CN111695604A - 一种图像可信度的确定方法、装置及电子设备、存储介质 - Google Patents
一种图像可信度的确定方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN111695604A CN111695604A CN202010431166.4A CN202010431166A CN111695604A CN 111695604 A CN111695604 A CN 111695604A CN 202010431166 A CN202010431166 A CN 202010431166A CN 111695604 A CN111695604 A CN 111695604A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- determining
- sample image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 79
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002265 prevention Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 10
- 241000282326 Felis catus Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 208000034189 Sclerosis Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001434 glomerular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012552 review 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及图像处理,应用于智慧医疗领域中,公开了一种图像可信度的确定方法,所述方法包括:通过图像分类模型中的各个网络层对样本图像进行图像分类处理,基于分类计算层的输出结果确定样本图像属于各个图像类别的预测概率,并获取防过拟合层输出的样本图像对应的特征图像。基于识别结果确定特征图像对应的第一特征参数和第二特征参数,并基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率,分别确定各个图像类别下的预测概率和计算概率之间的相似度,进而基于各个图像类别下的相似度确定样本图像的可信度,有利于高效地确定样本图像的可信度。此外,本申请还涉及区块链技术,所述预测概率和计算概率可存储于区块链中。
Description
技术领域
本申请涉及图像处理技术领域,应用于智慧医疗领域中,尤其涉及一种图像可信度的确定方法、装置及电子设备、存储介质。
背景技术
目前,在图像分类问题中,关注点大多聚焦于图像分类模型的预测精度。为了提高图像分类模型的预测精度,通常采用大量的样本图像对图像分类模型进行训练,针对图像分类模型的训练以拟合目标为目的,力求预测结果无限接近训练目标。而这一学习训练的前提是样本图像真实无疑,若忽略样本图像的可信度而一味追逐结果的无限接近,并以此评估图像分类模型的预测精度,将会严重影响图像分类模型实际输出的图像分类结果的精度和可信度。因此,在通过样本图像对图像分类模型进行训练的过程中,如何确定样本图像的可信度,成为一个亟待解决的问题。
发明内容
本申请实施例提供了一种图像可信度的确定方法、装置及电子设备、存储介质,有利于高效地确定样本图像的可信度。
一方面,本申请实施例提供了一种图像可信度的确定方法,所述方法包括:
通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;
基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;
获取所述防过拟合层输出的所述样本图像对应的特征图像;
识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;
基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;
分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
在一个实施例中,所述识别结果包括所述特征图像的大小和所述特征图像中每一个特征点的值,所述基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数的具体实施方式为:对所述特征图像中每一个特征点的值进行求和计算,并基于求和计算结果和所述特征图像的大小确定所述特征图像对应的第一特征参数;确定每一个特征点的值与所述第一特征参数的差值;对每一个所述差值进行求和计算,并基于针对所述差值的求和计算结果和所述特征图像的大小确定所述特征图像对应的第二特征参数。
在一个实施例中,所述基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率的具体实施方式为:基于预设概率算法对所述第一特征参数和所述第二特征参数进行计算,确定所述样本图像属于所述各个图像类别的初始概率;对各个所述初始概率进行归一化处理,得到所述样本图像属于所述各个图像类别的计算概率。
在一个实施例中,所述确定所述样本图像的可信度之后,还可以获取用于对所述图像分类模型进行训练的多个样本图像的可信度;基于所述多个样本图像的可信度,确定通过所述多个样本图像进行训练后得到的图像分类模型的可信度。
