CN113723451A - 视网膜图像分类模型训练方法、系统、存储介质及设备 - Google Patents
视网膜图像分类模型训练方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113723451A CN113723451A CN202110818485.5A CN202110818485A CN113723451A CN 113723451 A CN113723451 A CN 113723451A CN 202110818485 A CN202110818485 A CN 202110818485A CN 113723451 A CN113723451 A CN 113723451A
- Authority
- CN
- China
- Prior art keywords
- meta
- training
- model
- task
- testing
- 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 114
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013145 classification model Methods 0.000 title claims abstract description 26
- 230000004256 retinal image Effects 0.000 title claims description 21
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 206010012689 Diabetic retinopathy Diseases 0.000 claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 208000017442 Retinal disease Diseases 0.000 claims description 3
- 206010038923 Retinopathy Diseases 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000001525 retina Anatomy 0.000 abstract 2
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 201000007917 background diabetic retinopathy Diseases 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 206010047571 Visual impairment Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000007914 proliferative diabetic retinopathy Diseases 0.000 description 2
- 201000003772 severe nonproliferative diabetic retinopathy Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011190 diabetic macular edema Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 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
-
- 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
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
本发明涉及视网膜图像分类模型训练方法、系统、存储介质及设备，其中，视网膜图像分类模型训练方法包括，获取糖尿病视网膜病变图像的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集；从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务；构建卷积神经网络模型；元训练阶段，基于构建的模型利用至少一个元训练任务训练，获取模型的最优初始化参数；元测试阶段，构建的模型基于最优初始化参数执行元测试任务获得糖尿病视网膜病变图像的分类结果利用任务增强元学习的方式对模型进行训练，可在样本数量较少的情况下实现糖尿病视网膜病变图像的分类。
Description
技术领域
本发明涉及图像处理领域，具体为视网膜图像分类模型训练方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
糖尿病视网膜病变是由糖尿病引起的微血管并发症，是目前世界上造成视力损害和失明的主要原因之一。利用计算机的辅助分类技术能够将视网膜病变图像中因糖尿病引发的病变图像识别出来并进行分类。
针对糖尿病视网膜病变图像的计算机辅助分类技术在可以归纳为两类。一是传统方法，主要根据图像中病变的类型、大小、数量等特征来识别糖尿病视网膜图像中的病变，该方法不需要大量的训练数据，但容易受到图像中反映的特征因子的影响，使得图像分类的准确度不高。二是深度学习方法，通常在图像预处理后使用深度卷积神经网络进行训练，提取视网膜图像中有关糖尿病的高级特征进行分类，而深度学习方法会依赖大量带病变类型标签的图像数据来训练模型，使得实现分类所需的数据成本较高。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供视网膜图像分类模型训练方法、系统、存储介质及设备，获取糖尿病视网膜病变图像的数据集，并将子集一作为元训练集，子集二作为元测试集，从元训练集和元测试集中随机采样数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集。在元学习的框架下训练模型，模型在元训练过程中，利用任务增强方法优化模型的初始化参数，在元测试阶段利用最优模型初始化参数在少量样本上即可实现糖尿病视网膜病变五分类。有效降低了模型对样本数量的依赖，提高了糖尿病视网膜病变的分类准确度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供视网膜图像分类模型训练方法，包括以下步骤：
获取糖尿病视网膜病变图像的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集；
从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务；
构建卷积神经网络模型；
元训练阶段，基于构建的模型利用至少一个元训练任务训练，获取模型的最优初始化参数；
元测试阶段，构建的模型基于最优初始化参数执行元测试任务获得糖尿病视网膜病变图像的分类结果。
本发明的第二个方面提供视网膜病变图像分类模型训练系统，包括：
元任务构建模块，被配置为：获取糖尿病视网膜病变图像分类的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集，从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集；
元训练模块，被配置为：在元训练阶段，构建的卷积神经网络模型在多个元训练任务上训练，并获取模型的最优初始化参数。
元测试模块，被配置为：在元测试阶段，构建的卷积神经网络模型基于最优初始化参数执行元测试任务，实现糖尿病视网膜病变图像的分类。
卷积神经网络模型包括至少四组分别连接在一起的卷积层和最大池化层，最后一组卷积层和最大池化层通过全连接层与输出层连接，卷积层和最大池化层之间具有批归一化层。
元训练任务和元测试任务均具有支持集和查询集；支持集设有N个类别，每个类别中的样本数为K，查询集的样本为N类样本中的剩余样本。
元训练阶段对支持集进行内环更新，获取模型的初始化参数。
元训练阶段对查询集进行外环更新，获取查询集的总损失。
查询集的总损失是每个元训练任务在经过m次梯度下降更新的损失之和，元目标是最小化总损失函数。
利用最小化总损失函数，在元训练阶段获得最优初始化参数。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的视网膜图像分类模型训练方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的视网膜图像分类模型训练方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、利用任务增强元学习的方式对模型进行训练，可在样本数量较少的情况下实现糖尿病视网膜病变图像的分类。
2、利用任务增强的方法来扩充元训练任务的数量，优化元学习过程并获得元测试阶段实现病变图像分类的最优初始化参数。
3、提出了元学习来解决少量样本情况下的糖尿病视网膜病变图像五分类的问题，降低了数据采集的成本，减少了模型对大量数据的依赖。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的分类系统原理示意图；
图2是本发明一个或多个实施例提供的分类流程示意图；
图3是本发明一个或多个实施例提供的分类系统的训练模型结构示意图；
图4(a)是本发明一个或多个实施例提供的任务增强训练示意图；
图4(b)是本发明一个或多个实施例提供的任务增强训练时的图像数据示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
实施例一：
如图1-4所示，本实施例的目的是提供视网膜图像分类模型训练方法，包括以下步骤：
获取糖尿病视网膜病变图像的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集；
从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务，每个元任务划分为支持集和查询集；
构建卷积神经网络模型；
元训练阶段，基于构建的模型利用至少一个元训练任务训练，获取模型的最优初始化参数；
元测试阶段，构建的模型基于最优初始化参数在元测试任务获得糖尿病视网膜病变图像的分类结果。
实施例二：
本实施例的目的是提供视网膜病变图像分类模型训练系统，包括：
元任务构建模块，被配置为：获取糖尿病视网膜病变图像分类的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集，从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集；
元训练模块，被配置为：在元训练阶段，模型在多个元训练任务上训练，并获取模型的最优初始化参数。
元测试模块，被配置为：在元测试阶段，模型基于最优初始化参数执行元测试任务，实现糖尿病视网膜病变图像的分类。
本实施例基于的子集一和子集二，其中：
子集一为近似糖尿病视网膜病变的图像数据集，包含多种类别(糖尿病黄斑水肿、老年黄斑病变等)的图像，这些与糖尿病视网膜病变的图像非常相似。
子集二为包含糖尿病视网膜病变的五类彩色眼底图像数据集，由亚太远程眼科学会提供，具体包括五种类别：健康、轻度非增殖性糖尿病视网膜病变图像、中度非增殖性糖尿病视网膜病变图像、重度非增殖性糖尿病视网膜病变图像和增殖性糖尿病视网膜病变图像。本实施例中，这五种类别的彩色眼底图像数量分别是1805、370，999，193和295。
支持集按照N-way K-shot方式(N个类别，每个类别中的样本数为K)划分，查询集由这N类剩余的一定样本组成。本实施例设置N＝5，K为5和10，即5-way 5-shot、5-way 10-shot。
训练模型的架构为4层卷积层-最大池化层、全连接层和输出层，并设置模型的超参数，包括内环学习率，外环学习率，优化器和迭代次数等；具体地，内环学习率设置为0.001、外环学习率为0.01，采用Adam优化，迭代次数为5000次。网络结构如图3所示。
本实施例中，训练模型包括至少四组分别连接在一起的卷积层和最大池化层，最后一组卷积层和最大池化层通过全连接层与输出层连接，卷积层和最大池化层之间具有批归一化层。
为提高元训练阶段的有效性，采用基于旋转的任务增强方法扩充元训练任务的数量。如图4所示，本实施例将数据集中的图像旋转角度分别设置为90度、180度和270度，在已有的训练任务上创建了新的元训练任务。在元训练阶段对支持集进行内环更新，具体表达式为：
式中，θ为模型的初始化参数，α为内环学习率，Ti为元训练任务，m和ε为梯度下降的步数，ε∈[0,m]，
为损失函数，
为梯度，f为模型。
在元训练阶段对查询集进行外环更新，总损失表达式为:
查询集的总损失是每个元训练任务在经过m次梯度下降更新的损失之和，元目标是最小化总损失函数。
在元训练阶段对查询集进行外环更新，更新后的元参数表达式为：
式中，β为外环学习率。模型在元训练任务的学习中获得了最优初始化参数。
本实施例中，经过元训练任务学习后的模型拥有最优初始化参数后对元测试任务的支持集进行预测，模型损失函数表达式为：
式中，(x(j),y(j))是在元测试任务中采样的数据点。
内、外环更新的过程使得分类模型在元训练任务的学习中获得了最优初始化参数，利用最优初始化参数和模型损失函数确保元训练任务学习后对图像分类的有效性，元目标是最小化总损失，利用模型损失函数确保经少量样本训练后的视网膜图像分类模型能够准确对糖尿病视网膜病变图像进行五分类，少量样本情况下的糖尿病视网膜病变图像五分类的问题，降低了数据采集的成本，减少了模型对大量数据的依赖，在元测试任务查询集上实现了糖尿病视网膜病变的五分类。
参照表1，在5-way 5-shot和5-way 10-shot实验下，分别获得了68.34％和72.93％的准确度。
表1不同实验设置下的分类准确度对比
上述过程针对糖尿病视网膜图像病变分类的过程，利用任务增强元学习的方式对模型进行训练，可在样本数量较少的情况下实现糖尿病视网膜病变分类。
利用任务增强的方法来扩充元训练任务的数量，优化元学习过程并获得元测试阶段实现病变图像分类的最优初始化参数。
提出了元学习来解决少量样本情况下的糖尿病视网膜病变图像五分类问题(健康、轻度非增殖性糖尿病视网膜病变、中度非增殖性糖尿病视网膜病变、重度非增殖性糖尿病视网膜病变和增殖性糖尿病视网膜病变共计五种类别)，降低了数据采集的成本，减少了模型对大量数据的依赖。
在元学习的框架下训练模型，模型在元训练过程中，利用任务增强方法优化模型的初始化参数，在元测试阶段利用最优模型初始化参数在少量样本上即可实现糖尿病视网膜病变五分类。有效降低了模型对样本数量的依赖，提高了糖尿病视网膜病变的分类准确度。
实施例三：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的视网膜图像分类模型训练方法中的步骤。
在元学习的框架下训练模型，模型在元训练过程中，利用任务增强方法优化模型的初始化参数，在元测试阶段利用最优模型初始化参数在少量样本上即可实现糖尿病视网膜病变五分类。有效降低了模型对样本数量的依赖，提高了糖尿病视网膜病变的分类准确度。
实施例四：
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的视网膜图像分类模型训练方法中的步骤。
在元学习的框架下训练模型，模型在元训练过程中，利用任务增强方法优化模型的初始化参数，在元测试阶段利用最优模型初始化参数在少量样本上即可实现糖尿病视网膜病变五分类。有效降低了模型对样本数量的依赖，提高了糖尿病视网膜病变的分类准确度。
以上实施例二至四中涉及的各步骤或模块与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
综上所述，上述实施例获取糖尿病视网膜病变分类的数据集，并将子集一作为元训练集，子集二作为元测试集，从元训练集和元测试集中随机采样数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集。在元学习的框架下训练模型，模型在元训练过程中，利用任务增强方法优化模型的初始化参数，在元测试阶段利用最优模型初始化参数在少量样本上即可实现糖尿病视网膜病变五分类。有效降低了模型对样本数量的依赖，提高了糖尿病视网膜病变的分类准确度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.视网膜图像分类模型训练方法，其特征在于：包括以下步骤：
获取糖尿病视网膜病变图像的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集；
从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务；
构建卷积神经网络模型；
元训练阶段，基于构建的模型利用至少一个元训练任务训练，获取模型的最优初始化参数；
元测试阶段，构建的模型基于最优初始化参数执行元测试任务获得糖尿病视网膜病变图像的分类结果。
2.视网膜病变图像分类模型训练系统，包括：
元任务构建模块，被配置为：获取糖尿病视网膜病变图像分类的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集，从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集；
元训练模块，被配置为：在元训练阶段，构建的卷积神经网络模型模型在多个元训练任务上训练，并获取模型的最优初始化参数。
元测试模块，被配置为：在元测试阶段，构建的卷积神经网络模型模型基于最优初始化参数执行元测试任务，实现糖尿病视网膜病变图像的分类。
3.如权利要求2所述的视网膜图像分类模型训练方法，其特征在于：所述卷积神经网络模型包括至少四组分别连接在一起的卷积层和最大池化层，最后一组卷积层和最大池化层通过全连接层与输出层连接，卷积层和最大池化层之间具有批归一化层。
4.如权利要求2所述的视网膜图像分类模型训练方法，其特征在于：所述元训练任务和元测试任务均具有支持集和查询集；支持集设有N个类别，每个类别中的样本数为K，查询集的样本为N类样本中的剩余样本。
5.如权利要求2所述的视网膜图像分类模型训练方法，其特征在于：元训练阶段对支持集进行内环更新，获取模型的初始化参数。
6.如权利要求2所述的视网膜图像分类模型训练方法，其特征在于：元训练阶段对查询集进行外环更新，获取查询集的总损失。
7.如权利要求6所述的视网膜图像分类模型训练方法，其特征在于：所述查询集的总损失为每个元训练任务在经过m次梯度下降更新的损失之和，元目标是最小化总损失函数。
8.如权利要求7所述的视网膜图像分类模型训练方法，其特征在于：利用最小化总损失函数，在元训练阶段获得最优初始化参数。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1中所述的视网膜图像分类模型训练方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的视网膜图像分类模型训练方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818485.5A CN113723451A (zh) | 2021-07-20 | 2021-07-20 | 视网膜图像分类模型训练方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818485.5A CN113723451A (zh) | 2021-07-20 | 2021-07-20 | 视网膜图像分类模型训练方法、系统、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723451A true CN113723451A (zh) | 2021-11-30 |
Family
ID=78673582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110818485.5A Pending CN113723451A (zh) | 2021-07-20 | 2021-07-20 | 视网膜图像分类模型训练方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723451A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
| CN115587979A (zh) * | 2022-10-10 | 2023-01-10 | 山东财经大学 | 基于三阶段注意力网络的糖尿病视网膜病变分级的方法 |
| CN116168255A (zh) * | 2023-04-10 | 2023-05-26 | 武汉大学人民医院（湖北省人民医院） | 一种长尾分布鲁棒的视网膜oct图像分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210570A (zh) * | 2019-06-10 | 2019-09-06 | 上海延华大数据科技有限公司 | 基于深度学习的糖尿病视网膜病变图像多分类方法 |
| CN112418013A (zh) * | 2020-11-09 | 2021-02-26 | 贵州大学 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
| CN112613556A (zh) * | 2020-09-01 | 2021-04-06 | 电子科技大学 | 基于元学习的少样本图像情感分类方法 |
| CN112861995A (zh) * | 2021-03-15 | 2021-05-28 | 中山大学 | 基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质 |
-
2021
- 2021-07-20 CN CN202110818485.5A patent/CN113723451A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210570A (zh) * | 2019-06-10 | 2019-09-06 | 上海延华大数据科技有限公司 | 基于深度学习的糖尿病视网膜病变图像多分类方法 |
| CN112613556A (zh) * | 2020-09-01 | 2021-04-06 | 电子科技大学 | 基于元学习的少样本图像情感分类方法 |
| CN112418013A (zh) * | 2020-11-09 | 2021-02-26 | 贵州大学 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
| CN112861995A (zh) * | 2021-03-15 | 2021-05-28 | 中山大学 | 基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| CHELSEA FINN等: "Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks", 《ARXIV》, 18 July 2017 (2017-07-18), pages 1 - 13, XP055912177 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
| CN115587979A (zh) * | 2022-10-10 | 2023-01-10 | 山东财经大学 | 基于三阶段注意力网络的糖尿病视网膜病变分级的方法 |
| CN115587979B (zh) * | 2022-10-10 | 2023-08-15 | 山东财经大学 | 基于三阶段注意力网络的糖尿病视网膜病变分级的方法 |
| CN116168255A (zh) * | 2023-04-10 | 2023-05-26 | 武汉大学人民医院（湖北省人民医院） | 一种长尾分布鲁棒的视网膜oct图像分类方法 |
| CN116168255B (zh) * | 2023-04-10 | 2023-12-08 | 武汉大学人民医院（湖北省人民医院） | 一种长尾分布鲁棒的视网膜oct图像分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723451A (zh) | 视网膜图像分类模型训练方法、系统、存储介质及设备 | |
| CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN103838836B (zh) | 基于判别式多模态深度置信网多模态数据融合方法和系统 | |
| CN111967495B (zh) | 一种分类识别模型构建方法 | |
| CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| CN110210286A (zh) | 基于眼底图像的异常识别方法、装置、设备及存储介质 | |
| CN110109835A (zh) | 一种基于深度神经网络的软件缺陷定位方法 | |
| CN110929775B (zh) | 一种用于视网膜病变分类的卷积神经网络权值优化方法 | |
| Xu et al. | Fully deep learning for slit-lamp photo based nuclear cataract grading | |
| CN110110600A (zh) | 眼部oct图像病灶识别方法、装置及存储介质 | |
| CN116433644B (zh) | 一种基于识别模型的眼部图像动态诊断方法 | |
| Dipu et al. | Ocular disease detection using advanced neural network based classification algorithms | |
| CN109829901A (zh) | 一种基于卷积神经网络的真菌性角膜炎检测方法及系统 | |
| CN109508460A (zh) | 基于主题聚类的无监督作文跑题检测方法及系统 | |
| CN108537253A (zh) | 一种基于概率成对约束的自适应半监督降维方法 | |
| Ding et al. | An improved SFLA-kmeans algorithm based on approximate backbone and its application in retinal fundus image | |
| Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
| Lonij et al. | Open-world visual recognition using knowledge graphs | |
| CN117333887A (zh) | 一种基于深度学习的甲骨文字体分类方法 | |
| CN110288606B (zh) | 一种基于蚁狮优化的极限学习机的三维网格模型分割方法 | |
| CN111784687A (zh) | 一种基于深度学习的青光眼眼底图像检测方法 | |
| CN112215082A (zh) | 一种植物叶片图像识别方法 | |
| Thomas et al. | Diabetic retinopathy detection using ensembled transfer learning based thrice CNN with SVM classifier | |
| CN106650914A (zh) | 一种基于人工蜂群算法的数据特征选择方法 | |
| CN108446718B (zh) | 一种动态深度置信网络分析方法 |
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 |