CN111460991A - 异常检测方法、相关设备及可读存储介质 - Google Patents
异常检测方法、相关设备及可读存储介质 Download PDFInfo
- Publication number
- CN111460991A CN111460991A CN202010242642.8A CN202010242642A CN111460991A CN 111460991 A CN111460991 A CN 111460991A CN 202010242642 A CN202010242642 A CN 202010242642A CN 111460991 A CN111460991 A CN 111460991A
- Authority
- CN
- China
- Prior art keywords
- target
- detected
- image
- symmetrical
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 178
- 230000002159 abnormal effect Effects 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims description 243
- 238000002372 labelling Methods 0.000 claims description 51
- 230000005856 abnormality Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 210000001508 eye Anatomy 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种异常检测方法、相关设备及可读存储介质，首先获取待检测目标的图像，以及与待检测目标具备对称特性的对称目标的图像；然后，确定待检测目标的图像特征，以及，对称目标的图像特征；最后，基于待检测目标的图像特征，以及，对称目标的图像特征，确定待检测目标是否发生异常。本申请中采用分析待检测目标的图像，以及对称目标的图像实现异常检测的方式，相对于人工检测的方式，可以节省人力和时间，进而可以降低成本，提高检测效率。
Description
技术领域
本申请涉及图像处理技术领域，更具体的说，是涉及一种异常检测方法、相关设备及可读存储介质。
背景技术
在社会发展过程中，往往需要检测某个目标是否发生异常，如，医疗领域需要检测人体某个部位是否发生异常，以新生儿眼底异常检测为例，需要检测新生儿眼底是否发生诸如ROP(retinopathy of prematurity，视网膜病变)之类的异常。
目前，多采用人工检测的方式，检测目标是否发生异常，具体，可以由相关专业的专家，检测目标是否发生异常，以新生儿眼底异常检测为例，可以由医生借助放大镜、眼底镜等对新生儿眼底进行检查，确定新生儿眼底是否发生异常。
然而，人工检测的方式将消耗大量的人力及时间，成本高，效率低。
发明内容
鉴于上述问题，本申请提出了一种异常检测方法、相关设备及可读存储介质。具体方案如下：
一种异常检测方法，包括：
获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
可选的，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，并基于此确定所述待检测目标是否发生异常的过程，包括：
利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果；
所述异常检测模型具备，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常的能力。
可选的，所述利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果，包括：
利用异常检测模型的特征提取模块，对所述待检测目标的图像，以及，与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果。
可选的，所述利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果的方式如下：
利用所述检测模块的特征融合层，将所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行融合，得到融合之后的特征；
利用所述检测模块的分类输出层，对所述融合之后的特征进行分类，得到所述待检测目标是否发生异常的确定结果。
可选的，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到教师模型；
基于所述教师模型，训练得到所述异常检测模型。
可选的，所述基于所述教师模型，训练得到所述异常检测模型，包括：
将每个训练数据输入所述教师模型，所述教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果；
以每个训练数据为训练样本，以每个训练数据的标注结果为样本硬标签，以所述教师模型输出的该训练数据对应的训练目标是否发生异常的确定结果为样本软标签，训练得到学生模型，所述学生模型包括软标签分类输出层，和硬标签分类输出层；
去除所述学生模型的软标签分类输出层，得到所述异常检测模型，所述学生模型的硬标签分类输出层为所述异常检测模型的分类输出层。
可选的，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到所述异常检测模型。
可选的，所述获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，包括：
获取待检测目标的原始图像，以及与所述待检测目标具备对称特性的对称目标的原始图像；
对所述待检测目标的原始图像进行预处理，得到待检测目标的图像；
对所述与所述待检测目标具备对称特性的对称目标的原始图像进行预处理，得到与所述待检测目标具备对称特性的对称目标的图像。
一种异常检测装置，包括：
图像获取单元，用于获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
图像特征确定单元，用于确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
异常检测单元，用于基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
可选的，图像特征确定单元确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，异常检测单元基于此确定所述待检测目标是否发生异常的过程，包括：