在一个实施例中,所述基于所述各个图像类别下的所述相似度确定所述样本图像的可信度之后,还可以将所述样本图像的可信度与第一可信度阈值进行对比;若对比得到所述样本图像的可信度大于所述第一可信度阈值,则对所述样本图像添加可信样本标签。
在一个实施例中,所述将所述样本图像的可信度与第一可信度阈值进行对比之后,若对比得到所述样本图像的可信度小于或者等于所述第一可信度阈值,则将所述样本图像的可信度与第二可信度阈值进行对比;若对比得到所述样本图像的可信度大于所述第二可信度阈值,则对所述样本图像添加待复核样本标签,并输出复核提示信息,所述复核提示信息用于提示用户针对所述样本图像进行复核;若对比得到所述样本图像的可信度小于或者等于所述第二可信度阈值,则将所述样本图像从样本图像集合中删除。
在一个实施例中,所述各个网络层包括第一分类层和第二分类层,所述第一分类层用于确定所述样本图像所属的第一粒度的图像类别,所述第二分类层用于确定所述样本图像所属的第二粒度的图像类别,所述第一粒度粗于所述第二粒度,所述通过图像分类模型中的各个网络层对样本图像进行图像分类处理之后,还可以基于所述第一分类层输出的针对所述样本图像的分类结果和所述第二分类层输出的针对所述样本图像的分类结果,确定所述样本图像所属的目标图像类别。
另一方面,本申请实施例提供了一种图像可信度的确定装置,包括:
处理模块,用于通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;
所述处理模块,还用于基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;
获取模块,用于获取所述防过拟合层输出的所述样本图像对应的特征图像;
所述处理模块,还用于识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;
所述处理模块,还用于基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;
所述处理模块,还用于分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
再一方面,本申请实施例提供了一种电子设备,包括处理器、存储装置和通信接口,所述处理器、存储装置和通信接口相互连接,其中,所述存储装置用于存储支持终端执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如下步骤:通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;获取所述防过拟合层输出的所述样本图像对应的特征图像;识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
又一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述图像可信度的确定方法。
本申请实施例,可以通过图像分类模型中的各个网络层对样本图像进行图像分类处理,基于分类计算层的输出结果确定样本图像属于各个图像类别的预测概率,并获取防过拟合层输出的样本图像对应的特征图像。进一步地,可以识别特征图像,基于识别结果确定特征图像对应的第一特征参数和第二特征参数,并基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率,分别确定各个图像类别下的预测概率和计算概率之间的相似度,进而基于各个图像类别下的相似度确定样本图像的可信度,有利于高效地确定样本图像的可信度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例的一种图像可信度的确定方法的流程示意图;
图2是本申请实施例的一种图像分类模型的结构示意图;
图3是本申请实施例的另一种图像可信度的确定方法的流程示意图;
图4是本申请实施例的一种图像可信度的确定装置的结构示意图;
图5是本申请实施例的一种电子设备的结构示意图。
具体实施方式
请参见图1,本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。是本申请实施例的一种图像可信度的确定方法的流程示意图,本申请实施例的所述方法可以由电子设备来执行。本申请实施例的所述方法包括如下步骤。
S101:通过图像分类模型中的各个网络层对样本图像进行图像分类处理,其中,各个网络层包括分类计算层和防过拟合层。其中,本申请涉及的电子设备可以为智能手机、平板电脑、笔记本电脑、台式电脑、车载智能终端等终端设备,也可以为服务器或者服务器组本申请实施例不做限定。
其中,上述图像分类模型例如可以为Inception模型,示例性地,该图像分类模型可以如图2所示,包括输入层(用于输入图像)、预处理层、隐含层、降维层、平均池化层、防过拟合层和分类计算层,该模型拥有三个隐含层,分别为:Inception-A第一隐含层、Inception-B第二隐含层以及Inception-C第三隐含层,二个降维层,分别为:Reduction-A第一降维层和Reduction-B第二降维层;预处理层,可以用于对输入Inception-A的数据进行预处理,该预处理可以包括数据进行多次卷积和池化;防过拟合层,可以用于防止图像分类模型出现过拟合的情况,有效避免图像分类模型对训练图像能够很好的进行分类,但在部署后对实际的需要分类的图像,则分类效果较差的情况;分类计算层,它的输出结果可以是通过输入层输入的图像属于各个类别的概率。
在一个实施例中,在对图像分类模型进行训练之前,可以采集大量的样本图像,并构成样本图像集合。后续可以将各个样本图像输入图像分类模型,图像分类模型中的各个网络层可以对样本图像进行图像分类处理,并输出针对各个样本图像的图像分类结果。
