CN116863522A - 痤疮分级方法、装置、设备及介质 - Google Patents
痤疮分级方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116863522A CN116863522A CN202310795157.7A CN202310795157A CN116863522A CN 116863522 A CN116863522 A CN 116863522A CN 202310795157 A CN202310795157 A CN 202310795157A CN 116863522 A CN116863522 A CN 116863522A
- Authority
- CN
- China
- Prior art keywords
- acne
- training
- grade
- type
- sample
- 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
- 206010000496 acne Diseases 0.000 title claims abstract description 563
- 208000002874 Acne Vulgaris Diseases 0.000 title claims abstract description 554
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 230000001815 facial effect Effects 0.000 claims abstract description 68
- 208000020154 Acnes Diseases 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 167
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 14
- 206010011732 Cyst Diseases 0.000 claims description 10
- 208000031513 cyst Diseases 0.000 claims description 10
- 206010037888 Rash pustular Diseases 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 208000029561 pustule Diseases 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 2
- 206010033733 Papule Diseases 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能与医疗健康领域,公开了一种痤疮分级方法、装置、设备及介质,方法包括:获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。
Description
技术领域
本发明涉及人工智能及医疗健康领域,尤其涉及一种痤疮分级方法、装置、设备及介质。
背景技术
痤疮是一种常见的皮肤病,大多数发生于青春期,据国外相关调查显示发病率高达82.9%,有些若不及时治疗,容易造成感染,还会留下疤痕和色斑,严重影响面部的美观。以往对于痤疮的识别诊断主要基于医生的工作经验,主观性较强,医生的工作经验不同,对于同一个患者的痤疮的严重程度,只能做一个粗略的评估,难以对患者做精细化的管理和治疗。
因此,需要一种可以实现对痤疮的痤疮等级进行客观评估的方法,来辅助医生对患者进行相关治疗和管理。
发明内容
本发明实施例提供了一种痤疮分级方法、装置、设备及介质,实现了对痤疮的分级,使得痤疮等级更加客观,更加准确。
第一方面,本发明实施例提供了一种痤疮分级方法,方法包括:
获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;
通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;
通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
第二方面,本发明实施例还提供了一种痤疮分级装置,装置包括:
面部图像获取模块,用于获取目标用户的面部图像,其中,所述面部图像包括痤疮;
通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;
通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明任一项实施例中所述方法的步骤。
第四方面,本发明实施例还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,所述计算机程序被处理器执行时实现如本发明任一项实施例中所述方法的步骤。
