CN116258720B - 图像识别方法、装置、电子设备和存储介质 - Google Patents
图像识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116258720B CN116258720B CN202310545624.0A CN202310545624A CN116258720B CN 116258720 B CN116258720 B CN 116258720B CN 202310545624 A CN202310545624 A CN 202310545624A CN 116258720 B CN116258720 B CN 116258720B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- training
- style
- domain
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000006243 chemical reaction Methods 0.000 claims abstract description 168
- 238000012549 training Methods 0.000 claims description 169
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像识别方法、装置、电子设备和存储介质。其特征包括：获取目标域的原始图像，确定所述目标域对应的源域；基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果。实现了通过联邦学习对目标域的图像进行高精准度识别，提高图像识别的效率，在保障图像质量的前提下，增强了图像识别结果的多样性。
Description
技术领域
本发明涉及医疗图像识别领域，尤其涉及一种图像识别方法、装置、电子设备和存储介质。
背景技术
在医疗影像领域中，图像识别解析能够对医学治疗中的目标进行定位和检测，在当前医疗图像识别中，数据孤岛问题和图像标注问题是两大较难解决的问题，对于综合实力相对强的大型医院会拥有的数据量大，识别质量高的识别模型，而相对综合实力较弱的小型医院，对图像识别的能力较弱，确实专业的识别模型，但由于不同医院对图像识别的标注和识别条件也不相同，导致各个医院间的医疗模型难以复用，即使是直接使用大型医院的识别模型，图像影像的风格差异也会导致识别模型性能变差的问题。
发明内容
本发明提供了一种图像识别方法、装置、电子设备和存储介质，以实现对窗体应用的完全自动化准确测试。
根据本发明的一方面，提供了一种图像识别方法，包括：
获取目标域的原始图像，确定所述目标域对应的源域；
基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；
请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果。
根据本发明的另一方面，提供了一种图像识别装置、包括：
图像转换请求模块，用于获取目标域的原始图像，确定所述目标域对应的源域；
图像风格转换模块，用于基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；
图像识别模块，用于请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像识别方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像识别方法。
本发明实施例的技术方案通过获取目标域的原始图像，确定所述目标域对应的源域，在联邦学习识别时，确定目标域对应的源域，能够提高识别模型的性能，提高识别的效率；基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像，通过风格转换模型，将不同风格的图像直接转换为源域风格，能够提高识别图像的准确程度；请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果，通过源域的目标识别模型对源域风格的待识别图像进行图像识别，提高了图像识别的准确程度，并且通过联邦学习提高了图像流转识别的效率，解决了现有技术中直接使用图像识别模型性能差的技术问题，满足了联邦学习中小医院图像识别的需求，同时提高目标识别模型的多样性，进一步提高了目标识别模型的性能。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例一提供的一种图像识别方法的流程图；
图2是本发明实施例二提供的另一种图像识别方法的流程图；
图3是本发明实施例提供的另一种图像识别方法的流程图；
图4是本发明实施例三提供的一种图像识别装置的结构示意图；