在一个实施例中,在对图像分类模型进行训练优化之前,可以确定设计目标,该设计目标可以为用于对多个目标类别进行区分的分类模型。其中,在不同的应用场景下,该目标类别可以指代不同的类别,例如,在针对宠物识别的场景下,该目标类别可以为狗类或者猫类,或者也可以是具体的猫和/或狗的品种等更细化的类别,例如可以是牧羊犬、柴犬等等细分类别。在针对肾小球分型识别的场景下,该目标类别可以为正常肾小球和硬化肾小球等粗粒度的类别,也可以为分节段性硬化、新月体肾小球和硬化肾小球等粒度更为精细的类别。
示例性地,假设上述目标类别包括猫类和狗类,针对这种情况,在对图像分类模型进行训练时,可以从样本图像集合中预先选取M(M为正整数,如10000)个已经被确定为狗类别的图像作为图像分类模型的狗类训练图像和P个(P为正整数,如10000)已经被确定为猫类别的图像作为图像分类模型的猫类训练图像。在一个实施例中,当某一狗类训练图像被输入至图像分类模型后,图像分类模型可以提取该狗类训练图像的图像特征数据,并根据这些图像特征数据对狗类训练图像进行分类,如果输出的分类结果指示该狗类训练图像的类别也为狗,则表明分类网络模型对该狗类训练图像的分类是成功的。进一步地,针对M个已经被标注为狗类别的训练图像进行分类后,如果成功率大于预设成功率阈值(如90%),则确定该图像分类模型能够很好地对狗类别的图像进行分类识别,否则,则可以调整该图像分类模型中每一个节点对应的参数,并通过调整后的分类模型再次对M个狗类训练图像进行分类。同理,可以采用同样的方式利用P个猫类训练图像对图像分类模型进行训练以及优化,如果最终对狗类训练图像和猫类训练图像的分类成功率均满足预设的成功率阈值,则对图像分类模型的训练完成,并将训练完成的图像分类模型作为本发明实施例中的分类模型。在其他实施例中,还可以设置更多的不同类别,通过获取大量的不同类别的训练图像,来对图像分类模型进行训练优化,使得最终得到的分类模型能够对各个类型的图像进行分类的成功率均高于某一成功率阈值。
S102:基于分类计算层的输出结果确定样本图像属于各个图像类别的预测概率。
在一个实施例中,参见图2所示的图像分类模型,分类计算层的输出结果可以为通过Input层输入的图像属于各个类别的概率,这种情况下,电子设备可以获取分类计算层的输出结果,并解析该分类计算层的输出结果,以确定样本图像属于各个图像类别的预测概率。示例性地,样本图像所属的各个图像类别是预先确定,假设样本图像所属的各个图像类别为正常肾小球和硬化肾小球,那么,基于分类计算层的输出结果确定出的样本图像属于各个图像类别的预测概率例如可以为:正常肾小球95%,硬化肾小球5%。
S103:获取防过拟合层输出的样本图像对应的特征图像,识别特征图像,并基于识别结果确定特征图像对应的第一特征参数和第二特征参数。
在一个实施例中,上述识别结果包括特征图像的大小和特征图像中每一个特征点的值,电子设备基于识别结果确定特征图像对应的第一特征参数和第二特征参数的具体实施方式可以为:对特征图像中每一个特征点的值进行求和计算,并基于求和计算结果和特征图像的大小确定特征图像对应的第一特征参数。进一步地,可以确定每一个特征点的值与第一特征参数之间的差值,并对每一个差值进行求和计算,进而基于针对该差值的求和计算结果和特征图像的大小确定特征图像对应的第二特征参数。其中,上述特征图像的大小,可以指特征图像的尺寸大小,例如1*448。
示例性地,假设第一特征参数采用μ表示,第二特征参数采用σ表示,特征图像的大小为1*448,特征图像中每一个特征点的值用pi表示,那么可以通过式1-1和式1-2分别进行第一特征参数μ和第二特征参数σ的计算。
S104:基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率。
在一个实施例中,电子设备基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率的具体实施方式可以为:基于预设概率算法对第一特征参数和第二特征参数进行计算,确定样本图像属各个图像类别的初始概率,进一步地,对各个初始概率进行归一化处理,得到样本图像属于各个图像类别的计算概率。
示例性地,样本图像属于的各个图像类别可以为预先配置,可以包括第一类别、第二类别、以及第J类别等,样本图像属各个图像类别的初始概率表示为pk(k表示图像类别,k∈{0,1,...J}),上述预设概率算法可以为式1-3。这种情况下,电子设备可以基于式1-3对第一特征参数μ和第二特征参数σ进行计算,确定样本图像属各个图像类别的初始概率。
进一步地,对各个初始概率pk(k∈{0,1,...J})进行归一化处理,得到样本图像属于各个图像类别的计算概率pk′。
其中,对各个初始概率pk进行归一化处理的具体方式,可以基于式1-4进行归一化处理,得到样本图像属于各个图像类别的计算概率pk′。
S105:分别确定各个图像类别下的预测概率和计算概率之间的相似度,并基于各个图像类别下的相似度确定样本图像的可信度。
在一个实施例中,电子设备可以对比各个图像类别下的计算概率pk′和预测概率,并基于对比结果确定各个图像类别下的计算概率pk′和预测概率之间的相似度,进而基于各个相似度,确定样本图像的可信度。其中,各个图像类别下的计算概率pk′和预测概率之间的相似度越高,则样本图像的可信度也越高。
示例性地,可以对各个图像类别下的计算概率pk′和预测概率之间的相似度进行平均值计算,将求得的平均值确定为样本图像的可信度。
在一个实施例中,电子设备确定出样本图像的可信度之后,可以获取用于对图像分类模型进行训练的多个样本图像的可信度,并基于多个样本图像的可信度,确定通过多个样本图像进行训练后得到的图像分类模型的可信度。
在一个实施例中,可以通过M样本图像对图像分类模型进行训练,在通过每一个样本图像对图像分类模型进行训练的过程中,均可以执行上述步骤S101~步骤S105确定出每一个样本图像的可信度,并将每一个样本图像的可信度与各个样本图像存储在指定存储区域。后续,在通过M样本图像对图像分类模型训练结束后,电子设备可以从指定存储区域中获取用于对图像分类模型进行训练的各个样本图像的可信度,并基于各个样本图像的可信度,确定通过上述各个样本图像进行训练后得到的图像分类模型的可信度。作为一种可行的实施方式,可以将上述M个样本图像的可信度的均值确定为图像分类模型的可信度。
在一个实施例中,电子设备确定出图像分类模型的可信度之后,也可以将该图像分类模型的可信度存储至上述指定存储区域。后续,用户可从该指定存储区域中获取并查看各个样本图像和图像分类模型的可信度,采用这样的方式,可以增加图像分类模型预测结果的可解释性,为后续图像分类模型的使用和产品化提供强有力依据,而非一个黑盒子网络。
本申请实施例,可以通过图像分类模型中的各个网络层对样本图像进行图像分类处理,基于分类计算层的输出结果确定样本图像属于各个图像类别的预测概率,并获取防过拟合层输出的样本图像对应的特征图像。进一步地,可以识别特征图像,基于识别结果确定特征图像对应的第一特征参数和第二特征参数,并基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率,分别确定各个图像类别下的预测概率和计算概率之间的相似度,进而基于各个图像类别下的相似度确定样本图像的可信度,有利于高效地确定样本图像的可信度,防止由于样本图像本身问题导致图像分类模型输出的图像分类结果不可信或者不准确的问题。
需要强调的是,为进一步保证上述预测概率和计算概率的私密和安全性,上述预测概率和计算概率还可以存储于一区块链的节点中。
再请参见图3,是本申请实施例的另一种图像可信度的确定方法的流程示意图。本申请实施例的所述方法包括如下步骤。
S301:通过图像分类模型中的各个网络层对样本图像进行图像分类处理,其中,各个网络层包括分类计算层和防过拟合层。
S302:基于分类计算层的输出结果确定样本图像属于各个图像类别的预测概率。
S303:获取防过拟合层输出的样本图像对应的特征图像,识别特征图像,并基于识别结果确定特征图像对应的第一特征参数和第二特征参数
S304:基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率。
S305:分别确定各个图像类别下的预测概率和计算概率之间的相似度,并基于各个图像类别下的相似度确定样本图像的可信度。其中,步骤S301~步骤S305的具体实施方式,可以参见上述实施例步骤S101~步骤S105的相关描述,此处不再赘述。
S306:将样本图像的可信度与第一可信度阈值进行对比,若对比得到样本图像的可信度大于第一可信度阈值,则对样本图像添加可信样本标签。
在一个实施例中,当后续需要获取样本图像对其他图像分类模型进行训练时,可以从样本图像集合中获取携带有可信样本标签的样本图像,并基于携带有可信样本标签的样本图像对其他图像分类模型进行训练优化,有利于提高该其他图像分类模型的输出结果的可信度和准确度。
在一个实施例中,电子设备将样本图像的可信度与第一可信度阈值进行对比之后,若对比得到样本图像的可信度小于或者等于第一可信度阈值(例如为0.5),则可以将样本图像的可信度与第二可信度阈值进行对比,若对比得到样本图像的可信度大于第二可信度阈值(例如为0.3),则对样本图像添加待复核样本标签,并输出复核提示信息,该复核提示信息用于提示用户针对样本图像进行复核。进一步地,用户查看该复核提示信息之后,可以对样本图像的图像分类标记进行修正,例如将图像分类标记从新月体肾小球修正为硬化肾小球。
或者,在另一个实施例中,若电子设备对比得到所述样本图像的可信度小于或者等于第二可信度阈值,则可以将样本图像从样本图像集合中删除。后续,不再使用该样本图像对任一图像分类模型进行训练。
在一个实施例中,上述各个网络层还包括第一分类层和第二分类层,该第一分类层用于确定样本图像所属的第一粒度的图像类别,该第二分类层用于确定样本图像所属的第二粒度的图像类别,第一粒度粗于第二粒度,电子设备通过图像分类模型中的各个网络层对样本图像进行图像分类处理之后,还可以基于第一分类层输出的针对样本图像的分类结果和第二分类层输出的针对样本图像的分类结果,确定样本图像所属的目标图像类别,采用这样的方式,有利于提高图像分类模型的识别精度。
示例性地,为了提高图2对应图像分类模型的识别精确度,可以在对Inception进行改进,增加两个网络层,分别为Gather1(即第一分类层)和Gather2(即第二分类层),Gather1加在图2中的stem后面,Gather2加在图2中的Inception-C后面。其中,Gather1用于对较易区分的类别进行分类,Gather2用于对较难的类别进行分类。以识别肾小球分型为例,Gather1可用于区分正常肾小球和硬化肾小球等较易区分的类别,Gather2可用于区分节段性硬化、新月体肾小球和硬化肾小球等较难区分的类别。进一步地,电子设备可以融合Gather1对样本图像的分类结果和Gather2对样本图像的分类结果,输出最终的图像分类识别结果,从而提高图像分类模型的识别精度。
其中,作为一种可行的实施方式,在通过改进后的图像分类模型进行图像识别时,可以提取Gather1的输出数据,若基于该输出数据判断出Gather1的分类结果较为准确,则可以无需调用Gather2进行粒度更为精细的分析。采用这样的方式,可以减少图像分类模型的计算开销,提高图像分类模型的识别效率。
本申请实施例中,可以通过图像分类模型中的各个网络层对样本图像进行图像分类处理,基于分类计算层的输出结果确定样本图像属于各个图像类别的预测概率,并获取防过拟合层输出的样本图像对应的特征图像。进一步地,可以识别特征图像,基于识别结果确定特征图像对应的第一特征参数和第二特征参数,并基于第一特征参数和第二特征参数确定样本图像属于各个图像类别的计算概率,分别确定各个图像类别下的预测概率和计算概率之间的相似度,进而基于各个图像类别下的相似度确定样本图像的可信度,将样本图像的可信度与第一可信度阈值进行对比,若对比得到样本图像的可信度大于第一可信度阈值,则对样本图像添加可信样本标签,以便于后续可以直接基于携带有可信样本标签的样本图像对其他图像分类模型进行训练优化。
本申请实施例还提供了一种计算机存储介质,该计算机存储介质中存储有程序指令,该程序指令被执行时,用于实现上述实施例中描述的相应方法。
再请参见图4,是本申请实施例的一种图像可信度的确定装置的结构示意图。
本申请实施例的所述装置的一个实现方式中,所述装置包括如下结构。
处理模块40,用于通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;
所述处理模块40,还用于基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;
获取模块41,用于获取所述防过拟合层输出的所述样本图像对应的特征图像;
所述处理模块40,还用于识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;
所述处理模块40,还用于基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;
所述处理模块40,还用于分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
在一个实施例中,所述识别结果包括所述特征图像的大小和所述特征图像中每一个特征点的值,所述处理模块40,具体用于对所述特征图像中每一个特征点的值进行求和计算,并基于求和计算结果和所述特征图像的大小确定所述特征图像对应的第一特征参数;确定每一个特征点的值与所述第一特征参数之间的差值,对每一个所述差值进行求和计算,并基于针对所述差值的求和计算结果和所述特征图像的大小确定所述特征图像对应的第二特征参数。
在一个实施例中,所述处理模块40,还具体用于基于预设概率算法对所述第一特征参数和所述第二特征参数进行计算,确定所述样本图像属于所述各个图像类别的初始概率;对各个所述初始概率进行归一化处理,得到所述样本图像属于所述各个图像类别的计算概率。
在一个实施例中,所述获取模块41,还用于获取用于对所述图像分类模型进行训练的多个样本图像的可信度;所述处理模块40,还用于基于所述多个样本图像的可信度,确定通过所述多个样本图像进行训练后得到的图像分类模型的可信度。
在一个实施例中,所述处理模块40,还用于将所述样本图像的可信度与第一可信度阈值进行对比;若对比得到所述样本图像的可信度大于所述第一可信度阈值,则对所述样本图像添加可信样本标签。
在一个实施例中,所述处理模块40,还用于若对比得到所述样本图像的可信度小于或者等于所述第一可信度阈值,则将所述样本图像的可信度与第二可信度阈值进行对比;若对比得到所述样本图像的可信度大于所述第二可信度阈值,则对所述样本图像添加待复核样本标签,并输出复核提示信息,所述复核提示信息用于提示用户针对所述样本图像进行复核;若对比得到所述样本图像的可信度小于或者等于所述第二可信度阈值,则将所述样本图像从样本图像集合中删除。
在一个实施例中,所述各个网络层还包括第一分类层和第二分类层,所述第一分类层用于确定所述样本图像所属的第一粒度的图像类别,所述第二分类层用于确定所述样本图像所属的第二粒度的图像类别,所述第一粒度粗于所述第二粒度,所述处理模块40,还用于基于所述第一分类层输出的针对所述样本图像的分类结果和所述第二分类层输出的针对所述样本图像的分类结果,确定所述样本图像所属的目标图像类别。
需要强调的是,为进一步保证上述预测概率和计算概率的私密和安全性,上述预测概率和计算概率还可以存储于一区块链的节点中。
再请参见图5,是本申请实施例的一种电子设备的结构示意图,本申请实施例的所述电子设备包括供电模块等结构,并包括处理器501、存储装置502以及通信接口503。所述处理器501、存储装置502以及通信接口503之间可以交互数据,由处理器501实现相应的图像可信度的确定功能。
所述存储装置502可以包括易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储装置502也可以包括非易失性存储器(non-volatilememory),例如快闪存储器(flash memory),固态硬盘(solid-state drive,SSD)等;所述存储装置502还可以包括上述种类的存储器的组合。
所述处理器501可以是中央处理器501(central processing unit,CPU)。在一个实施例中,所述处理器501还可以是图形处理器501(Graphics Processing Unit,GPU)。所述处理器501也可以是由CPU和GPU的组合。在所述电子设备中,可以根据需要包括多个CPU和GPU进行相应的图像可信度的确定。在一个实施例中,所述存储装置502用于存储程序指令。所述处理器501可以调用所述程序指令,实现如本申请实施例中上述涉及的各种方法。
在第一个可能的实施方式中,所述电子设备的所述处理器501,调用所述存储装置502中存储的程序指令,用于通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;获取所述防过拟合层输出的所述样本图像对应的特征图像;识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
在一个实施例中,所述识别结果包括所述特征图像的大小和所述特征图像中每一个特征点的值,所述处理器501,具体用于对所述特征图像中每一个特征点的值进行求和计算,并基于求和计算结果和所述特征图像的大小确定所述特征图像对应的第一特征参数;确定每一个特征点的值与所述第一特征参数之间的差值,对每一个所述差值进行求和计算,并基于针对所述差值的求和计算结果和所述特征图像的大小确定所述特征图像对应的第二特征参数。
在一个实施例中,所述处理器501,还具体用于基于预设概率算法对所述第一特征参数和所述第二特征参数进行计算,确定所述样本图像属于所述各个图像类别的初始概率;对各个所述初始概率进行归一化处理,得到所述样本图像属于所述各个图像类别的计算概率。
在一个实施例中,所述处理器501,还用于获取用于对所述图像分类模型进行训练的多个样本图像的可信度,基于所述多个样本图像的可信度,确定通过所述多个样本图像进行训练后得到的图像分类模型的可信度。
在一个实施例中,处理器501,还用于将所述样本图像的可信度与第一可信度阈值进行对比;若对比得到所述样本图像的可信度大于所述第一可信度阈值,则对所述样本图像添加可信样本标签。
在一个实施例中,处理器501,还用于若对比得到所述样本图像的可信度小于或者等于所述第一可信度阈值,则将所述样本图像的可信度与第二可信度阈值进行对比;若对比得到所述样本图像的可信度大于所述第二可信度阈值,则对所述样本图像添加待复核样本标签,并输出复核提示信息,所述复核提示信息用于提示用户针对所述样本图像进行复核;若对比得到所述样本图像的可信度小于或者等于所述第二可信度阈值,则将所述样本图像从样本图像集合中删除。
在一个实施例中,所述各个网络层还包括第一分类层和第二分类层,所述第一分类层用于确定所述样本图像所属的第一粒度的图像类别,所述第二分类层用于确定所述样本图像所属的第二粒度的图像类别,所述第一粒度粗于所述第二粒度,所述处理器501,还用于基于所述第一分类层输出的针对所述样本图像的分类结果和所述第二分类层输出的针对所述样本图像的分类结果,确定所述样本图像所属的目标图像类别。
可参考前述各个附图所对应的实施例中相关内容的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请的部分实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种图像可信度的确定方法,其特征在于,所述方法包括:
通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;
基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;
获取所述防过拟合层输出的所述样本图像对应的特征图像;
识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;
基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;
分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
2.根据权利要求1所述的方法,其特征在于,所述识别结果包括所述特征图像的大小和所述特征图像中每一个特征点的值,所述基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数,包括:
对所述特征图像中每一个特征点的值进行求和计算,并基于求和计算结果和所述特征图像的大小确定所述特征图像对应的第一特征参数;
确定每一个特征点的值与所述第一特征参数之间的差值;
对每一个所述差值进行求和计算,并基于针对所述差值的求和计算结果和所述特征图像的大小确定所述特征图像对应的第二特征参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率,包括:
基于预设概率算法对所述第一特征参数和所述第二特征参数进行计算,确定所述样本图像属于所述各个图像类别的初始概率;
对各个所述初始概率进行归一化处理,得到所述样本图像属于所述各个图像类别的计算概率。
4.根据权利要求1所述的方法,其特征在于,所述确定所述样本图像的可信度之后,所述方法还包括:
获取用于对所述图像分类模型进行训练的多个样本图像的可信度;
基于所述多个样本图像的可信度,确定通过所述多个样本图像进行训练后得到的图像分类模型的可信度。
5.根据权利要求1所述的方法,其特征在于,所述基于所述各个图像类别下的所述相似度确定所述样本图像的可信度之后,所述方法还包括:
将所述样本图像的可信度与第一可信度阈值进行对比;
若对比得到所述样本图像的可信度大于所述第一可信度阈值,则对所述样本图像添加可信样本标签。
6.根据权利要求5所述的方法,其特征在于,所述将所述样本图像的可信度与第一可信度阈值进行对比之后,所述方法还包括:
若对比得到所述样本图像的可信度小于或者等于所述第一可信度阈值,则将所述样本图像的可信度与第二可信度阈值进行对比;
若对比得到所述样本图像的可信度大于所述第二可信度阈值,则对所述样本图像添加待复核样本标签,并输出复核提示信息,所述复核提示信息用于提示用户针对所述样本图像进行复核;
若对比得到所述样本图像的可信度小于或者等于所述第二可信度阈值,则将所述样本图像从样本图像集合中删除。
7.根据权利要求1所述的方法,其特征在于,所述各个网络层还包括第一分类层和第二分类层,所述第一分类层用于确定所述样本图像所属的第一粒度的图像类别,所述第二分类层用于确定所述样本图像所属的第二粒度的图像类别,所述第一粒度粗于所述第二粒度,所述通过图像分类模型中的各个网络层对样本图像进行图像分类处理之后,所述方法还包括:
基于所述第一分类层输出的针对所述样本图像的分类结果和所述第二分类层输出的针对所述样本图像的分类结果,确定所述样本图像所属的目标图像类别。
8.一种图像可信度的确定装置,其特征在于,包括:
处理模块,用于通过图像分类模型中的各个网络层对样本图像进行图像分类处理,所述各个网络层包括分类计算层和防过拟合层;
所述处理模块,还用于基于所述分类计算层的输出结果确定所述样本图像属于各个图像类别的预测概率;
获取模块,用于获取所述防过拟合层输出的所述样本图像对应的特征图像;
所述处理模块,还用于识别所述特征图像,并基于识别结果确定所述特征图像对应的第一特征参数和第二特征参数;
所述处理模块,还用于基于所述第一特征参数和所述第二特征参数确定所述样本图像属于所述各个图像类别的计算概率;
所述处理模块,还用于分别确定所述各个图像类别下的所述预测概率和所述计算概率之间的相似度,并基于所述各个图像类别下的所述相似度确定所述样本图像的可信度。
9.一种电子设备,其特征在于,包括处理器、存储装置和通信接口,所述处理器、所述存储装置和所述通信接口相互连接,其中,所述存储装置用于存储计算机程序指令,所述处理器被配置用于执行所述程序指令,实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中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,用于执行如权利要求1-7任一项所述的图像可信度的确定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431166.4A CN111695604A (zh) | 2020-05-20 | 2020-05-20 | 一种图像可信度的确定方法、装置及电子设备、存储介质 |
PCT/CN2020/099490 WO2021114633A1 (zh) | 2020-05-20 | 2020-06-30 | 一种图像可信度的确定方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431166.4A CN111695604A (zh) | 2020-05-20 | 2020-05-20 | 一种图像可信度的确定方法、装置及电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695604A true CN111695604A (zh) | 2020-09-22 |
Family
ID=72478021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010431166.4A Pending CN111695604A (zh) | 2020-05-20 | 2020-05-20 | 一种图像可信度的确定方法、装置及电子设备、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111695604A (zh) |
WO (1) | WO2021114633A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163110A (zh) * | 2020-09-27 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
CN112990154A (zh) * | 2021-05-11 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、计算机设备以及可读存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642639B (zh) * | 2021-08-12 | 2024-03-01 | 云知声智能科技股份有限公司 | 活体检测方法、装置、设备和存储介质 |
CN113762382B (zh) * | 2021-09-07 | 2024-03-08 | 百果园技术(新加坡)有限公司 | 模型的训练及场景识别方法、装置、设备及介质 |
CN117011649B (zh) * | 2023-10-07 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 一种模型训练方法和相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
CN109886141A (zh) * | 2019-01-28 | 2019-06-14 | 同济大学 | 一种基于不确定性优化的行人再辨识方法 |
CN110458233A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯云计算(北京)有限责任公司 | 混合粒度物体识别模型训练及识别方法、装置及存储介质 |
CN110472675A (zh) * | 2019-07-31 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110516745A (zh) * | 2019-08-28 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 图像识别模型的训练方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067022B (zh) * | 2017-01-04 | 2020-09-04 | 美的集团股份有限公司 | 图像分类模型的建立方法、建立装置和设备 |
CN110751191A (zh) * | 2019-09-27 | 2020-02-04 | 广东浪潮大数据研究有限公司 | 一种图像的分类方法及系统 |
-
2020
- 2020-05-20 CN CN202010431166.4A patent/CN111695604A/zh active Pending
- 2020-06-30 WO PCT/CN2020/099490 patent/WO2021114633A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
CN109886141A (zh) * | 2019-01-28 | 2019-06-14 | 同济大学 | 一种基于不确定性优化的行人再辨识方法 |
CN110472675A (zh) * | 2019-07-31 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110458233A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯云计算(北京)有限责任公司 | 混合粒度物体识别模型训练及识别方法、装置及存储介质 |
CN110516745A (zh) * | 2019-08-28 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 图像识别模型的训练方法、装置及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163110A (zh) * | 2020-09-27 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
CN112163110B (zh) * | 2020-09-27 | 2023-01-03 | Oppo(重庆)智能科技有限公司 | 图像分类方法、装置、电子设备和计算机可读存储介质 |
CN112990154A (zh) * | 2021-05-11 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、计算机设备以及可读存储介质 |
CN112990154B (zh) * | 2021-05-11 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、计算机设备以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021114633A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695604A (zh) | 一种图像可信度的确定方法、装置及电子设备、存储介质 | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN112329659B (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
US20080071708A1 (en) | Method and System for Data Classification Using a Self-Organizing Map | |
CN110929840A (zh) | 使用滚动窗口的连续学习神经网络系统 | |
EP1903479B1 (en) | Method and system for data classification using a self-organizing map | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN111984792A (zh) | 网站分类方法、装置、计算机设备及存储介质 | |
CN111539425A (zh) | 一种车牌识别方法、存储介质及电子设备 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
WO2024001806A1 (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN113704474B (zh) | 银行网点设备操作指引生成方法、装置、设备及存储介质 | |
CN115941322A (zh) | 基于人工智能的攻击检测方法、装置、设备及存储介质 | |
CN113255767A (zh) | 票据分类方法、装置、设备及存储介质 | |
CN113392399A (zh) | 一种恶意软件分类方法、装置、设备及介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN116958622A (zh) | 数据的分类方法、装置、设备、介质及程序产品 | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
CN113705749A (zh) | 基于深度学习的二维码识别方法、装置、设备及存储介质 | |
CN111666973B (zh) | 车辆损伤图片处理方法、装置、计算机设备及存储介质 | |
CN110717521B (zh) | 智能业务实现方法、装置及计算机可读存储介质 | |
CN111275035B (zh) | 一种识别背景信息的方法及系统 | |
CN113469237A (zh) | 用户意图识别方法、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 |