CN110826612A - 深度学习的训练识别方法 - Google Patents
深度学习的训练识别方法 Download PDFInfo
- Publication number
- CN110826612A CN110826612A CN201911051442.8A CN201911051442A CN110826612A CN 110826612 A CN110826612 A CN 110826612A CN 201911051442 A CN201911051442 A CN 201911051442A CN 110826612 A CN110826612 A CN 110826612A
- Authority
- CN
- China
- Prior art keywords
- target
- training
- model
- classification
- deep learning
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010059313 Anogenital warts Diseases 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习的训练识别方法，包括以下步骤：采用深度学习模型对样本图像进行第一次目标定位训练，从样本的图像中抽取目标，并对目标进行标定，通过训练生成目标定位模型；将样本进行分类，生成分类样本集；利用第一次训练出的目标定位模型，对所述分类样本集中的目标进行识别，并将识别的目标区域图像取出，保存为新的分类集样本；采用第二次训练用网络模型，对新的分类集样本和所述分类样本集进行第二次训练，生成分类识别模型；在识别过程中，先由目标定位模型识别出目标，再通过分类识别模型进行分类识别。本发明深度学习的训练识别方法，采用先定位再分类的识别方法，能有效提高深度学习的识别率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种深度学习的训练识别方法。
背景技术
深度学习是人工智能一个分支，现在很多领域都在研究和应用，其本身是一个预测和识别的过程。深度学习首先分为训练和预测两个阶段，训练通过机器学习自动识别特征来完成目标的特征提取，预测则是通过已训练的模型识别样本中的目标。
深度学习生成模型识别率接近人类，主要得益于以下三方面的发展：1.算法的改进和提高；2.大数据支持；3.计算机运行效率的提升。然而目前深度学习的识别率仍然偏低。
目标定位是基于目标分类发展而来，通常的做法是目标定位集成分类和定位，这样存在的问题是目标定位取决于目标分类和目标尺寸大小等限制因素，从而导致识别率下降。
发明内容
本发明要解决的技术问题是提供一种深度学习的训练识别方法，该方法将目标定位分类简化到只有目标和背景，采用先定位再分类的方法，从而有效提高深度学习的识别率。
为了解决上述技术问题，本发明通过如下技术方案实现:
在本发明的一个方面，提供了一种深度学习的训练识别方法，包括以下步骤：
采用深度学习模型对样本图像进行第一次目标定位训练，从样本的图像中抽取目标，并对目标进行标定，通过训练生成目标定位模型；
将样本进行分类，生成分类样本集；
利用第一次训练出的目标定位模型，对所述分类样本集中的目标进行识别，并将识别的目标区域图像取出，保存为新的分类集样本；
采用第二次训练用网络模型，对新的分类集样本和所述分类样本集进行第二次训练，生成分类识别模型；
在识别过程中，先由目标定位模型识别出目标，再通过分类识别模型进行分类识别。
所述深度学习模型包括ssd模型、Mobilenet-ssd模型、faster r-cnn模型。
所述第二次训练用网络模型包括ResNet、GoogLeNet、DenseNet。
所述第一次目标定位训练是把样本图像简化为目标和背景，从样本图像中抽取目标，并对目标进行标定，把目标以外的信息过滤去除。
本发明深度学习的训练识别方法，把传统的深度学习训练改进为两个阶段，先通过深度学习进行目标定位，从图像中抽取有效目标，再次对目标进行分类训练。这样的优势在于第一次训练只寻找目标，把目标以外的无效信息过滤掉，提高了提取目标的纯度，排除了干扰信息，显著提高了识别效率。
对第一次训练结果产生的模型进行分类，这样做的好处在于解决了标定和分类工作的有效分离，通常标定工作和分类工作不一定由同一类人完成，效率和准确度会显著提升。
在识别过程中，先调用目标定位模型，当没有识别到目标的样本，作为一类，根据应用场景处理。识别到目标的样本再进一步用分类识别模型进行分类识别。这样做的好处在于通过目标识别，把假样本筛选出来，降低假阴性和假阳性率，从而提高识别效率。本发明方法的识别率能达到95％以上。
本发明深度学习的训练识别方法，采用先定位再分类的识别方法，能有效提高深度学习的识别率。
附图说明
图1是本发明深度学习的训练识别方法的步骤示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明深度学习的训练识别方法，包括以下步骤：
采用深度学习模型对样本图像进行第一次目标定位训练，从样本的图像中抽取目标，并对目标进行标定，通过训练生成目标定位模型；
将样本进行分类，生成分类样本集；
利用第一次训练出的目标定位模型，对所述分类样本集中的目标进行识别，并将识别的目标区域图像取出，保存为新的分类集样本；
采用第二次训练用网络模型，对新的分类集样本和所述分类样本集进行第二次训练，生成分类识别模型；
在识别过程中，先由目标定位模型识别出目标，再通过分类识别模型进行分类识别。
实施例1