图像特征确定单元和异常检测单元，利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果；
所述异常检测模型具备，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常的能力。
可选的，所述图像特征确定单元和异常检测单元，利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果，包括：
所述图像特征确定单元利用异常检测模型的特征提取模块，对所述待检测目标的图像，以及，与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
所述异常检测单元利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果。
可选的，所述异常检测单元利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果的方式如下：
所述异常检测单元利用所述检测模块的特征融合层，将所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行融合，得到融合之后的特征；
所述异常检测单元利用所述检测模块的分类输出层，对所述融合之后的特征进行分类，得到所述待检测目标是否发生异常的确定结果。
可选的，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到教师模型；
基于所述教师模型，训练得到所述异常检测模型。
可选的，所述基于所述教师模型，训练得到所述异常检测模型，包括：
将每个训练数据输入所述教师模型，所述教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果；
以每个训练数据为训练样本，以每个训练数据的标注结果为样本硬标签，以所述教师模型输出的该训练数据对应的训练目标是否发生异常的确定结果为样本软标签，训练得到学生模型，所述学生模型包括软标签分类输出层，和硬标签分类输出层；
去除所述学生模型的软标签分类输出层，得到所述异常检测模型，所述学生模型的硬标签分类输出层为所述异常检测模型的分类输出层。
可选的，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到所述异常检测模型。
可选的，所述图像获取单元，包括：
原始图像获取单元，用于获取待检测目标的原始图像，以及与所述待检测目标具备对称特性的对称目标的原始图像；
第一预处理单元，用于对所述待检测目标的原始图像进行预处理，得到待检测目标的图像；
第二预处理单元，用于对所述与所述待检测目标具备对称特性的对称目标的原始图像进行预处理，得到与所述待检测目标具备对称特性的对称目标的图像。
一种异常检测设备，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上所述的异常检测方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上所述的异常检测方法的各个步骤。
借由上述技术方案，本申请公开了一种异常检测方法、相关设备及可读存储介质，首先获取待检测目标的图像，以及与待检测目标具备对称特性的对称目标的图像；然后，确定待检测目标的图像特征，以及，对称目标的图像特征；最后，基于待检测目标的图像特征，以及，对称目标的图像特征，确定待检测目标是否发生异常。本申请中采用分析待检测目标的图像，以及对称目标的图像实现异常检测的方式，相对于人工检测的方式，可以节省人力和时间，进而可以降低成本，提高检测效率。基于上述方式，能够实现诸如医疗领域的新生儿眼底异常检测。
进一步的，采用本申请提供的异常检测方式，相比于人工检测的方式，可以减少主观臆断，降低诸如医疗领域的新生儿眼底异常检测结果的随意性，保证异常检测结果的客观性更强，更准确，增强异常检测结果的透明度。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例公开的异常检测方法的流程示意图；
图2为本申请实施例公开的一种异常检测模型的结构示意图；
图3为本申请实施例公开的一种学生模型的结构示意图；
图4为本申请实施例公开的一种异常检测装置结构示意图；
图5为本申请实施例公开的一种异常检测设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
接下来，通过下述实施例对本申请提供的异常检测方法进行介绍。
参照图1，图1为本申请实施例公开的异常检测方法的流程示意图，该方法可以包括：
步骤S101：获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像。
在本申请中，待检测目标可以为任意目标，针对不同的领域，待检测目标也不同，需要说明的是，对待检测目标来说，存在与其具备对称特性的对称目标，对称特性具体可以为左右对称特性、上下对称特性、前后对称特性等中的任意一种或多种。以医疗领域为例，待检测目标可以为人体中的特定部位，如，眼睛、耳朵、四肢、肺等，这些特定部位均存在与其对称的部位。
作为一种可实施方式，可以基于成像设备对待检测目标进行图像采集，得到待检测目标的原始图像，作为待检测目标的图像。以及，对与所述待检测目标具备对称特性的对称目标进行图像采集，得到与所述待检测目标具备对称特性的对称目标的原始图像，作为与所述待检测目标具备对称特性的对称目标的图像。比如，可以基于眼底成像设备对新生儿左眼和右眼进行眼底图像采集。
但是，基于成像设备采集图像时，可能会由于成像设备本身或周围环境的影响，造成采集得到的待检测目标的原始图像无法满足异常检测的需求，导致检测结果不准确。
为解决上述问题，作为另一种可实施方式，获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像的过程可以包括：获取待检测目标的原始图像，以及与所述待检测目标具备对称特性的对称目标的原始图像；对所述待检测目标的原始图像进行预处理，得到待检测目标的图像；对所述与所述待检测目标具备对称特性的对称目标的原始图像进行预处理，得到与所述待检测目标具备对称特性的对称目标的图像。
需要说明的是，本申请中，预处理方式可以有多种，比如前景区域提取处理、前景区域归一化处理、图像增强处理、尺度缩放处理等，对此本申请不进行任何限定。作为一种示例，在本申请中，可以对待检测目标的原始图像以及与所述待检测目标具备对称特性的对称目标的原始图像的预处理包括：使用掩模提取前景区域，然后对前景区域进行归一化处理，再对归一化处理后的图像进行尺度缩放。
步骤S102：确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征。