上述痤疮分级方法、装置、设备及介质所实现的方案中,可以通过客户端获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级,并将痤疮等级发送至客户端。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中痤疮分级方法的应用环境示意图;
图2是本发明一实施例中痤疮分级方法的流程示意图;
图3是本发明一实施例中痤疮分级装置的结构示意图;
图4是本发明一实施例中计算机设备的一结构示意图;
图5是本发明一实施例中计算机设备的另一结构示意图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的痤疮分级方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务端进行通信。服务端可以通过客户端获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级,并将痤疮等级发送至客户端。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。其中,客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示,图2为本发明实施例提供的痤疮分级方法的一个流程示意图,包括如下步骤:
S110、获取目标用户的面部图像。
其中,面部图像包括痤疮对应的图像。预先对目标用户进行面部的拍摄,得到面部图像,面部图像可以存储在计算机、服务器或者移动终端上,以便后续获取使用。
具体的,获取目标用户的面部图像,以便后续进行面部图像的处理,得到痤疮等级。可选的,面部图像可以是局部的,也可以是全部的,比如,下巴位置有痤疮,则面部图像为局部图像。还比如,可以是全脸的面部图像的获取。
S120、通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量。
其中,检测模型是指预先训练的,检测模型用于对面部图像进行检测,得到痤疮类型和痤疮类型对应的痤疮数量。其中,痤疮类型包括粉刺类型、丘疹类型、脓疱类型以及囊肿类型等。
具体的,通过检测模型,对面部图像进行检测,得到面部图像中的痤疮类型和痤疮类型对应的痤疮数量。通过本步骤实现对目标用户的痤疮类型和痤疮类型对应的痤疮数量的确定,为后续基于痤疮类型和痤疮类型的痤疮数量的处理,做准备工作。
S130、通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
其中,痤疮等级可以根据具体情况进行设置,示例性的,本发明实施例中,痤疮等级从大到小依次为一级、二级、三级以及四级。
具体的,通过分级模型,对痤疮类型和痤疮类型对应的痤疮数量进行分级处理,得到目标用户的痤疮等级,实现了根据面部图像中的痤疮类型和痤疮类型对应的数量,得到痤疮等级,不需要根据医生的经验,使得痤疮等级的划分更加客观,准确度更高。
本发明实施例的技术方案,通过客户端获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级,并将痤疮等级发送至客户端。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。
在另一本发明实施例中,所述检测模型的训练步骤,包括:获取第一训练样本集,其中,所述第一训练样本集包括各第一样本图像,每个所述第一样本图像携带有样本标签,所述样本标签包括样本痤疮类型和样本痤疮数量;通过第一初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果,其中,所述预测结果包括预测痤疮类型和预测痤疮数量;根据每个预测结果以及与每个所述预测结果对应的样本标签,得到第一损失值;基于所述第一损失值调整所述第一初始模型的模型参数;跳转到所述通过所述第一初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果的步骤继续执行;在第一损失值满足训练条件的情况下,完成所述第一初始模型的训练,将训练完成的所述第一初始模型,作为所述检测模型。
其中,训练条件可以包括第一损失值小于预设误差阈值或者第一损失值在预设误差范围内。第一初始模型可以是指基于掩码区域的卷积神经网络(Mask Region-basedConvolution Neural Networks,Mask R-CNN)网络模型,也可以是基于Mask R-CNN网络模型进行优化得到的优化模型,比如,将Mask R-CNN网络模型的主干网络部分改为通用骨干网络摆动变换器swin transformer网络,使得特征提取能力更强,进而使得第一初始模型在训练的过程中,主干网络提取的面部图像的特征更加全面丰富,使得后续得到的预测痤疮类型和预测痤疮数量更加准确。损失函数可以为归一化距离
其中,Na为边界框a的高斯分布,Nb为边界框b的高斯分布,边界框是指痤疮检测框的边界框,边界框a和边界框b是指两个相邻的边界框,C为常量。W2 2为二阶距离。当然,该损失函数只是一种示例,本发明实施例对损失函数不做具体限定。exp是高等数学中以自然常数e为底的指数函数。