以caffe深度学习模型为基础，通过宫颈图片病变分类识别为例，来说明本发明使用方法。
通过caffe-ssd模型做目标检测，比如使用VGG-16网络模型，首先把病例样本(阴道镜下拍摄的宫颈图片，包含背景和宫颈)进行第一次目标定位训练。把所有样本图片标定出宫颈区域。然后对标定的样本，生成prototxt文件，并把病例图片转换为符合ssd训练的数据格式。调整ssd网络参数和训练参数，训练VGG-16-ssd网络模型，得目标定位模型。
生成目标定位模型后，使用该模型测试样本，获得识别率。再调整训练参数和网络参数，直到识别率达到95％以上为止。
将病例样本分类为所需要的类别，比如分类为宫颈癌、尖锐湿疣、一般炎症、健康等，生成分类病例类别文件。
利用第一次训练出来的目标定位模型，对分类病例样本的目标进行识别，并将识别的目标区域图像取出，保存为新的分类病例样本。使用该新的分类病例样本作为训练数据，和上述分类病例类别文件，使用第二次训练用网络模型如:ResNet，GoogLeNet，DenseNet等进行第二次训练。
第二次训练完成后，得到分类识别模型，测试其识别率，再调整网络参数，训练参数，直到识别率达到95％以上为止。
在识别过程中，首先由通过ssd产生的目标定位模型识别出目标，即识别出本实施例宫颈图片的宫颈区域，然后通过分类识别模型进行分类识别。
以上所述的实施方式较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种深度学习的训练识别方法，其特征在于，包括以下步骤：
采用深度学习模型对样本图像进行第一次目标定位训练，从样本的图像中抽取目标，并对目标进行标定，通过训练生成目标定位模型；
将样本进行分类，生成分类样本集；
利用第一次训练出的目标定位模型，对所述分类样本集中的目标进行识别，并将识别的目标区域图像取出，保存为新的分类集样本；
采用第二次训练用网络模型，对新的分类集样本和所述分类样本集进行第二次训练，生成分类识别模型；
在识别过程中，先由目标定位模型识别出目标，再通过分类识别模型进行分类识别。
2.根据权利要求1所述的深度学习的训练识别方法，其特征在于，所述深度学习模型包括ssd模型、Mobilenet-ssd模型、faster r-cnn模型。
3.根据权利要求1所述的深度学习的训练识别方法，其特征在于，所述第二次训练用网络模型包括ResNet、GoogLeNet、DenseNet。
4.根据权利要求1所述的深度学习的训练识别方法，其特征在于，所述第一次目标定位训练是把样本图像简化为目标和背景，从样本图像中抽取目标，并对目标进行标定，把目标以外的信息过滤去除。
5.根据权利要求1所述的深度学习的训练识别方法，其特征在于，所述方法的识别率为95％以上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911051442.8A CN110826612A (zh) | 2019-10-31 | 2019-10-31 | 深度学习的训练识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911051442.8A CN110826612A (zh) | 2019-10-31 | 2019-10-31 | 深度学习的训练识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110826612A true CN110826612A (zh) | 2020-02-21 |
Family
ID=69551625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911051442.8A Pending CN110826612A (zh) | 2019-10-31 | 2019-10-31 | 深度学习的训练识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826612A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523392A (zh) * | 2020-03-26 | 2020-08-11 | 北京航天自动控制研究所 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
| CN112613425A (zh) * | 2020-12-24 | 2021-04-06 | 山东船舶技术研究院 | 一种面向小样本水下图像的目标识别方法及系统 |
| CN112634261A (zh) * | 2020-12-30 | 2021-04-09 | 上海交通大学医学院附属瑞金医院 | 基于卷积神经网络的胃癌病灶检测方法及装置 |
| CN112766092A (zh) * | 2021-01-05 | 2021-05-07 | 北京航空航天大学 | 基于类脑神经网络的背景类别快速识别方法及其应用 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
| CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
-
2019
- 2019-10-31 CN CN201911051442.8A patent/CN110826612A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
| CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523392A (zh) * | 2020-03-26 | 2020-08-11 | 北京航天自动控制研究所 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
| CN111523392B (zh) * | 2020-03-26 | 2023-06-06 | 北京航天自动控制研究所 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
| CN112613425A (zh) * | 2020-12-24 | 2021-04-06 | 山东船舶技术研究院 | 一种面向小样本水下图像的目标识别方法及系统 |
| CN112613425B (zh) * | 2020-12-24 | 2022-03-22 | 山东船舶技术研究院 | 一种面向小样本水下图像的目标识别系统 |
| CN112634261A (zh) * | 2020-12-30 | 2021-04-09 | 上海交通大学医学院附属瑞金医院 | 基于卷积神经网络的胃癌病灶检测方法及装置 |
| CN112766092A (zh) * | 2021-01-05 | 2021-05-07 | 北京航空航天大学 | 基于类脑神经网络的背景类别快速识别方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826612A (zh) | 深度学习的训练识别方法 | |
| CN110472676A (zh) | 基于深度神经网络的胃早癌组织学图像分类系统 | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111340130A (zh) | 一种基于深度学习和影像组学的泌尿结石检测分类方法 | |
| WO2023045231A1 (zh) | 一种解耦分治的面神经分割方法和装置 | |
| Salem et al. | A comparative study of white blood cells segmentation using otsu threshold and watershed transformation | |
| WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
| CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
| CN112703531A (zh) | 生成组织图像的注释数据 | |
| CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
| CN110188750A (zh) | 一种基于深度学习的自然场景图片文字识别方法 | |
| CN113838021A (zh) | 基于改进的YOLOv5网络的肺结节检测系统 | |
| CN108921172A (zh) | 基于支持向量机的图像处理装置及方法 | |
| Batule et al. | Leaf disease detection using image processing and support vector machine (SVM) | |
| Athinarayanan et al. | COMPUTER AIDED DIAGNOSIS FOR DETECTION AND STAGE IDENTIFICATION OF CERVICAL CANCER BY USING PAP SMEAR SCREENING TEST IMAGES. | |
| Suryawanshi et al. | Improved technique for detection of malaria parasites within the blood cell images | |
| CN109948706B (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 | |
| CN116128799A (zh) | 一种基于高光谱图像的肿瘤切缘识别系统 | |
| CN116258686A (zh) | 基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法 | |
| Revathi et al. | Classification of cotton diseases using cross information gain_minimal resource allocation network classifier with particle swarm optimization | |
| CN111027399B (zh) | 一种基于深度学习的遥感图像水面潜艇识别方法 | |
| CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 | |
| US20220215253A1 (en) | Systems and methods to train a cell object detector | |
| CN113255535A (zh) | 一种基于微表情分析的抑郁症识别方法 | |
| CN112435269A (zh) | 一种基于Faster-RCNN的桡骨远端骨折图像处理方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200221 |