在本申请中，可以确定所述待检测目标的图像的颜色特征、纹理特征、形状特征和空间关系特征中的任意一种或多种。相应的，也可以确定与所述待检测目标具备对称特性的对称目标的图像的颜色特征、纹理特征、形状特征和空间关系特征中的任意一种或多种。
需要说明的是，在本申请中可以基于神经网络，对待检测目标的图像进行特征提取，得到所述待检测目标的图像特征，以及对与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到与所述待检测目标具备对称特性的对称目标的图像特征。具体将通过后续实施例详细说明。
步骤S103：基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
发生异常的目标的图像特征以及与其具备对称特性的对称目标的图像特征，与未发生异常的目标的图像特征以及与其具备对称特性的对称目标的图像特征往往存在差异，因此，可以训练神经网络模型，训练好的神经网络模型可以学习到这种差异，将所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征输入该神经网络模型，该神经网络模型即可确定待检测目标是否发生异常。具体将通过后续实施例详细说明。
本实施例公开了一种异常检测方法，首先获取待检测目标的图像，以及与待检测目标具备对称特性的对称目标的图像；然后，确定待检测目标的图像特征，以及，对称目标的图像特征；最后，基于待检测目标的图像特征，以及，对称目标的图像特征，确定待检测目标是否发生异常。本申请中采用分析待检测目标的图像，以及对称目标的图像实现异常检测的方式，相对于人工检测的方式，可以节省人力和时间，进而可以降低成本，提高检测效率。基于上述方式，能够实现诸如医疗领域的新生儿眼底异常检测。
进一步的，采用本实施例提供的异常检测方式，相比于人工检测的方式，可以减少主观臆断，降低诸如医疗领域的新生儿眼底异常检测结果的随意性，保证异常检测结果的客观性更强，更准确，增强异常检测结果的透明度。
另外，传统的异常检测方法，是仅仅基于待检测目标的图像特征，确定待检测目标是否发生异常，但是，对于存在与其具备对称特性的对称目标的待检测目标来说，仅仅依据待检测目标的图像特征，确定待检测目标是否发生异常，其准确度往往较低。而本申请中，同时基于待检测目标的图像特征，以及与待检测目标具备对称特性的对称目标的图像特征，确定待检测目标是否发生异常，能够提高准确度。
在本申请中，上述步骤S102、S103可以基于神经网络结构实现，接下来，通过下述实施例进行详细介绍。
具体的，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，并基于此确定所述待检测目标是否发生异常的过程，包括：利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果；
所述异常检测模型具备，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常的能力。
参照图2，图2为本申请实施例公开的一种异常检测模型的结构示意图，该异常检测模型具体可以包括：特征提取模块和检测模块，该检测模块可以包括特征融合层和分类输出层。
基于图2所示的异常检测模型的结构，本申请中给出“利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果”的实现过程，该过程包括如下步骤：
步骤S201：利用异常检测模型的特征提取模块，对所述待检测目标的图像，以及，与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征。
在本申请中，异常检测模型中可以包含两个具有相同网络结构的特征提取模块，分别对待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征。
需要说明的是，特征提取模块可以为卷积神经网络结构，其网络结构可以使用基于公共数据集预训练得到的图像分类模型中的特征提取部分。这种情况下，在异常检测模型的训练过程中，可以采用预训练得到的图像分类模型中的特征提取部分的参数作为特征提取模块的初始参数，基于与本申请的异常检测方法对应的训练数据对其进行微调，这样可以加快模型的训练速度。
作为一种示例，本申请中，特征提取模块的网络结构可以使用基于eyePACS眼底数据集预训练得到的inception_resnet_v2网络中的特征提取部分。
步骤S202：利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果。
在本申请中，可以利用所述检测模块的特征融合层，将所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行融合，得到融合之后的特征。再利用所述检测模块的分类输出层，对所述融合之后的特征进行分类，得到所述待检测目标是否发生异常的确定结果。
在本申请中，分类输出层可以得到所述融合之后的特征的分类得分，该分类得分是0至1之间的数，通过将该分类得分与预设阈值比较，即可得到待检测目标是否发生异常的确定结果。
为便于理解，假设预设阈值为0.5，如果分类得分大于0.5，则可以确定待检测目标发生异常，否则，确定待检测目标未发生异常。
为了方便理解，在本申请中，还对异常检测模型的训练方式进行了详细介绍，具体通过以下实施例详细说明。
作为一种可实施方式，该异常检测模型的训练过程包括如下步骤：
步骤S301：获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像。
在本申请中，训练数据可以为多个，每个训练数据对应不同的训练目标，一个训练数据的示例如，一个新生儿的左眼眼底图像以及该新生儿的右眼眼底图像。
步骤S302：对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常。
在本申请中，可以基于专家标注法，对每个训练数据进行标注，训练数据标注示例如，训练数据标注为0，则指示该训练数据对应的训练目标未发生异常，训练数据标注为1，则指示该训练数据对应的训练目标发生异常。
步骤S303：以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，得到所述异常检测模型。
在本申请中，可以以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，对预设神经网络结构进行训练，预设神经网络结构可以包括特征提取模块和检测模块，该检测模块可以包括特征融合层和分类输出层，当分类输出层的输出趋近于所述训练数据的标注结果时，得到异常检测模型。
但是，基于上述方式，要想得到性能较好的异常检测模型，往往需要大量的训练数据，且模型参数较多，这将导致训练效率低下，且模型数据量过大，不利用业务应用，因此，本申请还提出另外一种异常检测模型的训练方式，具体如下：