图5是实现本发明实施例的图像识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
实施例一
图1是本发明实施例一提供了一种图像识别方法的流程图，本实施例可适用于通过源域图像识别模型对目标域图像进行识别的情况，该方法可以由图像识别装置来执行，该图像识别装置可以采用硬件和/或软件的形式实现，该图像识别装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取目标域的原始图像，确定所述目标域对应的源域。
其中，目标域可以是请求对图像进行识别的机构；源域可以是具备图像识别能力，接收目标域请求的机构。需要说明的是，目标域可以是在联邦学习中发出需要识别的图像的机构，源域中具备目标域请求的识别模型。
其中，原始图像可以是目标域请求识别的图像。原始图像具备目标域对应的风格。示例性的，目标域可以是识别模型性能较差的中小医院，原始图像可以是中小医院中拍摄的医学图像。
具体的，获取目标域上传的原始图像，根据目标域的图像识别请求，确定目标域请求进行图像识别的源域。
S120、基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像。
其中，风格转换模型可以是目标域与对应源域预先训练的神经网络模型，风格转换模型可以用于将目标域中的图像风格转换为源域中对应的图像风格。需要说明的是，在风格转换模型训练时，需要根据目标域对应的图像风格和源域对应的图像风格进行训练，在模型训练后，将目标域对应源域的风格转换模型存储在目标域中，针对不同的源域需要训练不同的风格转换模型。
其中，待识别图像可以是源域风格的原始图像。待识别图像可以用于在源域中进行图像识别。需要说明的是，通过风格转换模型将原始图像进行风格转换，将图像风格为目标域的原始图像转换为源域风格的待识别图像。
可选的，在目标域中存储多个针对不同源域的风格转换模型，根据目标域针对原始图像请求的源域，确定预先训练的风格转换模型，将源域对应的风格转换模型进行上传，进而通过源域对应的风格转换模型对目标源的原始图像进行风格转换。
具体的，获取原始图像，根据目标域针对原始图像请求的源域，确定目标域中预先训练的风格转换模型，基于目标域中预先训练的风格转换模型，将原始图像进行风格转换，得到源域图像风格的待识别图像。
S130、请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果。
其中，目标识别模型可以是源域中识别图像的神经网络模型。目标识别模型可以用于识别源域风格的图像。需要说明的是，目标识别模型能够对所有图像风格进行识别，在识别其他图像风格的图像时，目标识别模型性能较差，识别的准确率较低，在识别其他图像风格的图像时，需要将图像转换为源域图像风格的待识别图像，再通过目标识别模型对源域风格的待识别图像进行图像识别。
其中，图像识别结果可以是对原始图像的图像识别结果。示例性的，图像识别结果可以用于表示对病灶进行分类结果、识别结果和定位检测结果。
具体的，确定待识别对应源域，向源域请求源域对应的目标识别模型，接收源域上传的目标识别模型，通过目标识别模型对待识别模型进行图像识别，确定图像识别结果，并将图像识别结果下发至目标域中。
本发明实施例的技术方案通过获取目标域的原始图像，确定所述目标域对应的源域，在联邦学习识别时，确定目标域对应的源域，能够提高识别模型的性能，提高识别的效率；基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像，通过风格转换模型，将不同风格的图像直接转换为源域风格，能够提高识别图像的准确程度；请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果，通过源域的目标识别模型对源域风格的待识别图像进行图像识别，提高了图像识别的准确程度，并且通过联邦学习提高了图像流转识别的效率，解决了现有技术中直接使用图像识别模型性能差的技术问题，满足了联邦学习中小医院图像识别的需求，同时提高目标识别模型的多样性，进一步提高了目标识别模型的性能。
实施例二
图2是本发明实施例二提供的另一种图像识别方法的流程图，本实施例与上述实施例之间的关系为在所述基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像之前，预先训练风格转换模型的具体方法。如图2所示，该图像识别方法包括：
S210、分别获取所述目标域的第一训练图像和所述源域的第二训练图像。
其中，第一训练图像可以是目标域图像风格的训练图像。第二训练图像可以是源域图像风格的训练图像。可选的，在训练风格转换模型时，需要获取目标域对应的第一训练图像和源域对应的第二训练图像，将目标域图像风格的第一训练图像转换为源域图像风格的图像，将源域图像风格的第二训练图像转换为目标域风格的图像。
具体的，向目标域请求第一训练图像，向源域请求的第二训练图像，接收目标域上传的第一训练图像和源域上传的第二训练图像。