本发明实施例中,通过第一初始模型,对每个第一样本图像进行检测,得到每个第一样本图像的预测痤疮类型和预测痤疮数量,基于预测痤疮数量和相对应的样本痤疮类型,预测痤疮数量和相对应的样本痤疮数量,得到第一损失值,基于第一损失值调整第一初始模型的模型参数,并跳转到通过第一初始模型,对每个第一样本图像进行检测,得到每个第一样本图像的预测结果的步骤继续执行,直到第一损失值满足训练条件的情况下,完成第一初始模型的训练,将训练完成的第一初始模型,作为检测模型,实现对第一初始模型的训练。
在另一本发明实施例中,所述根据每个预测结果以及与每个所述预测结果对应的样本标签,得到第一损失值,包括:将每个所述预测痤疮类型以及与所述预测痤疮类型对应的样本痤疮类型进行误差计算,得到第一子损失值;将每个所述痤疮类型对应的预测痤疮数量以及与所述预测痤疮数量对应的样本痤疮数量进行误差计算,得到第二子损失值;对每个所述第一样本图像对应的所述第一子损失值和所述第二子损失值进行计算,得到所述第一损失值。
本发明实施例中,根据每个预测痤疮类型和预测痤疮类型对应的样本痤疮类型进行误差计算,得到第一子损失值,根据每个预测痤疮类型对应的预测痤疮数量和预测痤疮数量对应的样本痤疮数量进行误差计算,得到第二子损失值,计算第一损失值的方式,可以通过将预测痤疮类型和样本痤疮类型分别以向量形式,得到预测痤疮类型向量和样本痤疮类型向量,将预测痤疮类型向量和样本痤疮类型向量进行第一损失值计算,得到第一子损失值,相应的,第二子损失值也可以用相同的方式计算。基于每个第一样本图像的第一子损失值和第二子损失值得到第一损失值的方式,可以是将每个第一样本图像的第一子损失值和第二子损失值进行加权求和,得到每个第一样本图像的样本第一损失值,进而基于每个第一样本图像的样本第一损失值的均值,得到第一损失值,当然,本发明实施例的第一损失值的确定只是一种示例,不做具体限定。通过本发明实施例的方案,实现了第一损失值的确定,通过第一子损失值和第二子损失值的加权求和,使得最终得到的第一损失值更加准确。
示例性的,第一初始模型包括初始特征提取单元、初始检测框提取单元以及初始输出单元,通过初始特征提取单元,对第一样本图像进行特征提取,得到各样本痤疮特征向量,通过初始检测框提取单元,对每个样本痤疮特征向量进行痤疮检测框的提取,得到每个样本痤疮检测框坐标以及样本痤疮检测框对应的预测痤疮类型的置信度,通过初始输出单元,对样本痤疮检测框、样本痤疮检测框对应的预测痤疮类型的置信度进行处理,得到第一样本图像的至少一个预测痤疮类型以及与预测痤疮类型对应的预测痤疮数量。
比如,初始特征提取单元可以为swin transformer网络单元,初始检测框提取单元可以为区域选取(Region Proposal Network,RPN),初始输出单元可以为全连接层单元。
在另一本发明实施例中,所述通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量,包括:通过所述检测模型中特征提取单元,对所述面部图像进行特征提取,分别得到各痤疮特征向量;通过所述检测模型中的检测框提取单元,对每个所述痤疮特征向量进行痤疮检测框的提取,得到每个痤疮检测框坐标以及所述痤疮检测框对应的痤疮类型的置信度;通过所述检测模型中输出单元,对所述痤疮检测框、所述痤疮检测框对应的痤疮类型的置信度进行处理,得到所述面部图像的得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量。
其中,检测模型包括特征提取单元、检测框提取单元以及输出单元。
具体的,通过检测框提取单元,对面部图像进行特征提取,得到各痤疮特征向量,通过检测框提取单元,对每个痤疮特征向量进行痤疮检测框的提取,得到每个痤疮检测框坐标以及痤疮检测框对应的痤疮类型的置信度,通过输出单元,对痤疮检测框、痤疮检测框对应的痤疮类型的置信度进行处理,得到面部图像的至少一个痤疮类型和痤疮类型对应的痤疮数量。本发明实施例的技术方案实现了对痤疮类型和痤疮类型对应的痤疮数量的确定,使得面部图像中的痤疮类型和痤疮类型对应的痤疮数量确定的准确度得以提高。
在另一本发明实施例中,所述分级模型的训练步骤,包括:获取训练样本集,其中,所述训练样本集包括多个训练样本,每个所述训练样本包括至少一个标准痤疮类型以及所述标准痤疮类型的痤疮的数量,并且所述训练样本携带有对应的标准痤疮等级;通过第二初始模型,对每个所述训练样本进行痤疮等级的分级处理,得到各预测痤疮等级;根据每个预测痤疮等级以及与每个所述预测痤疮等级对应的标准痤疮等级,得到第二损失值;基于所述第二损失值调整所述第二初始模型的模型参数;跳转到所述通过所述第二初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果的步骤继续执行;在所述第二损失值满足训练条件的情况下,完成第二初始模型的训练,将训练完成的所述第二初始模型,作为所述分级模型。
其中,训练样本集包括多个训练样本,训练样本包括至少一个标准痤疮类型以及标准痤疮类型的痤疮数量,并且所述训练样本携带有对应的标准痤疮等级,本发明实施例中的训练样本可以是向量形式表示。第二初始模型包括但不限于翻极端梯度提升(XtremeGradient Boosting,XGBoost),支持向量机(support vector machines,SVM)、前馈神经网络模型(Multilayer Perceptron,MLP)算法等。
本发明实施例中,通过第二初始模型,对每个训练样本进行痤疮等级的分级处理,得到各个预测痤疮等级,根据每个预测痤疮等级以及每个预测痤疮等级对应的标准痤疮等级,得到第二损失值,基于第二损失值调整第二初始模型的模型参数。之后,调整到通过第二初始模型,对每个训练样本进行痤疮等级的分级处理,得到各预测痤疮等级的步骤继续执行,在第二损失值满足训练条件的情况下,完成第二初始模型的训练,将训练完成的第二初始模型,作为分级模型,本发明实施例实现了对第二初始模型的训练,使得分级模型处理数据更加准确。
在另一本发明实施例中,所述痤疮类型的取值范围包括粉刺类型、丘疹类型、脓疱类型以及囊肿类型,所述痤疮等级从低到高依次为一级、二级、三级以及四级;所述训练样本的样本痤疮等级的设置步骤,包括:若所述训练样本仅包括一种训练痤疮类型,则将所述训练痤疮类型对应的初始痤疮等级,作为所述训练样本对应的训练痤疮等级;若所述训练样本包括多种训练痤疮类型,则根据各所述训练痤疮类型对应的初始痤疮等级以及每种训练痤疮类型对应的痤疮数量,从各所述训练痤疮类型的训练痤疮等级中,确定所述训练样本对应的训练痤疮等级。
其中,对于每种痤疮类型对应的初始痤疮等级进行设置,比如,粉刺类型对应的初始痤疮等级为一级,丘疹类型对应的初始痤疮等级为二级,脓包类型对应的初始痤疮等级为三级,囊肿类型对应的初始痤疮等级为四级。当然,本发明实施例中的痤疮类型对应的初始痤疮等级只是一种示例,痤疮类型对应的初始痤疮等级可以根据实际情况进行设置,本发明实施例不做具体限定。
本发明实施例中,对训练样本对应的训练痤疮等级进行了设置,在训练样本仅包括一种训练痤疮类型的情况下,将训练痤疮类型对应的初始痤疮等级,作为训练样本的训练痤疮等级,若训练样本包括多种训练痤疮类型,则根据训练痤疮性对应的初始痤疮等级以及每种训练痤疮类型对应的痤疮数量,确定训练样本的训练痤疮等级。本发明实施例考虑到面部可能出现不同的痤疮类型,所以,在进行第二初始模型的训练时,训练样本设置了各种痤疮类型的情况,使得第二初始模型训练的更加完全,进而使得得到的分级模型可以对痤疮类型和痤疮类型对应的痤疮数量进行处理,得到更加准确的、客观的痤疮等级。
在另一本发明实施例中,所述根据各所述训练痤疮类型对应的初始痤疮等级以及每种训练痤疮类型对应的痤疮数量,从各所述训练痤疮类型的训练痤疮等级中,确定所述训练样本对应的训练痤疮等级,包括:将最高的所述初始痤疮等级作为待分析痤疮等级;判断所述待分析痤疮等级对应的痤疮数量,是否满足所述待分析痤疮等级的数量要求;若所述待分析痤疮等级对应的痤疮数量,满足所述待分析痤疮等级的数量要求,则将所述待分析初始痤疮等级作为所述训练样本对应的训练痤疮等级;若所述待分析痤疮等级对应的痤疮数量,不满足所述待分析痤疮等级的数量要求,则将所述待分析痤疮等级的下一个等级的初始痤疮等级,作为新的待分析痤疮等级,并判断所述新的待分析痤疮等级是否满足所述新的待分析痤疮等级的数量要求,或者所述新的待分析痤疮等级是否为所述训练样本的各所述初始痤疮等级中的最低等级;若所述新的待分析痤疮等级对应的痤疮数量,满足所述新的待分析痤疮等级的数量要求或者所述新的待分析痤疮等级为所述训练样本的各所述初始痤疮等级中的最低等级,则将所述新的待分析痤疮等级作为所述训练痤疮等级。
其中,将所述待分析痤疮等级的下一个等级的初始痤疮等级,作为新的待分析痤疮等级,是指将待分析痤疮等级的下一个低等级的初始痤疮等级,作为新的待分析痤疮等级。
本发明实施例中,对训练样本包括多种训练痤疮类型的情况下,确定训练样本的训练痤疮等级进行了设置,具体的,各训练痤疮类型对应的初始痤疮等级中,最高的初始痤疮等级,作为待分析痤疮等级,之后,在待分析痤疮等级对应的痤疮数量,满足待分析痤疮等级的数量要求,将待分析痤疮等级作为训练痤疮等级,若是不满足待分析痤疮等级的数量要求,则将当前的待分析痤疮等级的下一个等级的初始痤疮等级,作为新的待分析痤疮等级,并判断新的待分析痤疮等级是否满足新的待分析痤疮等级的数量要求,或者新的待分析痤疮等级是否为训练样本的各初始痤疮等级中的最低等级,若是满足新的待分析痤疮等级的数量要求或者新的待分析痤疮等级为训练样本中各初始痤疮等级中的最低等级,则将新的待分析痤疮等级作为训练痤疮等级。通过本发明实施例的方案,实现了在训练样本包括多个训练痤疮类型的情况下,可以确定训练样本的训练痤疮等级,这样,通过这些训练样本训练第二初始模型,使得二初始模型训练结束后,得到的分级模型更加精准,进而使得分级模型可以应对各种痤疮类型和痤疮类型对应的痤疮数量,得到的痤疮等级更加精准。
示例性的,训练样本的训练痤疮类型包括粉刺类型、丘疹类型和囊肿类型,每种训练痤疮类型的痤疮数量依次为10个、11个以及5个,每种训练痤疮类型的痤疮数量的数量要求依次为20个、20以及6个。在进行训练样本的训练痤疮等级的设置时,首先判断囊肿类型的痤疮数量是否满足囊肿类型的数量要求,囊肿类型的痤疮数量不满足囊肿类型的数量要求,之后,判断丘疹类型的痤疮数量是否满足丘疹类型的数量要求或者是否为训练样本的各初始痤疮等级中的最低等级,丘疹类型的痤疮数量不满足丘疹类型的数量要求,也不是最低等级,因此,判断粉刺类型的痤疮数量是否满足粉刺类型的数量要求或者是否为训练样本的各初始痤疮等级中的最低等级,粉刺类型为训练样本的各初始痤疮等级中的最低等级,因此,将粉刺类型的初始痤疮等级作为训练样本的训练痤疮等级。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种痤疮分级装置,该痤疮分级装置与上述实施例中痤疮分级方法一一对应。如图3所示,该痤疮分级装置包括面部图像获取模块410、面部图像的检测模块420和痤疮等级分级模块430。各功能模块详细说明如下:
面部图像获取模块410,用于获取目标用户的面部图像,其中,所述面部图像包括痤疮;面部图像的检测模块420,用于通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;痤疮等级分级模块430,用于通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
在另一本发明实施例中,装置还包括:
第一训练模块,用于获取第一训练样本集,其中,所述第一训练样本集包括各第一样本图像,每个所述第一样本图像携带有样本标签,所述样本标签包括样本痤疮类型和样本痤疮数量;通过第一初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果,其中,所述预测结果包括预测痤疮类型和预测痤疮数量;根据每个预测结果以及与每个所述预测结果对应的样本标签,得到第一损失值;基于所述第一损失值调整所述第一初始模型的模型参数;跳转到所述通过所述第一初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果的步骤继续执行;在第一损失值满足训练条件的情况下,完成所述第一初始模型的训练,将训练完成的所述第一初始模型,作为所述检测模型。
在另一本发明实施例中,第一训练模块还用于:
将每个所述预测痤疮类型以及与所述预测痤疮类型对应的样本痤疮类型进行误差计算,得到第一子损失值;将每个所述痤疮类型对应的预测痤疮数量以及与所述预测痤疮数量对应的样本痤疮数量进行误差计算,得到第二子损失值;对每个所述第一样本图像对应的所述第一子损失值和所述第二子损失值进行计算,得到所述第一损失值。
在另一本发明实施例中,面部图像的检测模块420还用于:
通过所述检测模型中特征提取单元,对所述面部图像进行特征提取,分别得到各痤疮特征向量;
通过所述检测模型中的检测框提取单元,对每个所述痤疮特征向量进行痤疮检测框的提取,得到每个痤疮检测框坐标以及所述痤疮检测框对应的痤疮类型的置信度;
通过所述检测模型中输出单元,对所述痤疮检测框、所述痤疮检测框对应的痤疮类型的置信度进行处理,得到所述面部图像的得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量。
在另一本发明实施例中,装置还包括:
第二训练模块,用于获取训练样本集,其中,所述训练样本集包括多个训练样本,每个所述训练样本包括至少一个标准痤疮类型以及所述标准痤疮类型的痤疮的数量,并且所述训练样本携带有对应的标准痤疮等级;通过第二初始模型,对每个所述训练样本进行痤疮等级的分级处理,得到各预测痤疮等级;根据每个预测痤疮等级以及与每个所述预测痤疮等级对应的标准痤疮等级,得到第二损失值;基于所述第二损失值调整所述第二初始模型的模型参数;跳转到所述通过所述第二初始模型,对每个所述训练样本进行痤疮等级的分级处理,得到各预测痤疮等级的步骤继续执行;在所述第二损失值满足训练条件的情况下,完成第二初始模型的训练,将训练完成的所述第二初始模型,作为所述分级模型。
在另一本发明实施例中,所述痤疮类型的取值范围包括粉刺类型、丘疹类型、脓疱类型以及囊肿类型,所述痤疮等级从低到高依次为一级、二级、三级以及四级;
样本痤疮等级的设置模块,用于若所述训练样本仅包括一种训练痤疮类型,则将所述训练痤疮类型对应的初始痤疮等级,作为所述训练样本对应的训练痤疮等级;若所述训练样本包括多种训练痤疮类型,则根据各所述训练痤疮类型对应的初始痤疮等级以及每种训练痤疮类型对应的痤疮数量,从各所述训练痤疮类型的训练痤疮等级中,确定所述训练样本对应的训练痤疮等级。
在另一本发明实施例中,样本痤疮等级的设置模块还用于:
将最高的所述初始痤疮等级作为待分析痤疮等级;判断所述待分析痤疮等级对应的痤疮数量,是否满足所述待分析痤疮等级的数量要求;若所述待分析痤疮等级对应的痤疮数量,满足所述待分析痤疮等级的数量要求,则将所述待分析初始痤疮等级作为所述训练样本对应的训练痤疮等级;若所述待分析痤疮等级对应的痤疮数量,不满足所述待分析痤疮等级的数量要求,则将所述待分析痤疮等级的下一个等级的初始痤疮等级,作为新的待分析痤疮等级,并判断所述新的待分析痤疮等级是否满足所述新的待分析痤疮等级的数量要求,或者所述新的待分析痤疮等级是否为所述训练样本的各所述初始痤疮等级中的最低等级;若所述新的待分析痤疮等级对应的痤疮数量,满足所述新的待分析痤疮等级的数量要求或者所述新的待分析痤疮等级为所述训练样本的各所述初始痤疮等级中的最低等级,则将所述新的待分析痤疮等级作为所述训练痤疮等级。
本发明提供了一种痤疮分级装置,通过获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。
关于痤疮分级装置的具体限定可以参见上文中对于痤疮分级方法的限定,在此不再赘述。上述痤疮分级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服务端,其内部结构图可以如图4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、网络接口和数据库。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和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种痤疮分级方法服务端侧的功能或步骤。
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客户端,其内部结构图可以如图5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、网络接口、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。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种痤疮分级方法客户端侧的功能或步骤。
在一个实施例中,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,处理器执行计算机程序时实现以下步骤:
获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;
通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;
通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
本发明实施例的计算机设备,处理器执行计算机程序时可以实现获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。
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:
获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;
通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;
通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
本发明实施例的计算机可读存储介质,计算机程序被处理器执行可以实现获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。本发明实施例的技术方案,实现了对目标用户的面部图像的分析,得到目标用户的痤疮等级,使得痤疮等级不依赖于医生的经验,使得痤疮等级的划分更加客观准确。
需要说明的是,上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中,服务端侧以及客户端侧的相关描述,为避免重复,这里不再一一描述。
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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种痤疮分级方法,其特征在于,包括:
获取目标用户的面部图像,其中,所述面部图像包括痤疮对应的图像;
通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;
通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
2.根据权利要求1所述的痤疮分级方法,其特征在于,所述检测模型的训练步骤,包括:
获取第一训练样本集,其中,所述第一训练样本集包括各第一样本图像,每个所述第一样本图像携带有样本标签,所述样本标签包括样本痤疮类型和样本痤疮数量;
通过第一初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果,其中,所述预测结果包括预测痤疮类型和预测痤疮数量;
根据每个预测结果以及与每个所述预测结果对应的样本标签,得到第一损失值;
基于所述第一损失值调整所述第一初始模型的模型参数;
跳转到所述通过所述第一初始模型,对每个所述第一样本图像进行检测,得到每个所述第一样本图像的预测结果的步骤继续执行;
在第一损失值满足训练条件的情况下,完成所述第一初始模型的训练,将训练完成的所述第一初始模型,作为所述检测模型。
3.根据权利要求2所述的痤疮分级方法,其特征在于,所述根据每个预测结果以及与每个所述预测结果对应的样本标签,得到第一损失值,包括:
将每个所述预测痤疮类型以及与所述预测痤疮类型对应的样本痤疮类型进行误差计算,得到第一子损失值;
将每个所述痤疮类型对应的预测痤疮数量以及与所述预测痤疮数量对应的样本痤疮数量进行误差计算,得到第二子损失值;
对每个所述第一样本图像对应的所述第一子损失值和所述第二子损失值进行计算,得到所述第一损失值。
4.根据权利要求2所述的痤疮分级方法,其特征在于,所述通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量,包括:
通过所述检测模型中特征提取单元,对所述面部图像进行特征提取,分别得到各痤疮特征向量;
通过所述检测模型中的检测框提取单元,对每个所述痤疮特征向量进行痤疮检测框的提取,得到每个痤疮检测框坐标以及所述痤疮检测框对应的痤疮类型的置信度;
通过所述检测模型中输出单元,对所述痤疮检测框、所述痤疮检测框对应的痤疮类型的置信度进行处理,得到所述面部图像的得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量。
5.根据权利要求1所述的痤疮分级方法,其特征在于,所述分级模型的训练步骤,包括:
获取训练样本集,其中,所述训练样本集包括多个训练样本,每个所述训练样本包括至少一个标准痤疮类型以及所述标准痤疮类型的痤疮的数量,并且所述训练样本携带有对应的标准痤疮等级;
通过第二初始模型,对每个所述训练样本进行痤疮等级的分级处理,得到各预测痤疮等级;
根据每个预测痤疮等级以及与每个所述预测痤疮等级对应的标准痤疮等级,得到第二损失值;
基于所述第二损失值调整所述第二初始模型的模型参数;
跳转到所述通过所述第二初始模型,对每个所述训练样本进行痤疮等级的分级处理,得到各预测痤疮等级的步骤继续执行;
在所述第二损失值满足训练条件的情况下,完成第二初始模型的训练,将训练完成的所述第二初始模型,作为所述分级模型。
6.根据权利要求5所述的痤疮分级方法,其特征在于,所述痤疮类型的取值范围包括粉刺类型、丘疹类型、脓疱类型以及囊肿类型,所述痤疮等级从低到高依次为一级、二级、三级以及四级;
所述训练样本的样本痤疮等级的设置步骤,包括:
若所述训练样本仅包括一种训练痤疮类型,则将所述训练痤疮类型对应的初始痤疮等级,作为所述训练样本对应的训练痤疮等级;
若所述训练样本包括多种训练痤疮类型,则根据各所述训练痤疮类型对应的初始痤疮等级以及每种训练痤疮类型对应的痤疮数量,从各所述训练痤疮类型的训练痤疮等级中,确定所述训练样本对应的训练痤疮等级。
7.根据权利要求6所述的痤疮分级方法,其特征在于,所述根据各所述训练痤疮类型对应的初始痤疮等级以及每种训练痤疮类型对应的痤疮数量,从各所述训练痤疮类型的训练痤疮等级中,确定所述训练样本对应的训练痤疮等级,包括:
将最高的所述初始痤疮等级作为待分析痤疮等级;
判断所述待分析痤疮等级对应的痤疮数量,是否满足所述待分析痤疮等级的数量要求;
若所述待分析痤疮等级对应的痤疮数量,满足所述待分析痤疮等级的数量要求,则将所述待分析初始痤疮等级作为所述训练样本对应的训练痤疮等级;
若所述待分析痤疮等级对应的痤疮数量,不满足所述待分析痤疮等级的数量要求,则将所述待分析痤疮等级的下一个等级的初始痤疮等级,作为新的待分析痤疮等级,并判断所述新的待分析痤疮等级是否满足所述新的待分析痤疮等级的数量要求,或者所述新的待分析痤疮等级是否为所述训练样本的各所述初始痤疮等级中的最低等级;
若所述新的待分析痤疮等级对应的痤疮数量,满足所述新的待分析痤疮等级的数量要求或者
所述新的待分析痤疮等级为所述训练样本的各所述初始痤疮等级中的最低等级,则将所述新的待分析痤疮等级作为所述训练痤疮等级。
8.一种痤疮分级装置,其特征在于,包括:
面部图像获取模块,用于获取目标用户的面部图像,其中,所述面部图像包括痤疮;
面部图像的检测模块,用于通过预训练的检测模型,对所述面部图像进行检测,得到至少一个痤疮类型以及与所述痤疮类型对应的痤疮数量;
痤疮等级分级模块,用于通过预训练的分级模型,对所述痤疮类型和所述痤疮类型对应的痤疮数量进行分级处理,得到所述目标用户的痤疮等级。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310795157.7A CN116863522A (zh) | 2023-06-30 | 2023-06-30 | 痤疮分级方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310795157.7A CN116863522A (zh) | 2023-06-30 | 2023-06-30 | 痤疮分级方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863522A true CN116863522A (zh) | 2023-10-10 |
Family
ID=88222757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310795157.7A Pending CN116863522A (zh) | 2023-06-30 | 2023-06-30 | 痤疮分级方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863522A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351307A (zh) * | 2023-12-06 | 2024-01-05 | 深圳市宗匠科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN117392484A (zh) * | 2023-12-06 | 2024-01-12 | 深圳市宗匠科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN117649683A (zh) * | 2024-01-30 | 2024-03-05 | 深圳市宗匠科技有限公司 | 一种痤疮分级方法、装置、设备及存储介质 |
CN117351307B (zh) * | 2023-12-06 | 2024-05-17 | 深圳市宗匠科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
-
2023
- 2023-06-30 CN CN202310795157.7A patent/CN116863522A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351307A (zh) * | 2023-12-06 | 2024-01-05 | 深圳市宗匠科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN117392484A (zh) * | 2023-12-06 | 2024-01-12 | 深圳市宗匠科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN117351307B (zh) * | 2023-12-06 | 2024-05-17 | 深圳市宗匠科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN117649683A (zh) * | 2024-01-30 | 2024-03-05 | 深圳市宗匠科技有限公司 | 一种痤疮分级方法、装置、设备及存储介质 |
CN117649683B (zh) * | 2024-01-30 | 2024-04-09 | 深圳市宗匠科技有限公司 | 一种痤疮分级方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599451B (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
TWI731297B (zh) | 一種風險預測方法、存儲介質和伺服器 | |
CN109241903B (zh) | 样本数据清洗方法、装置、计算机设备及存储介质 | |
CN116863522A (zh) | 痤疮分级方法、装置、设备及介质 | |
CN109241842B (zh) | 疲劳驾驶检测方法、装置、计算机设备及存储介质 | |
CN112381782B (zh) | 人脸图像质量评估方法、装置、计算机设备及存储介质 | |
CN109670437B (zh) | 年龄预估模型训练方法、面部图像识别方法及装置 | |
CN113705685B (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
CN110598638A (zh) | 模型训练方法、人脸性别预测方法、设备及存储介质 | |
CN110956628B (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
CA3174691A1 (en) | Human face fuzziness detecting method, device, computer equipment and storage medium | |
CN111832581B (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
CN111028218A (zh) | 眼底图像质量判定模型训练方法、装置和计算机设备 | |
CN112330624A (zh) | 医学图像处理方法和装置 | |
Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
CN111985340A (zh) | 基于神经网络模型的人脸识别方法、装置和计算机设备 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN111723762B (zh) | 人脸属性识别方法、装置、电子设备及存储介质 | |
US20160140395A1 (en) | Adaptive sampling for efficient analysis of ego-centric videos | |
CN111222374A (zh) | 测谎数据处理方法、装置、计算机设备和存储介质 | |
CN115019382A (zh) | 区域确定方法、装置、设备、存储介质和程序产品 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN111325132A (zh) | 一种智能监控系统 | |
CN111783519A (zh) | 图像处理方法、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 |