作为又一种可实施方式，该异常检测模型的训练过程包括如下步骤：
步骤S401：获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像。
步骤S402：对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常。
需要说明的是，步骤S401和步骤S402的具体介绍可参见步骤S301和步骤S302，此处不再赘述。
步骤S403：以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到教师模型。
在本申请中，可以以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，对预设神经网络结构进行训练，预设神经网络结构可以包括特征提取模块和检测模块，该检测模块可以包括特征融合层和分类输出层，当分类输出层的输出与对应样本标签的损失函数收敛时，即训练得到教师模型。
步骤S404：基于所述教师模型，训练得到所述异常检测模型。
在本申请中，可以基于所述教师模型，训练学生模型，并基于所述学生模型得到所述异常检测模型。具体通过后续实施例详细说明。
在本申请的另一个实施例中，对上述步骤S404基于所述教师模型，训练得到所述异常检测模型的过程进行介绍，该过程可以包括以下步骤：
步骤S501：将每个训练数据输入所述教师模型，所述教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果。
需要说明的是，训练数据的标注结果往往会受到专家的客观影响，因此，不可避免地会出现少量标注错误的训练数据，基于这些数据对模型训练时，往往造成训练得到的模型性能较差，最终影响异常检测结果的准确性。
教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果是0至1之间的数，相对于训练数据标注的0或者1，能够帮助模型习得更丰富的知识，因此，在本申请中，可以使用教师模型输出的预测结果对错误的训练数据进行一定程度的校正，以解决上述问题。具体的，可以将每个训练数据输入所述教师模型，所述教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果，再以教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果进行后续的训练，从而对标注错误的训练数据进行一定程度的校正。
需要说明的是，基于教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果对学生模型进行训练的方式将通过后续内容说明。
步骤S502：以每个训练数据为训练样本，以每个训练数据的标注结果为样本硬标签，以所述教师模型输出的该训练数据对应的训练目标是否发生异常的确定结果为样本软标签，训练得到学生模型，所述学生模型包括软标签分类输出层，和硬标签分类输出层。
在本申请中，可以以每个训练数据为训练样本，以每个训练数据的标注结果为样本硬标签，以所述教师模型输出的该训练数据对应的训练目标是否发生异常的确定结果为样本软标签，对预设神经网络结构进行训练，预设神经网络结构可以包括特征提取模块和检测模块，该检测模块可以包括特征融合层、软标签分类输出层和硬标签分类输出层，当由所述软标签分类输出层的输出与对应软标签的第一损失函数，以及所述硬标签分类输出层的输出与对应硬标签的第二损失函数组成的损失函数收敛时，即训练得到学生模型。
步骤S503：去除所述学生模型的软标签分类输出层，得到所述异常检测模型，所述学生模型的硬标签分类输出层为所述异常检测模型的分类输出层。
基于上述步骤，得到如图3所示的学生模型，去除所述学生模型的软标签分类输出层，将所述学生模型的硬标签分类输出层为所述异常检测模型的分类输出层，即可得到如图2所示的异常检测模型。
下面对本申请实施例公开的异常检测装置进行描述，下文描述的异常检测装置与上文描述的异常检测方法可相互对应参照。
参照图4，图4为本申请实施例公开的一种异常检测装置结构示意图。如图4所示，该异常检测装置可以包括：
图像获取单元11，用于获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
图像特征确定单元12，用于确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
异常检测单元13，用于基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
可选的，图像特征确定单元确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，异常检测单元基于此确定所述待检测目标是否发生异常的过程，包括：
图像特征确定单元和异常检测单元，利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果；
所述异常检测模型具备，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常的能力。
可选的，所述图像特征确定单元和异常检测单元，利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果，包括：
所述图像特征确定单元利用异常检测模型的特征提取模块，对所述待检测目标的图像，以及，与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
所述异常检测单元利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果。
可选的，所述异常检测单元利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果的方式如下：
所述异常检测单元利用所述检测模块的特征融合层，将所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行融合，得到融合之后的特征；
所述异常检测单元利用所述检测模块的分类输出层，对所述融合之后的特征进行分类，得到所述待检测目标是否发生异常的确定结果。
可选的，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到教师模型；
基于所述教师模型，训练得到所述异常检测模型。
可选的，所述基于所述教师模型，训练得到所述异常检测模型，包括：
将每个训练数据输入所述教师模型，所述教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果；
以每个训练数据为训练样本，以每个训练数据的标注结果为样本硬标签，以所述教师模型输出的该训练数据对应的训练目标是否发生异常的确定结果为样本软标签，训练得到学生模型，所述学生模型包括软标签分类输出层，和硬标签分类输出层；
去除所述学生模型的软标签分类输出层，得到所述异常检测模型，所述学生模型的硬标签分类输出层为所述异常检测模型的分类输出层。
可选的，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到所述异常检测模型。
可选的，所述图像获取单元，包括：
原始图像获取单元，用于获取待检测目标的原始图像，以及与所述待检测目标具备对称特性的对称目标的原始图像；
第一预处理单元，用于对所述待检测目标的原始图像进行预处理，得到待检测目标的图像；
第二预处理单元，用于对所述与所述待检测目标具备对称特性的对称目标的原始图像进行预处理，得到与所述待检测目标具备对称特性的对称目标的图像。
可选的，所述单元的细化功能和扩展功能可参照上文描述。
参照图5，图5为本申请实施例提供的异常检测设备的硬件结构框图，参照图5，异常检测设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
最后，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发生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、物品或者设备中还发生另外的相同要素。
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 (11)
1.一种异常检测方法，其特征在于，包括：
获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
2.根据权利要求1所述的方法，其特征在于，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，并基于此确定所述待检测目标是否发生异常的过程，包括：
利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果；
所述异常检测模型具备，确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常的能力。
3.根据权利要求2所述的方法，其特征在于，所述利用异常检测模型处理所述待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，得到异常检测模型输出的所述待检测目标是否发生异常的确定结果，包括：
利用异常检测模型的特征提取模块，对所述待检测目标的图像，以及，与所述待检测目标具备对称特性的对称目标的图像进行特征提取，得到所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果。
4.根据权利要求3所述的方法，其特征在于，所述利用异常检测模型的检测模块，对所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行检测，得到所述待检测目标是否发生异常的确定结果的方式如下：
利用所述检测模块的特征融合层，将所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征进行融合，得到融合之后的特征；
利用所述检测模块的分类输出层，对所述融合之后的特征进行分类，得到所述待检测目标是否发生异常的确定结果。
5.根据权利要求2至4中任意一项所述的方法，其特征在于，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到教师模型；
基于所述教师模型，训练得到所述异常检测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述教师模型，训练得到所述异常检测模型，包括：
将每个训练数据输入所述教师模型，所述教师模型输出每个训练数据对应的训练目标是否发生异常的确定结果；
以每个训练数据为训练样本，以每个训练数据的标注结果为样本硬标签，以所述教师模型输出的该训练数据对应的训练目标是否发生异常的确定结果为样本软标签，训练得到学生模型，所述学生模型包括软标签分类输出层，和硬标签分类输出层；
去除所述学生模型的软标签分类输出层，得到所述异常检测模型，所述学生模型的硬标签分类输出层为所述异常检测模型的分类输出层。
7.根据权利要求2至4中任意一项所述的方法，其特征在于，所述异常检测模型的训练过程包括：
获取训练数据，每个训练数据包括一个训练目标的图像以及与所述训练目标具备对称特性的对称目标的图像；
对每个训练数据进行标注，得到每个训练数据的标注结果，每个训练数据的标注结果用于指示所述训练数据对应的训练目标是否发生异常；
以每个训练数据为训练样本，以所述训练数据的标注结果为样本标签，训练得到所述异常检测模型。
8.根据权利要求1所述的方法，其特征在于，所述获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像，包括：
获取待检测目标的原始图像，以及与所述待检测目标具备对称特性的对称目标的原始图像；
对所述待检测目标的原始图像进行预处理，得到待检测目标的图像；
对所述与所述待检测目标具备对称特性的对称目标的原始图像进行预处理，得到与所述待检测目标具备对称特性的对称目标的图像。
9.一种异常检测装置，其特征在于，包括：
图像获取单元，用于获取待检测目标的图像，以及与所述待检测目标具备对称特性的对称目标的图像；
图像特征确定单元，用于确定所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征；
异常检测单元，用于基于所述待检测目标的图像特征，以及，与所述待检测目标具备对称特性的对称目标的图像特征，确定所述待检测目标是否发生异常。
10.一种异常检测设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1至8中任一项所述的异常检测方法的各个步骤。
11.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至8中任一项所述的异常检测方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242642.8A CN111460991A (zh) | 2020-03-31 | 2020-03-31 | 异常检测方法、相关设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242642.8A CN111460991A (zh) | 2020-03-31 | 2020-03-31 | 异常检测方法、相关设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111460991A true CN111460991A (zh) | 2020-07-28 |
