CN113344040A - 图像分类方法、装置、计算机设备和存储介质 - Google Patents
图像分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113344040A CN113344040A CN202110551523.5A CN202110551523A CN113344040A CN 113344040 A CN113344040 A CN 113344040A CN 202110551523 A CN202110551523 A CN 202110551523A CN 113344040 A CN113344040 A CN 113344040A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- sub
- branch
- full
- 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
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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种图像分类方法、装置、计算机设备和存储介质。所述方法包括:通过根据要使用的图像分类模型,将单张待分类图像划分成多张子图像,然后通过图像分类模型的多条支路同时对多张子图像分别进行特征处理,最后再通过图像分类模型的干路全连接层根据每张子图像的特征获取单张待分类图像的特征,进而根据每张子图像的特征进行分类处理获取单张待分类图像的最终分类标签,完成对待分类图像的分类。能够着重识别图像中较复杂的部分,快速识别图像中较简单的部分,从而提高图像分类的精确度,提高图像分类效率。
Description
技术领域
本申请涉及计算机科学技术领域,特别是涉及一种图像分类方法、装置、计算机设备和存储介质。
背景技术
神经网络模型目前在大多数学科、领域应用上都取得比传统模型更好的精度效果,同时也具备良好的应用泛化性。近年来,随着深度神经网络的迅速发展,深度神经网络已经应用在有次序过程的图像分类中。
传统技术中,针对医疗、电化学、地质勘探等领域中的中所采集的图像无法精确的进行图像分类。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高图像分类精确度的图像分类方法、装置、计算机设备和存储介质。
一种图像分类方法,方法包括:
获取待分类图像,将待分类图像划分为多段子图像;
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
在其中一个实施例中,通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点,包括:
将多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理,得到每段子图像所对应的特征节点;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签,包括:
将多段子图像中每段子图像所对应的特征节点输入到图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理,得到最终分类标签。
在其中一个实施例中,图像分类模型的训练过程,包括:
获取训练集,训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签;
获取神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点;
将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定;
将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过输出节点输出得到预估分类标签;
根据预估分类标签和训练图像所对应的分类标签进行比较,根据比较结果调整神经网络模型的参数;
利用训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。
在其中一个实施例中,获取训练集包括:
获取训练图像,并获取训练图像的分类标签;
划分训练图像,得到多段训练子图像;
根据多段训练子图像和训练图像的分类标签得到一个训练样本;
整合多个训练样本得到训练集。
在其中一个实施例中,输入块的个数与每张训练图所划分的训练子图像的个数相同;
神经网络模型的每个输入块对应的特征节点数量的确定方式,包括:
获取训练集中每张训练图像中相同段数的训练子图像,对段数相同的训练子图像进行聚类处理,得到当前段数的聚类个数,根据当前段数的聚类个数获取当前段数对应的输入块对应的特征节点的个数;
或者,获取一组预设的节点值,根据一组预设的节点值获取每一个输入块对应的特征节点的个数。
在其中一个实施例中,神经网络模型的每个输入块对应的输出节点数量的确定方式,包括:
根据训练图像的分类标签,获取训练集中所有分类标签的类别数量;根据类别数量获取输出节点个数,输出节点个数等于类别数量。
在其中一个实施例中,获取待分类图像,将待分类图像划分为多段子图像包括:
按照待分类图像的形成次序进行划分,或者按照待分类图像的形成阶段进行划分,得到多段子图像。
一种图像分类装置,装置包括:
图像获取模块,用于获取待分类图像,将待分类图像划分为多段子图像;
特征处理模块,用于通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
图像分类模块,用于通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待分类图像,将待分类图像划分为多段子图像;
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待分类图像,将待分类图像划分为多段子图像;
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
上述图像分类方法、装置、计算机设备和存储介质,获取待分类图像,将待分类图像划分为多段子图像;然后通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;最后通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。通过根据要使用的图像分类模型,将单张待分类图像划分成多张子图像,然后通过图像分类模型的多条支路同时对多张子图像分别进行特征处理,最后再通过图像分类模型的干路全连接层根据每张子图像的特征获取单张待分类图像的特征,进而根据每张子图像的特征进行分类处理获取单张待分类图像的最终分类标签,完成对待分类图像的分类。能够着重识别图像中较复杂的部分,快速识别图像中较简单的部分,从而提高图像分类的精确度,提高图像分类效率。
附图说明
图1为一个实施例中图像分类方法的流程示意图;
图2为一个实施例中图像分类模型的结构示意图;
图3为一个实施例中图像分类模型训练的流程示意图;
图4为一个实施例中获取训练集的流程示意图;
图5为一个实施例中一种预设划分方法的效果图;
图6为一个实施例中另一种预设划分方法的效果图;
图7为一个实施例中另一种预设划分方法的效果图;
图8为一个实施例中图像分类装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种图像分类方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取待分类图像,将待分类图像划分为多段子图像。
其中,待分类图像可为有序图像。有序图像可为心电图、电化学图、地质工程相关图等。其中,心电图可为按时间顺序发生的一个心跳周期所采集的图像,根据心电图可以识别心脏疾病类型,对心脏是否健康进行分类。电化学图可为表征电极特性的电化学阻抗谱,采集的电化学图像可以是扫描电压从A到B再返回A的电流-电压图,根据电化学阻抗谱,可以对电极的碘化学特性进行分类。地质工程相关图可为石油工程领域的示功图,采集的地质工程相关图像可以是抽油机泵的压力随位移的变化的图,根据示功图可以对抽油机泵的工作状况进行分类。
具体的,处理器获取待分类图像,将待分类图像根据预设划分方法进行划分,得到多段子图像。其中,预设划分方法是根据使用的图像分类模型确定的,进一步的,是根据获取图像分类模型的模型训练过程中所使用的训练集确定的。例如,训练集中每个训练图像是按照次序划分成多个子训练图像,则预设划分方法为按照次序划分;若训练集中每个训练图像是按照位置划分成多个子训练图像,则预设划分方法为按位置划分。
步骤104,通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层。
具体的,处理器通过图像分类模型的多条支路同时对每段子图像分别进行卷积和全连接处理,得到每段子图像对应的特征节点。图像分类模型的每条支路上的支路卷积层的数量和结构可以不同,每条支路上的支路全连接层的数量和结构也可以不同。通常情况下,支路卷积层和支路全连接层数量较多、支路卷积层和支路全连接层的结构较复杂的支路用于处理比较复杂的子图像,支路卷积层和支路全连接层数量较少、支路卷积层和支路全连接层的结构较简单的支路用于处理比较简单的子图像。
步骤106,通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
具体的,处理器通过图像分类模型的干路全连接层对所有支路的特征节点进行全连接处理,得到待分类图像的最终分类标签,从而完成对待分类图像的图像分类。其中,图像分类就是根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。图像分类利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。
上述图像分类方法、装置、计算机设备和存储介质,获取待分类图像,将待分类图像划分为多段子图像;然后通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;最后通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。通过根据要使用的图像分类模型,将单张待分类图像划分成多张子图像,然后通过图像分类模型的多条支路同时对多张子图像分别进行特征处理,最后再通过图像分类模型的干路全连接层根据每张子图像的特征获取单张待分类图像的特征,进而根据每张子图像的特征进行分类处理获取单张待分类图像的最终分类标签,完成对待分类图像的分类。能够着重识别图像中较复杂的部分,快速识别图像中较简单的部分,从而提高图像分类的精确度,提高图像分类效率。
在一个实施例中,通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点,包括:将多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理,得到每段子图像所对应的特征节点;通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签,包括:将多段子图像中每段子图像所对应的特征节点输入到图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理,得到最终分类标签。
具体的,图像分类模型包括多个支路,每条支路上包括一个输入块、多个支路卷积层、至少一个支路全连接层,最后所有的支路都连接到至少一个干路全连接层,最后一个干路全连接层连接多个输出节点。其中,每个输入块用于输入一段子图像,每个输出节点用于输出一种分类标签,输出节点的数量相当于分类标签的类别数量。
输入块的数量与支路数量相同,且待分类图像划分的子图像的数量与支路数量相同。每段子图像可以对应一个或多个特征节点,每个特征节点用于反映其对应的子图像的一个图像特征。
干路全连接层将每段子图像对应的特征节点进行全连接处理,得到待分类图像的图像特征,根据待分类图像的图像特征得到最终分类标签,每张待分类图像只对应一个最终分类标签。
例如,如图2所示,待分类图像划分成3段子图像,每段子图像分别从输入块1、输入块2和输入块3进行输入。第一段子图像从输入块1进行输入,第一段子图像在支路1的3个支路卷积层和支路全连接层处理后得到第一段子图像的3个图像特征。第二段子图像从输入块2进行输入,第二段子图像在支路2的2个支路卷积层和支路全连接层处理后得到第二段子图像的2个图像特征。第三段子图像从输入块3进行输入,第三段子图像在支路3的2个支路卷积层和支路全连接层处理后得到第三段子图像的1个图像特征。然后上述6个图像特征通过干路全连接层处理得到一个最终分类标签。该模型结构中有两个输出节点,说明最终分类标签的类别最多有两种。
本实施例中,各段子图像的内部特征各自得到了充分的不同的学习,并输出了各自的特征。不同于传统的卷积神经网络的卷积核的设计一般是相同的(相同的目的是为了减少参数量,加快学习速度,降低过拟合的可能),本发明实施例的设计中各个支路中的卷积网络可以是完全不同的,比如卷积核的大小,卷积的个数(上例中,输入块1经过了3次卷积,输入块2和输入块3经过了2次卷积),卷积结果的输出(输入块1所在支路有3个特征节点,输入块2所在支路有2个特征节点,输入块3所在支路有1个特征节点)。该模型具有以下优点:
(1)容易学习的输入块的支路上可以设计较少的卷积个数(不必和复杂的输入块设计成一样以致浪费资源和加大学习难度)。
(2)卷积核的大小可以不一致。不同输入块中越粗略的轮廓可以设计越大的卷积核,不同输入块中越精细的轮廓可以设计越小的卷积核。而传统的卷积神经网络需要选择一个折中大小的卷积核,以兼顾速度和提取的图片细节细致程度。
(3)各输入块的输出个数可以根据各输入块中蕴含的特征数进行设计。而传统的卷积神经网络,在节点个数设计上,不区分各像素的蕴含特征数,以致该重点学习的地方并没有多加学习,该略过的地方还是用了同样多的节点进行学习,能大大降低学习难度和增加学习速度。
在一个实施例中,如图3所示,图像分类模型的训练过程,包括:
步骤302,获取训练集,训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签。
具体的,对于每个训练样本,采用预设划分方法将训练图像划分成多段训练子图像。
步骤304,获取神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点。
具体的,获取一个初始的神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点。输入块的数量、与每个输入块对应的特征节点的数量和输出节点的数量根据训练集中的训练样本确定。神经网络模型的每条支路上的支路卷积层的数量和结构可以不同,每条支路上的支路全连接层的数量和结构也可以不同,可以根据训练集中的训练样本添加、删除或修改每条支路上的支路卷积层和支路全连接层的数量和结构。
步骤306,将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定。
具体的,对于一个训练样本,将多段训练子图像同时输入神经网络模型的多个输入块进行卷积和全连接处理,每一段训练子图像输入到一条支路的输入块中,通过这条支路的支路卷积层和支路全连接层处理得到每段训练子图像所对应的特征节点。
步骤308,将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过输出节点输出得到预估分类标签。
具体的,对于一个训练样本,将每段训练子图像所对应的特征节点通过干路全连接层进行全连接处理,干路全连接层可以有一层或多层,最后一层的干路全连接层通过输出节点输出对应这个训练样本的预估分类标签。
步骤310,根据预估分类标签和训练图像所对应的分类标签进行比较,根据比较结果调整神经网络模型的参数。
具体的,对于一个训练样本,比较预估分类标签和训练图像所对应的分类标签,根据比较结果调整神经网络模型的参数,从而完成一次训练。例如,采用反向传播算法调整神经网络模型的参数,从而训练神经网络模型。
步骤312,利用训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。
具体的,使用训练集中的每个训练样本对神经网络模型进行预设次数的训练后,得到图像分类模型。预设次数根据实际情况和模型参数确定。
本实施例中,获取训练集,训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签;获取神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点;将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定;将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过输出节点输出得到预估分类标签;根据预估分类标签和训练图像所对应的分类标签进行比较,根据比较结果调整神经网络模型的参数;利用训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。通过该图像分类模型对划分处理后的待分类图像进行分类处理,能够着重识别图像中较复杂的部分,快速识别图像中较简单的部分,从而提高图像分类的精确度,提高图像分类效率。
在一个实施例中,如图4所示,获取训练集包括:
步骤402,获取训练图像,并获取训练图像的分类标签。
具体的,获取训练图像所对应的分类标签,用于在后续的模型训练过程中调整神经网络模型的参数。
步骤404,划分训练图像,得到多段训练子图像。
具体的,对于每一张训练图像,都采用预设划分方法划分训练图像,也就是说,每一张训练图像的划分方式和划分标准是一样的。预设划分方法是按照待分类图像的形成次序进行划分,或者按照待分类图像的形成阶段进行划分,得到多段子图像。比如按照形成次序进行等分分割(分割个数自己定义2-n)或按照形成阶段(有明确的物理意义)进行分阶段分割。
例如示功图是由上冲程和下冲程两个阶段组成的,在x(位置)的表现为x从0到最大(上冲程),又到0(下冲程)。基于此,上冲程对应的(x,y)形成的图为子图像1,下冲程对应的(x,y)形成的图为子图像2,如图5所示,上图为原始示功图,左下图为子图像1,右下图为子图像2。
还例如心电图按照时间等分为n份(比如2,3,4都可以)。这里给出等分为4份的情况:按时间顺序四等分的子图像1、子图像2、子图像3和子图像4。如图6所示,上图为原始心电图,下图为四等分的子图像1、子图像2、子图像3和子图像4。
还例如心电图的另一种分割方法,如图7所示,按照物理过程,沿图中两条竖线线分为3份子图像。
步骤406,根据多段训练子图像和训练图像的分类标签得到一个训练样本。
具体的,对于一个训练样本,多段训练子图像用于输入模型进行处理,训练图像的分类标签用于调整模型的参数。
步骤408,整合多个训练样本得到训练集。
具体的,整合尽可能多的训练样本到训练集中,训练样本的数量越多,通过训练集训练得到额图像分类模型的分类精度越高。
在一个实施例中,输入块的个数与每张训练图所划分的训练子图像的个数相同。神经网络模型的每个输入块对应的特征节点数量的确定方式,包括:获取训练集中每张训练图像中相同段数的训练子图像,对段数相同的训练子图像进行聚类处理,得到当前段数的聚类个数,根据当前段数的聚类个数获取当前段数对应的输入块对应的特征节点的个数;或者,获取一组预设的节点值,根据一组预设的节点值获取每一个输入块对应的特征节点的个数。
具体的,聚类处理的方法可采用x-means聚类。本实施例中,训练图像均为有序图像。有序图像的定义是:图像中的各数据点是按照一定次序采集的,即原始数据是2个列表,一列是x,一列是y。比如心电图中,x是时间点,y是心电的电压值;比如电极的阻抗频谱图中,x是电压值,y是相应的电流值;比如示功图中,x是位移,y是压力;比如脑电信号图中,x是时间点,y是电压值。简而言之,原始数据是2列值,图像是这两列值的2维表示,图像是二维的,比如500*600像素值组成的图,有值的地方,显示为黑色(可以用1表示),没有值的地方,显示为白色(可以用0表示)。假设有10000张图像,每张图像都分成了3个子图像(子图像1、子图像2、子图像3)。神经网络模型构建了3条支路、3个输入块,每个输入块对应一条支路。每个输入块则各有10000张子图像,也对应着10000组(x,y)值。以其中一个输入块为例,说明该输入块对应的特征节点的个数如何确定:首先,将x归一化(比如归一化到0-1之间),再将y按照等分的x进行插值,则所有的x={x1,x2,...,xn}都是确定的(x1=0,xn=1,其他是0-1之间n等分的),所有信息储存在y={y1,y2,...,yn}中,即每张子图像可以用一个n维的变量(即y1,...,yn)表示。对10000个n维的变量做自动x-means聚类分析,可得到聚类的类的个数,假如是k。那么,该输入块对应的节点个数即确定为k。
可选的,通过自定义一组预设的节点值的方式,或采用其他聚类方法等来决定每个输入块对应的特征节点的个数。
在一个实施例中,神经网络模型的每个输入块对应的输出节点数量的确定方式,包括:根据训练图像的分类标签,获取训练集中所有分类标签的类别数量;根据类别数量获取输出节点个数,输出节点个数等于类别数量。
具体的,训练集中一共存在多少种类别,输出节点就设置为多少个。例如一个由10000张心电图构成训练集,这10000张心电图中只有健康和不健康两种类别,那么输出节点的个数就是2,最终分类标签就是健康或者不健康两种标签。
在一个实施例中,获取待分类图像,将待分类图像划分为多段子图像包括:按照待分类图像的形成次序进行划分,或者按照待分类图像的形成阶段进行划分,得到多段子图像。
其中,待分类图像均为有序图像。有序图像的定义是:图像中的各数据点是按照一定次序采集的,即原始数据是2个列表,一列是x,一列是y。形成次序或者形成阶段可以根据时间、位置等因素进行确定,即y是随着x的变化而变化。形成次序可以是指按照形成时间先后顺序。形成阶段可以是指按照物理变化过程所形成的各个阶段。比如心电图中,x是时间点,y是心电的电压值;比如电极的阻抗频谱图中,x是电压值,y是相应的电流值;比如示功图中,x是位移,y是压力;比如脑电信号图中,x是时间点,y是电压值。简而言之,原始数据是2列值,图像是这两列值的2维表示,图像是二维的,比如500*600像素值组成的图,有值的地方,显示为黑色(可以用1表示),没有值的地方,显示为白色(可以用0表示)。
具体的,对待分类图像采用预设划分方法进行划分,也就是说,采用划分训练集中的训练图像的方法对待分类图像进行划分,以保证待分类图像能够有效的被图像分类模型进行处理。图像分类模型就是通过训练集训练得到。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种图像分类装置800,包括:图像获取模块801、特征处理模块802和图像分类模块803,其中:
图像获取模块,用于获取待分类图像,将待分类图像划分为多段子图像。按照待分类图像的形成次序进行划分,或者按照待分类图像的形成阶段进行划分,得到多段子图像。
特征处理模块,用于通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层。具体是将多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理,得到每段子图像所对应的特征节点。
图像分类模块,用于通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。具体是将多段子图像中每段子图像所对应的特征节点输入到图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理,得到最终分类标签。
在一个实施例中,装置还包括:
训练集获取模块,用于获取训练集,训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签。
模型获取模块,用于获取神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点。输入块的个数与每张训练图所划分的训练子图像的个数相同。神经网络模型的每个输入块对应的特征节点数量的确定方式,包括:获取训练集中每张训练图像中相同段数的训练子图像,对段数相同的训练子图像进行聚类处理,得到当前段数的聚类个数,根据当前段数的聚类个数获取当前段数对应的输入块对应的特征节点的个数;或者,获取一组预设的节点值,根据一组预设的节点值获取每一个输入块对应的特征节点的个数。根据训练图像的分类标签,获取训练集中所有分类标签的类别数量;根据类别数量获取输出节点个数,输出节点个数等于类别数量。
特征获取模块,用于将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定。
预估分类模块,用于将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过输出节点输出得到预估分类标签。
参数调整模块,用于根据预估分类标签和训练图像所对应的分类标签进行比较,根据比较结果调整神经网络模型的参数。
模型训练模块,用于利用训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。
在一个实施例中,训练集获取模块包括:
训练图像获取子模块,用于获取训练图像,并获取训练图像的分类标签。
训练图像划分子模块,用于划分训练图像,得到多段训练子图像。
训练样本获取子模块,用于根据多段训练子图像和训练图像的分类标签得到一个训练样本。
训练样本整合子模块,用于整合多个训练样本得到训练集。
关于图像分类装置的具体限定可以参见上文中对于图像分类方法的限定,在此不再赘述。上述图像分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待分类图像,将待分类图像划分为多段子图像;
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点,包括:将多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理,得到每段子图像所对应的特征节点;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签,包括:将多段子图像中每段子图像所对应的特征节点输入到图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理,得到最终分类标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
图像分类模型的训练过程,包括:
获取训练集,训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签;
获取神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点;
将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定;
将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过输出节点输出得到预估分类标签;
根据预估分类标签和训练图像所对应的分类标签进行比较,根据比较结果调整神经网络模型的参数;
利用训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练集包括:
获取训练图像,并获取训练图像的分类标签;
划分训练图像,得到多段训练子图像;
根据多段训练子图像和训练图像的分类标签得到一个训练样本;
整合多个训练样本得到训练集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
输入块的个数与每张训练图所划分的训练子图像的个数相同;
神经网络模型的每个输入块对应的特征节点数量的确定方式,包括:
获取训练集中每张训练图像中相同段数的训练子图像,对段数相同的训练子图像进行聚类处理,得到当前段数的聚类个数,根据当前段数的聚类个数获取当前段数对应的输入块对应的特征节点的个数;
或者,获取一组预设的节点值,根据一组预设的节点值获取每一个输入块对应的特征节点的个数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
神经网络模型的每个输入块对应的输出节点数量的确定方式,包括:
根据训练图像的分类标签,获取训练集中所有分类标签的类别数量;根据类别数量获取输出节点个数,输出节点个数等于类别数量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取待分类图像,将待分类图像划分为多段子图像包括:
按照待分类图像的形成次序进行划分,或者按照待分类图像的形成阶段进行划分,得到多段子图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待分类图像,将待分类图像划分为多段子图像;
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;图像分类模型包括至少一个干路全连接层。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点,包括:将多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理,得到每段子图像所对应的特征节点;
通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签,包括:将多段子图像中每段子图像所对应的特征节点输入到图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理,得到最终分类标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
图像分类模型的训练过程,包括:
获取训练集,训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签;
获取神经网络模型,神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点;
将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定;
将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过输出节点输出得到预估分类标签;
根据预估分类标签和训练图像所对应的分类标签进行比较,根据比较结果调整神经网络模型的参数;
利用训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练集包括:
获取训练图像,并获取训练图像的分类标签;
划分训练图像,得到多段训练子图像;
根据多段训练子图像和训练图像的分类标签得到一个训练样本;
整合多个训练样本得到训练集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
输入块的个数与每张训练图所划分的训练子图像的个数相同;
神经网络模型的每个输入块对应的特征节点数量的确定方式,包括:
获取训练集中每张训练图像中相同段数的训练子图像,对段数相同的训练子图像进行聚类处理,得到当前段数的聚类个数,根据当前段数的聚类个数获取当前段数对应的输入块对应的特征节点的个数;
或者,获取一组预设的节点值,根据一组预设的节点值获取每一个输入块对应的特征节点的个数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
神经网络模型的每个输入块对应的输出节点数量的确定方式,包括:
根据训练图像的分类标签,获取训练集中所有分类标签的类别数量;根据类别数量获取输出节点个数,输出节点个数等于类别数量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取待分类图像,将待分类图像划分为多段子图像包括:
按照待分类图像的形成次序进行划分,或者按照待分类图像的形成阶段进行划分,得到多段子图像。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像分类方法,其特征在于,所述方法包括:
获取待分类图像,将所述待分类图像划分为多段子图像;
通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;所述图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
通过图像分类模型的干路将所述多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;所述图像分类模型包括至少一个干路全连接层。
2.根据权利要求1所述的方法,其特征在于,
所述通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点,包括:
将所述多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理,得到每段子图像所对应的特征节点;
所述通过图像分类模型的干路将所述多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签,包括:
将所述多段子图像中每段子图像所对应的特征节点输入到所述图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理,得到最终分类标签。
3.根据权利要求2所述的方法,其特征在于,所述图像分类模型的训练过程,包括:
获取训练集,所述训练集包括多个训练样本,每个训练样本包括一张训练图像所划分的多段训练子图像和所述训练图像所对应的分类标签;
获取神经网络模型,所述神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点,每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点;
将所述训练集中每个训练样本中的多段训练子图像同时输入所述神经网络模型的多个输入块进行支路卷积层和支路全连接层处理,得到每段训练子图像所对应的特征节点,所述每条支路的支路卷积层和支路全连接层的结构和数量根据所述训练集确定;
将所述多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理,通过所述输出节点输出得到预估分类标签;
根据所述预估分类标签和所述训练图像所对应的分类标签进行比较,根据比较结果调整所述神经网络模型的参数;
利用所述训练集中的训练样本对调整了参数的神经网络模型继续训练,得到图像分类模型。
4.根据权利要求3所述的方法,其特征在于,所述获取训练集包括:
获取训练图像,并获取所述训练图像的分类标签;
划分所述训练图像,得到多段训练子图像;
根据所述多段训练子图像和所述训练图像的分类标签得到一个训练样本;
整合多个训练样本得到所述训练集。
5.根据权利要求3所述的方法,其特征在于,所述输入块的个数与所述每张训练图所划分的训练子图像的个数相同;
所述神经网络模型的每个输入块对应的特征节点数量的确定方式,包括:
获取所述训练集中每张训练图像中相同段数的训练子图像,对所述段数相同的训练子图像进行聚类处理,得到当前段数的聚类个数,根据所述当前段数的聚类个数获取当前段数对应的输入块对应的特征节点的个数;
或者,获取一组预设的节点值,根据所述一组预设的节点值获取每一个输入块对应的特征节点的个数。
6.根据权利要求3所述的方法,其特征在于,所述神经网络模型的每个输入块对应的输出节点数量的确定方式,包括:
根据所述训练图像的分类标签,获取所述训练集中所有分类标签的类别数量;根据所述类别数量获取所述输出节点个数,所述输出节点个数等于所述类别数量。
7.根据权利要求1所述的方法,其特征在于,所述获取待分类图像,将所述待分类图像划分为多段子图像包括:
按照所述待分类图像的形成次序进行划分,或者按照所述待分类图像的形成阶段进行划分,得到多段子图像。
8.一种图像分类装置,其特征在于,所述装置包括:
图像获取模块,用于获取待分类图像,将所述待分类图像划分为多段子图像;
特征处理模块,用于通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理,得到对应的特征节点;所述图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层;
图像分类模块,用于通过图像分类模型的干路将所述多段子图像中每段子图像所对应的特征节点进行全连接处理,得到最终分类标签;所述图像分类模型包括至少一个干路全连接层。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551523.5A CN113344040A (zh) | 2021-05-20 | 2021-05-20 | 图像分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551523.5A CN113344040A (zh) | 2021-05-20 | 2021-05-20 | 图像分类方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344040A true CN113344040A (zh) | 2021-09-03 |
Family
ID=77470028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551523.5A Pending CN113344040A (zh) | 2021-05-20 | 2021-05-20 | 图像分类方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344040A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091489A (zh) * | 2023-03-08 | 2023-05-09 | 烟台羿中医疗科技有限公司 | 基于深度学习的心电图图像识别方法及其系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN106778685A (zh) * | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能系统有限公司 | 心电图图像识别方法、装置及服务终端 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
US20180012107A1 (en) * | 2015-12-11 | 2018-01-11 | Tencent Technology (Shenzhen) Company Limited | Image classification method, electronic device, and storage medium |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN109620152A (zh) * | 2018-12-16 | 2019-04-16 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN109864739A (zh) * | 2019-03-19 | 2019-06-11 | 苏州哈特智能医疗科技有限公司 | 一种从10秒心电图中识别二度房室传导阻滞的方法 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110598717A (zh) * | 2019-09-12 | 2019-12-20 | 北京迈格威科技有限公司 | 图像特征的提取方法、装置及电子设备 |
CN110717416A (zh) * | 2019-09-24 | 2020-01-21 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类识别用神经网络训练方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、系统及设备 |
CN110991236A (zh) * | 2019-10-29 | 2020-04-10 | 成都华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
CN111657915A (zh) * | 2020-04-30 | 2020-09-15 | 上海数创医疗科技有限公司 | 基于深度学习的心电图形态的识别模型及其使用方法 |
CN111738270A (zh) * | 2020-08-26 | 2020-10-02 | 北京易真学思教育科技有限公司 | 模型生成方法、装置、设备和可读存储介质 |
CN112308152A (zh) * | 2020-11-03 | 2021-02-02 | 西安电子科技大学 | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 |
CN112560957A (zh) * | 2020-12-17 | 2021-03-26 | 北京邮电大学 | 一种神经网络训练、检测方法、装置及设备 |
-
2021
- 2021-05-20 CN CN202110551523.5A patent/CN113344040A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180012107A1 (en) * | 2015-12-11 | 2018-01-11 | Tencent Technology (Shenzhen) Company Limited | Image classification method, electronic device, and storage medium |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN106778685A (zh) * | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能系统有限公司 | 心电图图像识别方法、装置及服务终端 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN109620152A (zh) * | 2018-12-16 | 2019-04-16 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN109864739A (zh) * | 2019-03-19 | 2019-06-11 | 苏州哈特智能医疗科技有限公司 | 一种从10秒心电图中识别二度房室传导阻滞的方法 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110598717A (zh) * | 2019-09-12 | 2019-12-20 | 北京迈格威科技有限公司 | 图像特征的提取方法、装置及电子设备 |
CN110717416A (zh) * | 2019-09-24 | 2020-01-21 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类识别用神经网络训练方法 |
CN110991236A (zh) * | 2019-10-29 | 2020-04-10 | 成都华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、系统及设备 |
CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
CN111657915A (zh) * | 2020-04-30 | 2020-09-15 | 上海数创医疗科技有限公司 | 基于深度学习的心电图形态的识别模型及其使用方法 |
CN111738270A (zh) * | 2020-08-26 | 2020-10-02 | 北京易真学思教育科技有限公司 | 模型生成方法、装置、设备和可读存储介质 |
CN112308152A (zh) * | 2020-11-03 | 2021-02-02 | 西安电子科技大学 | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 |
CN112560957A (zh) * | 2020-12-17 | 2021-03-26 | 北京邮电大学 | 一种神经网络训练、检测方法、装置及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091489A (zh) * | 2023-03-08 | 2023-05-09 | 烟台羿中医疗科技有限公司 | 基于深度学习的心电图图像识别方法及其系统 |
CN116091489B (zh) * | 2023-03-08 | 2023-06-30 | 烟台羿中医疗科技有限公司 | 基于深度学习的心电图图像识别方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253629A1 (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
CN109063742B (zh) | 蝴蝶识别网络构建方法、装置、计算机设备及存储介质 | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN111931931B (zh) | 一种针对病理全场图像的深度神经网络训练方法、装置 | |
WO2019218136A1 (zh) | 图像分割方法、计算机设备和存储介质 | |
CN110826596A (zh) | 一种基于多尺度可变形卷积的语义分割方法 | |
CN109815873A (zh) | 基于图像识别的商品展示方法、装置、设备及介质 | |
CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN110807139A (zh) | 图片识别方法、装置、计算机可读存储介质和计算机设备 | |
CN111862009B (zh) | 一种眼底oct图像的分类方法及计算机可读存储介质 | |
CN109657582A (zh) | 人脸情绪的识别方法、装置、计算机设备及存储介质 | |
CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
CN111444844A (zh) | 一种基于变分自编码器的液基细胞人工智能检测方法 | |
Wu et al. | Learning scene gist with convolutional neural networks to improve object recognition | |
CN111540467B (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN111325725A (zh) | 视网膜图像识别方法及装置、电子设备、存储介质 | |
CN112115860A (zh) | 人脸关键点定位方法、装置、计算机设备和存储介质 | |
CN112036298A (zh) | 一种基于双段区块卷积神经网络的细胞检测方法 | |
CN113344040A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN109784154A (zh) | 基于深度神经网络的情绪识别方法、装置、设备及介质 | |
CN111612739B (zh) | 一种基于深度学习的脑梗死分类方法 | |
CN110705714B (zh) | 深度学习模型检测方法、深度学习平台以及计算机设备 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN109460777A (zh) | 图片分类方法、装置及计算机可读存储介质 | |
CN115132324A (zh) | 心理健康预测方法和装置、电子设备、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |
|
RJ01 | Rejection of invention patent application after publication |