可选的，在本发明另一可选实施例中，所述分别获取所述目标域的第一训练图像和所述源域的第二训练图像，包括：
分别接收所述目标域上传的第一风格图像和所述源域上传的第二风格图像；
对所述第一风格图像和所述第二风格图像进行图像预处理，确定所述第一训练图像和所述第二训练图像；其中，所述图像预处理包括随机翻转、归一化和尺寸变换中的至少一种。
其中，第一风格图像可以是具备目标域风格的图像。示例性的，第一风格图像可以是通过目标域医疗仪器获取的医疗图像。
其中，第二风格图像可以是具备源域风格的图像。示例性的，第二风格图像可以是通过源域医疗仪器获取的医疗图像。
其中，图像预处理可以用于对突出第一风格图像和第二风格图像的图像特征。图像预处理包括随机翻转、归一化和尺寸变换中的至少一种。可选的，图像随机翻转可以对图像根据多个角度进行随机翻转，通过不同的角度分析图像；归一化可以是将图像变化为标准形式的归一化图像，进而提高对图像内容的关注度；尺寸变化可以是修改图像的尺寸，对图像实现缩放，提高图像的显示效果或显示精度。
可选的，目标域获取第一风格图像，将第一风格图像进行上传，源域获取第二风格图像，将第二风格图像进行上传；分别接收上传的第一风格图像和第二风格图像，对第一风格图像和第二风格图像进行图像预处理，得到用于训练风格转换模型的第一训练图像和第二训练图像。
可选的，在本发明另一可选实施例中，若所述第一风格图像和第二风格图像为医疗图像，则根据所述目标识别模型的参数输入条件对所述第一风格图像和所述第二风格图像进行重采样，确定所述第一训练图像和所述第二训练图像。
其中，医疗图像可以是用于医学或医学研究的图像，医疗图像通过不同的医疗设备根据不同的成像机理得到的医学影像。
其中，参数输入条件可以是目标识别模型设置的输入条件。需要说明的是，目标识别模型对图像进行处理时，能够对符合自身输入条件的图像进行高效处理，对于不符合自身输入条件的图像处理时，处理的性能较低，需要根据目标识别模型的参数输入条件对需要处理的图像进行预处理，使输入目标识别模型的图像满足参数输入条件。
其中，重采样可以是将医疗图像中大小不同的体积元素归一化至相同的大小；重采样可以用于将医疗图像进行缩放。需要说明的是，体积元素是医疗图像在空间上的最小单元，由多个体积元素构成一张医疗图像。
具体的，对第一风格图像和第二风格图像进行图像检测，确定第一风格图像和第二风格图像是否为医学图像，如果第一风格图像和第二风格图像为医疗图像，则获取源域中目标识别模型的参数输入条件，根据目标识别模型的参数输入条件对第一风格图像和所述第二风格图像重采样，得到第一训练图像和第二训练图像。
S220、根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型。
其中，初始转换模型可以用于训练风格转换模型神经网络模型；初始转换模型能够将训练图像的图像风格进行转换。可选的，初始转换模型可以是CycleGAN（GenerativeAdversarial Networks）。
具体的，将第一训练图像作为训练集，第二训练图像作为训练标签，将第一训练图像和第二训练图像输入至目标域的初始转换模型进行训练，得到风格转换模型。
可选的，在本发明另一可选实施例中，所述风格转换模型基于联邦学习架构训练得到，所述初始转换模型包括在所述目标域建立的第一子转换模型和在所述源域建立的第二子转换模型。
可选的，联邦学习架构可以是预设的用于联邦学习的架构；联邦学习架构可以由目标域、源域和中心节点构成，目标域与中心节点相互连接，源域与中心节点相互连接，目标域也可以与源域相互连接。中心节点可以是设置在目标域和源域中的节点网络平台，可以通过中心节点分别连接目标域和源域，向目标域和源域接收和下发数据。通过联邦学习架构训练的初始转换模型的模型参数受到目标域风格图像和源域风格图像的优化，能够提高初始转换模型的训练效率和准确率。
可选的，第一子转换模型可以是在目标域中进行训练的转换模型，第二子转换模型可以是在源域中进行训练的转换模型。需要说明的是，在风格转换模型训练时，需要对源域和目标域中的转换模型进行同步训练，这样做的好处是能够提高目标域中风格转换模型的转换相似度。
可选的，在本发明另一可选实施例中，所述根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型，包括：
将所述第一训练图像和所述第二训练图像分别下发至所述目标域和所述源域，以使所述目标域基于所述第一训练图像和所述第二训练图像对第一子转换模型进行训练，所述源域基于所述第一训练图像和所述第二训练图像对第二子转换模型进行训练；
获取所述目标域的第一模型参数和所述源域的第二模型参数；
根据所述第一转换参数和所述第二转换参数对所述第一子转换模型进行参数更新，以得到所述风格转换模型；
其中，所述第一子转换模型以所述第一训练图像为输入，以所述第二训练图像为期望输出；所述第二子转换模型以所述第二训练图像为输入，以所述第一训练图像为期望输出。
其中，第一模型参数可以是第一子转换模型的节点参数；第二模型参数可以是第二子转换模型的节点参数。
可选的，获取目标域上传的第一训练图像和第二训练图像，将第一训练图像和第二训练图像进行下发，对目标域下发第一训练图像和第二训练图像，对源域下发第一训练图像和第二训练图像，在目标域中，将第一训练图像为第一子转换模型的输入，以第二训练图像为期望输出，对第一子转换模型进行训练；在源域中，将第二训练图像为第二子转换模型的输入，以第一训练图像为期望输出，对第二子转换模型进行训练。
可选的，在目标域中，通过第一训练图像和第二训练图像对第一子转换模型训练，得到第一子转换模型的第一模型参数，在源域中，通过第二训练图像和第一训练图像对第二子转换模型训练，得到第二子转换模型的第二模型参数；目标域将第一模型参数进行上传，源域将第二模型参数进行上传，在接收到目标域的第一模型参数和源域的第二模型参数，通过第目标域的第一模型参数和源域的第二模型参数对第一子转换模型进行参数更新，以得到风格转换模型。
可选的，在本发明另一可选实施例中，所述根据所述第一转换参数和所述第二转换参数对所述第一子转换模型进行参数更新，包括：
根据所述第一模型参数和所述第二模型参数，确定更新模型参数；
向所述目标域下发所述更新模型参数，以使所述目标域根据所述更新模型参数对所述第一子转换模型进行参数更新。
其中，更新模型参数可以用于更新第一子转换模型和第二子转换模型的参数。更新模型参数可以是下发至目标域和源域的模型参数。
可选的，接收目标域上传的第一模型参数和源域上传第二模型参数，根据第一模型参数和第二模型参数进行参数平均计算，得到第一模型参数和第二模型参数的平均参数，将第一模型参数和第二模型参数的平均参数作为更新模型参数，并将更新模型参数下发至目标域和源域。
可选的，在目标域上传第一模型参数、源域上传第二模型参数时，根据预先设置的加密算法，分别将第一模型参数和第二模型参数进行加密，再进行上传，在接收到第一模型参数和第二模型参数后，根据第一模型参数和第二模型参数确定更新模型参数，将更新模型参数下发至目标域和源域中，目标域接收到更新模型参数，对更新模型参数进行解密，再根据解密后的更新模型参数更新第一子转换模型的模型参数。
具体的，接收目标域上传的第一模型参数和源域上传的第二模型参数，根据第一模型参数和第二模型参数确定更新模型参数，将更新模型参数下发至目标域中，目标域接收更新模型参数，通过更新模型参数对第一子转换模型进行模型更新，继续对第一子转换模型进行模型训练。
示例性的，初始转换模型可以是Cycle-GAN，在Cycle-GAN中，目标域为不具备专业识别模型的中小型医院，源域为具备专业识别模型的大型医院；以第一图像风格转换器为第一子转换模型，第二图像风格转换器为第二子转换模型，第一图像风格转换器对应设置第一判别器，第二图像风格转换器对应设置第二子转换器，在目标域中，通过第一训练图像和第二训练图像训练第一图像风格转换器，得到目标域的第一节点参数，在源域中，通过第一训练图像和第二训练图像训练第二图像风格转换器，得到源域的第二节点参数，将第一节点参数和第二节点参数上传至中心节点，对第一节点参数和第二节点参数进行优化处理，得到优化节点参数，并将优化节点参数下发至目标域中，更新第一图像风格转换器的网络参数，继续对第一图像风格转换器进行训练。
本发明实施例的技术方案通过分别获取所述目标域的第一训练图像和所述源域的第二训练图像；在联邦学习中直接使用目标域对应的第一训练图像和源域的第二训练图像进行风格转换模型的训练，有利于提高风格转换模型的模型性能，提高转换的准确率和效率。根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型。在联邦学习中，在目标域中针对源域进行模型训练，实现对每一个源域训练对应的风格转换模型，提高图像识别的精准度，减少图像识别的误差。实现了对风格转换模型的高效训练，提高了风格转换模型的性能，解决了现有技术中由于图像风格不同引发的图像识别准确率低的技术问题，满足了联邦学习中小医院图像识别的需求，同时提高目标识别模型的多样性，进一步提高了目标识别模型的性能。
可选的，图3是本发明实施例提供的另一种图像识别方法的流程图。其中，所述方法包括：
S310、构建联邦学习平台。在联邦学习中，以小医院为代表的医疗图像数据量较少、缺少专业的标注人员因此无法自主构建可用的模型的机构作为联邦学习平台的目标域；以大医院为代表的医疗图像数据量较多、有专业可用的模型的机构作为联邦学习平台的源域，以目标域为图像识别的发起方，源域为图像识别模型和数据的提供方，构建联邦学习平台。
S320、通过联邦学习训练风格转换模型。通过联邦学习平台分别对目标域和源域中的第一风格图像和第二风格图像进行图像预处理，对第一风格图像和第二风格图像进行重采样。其中，图像预处理包括随机翻转、归一化和尺寸变换中的至少一种。