Family
ID=71682367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010242642.8A Pending CN111460991A (zh) | 2020-03-31 | 2020-03-31 | 异常检测方法、相关设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460991A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554716A (zh) * | 2021-07-28 | 2021-10-26 | 广东工业大学 | 基于知识蒸馏的瓷砖色差检测方法及装置 |
| CN113902710A (zh) * | 2021-10-12 | 2022-01-07 | 菲特（天津）检测技术有限公司 | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 |
| WO2022252079A1 (zh) * | 2021-05-31 | 2022-12-08 | 京东方科技集团股份有限公司 | 数据处理方法及装置 |
| CN117197737A (zh) * | 2023-09-08 | 2023-12-08 | 数字广东网络建设有限公司 | 一种土地用途的检测方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250819A (zh) * | 2016-07-20 | 2016-12-21 | 上海交通大学 | 基于脸部实时监控检测人脸对称性及异常方法 |
| CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及系统 |
| CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
| CN109543607A (zh) * | 2018-11-22 | 2019-03-29 | 广州小狗机器人技术有限公司 | 目标物异常状态检测方法、系统、监护系统及存储介质 |
| CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技（深圳）有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
| CN110223281A (zh) * | 2019-06-06 | 2019-09-10 | 东北大学 | 一种数据集中含有不确定数据时的肺结节图像分类方法 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| CN110533654A (zh) * | 2019-08-30 | 2019-12-03 | 北京明略软件系统有限公司 | 零部件的异常检测方法及装置 |
| CN110674880A (zh) * | 2019-09-27 | 2020-01-10 | 北京迈格威科技有限公司 | 用于知识蒸馏的网络训练方法、装置、介质与电子设备 |
| CN110866908A (zh) * | 2019-11-12 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器及存储介质 |
-
2020
- 2020-03-31 CN CN202010242642.8A patent/CN111460991A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250819A (zh) * | 2016-07-20 | 2016-12-21 | 上海交通大学 | 基于脸部实时监控检测人脸对称性及异常方法 |
| CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及系统 |
| CN107358605A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的深度神经网络及系统 |
| CN107358606A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的人工神经网络及系统 |
| CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
| CN108172291A (zh) * | 2017-05-04 | 2018-06-15 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
| CN108553079A (zh) * | 2017-05-04 | 2018-09-21 | 深圳硅基仿生科技有限公司 | 基于眼底图像的病变识别系统 |
| CN108771530A (zh) * | 2017-05-04 | 2018-11-09 | 深圳硅基仿生科技有限公司 | 基于深度神经网络的眼底病变筛查系统 |
| CN109543607A (zh) * | 2018-11-22 | 2019-03-29 | 广州小狗机器人技术有限公司 | 目标物异常状态检测方法、系统、监护系统及存储介质 |
| CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技（深圳）有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
| CN110223281A (zh) * | 2019-06-06 | 2019-09-10 | 东北大学 | 一种数据集中含有不确定数据时的肺结节图像分类方法 |
| CN110390351A (zh) * | 2019-06-24 | 2019-10-29 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| CN110533654A (zh) * | 2019-08-30 | 2019-12-03 | 北京明略软件系统有限公司 | 零部件的异常检测方法及装置 |
| CN110674880A (zh) * | 2019-09-27 | 2020-01-10 | 北京迈格威科技有限公司 | 用于知识蒸馏的网络训练方法、装置、介质与电子设备 |
| CN110866908A (zh) * | 2019-11-12 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| GEOFFREY HINTON 等: "Distilling the Knowledge in a Neural Network" * |
| 于凤丽: "基于深度学习的糖尿病性视网膜图像分类研究" * |
| 刘聪 等: "人工智能在医疗肺结节检测领域的实践" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022252079A1 (zh) * | 2021-05-31 | 2022-12-08 | 京东方科技集团股份有限公司 | 数据处理方法及装置 |
| CN113554716A (zh) * | 2021-07-28 | 2021-10-26 | 广东工业大学 | 基于知识蒸馏的瓷砖色差检测方法及装置 |
| CN113902710A (zh) * | 2021-10-12 | 2022-01-07 | 菲特（天津）检测技术有限公司 | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 |
| CN117197737A (zh) * | 2023-09-08 | 2023-12-08 | 数字广东网络建设有限公司 | 一种土地用途的检测方法、装置、设备及存储介质 |
| CN117197737B (zh) * | 2023-09-08 | 2024-05-28 | 数字广东网络建设有限公司 | 一种土地用途的检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460991A (zh) | 异常检测方法、相关设备及可读存储介质 | |
| CN110909780B (zh) | 一种图像识别模型训练和图像识别方法、装置及系统 | |
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
| US20210224598A1 (en) | Method for training deep learning model, electronic equipment, and storage medium | |
| CN110826519A (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
| CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
| US11093800B2 (en) | Method and device for identifying object and computer readable storage medium | |
| CN110570390B (zh) | 一种图像检测方法及装置 | |
| CN113240655B (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
| US11908137B2 (en) | Method, device and equipment for identifying and detecting macular region in fundus image | |
| CN110796659B (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
| CN110503155A (zh) | 一种信息分类的方法及相关装置、服务器 | |
| CN111160239A (zh) | 专注度评估方法和装置 | |
| CN110096617A (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
| CN117079291A (zh) | 图像轨迹确定方法、装置、计算机设备和存储介质 | |
| CN113780234B (zh) | 一种边缘指导的人眼图像解析方法 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN111414930A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN111553250B (zh) | 一种基于人脸特征点的精准面瘫程度评测方法及装置 | |
| CN111191035B (zh) | 一种识别肺癌临床数据库文本实体的方法及装置 | |
| CN111666884A (zh) | 活体检测方法、装置、计算机可读介质及电子设备 | |
| CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
| CN111612021A (zh) | 一种错误样本识别方法、装置及终端 | |
| CN116645719A (zh) | 一种瞳孔和虹膜定位方法、装置、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201130 Address after: 230088 18 Floor, A5 Building, 666 Wangjiangxi Road, Hefei High-tech Zone, Anhui Province Applicant after: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY Co.,Ltd. Address before: 230088 No. 666 Wangjiang West Road, hi tech Zone, Anhui, Hefei Applicant before: IFLYTEK Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant after: Anhui Xunfei Medical Co.,Ltd. Address before: 230088 18th floor, building A5, NO.666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province Applicant before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230000 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province Applicant after: IFLYTEK Medical Technology Co.,Ltd. Address before: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant before: Anhui Xunfei Medical Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |