训练方法、装置、设备和存储介质
KR20220024990A (ko) L2TL(Learning to Transfer Learn)을 위한 프레임워크
CN106056146B (zh) 基于逻辑回归的视觉跟踪方法
CN114818912A (zh) 一种基于自训练的无监督域自适应目标检测方法
CN114565803A (zh) 用于提取难样本的方法、装置及机械设备
CN112258557B (zh) 一种基于空间注意力特征聚合的视觉跟踪方法
CN110457155B (zh) 一种样本类别标签的修正方法、装置及电子设备
CN113780287A (zh) 一种多深度学习模型的最优选取方法及系统
CN113408696A (zh) 深度学习模型的定点量化方法及装置
CN116977844A (zh) 一种轻量级水下目标实时检测方法
CN116681961A (zh) 基于半监督方法和噪声处理的弱监督目标检测方法
Wang et al. Q-YOLO: Efficient inference for real-time object detection

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220614