进一步的，设置初始转换模型可以为Cycle-GAN，在Cycle-GAN中，目标域为中小型医院，源域为大型医院；以第一图像风格转换器为第一子转换模型，第二图像风格转换器为第二子转换模型，第一图像风格转换器对应设置第一判别器，第二图像风格转换器对应设置第二子转换器，在目标域中，通过第一训练图像和第二训练图像训练第一图像风格转换器，得到目标域的第一节点参数，在源域中，通过第一训练图像和第二训练图像训练第二图像风格转换器，得到源域的第二节点参数，根据预先设置的加密算法，分别将第一模型参数和第二模型参数进行加密，再进行上传，在接收到第一模型参数和第二模型参数后，根据第一模型参数和第二模型参数进行参数平均计算，得到第一模型参数和第二模型参数的平均参数，将第一模型参数和第二模型参数的平均参数作为更新模型参数，将更新模型参数下发至目标域和源域中，目标域接收到更新模型参数，对更新模型参数进行解密，再根据解密后的更新模型参数更新第一子转换模型的模型参数，得到优化节点参数，并将优化节点参数下发至目标域中，更新第一图像风格转换器的网络参数，继续对第一图像风格转换器进行训练。
S330、通过风格转换模型将目标域图像转换为源域风格的待识别图像。联邦学习平台请求使用目标域的风格转换模型，将目标域图像转换为源域风格的待识别图像。
S340、调用源域的目标识别模型，将源域风格的待识别图像作为输入，得到目标识别模型的目标识别结果。
联邦学习平台请求使用源域的目标识别模型，将源域风格的待识别图像输入至目标识别模型，得到目标识别模型的目标识别结果。
本发明实施例的技术方案能够通过联邦学习提高了图像流转识别的效率，解决了现有技术中直接使用图像识别模型性能差的技术问题，满足了联邦学习中小医院图像识别的需求，同时提高目标识别模型的多样性，进一步提高了目标识别模型的性能
实施例三
图4是本发明实施例三提供的一种图像识别装置的结构示意图。如图4所示，该装置包括：图像转换请求模块410、图像风格转换模块420和图像识别模块430，其中,
图像转换请求模块410，用于获取目标域的原始图像，确定所述目标域对应的源域；
图像风格转换模块420，用于基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；
图像识别模块430，用于请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果。
本发明实施例的技术方案通过获取目标域的原始图像，确定所述目标域对应的源域，在联邦学习识别时，确定目标域对应的源域，能够提高识别模型的性能，提高识别的效率；基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像，通过风格转换模型，将不同风格的图像直接转换为源域风格，能够提高识别图像的准确程度；请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果，通过源域的目标识别模型对源域风格的待识别图像进行图像识别，提高了图像识别的准确程度，并且通过联邦学习提高了图像流转识别的效率，解决了现有技术中直接使用图像识别模型性能差的技术问题，满足了联邦学习中小医院图像识别的需求，同时提高目标识别模型的多样性，进一步提高了目标识别模型的性能。
可选的，所述装置还包括：图像传输模块和模型训练模块；其中，
所述图像传输模块，用于分别获取所述目标域的第一训练图像和所述源域的第二训练图像；
所述模型训练模块，用于根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型。
可选的，所述模型训练模块具体用于：
所述风格转换模型基于联邦学习架构训练得到，所述初始转换模型包括在所述目标域建立的第一子转换模型和在所述源域建立的第二子转换模型。
可选的，所述模型训练模块具体还用于：
将所述第一训练图像和所述第二训练图像分别下发至所述目标域和所述源域，以使所述目标域基于所述第一训练图像和所述第二训练图像对第一子转换模型进行训练，所述源域基于所述第一训练图像和所述第二训练图像对第二子转换模型进行训练；
获取所述目标域的所述第一子转换模型第一模型参数和所述源域的所述第二模型参数；
根据所述第一转换参数和所述第二转换参数对所述第一子转换模型进行参数更新，以得到所述风格转换模型；
其中，所述第一子转换模型以所述第一训练图像为输入，以所述第二训练图像为期望输出；所述第二子转换模型以所述第二训练图像为输入，以所述第一训练图像为期望输出。
可选的，所述模型训练模块具体还用于：
根据所述第一模型参数和所述第二模型参数，确定更新模型参数；
向所述目标域下发所述更新模型参数，以使所述目标域根据所述更新模型参数对所述第一子转换模型进行参数更新。
可选的，所述图像传输模块具体用于：
分别接收所述目标域上传的第一风格图像和所述源域上传的第二风格图像；
对所述第一风格图像和所述第二风格图像进行图像预处理，确定所述第一训练图像和所述第二训练图像；其中，所述图像预处理包括随机翻转、归一化和尺寸变换中的至少一种。
可选的，所述图像传输模块具体还用于：
若所述第一风格图像和第二风格图像为医疗图像，则根据所述目标识别模型的参数输入条件对所述第一风格图像和所述第二风格图像进行重采样，确定所述第一训练图像和所述第二训练图像。
本发明实施例所提供的图像识别装置可执行本发明任意实施例所提供的图像识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像识别方法。
在一些实施例中，图像识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图像识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行图像识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
实施例五
本实施例提供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本发明任意实施例所提供的图像识别方法步骤，该方法包括：
获取目标域的原始图像，确定所述目标域对应的源域；
基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；
请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (7)
1.一种图像识别方法，其特征在于，应用于中心节点，所述方法包括：
获取目标域的原始图像，确定所述目标域对应的源域；
基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；
请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果；
在所述基于所述目标域中预先训练的与所述源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像之前，还包括：
分别获取所述目标域的第一训练图像和所述源域的第二训练图像；
根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型；
所述风格转换模型基于联邦学习架构训练得到，所述初始转换模型包括在所述目标域建立的第一子转换模型和在所述源域建立的第二子转换模型；
所述根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型，包括：
将所述第一训练图像和所述第二训练图像分别下发至所述目标域和所述源域，以使所述目标域基于所述第一训练图像和所述第二训练图像对第一子转换模型进行训练，所述源域基于所述第一训练图像和所述第二训练图像对第二子转换模型进行训练；
获取所述目标域的第一模型参数和所述源域的第二模型参数；
根据所述第一模型参数和所述第二模型参数对所述第一子转换模型进行参数更新，以得到所述风格转换模型；
其中，所述第一子转换模型以所述第一训练图像为输入，以所述第二训练图像为期望输出；所述第二子转换模型以所述第二训练图像为输入，以所述第一训练图像为期望输出。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一模型参数和所述第一模型参数对所述第一子转换模型进行参数更新，包括：
根据所述第一模型参数和所述第二模型参数，确定更新模型参数；
向所述目标域下发所述更新模型参数，以使所述目标域根据所述更新模型参数对所述第一子转换模型进行参数更新。
3.根据权利要求1所述的方法，其特征在于，所述分别获取所述目标域的第一训练图像和所述源域的第二训练图像，包括：
分别接收所述目标域上传的第一风格图像和所述源域上传的第二风格图像；
对所述第一风格图像和所述第二风格图像进行图像预处理，确定所述第一训练图像和所述第二训练图像；其中，所述图像预处理包括随机翻转、归一化和尺寸变换中的至少一种。
4.根据权利要求3所述的方法，其特征在于，所述对所述第一风格图像和所述第二风格图像进行图像预处理，确定所述第一训练图像和所述第二训练图像，包括：
若所述第一风格图像和第二风格图像为医疗图像，则根据所述目标识别模型的参数输入条件对所述第一风格图像和所述第二风格图像进行重采样，确定所述第一训练图像和所述第二训练图像。
5.一种图像识别装置，其特征在于，应用于中心节点，所述装置包括：
图像转换请求模块，用于获取目标域的原始图像，确定所述目标域对应的源域；
图像风格转换模块，用于基于目标域预先训练与源域对应的风格转换模型对所述原始图像进行风格转换，确定待识别图像；
图像识别模块，用于请求所述源域的目标识别模型，根据所述目标识别模型对所述待识别图像进行图像识别，确定图像识别结果；
所述装置还包括：图像传输模块和模型训练模块；
所述图像传输模块，用于分别获取所述目标域的第一训练图像和所述源域的第二训练图像；
所述模型训练模块，用于根据所述第一训练图像和所述第二训练图像对所述目标域的初始转换模型进行训练，得到所述风格转换模型；
所述模型训练模块具体用于：
所述风格转换模型基于联邦学习架构训练得到，所述初始转换模型包括在所述目标域建立的第一子转换模型和在所述源域建立的第二子转换模型；
所述模型训练模块具体还用于：
将所述第一训练图像和所述第二训练图像分别下发至所述目标域和所述源域，以使所述目标域基于所述第一训练图像和所述第二训练图像对第一子转换模型进行训练，所述源域基于所述第一训练图像和所述第二训练图像对第二子转换模型进行训练；
获取所述目标域的第一模型参数和所述源域的第二模型参数；
根据所述第一模型参数和所述第二模型参数对所述第一子转换模型进行参数更新，以得到所述风格转换模型；
其中，所述第一子转换模型以所述第一训练图像为输入，以所述第二训练图像为期望输出；所述第二子转换模型以所述第二训练图像为输入，以所述第一训练图像为期望输出。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4任一所述的图像识别方法。
7.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4任一所述的图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545624.0A CN116258720B (zh) | 2023-05-16 | 2023-05-16 | 图像识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545624.0A CN116258720B (zh) | 2023-05-16 | 2023-05-16 | 图像识别方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116258720A CN116258720A (zh) | 2023-06-13 |
| CN116258720B true CN116258720B (zh) | 2023-08-18 |
Family
ID=86686531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310545624.0A Active CN116258720B (zh) | 2023-05-16 | 2023-05-16 | 图像识别方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258720B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN111161132A (zh) * | 2019-11-15 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 用于图像风格转换的系统和方法 |
| CN113723457A (zh) * | 2021-07-28 | 2021-11-30 | 浙江大华技术股份有限公司 | 图像识别方法和装置、存储介质及电子装置 |
| CN114037989A (zh) * | 2021-11-03 | 2022-02-11 | 北京科技大学 | 一种基于联邦学习与风格迁移的图像分割方法及装置 |
| CN114463586A (zh) * | 2022-01-30 | 2022-05-10 | 中国农业银行股份有限公司 | 图像识别模型的训练与图像识别方法、装置、设备和介质 |
| CN115701868A (zh) * | 2022-08-22 | 2023-02-14 | 中山大学中山眼科中心 | 一种适用多种视觉任务的领域自适应增强方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11010637B2 (en) * | 2019-01-03 | 2021-05-18 | International Business Machines Corporation | Generative adversarial network employed for decentralized and confidential AI training |
| US11669729B2 (en) * | 2019-09-27 | 2023-06-06 | Canon Medical Systems Corporation | Model training method and apparatus |
-
2023
- 2023-05-16 CN CN202310545624.0A patent/CN116258720B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN111161132A (zh) * | 2019-11-15 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 用于图像风格转换的系统和方法 |
| CN113723457A (zh) * | 2021-07-28 | 2021-11-30 | 浙江大华技术股份有限公司 | 图像识别方法和装置、存储介质及电子装置 |
| CN114037989A (zh) * | 2021-11-03 | 2022-02-11 | 北京科技大学 | 一种基于联邦学习与风格迁移的图像分割方法及装置 |
| CN114463586A (zh) * | 2022-01-30 | 2022-05-10 | 中国农业银行股份有限公司 | 图像识别模型的训练与图像识别方法、装置、设备和介质 |
| CN115701868A (zh) * | 2022-08-22 | 2023-02-14 | 中山大学中山眼科中心 | 一种适用多种视觉任务的领域自适应增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于自标注在线顺序极速学习机的图像识别方法;魏涛;季新生;;《计算机工程》;第42卷(第06期);第208-217页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116258720A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108427939B (zh) | 模型生成方法和装置 | |
| WO2020087974A1 (zh) | 生成模型的方法和装置 | |
| US11436863B2 (en) | Method and apparatus for outputting data | |
| JP2022058915A (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| CN107609506B (zh) | 用于生成图像的方法和装置 | |
| WO2020062493A1 (zh) | 图像处理方法和装置 | |
| US10970938B2 (en) | Method and apparatus for generating 3D information | |
| CN110232411B (zh) | 模型蒸馏实现方法、装置、系统、计算机设备及存储介质 | |
| CN111061881A (zh) | 文本分类方法、设备及存储介质 | |
| WO2023015935A1 (zh) | 一种体检项目推荐方法、装置、设备及介质 | |
| WO2022012179A1 (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
| CN111159220B (zh) | 用于输出结构化查询语句的方法和装置 | |
| CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
| US20230297557A1 (en) | Method for monitoring a state of an external data source, device, and medium | |
| CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN112101257B (zh) | 训练样本生成方法、图像处理方法、装置、设备和介质 | |
| CN113468344A (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
| CN113592033A (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
| CN110046670B (zh) | 特征向量降维方法和装置 | |
| CN116258720B (zh) | 图像识别方法、装置、电子设备和存储介质 | |
| CN111753996A (zh) | 一种方案确定模型的优化方法、装置、设备及存储介质 | |
| US20220327803A1 (en) | Method of recognizing object, electronic device and storage medium | |
| US20220351495A1 (en) | Method for matching image feature point, electronic device and storage medium | |
| CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
| CN115439916A (zh) | 面部识别方法、装置、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |