CN117274266B - 痘痘严重程度的分级方法、装置、设备及存储介质 - Google Patents

痘痘严重程度的分级方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117274266B
CN117274266B CN202311560123.6A CN202311560123A CN117274266B CN 117274266 B CN117274266 B CN 117274266B CN 202311560123 A CN202311560123 A CN 202311560123A CN 117274266 B CN117274266 B CN 117274266B
Authority
CN
China
Prior art keywords
severity
vaccinia
output
result
output result
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
Application number
CN202311560123.6A
Other languages
English (en)
Other versions
CN117274266A (zh
Inventor
王念欧
郦轲
刘文华
万进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Accompany Technology Co Ltd
Original Assignee
Shenzhen Accompany Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Accompany Technology Co Ltd filed Critical Shenzhen Accompany Technology Co Ltd
Priority to CN202311560123.6A priority Critical patent/CN117274266B/zh
Publication of CN117274266A publication Critical patent/CN117274266A/zh
Application granted granted Critical
Publication of CN117274266B publication Critical patent/CN117274266B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种痘痘严重程度的分级方法、装置、设备及存储介质。该方法包括：将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过初始痘痘严重程度分级模型获得第一严重程度输出结果、数量输出结果以及数量输出结果对应的第二严重程度输出结果；根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据所确定的多元损失函数值，对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型，提高了痘痘严重程度分级模型的准确度。

Description

痘痘严重程度的分级方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种痘痘严重程度的分级方法、装置、设备及存储介质。
背景技术
痘痘又称为寻常痤疮，是毛囊皮脂腺单位的一种慢性炎症性疾病，好发于青年男女的面部、前胸和后背。根据痘痘皮损性质和严重程度一般分为3度4级。
对痘痘严重程度的传统分级方法主要还是依赖于专业医生长期积累的经验。目前，逐渐开始使用深度学习模型对痘痘严重程度的分级提供辅助信息。然而，由于痘痘的外观相似且严重程度相近，目前所使用的深度学习模型并没有考虑到标签之间的模糊性，导致痘痘严重程度的分级结果并不准确。
发明内容
本发明提供了一种痘痘严重程度的分级方法、装置、设备及存储介质，以解决痘痘严重程度分级结果不准确的问题，提高严重程度的分级准确性，为痘痘分级结果提供可靠的参考信息。
根据本发明的一方面，提供了一种痘痘严重程度分级模型的训练方法，包括：
将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；
根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果、所述数量输出结果、所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。
根据本发明的一方面，提供了一种痘痘严重程度的分级方法，包括：
获取待检测痘痘图像；
将所述待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果；
根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级。
根据本发明的另一方面，提供了一种痘痘严重程度分级模型的训练装置，包括：
样本输入模块，用于将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
特征提取模块，用于通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
结果输出模块，用于将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；
损失值确定模块，用于根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果、所述数量输出结果、所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
参数调整模块，用于基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。
根据本发明的另一方面，提供了一种痘痘严重程度的分级装置，包括：
图像获取模块，用于获取待检测痘痘图像；
图像输入模块，用于将所述待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型；
等级确定模块，用于根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级。
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痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级方法。
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痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级方法。
本发明实施例的技术方案，通过将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量；将池化特征向量输入严重程度输出模块，获得第一严重程度输出结果；并将池化特征向量输入数量输出模块，获得数量输出结果；根据数量输出结果确定第二严重程度输出结果，并根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值；基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。采用痘痘数量特征和痘痘严重程度特征对痘痘严重程度进行分级，解决了由于痘痘外观相似，严重程度相近所导致的严重程度标签之间具有模糊性的问题，提高了痘痘严重程度分级模型的准确度，同时采用多元损失进行模型参数学习，使得模型具有更高得泛化能力。
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痘痘严重程度分级模型的训练方法的流程图；
图2是本发明实施例二提供的一种痘痘严重程度分级模型的训练方法的流程图；
图3是痘痘严重程度分级模型的训练方法的执行步骤示意图；
图4是本发明实施例三提供的一种痘痘严重程度的分级方法的流程图；
图5是本发明实施例三提供的一种痘痘严重程度分级模型的训练装置的结构示意图；
图6是本发明实施例三提供的一种痘痘严重程度的分级装置的结构示意图；
图7是实现本发明实施例的痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种痘痘严重程度分级模型的训练方法的流程图，本实施例可适用于训练痘痘严重程度分级模型的情况，该方法可以由痘痘严重程度分级模型的训练装置来执行，该痘痘严重程度分级模型的训练装置可以采用硬件和/或软件的形式实现，该痘痘严重程度分级模型的训练装置可配置于电子设备中。如图1所示，该方法包括：
S110、将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块。
其中，痘痘样本图像可以是用于训练初始痘痘严重程度分级模型的训练样本集中的样本图像，痘痘样本图像的大小尺寸例如可以为224224。痘痘样本图像可以被预先标记有标签数据，标签数据可以包括：痘痘严重程度和痘痘数量。例如按照痘痘的严重程度划分为轻微、中度、严重和非常严重四个等级标签，按照所统计的痘痘数量生成数量标签。可以理解的是，在本发明实施例中所指的痘痘具有广泛意义，例如可以包括痤疮、粉刺、丘疹、脓疱和结节等。
初始痘痘严重程度分级模型可以是指未训练或者未训练完备的图像语义分割模型。初始痘痘严重程度分级模型用于对痘痘样本图像进行痘痘严重程度的等级划分。痘痘严重程度可以表现为痘痘颜色深浅、痘痘大小和痘痘数量等。
在本实施例中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层。特征提取网络用于提取痘痘样本图像的图像特征；全局平均池化层用于对图像特征进行池化得到池化特征向量；全连接输出层包括：并联的严重程度输出模块与数量输出模块，严重程度输出模块用于确定池化特征向量的严重程度输出结果；数量输出模块用于确定池化特征向量的数量输出结果。
S120、通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量。
其中，特征提取网络所提取的图像特征可以采用特征图的形式表示。特征提取网络可以选择VGG网络，也可以选择RESNET网络，本发明实施例对特征提取网络不作过多限制，只要能提取痘痘的图像特征即可，痘痘的图像特征可以表现为痘痘颜色深浅和痘痘大小等。
全局平均池化层（Global Average Pooling，GAP）用于对每个特征图取平均，采用全局平均池化层能够减少参数和计算量，降低过拟合的风险，且具有空间不变性。
在本实施例中，将痘痘样本图像输入初始痘痘严重程度模型中的特征提取网络，获得痘痘样本图像的图像特征，通过全局平均池化层对图像特征进行全局池化处理获得池化特征向量。
S130、将池化特征向量输入严重程度输出模块，获得第一严重程度输出结果；并将池化特征向量输入数量输出模块，获得数量输出结果。
其中，严重程度输出模块用于输出痘痘样本图像的严重程度输出结果；严重程度输出结果用于表示痘痘的恶化程度。数量输出模块用于输出痘痘样本图像的数量输出结果，数量输出结果用于表示痘痘的数量。
在本实施例中，将池化特征向量确定数量特征和严重程度特征，能够增加模型的表征能力，提高模型的准确率。
S140、根据数量输出结果确定第二严重程度输出结果，并根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值。
其中，第一严重程度输出结果是严重程度输出模块输出的严重程度输出结果，能够直接反映痘痘的皮损程度；第二严重程度输出结果是由数量输出模块输出的数量特征转化得到的严重程度输出结果，能够反映痘痘数量与痘痘严重程度之间的联系。
在本实施例中，根据数量输出模块输出的数量输出结果确定第二严重程度输出结果。并且，考虑到样本之间的标签具有模糊性，根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值。
S150、基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。
其中，初始痘痘严重程度分级模型中的网络参数可以包括：未经训练的初始网络参数，也可以包括经过预训练的网络参数。
在本实施例中，采用痘痘样本图像输入初始痘痘严重程度分级模型，得到的多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行迭代调整，直到达到预设条件，获得此时训练得到目标痘痘严重程度分级模型。预设条件可以是初始痘痘严重程度分级模型的多元损失函数收敛，或者训练次数达到预设次数，本实施例对模型训练需要达到的预设条件不设限制。
在发明实施例的技术方案，通过将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量；将池化特征向量输入严重程度输出模块，获得第一严重程度输出结果；并将池化特征向量输入数量输出模块，获得数量输出结果；根据数量输出结果确定第二严重程度输出结果，并根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值；基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。采用痘痘数量特征和痘痘严重程度特征对痘痘严重程度进行分级，解决了由于痘痘外观相似，严重程度相近所导致的严重程度标签之间具有模糊性的问题，提高了痘痘严重程度分级模型的准确度，同时采用多元损失进行模型参数学习，使得模型具有更高得泛化能力。
实施例二
图2是本发明实施例二提供的一种痘痘严重程度分级模型的训练方法的流程图，本实施例对上述实施例中的根据第一严重程度输出结果、数量输出结果、所述第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值的步骤，进一步限定为：计算第一严重程度输出结果和痘痘样本图像的严重程度标签数据之间的第一损失函数值；计算第二严重程度输出结果和痘痘样本图像的严重程度标签数据之间的第二损失函数值；计算数量输出结果和痘痘样本图像的数量标签数据之间的第三损失函数值；将第一损失函数值、第二损失函数值和第三损失函数值的加权和确定为多元损失函数值。
如图2所示，该方法包括：
S201、将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块。
S202、通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量。
优选的，本实施例中的特征提取网络采用RepVGG网络，RepVGG网络的网络特点是使用了结构重参数化，在模型训练过程中采用多分支模型，增加模型的表征能力，提高模型的准确率；在模型推理时转化成VGG-style的单路模型，提高模型计算速度，并且更省内存。
S203、将池化特征向量输入严重程度输出模块，获得第一严重程度输出结果，严重程度输出模块包括：第一全连接单元和第一归一化单元。
其中，第一归一化单元采用softmax激活函数。第一全连接单元（Fully ConnectedLayers，FC）在整个初始痘痘严重程度分级模型中起到严重等级分类的作用。第一严重程度输出结果包括：严重等级和严重等级对应的概率。
在本实施例中，将池化特征向量输入严重程度输出模块中的第一全连接单元，得到严重程度特征向量，采用第一归一化单元中的softmax激活函数对严重程度特征向量进行归一化处理，将K维的严重程度特征向量转化到另一个K维实向量中，使得每一个元素的范围都在之间，并且所有元素的和为1，从而得到包含严重等级和严重等级对应概率的第一严重程度输出结果。
该函数的形式通常按下面的式子给出：
其中，K为池化特征向量的总维度数量；和/>表示第/>维和第/>维池化特征向量；表示归一化后得到的第/>维池化特征向量。
S204、将池化特征向量输入数量输出模块，获得数量输出结果；数量输出模块包括：第二全连接单元和第二归一化单元。
其中，第二归一化单元采用softmax激活函数。第二归一化单元的作用以及归一化的具体实现方式均与第一归一化单元相同。
第二全连接单元（Fully Connected Layers，FC）在整个初始痘痘严重程度分级模型中起到痘痘数量分类的作用。第二全连接单元和第一全连接单元的网络结构相同。数量输出结果包括：痘痘数量和痘痘数量对应的概率。
在本实施例中，将池化特征向量输入数量输出模块中的第二全连接单元，得到数量特征向量，采用第二归一化单元中的softmax激活函数对严重程度特征向量进行归一化处理，将K维的数量特征向量转化到另一个维实向量中，使得每一个元素的范围都在之间，并且所有元素的和为1，从而得到包含痘痘数量和痘痘数量对应概率的数量输出结果。
S205、获取痘痘数量和严重程度之间的映射关系；根据痘痘数量与痘痘数量对应的概率，以及映射关系确定数量输出结果对应的第二严重程度。
在本实施例中，痘痘数量和严重程度之间的映射关系可以根据专家经验按照痘痘数量划分为不同严重程度的等级，例如单个痘痘样本图像中的最大痘痘数量为65个，则将痘痘数量映射为多个严重等级。痘痘数量和严重程度之间的映射关系，如表1所示：
表1
S206、将第二严重程度和痘痘数量对应的概率确定为第二严重程度输出结果。
在本实施例中，将痘痘数量转化得到得第二严重程度，以及对应的概率确定为第二严重程度输出结果，因此，第二严重程度输出结果可以反映痘痘数量与痘痘严重等级之间的关联性，克服等级标签之间的模糊性。
S207、计算第一严重程度输出结果和痘痘样本图像的严重程度标签数据之间的第一损失函数值；计算第二严重程度输出结果和痘痘样本图像的严重程度标签数据之间的第二损失函数值。
其中，第一损失函数值可以包括：第一交叉熵损失函数值（Cross-Entropy Loss，CE Loss）和第一散度损失函数值（Kullback-Leibler Loss，KL Loss）。第二损失函数值可以包括：第二交叉熵损失函数值和第二散度损失函数值。
交叉熵损失通常对于梯度下降具有较好的效果，模型能够更快地收敛；在分类任务中能够有效地衡量模型的输出分布与真实标签分布之间的差异；但易受错误标签和模糊标签影响，交叉熵损失对这些错误标签非常敏感，可能导致模型出现不良影响。散度损失（即KL损失）用于度量模型输出的概率分布和真实分布之间的差异，相对于交叉熵损失，KL损失对异常值不太敏感。
交叉熵损失函数值的计算公式为：
散度损失函数值的计算公式为：
其中，表示交叉熵损失函数值，/>表示散度损失函数值,/>表示痘痘样本图像/>的严重程度属于第/>级的真实概率，/>表示痘痘样本图像/>的严重程度属于第/>级的预测概率；/>为痘痘样本图像分级总数（在计算严重程度的散度损失函数值时，/>为严重程度的分级总数，在计算痘痘数量的散度损失函数值时，/>为单个样本上痘痘数量的最大值）。
根据上述交叉熵损失函数值和散度损失函数值的计算公式，可以计算第一严重程度输出结果和痘痘样本图像的严重程度标签数据之间的第一损失函数值为：
其中，为第一损失函数值；/>为第一交叉熵损失函数值；/>为第一散度损失函数值。
第二严重程度输出结果和痘痘样本图像的严重程度标签数据之间的第二损失函数值为：
其中，为第二损失函数值；/>为第二交叉熵损失函数值；/>为第二散度损失函数值。
S208、计算数量输出结果和痘痘样本图像的数量标签数据之间的第三损失函数值。
其中，第三损失函数值包括：第三散度损失函数值。
在本实施例中，根据上述散度损失函数值的计算公式，可以数量输出结果和痘痘样本图像的数量标签数据之间的第三散度损失函数值，将第三散度损失函数值作为第三损失函数值，即
其中，为第三损失函数值；/>为第三散度损失函数值。
S209、将第一损失函数值、第二损失函数值和第三损失函数值的加权和确定为多元损失函数值。
在本实施例中，多元损失函数值为：
其中，为多元损失函数值；/>为第一损失函数值/>对应的第一权重，/>为第二损失函数值/>对应的第二权重，/>为第三损失函数值/>对应的第三权重。
S210、基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。
图3是痘痘严重程度分级模型的训练方法的执行步骤示意图。如图3所示，本发明实施例提供的一种痘痘严重程度分级模型的训练方法，包括：将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量；将池化特征向量输入严重程度输出模块的第一全连接单元和第一归一化单元，获得第一严重程度输出结果；并将池化特征向量输入数量输出模块的第二全连接单元和第二归一化单元，获得数量输出结果；根据数量输出结果确定第二严重程度输出结果，并根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值；基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。采用痘痘数量特征和痘痘严重程度特征对痘痘严重程度进行分级，解决了由于痘痘外观相似，严重程度相近所导致的严重程度标签之间具有模糊性的问题，提高了痘痘严重程度分级模型的准确度，同时采用多元损失进行模型参数学习，使得模型具有更高得泛化能力。
实施例三
图4是本发明实施例三提供的一种痘痘严重程度的分级方法的流程图，本实施例可适用于对痘痘严重程度进行分级的情况，该方法可以由痘痘严重程度的分级装置来执行，该痘痘严重程度的分级装置可以采用硬件和/或软件的形式实现，该痘痘严重程度的分级装置可配置于电子设备中。如图4所示，该方法包括：
310、获取待检测痘痘图像。
其中，待检测痘痘图像是指需要进行严重程度分级的痘痘图像，例如可以是所采集的包含痘痘的面部图像。本发明实施例对待检测痘痘图像的获取方式不作限定，例如可以在获得用户授权的情况下，图像传感器采集到的面部图像。
320、将待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果。
其中，目标痘痘严重程度分级模型是采用实施例一或者实施例二的痘痘严重程度分级模型的训练方法所训练得到的模型。目标痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块。
在本实施例中，将待检测痘痘图像输入目标痘痘严重程度分级模型的特征提取网络，获得目标图像特征；将目标图像特征输入全局平均池化层，获得目标池化特征向量；将目标池化特征向量输入严重程度输出模块，获得第一痘痘严重程度；并将目标池化特征向量输入数量输出模块，获得痘痘数量；根据痘痘数量输出结果确定第二严重程度分级结果。其中，第一严重程度分级结果和第二严重程度分级结果均可以包括严重程度和预测概率，严重程度可以采用严重等级表示，例如包括：轻微、中度、严重和非常严重四个等级。
330、根据第一严重程度分级结果和第二严重程度分级结果确定最终严重等级。
其中，第一严重程度分级结果包括：第一严重等级和第一预测概率；第二严重程度分级结果包括：第二严重等级和第二预测概率。
在本实施例中，对具有相同等级的第一严重等级的第一预测概率和第二严重等级的第二预测概率求和，获得每个严重等级对应的预测概率。将预测概率最高的严重等级确定为最终严重等级。
示例性的，目标痘痘严重程度分级模型输出的结果如表2所示。
表2
在一个可选实施例中，在获得第一严重程度分级结果和第二严重程度分级结果之后，还包括：
获取每个严重程度分级结果对应的预设分数；严重程度分级结果包括：第一严重程度分级结果和第二严重程度分级结果；
将各所述严重程度分级结果对应的预设分数和预测概率的乘积之和确定为所述待检测痘痘图像的痘痘状态评估分数。
在本实施例中，痘痘状态评估分数为：
其中，为痘痘状态评估分数，/>为严重程度分级结果为第/>级对应的预设分数；/>为严重程度分级结果为第/>级对应的预测概率，该预测概率包括：第一严重程度分级结果和第二严重程度分级结果的预测概率之和。
示例性的，如表1所述的目标痘痘严重程度分级模型输出的严重程度分级结果，假设轻微对应的分数为10分，中度对应的分数为30分，严重对应的分数为50分，非常严重对应的分数为100分，则痘痘状态评估分数为：
痘痘状态评估分数越高表示痘痘状态越差。痘痘状态评估分数和最终严重等级能够为医生的诊断提供辅助信息。
本发明实施例的技术方案，通过获取待检测痘痘图像；将待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果；根据第一严重程度分级结果和第二严重程度分级结果确定最终严重等级，能够从痘痘的皮损程度和数量两个维度上客观评价痘痘的严重程度，为痘痘的诊断提供具有科学的辅助信息。
实施例四
图5是本发明实施例三提供的一种痘痘严重程度分级模型的训练装置的结构示意图。如图5所示，该装置包括：
样本输入模块410，用于将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
特征提取模块420，用于通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
结果输出模块430，用于将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；
损失值确定模块440，用于根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果、所述数量输出结果、所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
参数调整模块450，用于基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。
本发明实施例的技术方案，通过将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量；将池化特征向量输入严重程度输出模块，获得第一严重程度输出结果；并将池化特征向量输入数量输出模块，获得数量输出结果；根据数量输出结果确定第二严重程度输出结果，并根据第一严重程度输出结果、数量输出结果、第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值；基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型。采用痘痘数量特征和痘痘严重程度特征对痘痘严重程度进行分级，解决了由于痘痘外观相似，严重程度相近所导致的严重程度标签之间具有模糊性的问题，提高了痘痘严重程度分级模型的准确度，同时采用多元损失进行模型参数学习，使得模型具有更高得泛化能力。
可选的，所述严重程度输出模块包括：第一全连接单元和第一归一化单元；所述数量输出模块包括：第二全连接单元和第二归一化单元。
可选的，所述数量输出结果包括：痘痘数量和所述痘痘数量对应的概率。
所述损失值确定模块440，包括：
映射关系确定单元，用于获取痘痘数量和严重程度之间的映射关系；
严重程度确定单元，用于根据所述痘痘数量与所述痘痘数量对应的概率，以及所述映射关系确定所述数量输出结果对应的第二严重程度；
结果确定单元，用于将所述第二严重程度和所述痘痘数量对应的概率确定为第二严重程度输出结果。
可选的，所述损失值确定模块440，包括：
第一计算单元，用于计算所述第一严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第一损失函数值；
第二计算单元，用于计算所述第二严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第二损失函数值；
第三计算单元，用于计算所述数量输出结果和所述痘痘样本图像的数量标签数据之间的第三损失函数值；
多元损失值确定单元，用于将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值的加权和确定为所述多元损失函数值。
本发明实施例所提供的痘痘严重程度分级模型的训练装置可执行本发明任意实施例所提供的痘痘严重程度分级模型的训练方法，具备执行方法相应的功能模块和有益效果。
实施例五
图6是本发明实施例五提供的一种痘痘严重程度的分级装置的结构示意图。如图6所示，该装置包括：
图像获取模块510，用于获取待检测痘痘图像；
图像输入模块520，用于将所述待检测痘痘图像输入痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型；
等级确定模块530，用于根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级。
本发明实施例的技术方案，通过获取待检测痘痘图像；将待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果；根据第一严重程度分级结果和第二严重程度分级结果确定最终严重等级，能够从痘痘的皮损程度和数量两个维度上客观评价痘痘的严重程度，为痘痘的诊断提供具有科学的辅助信息。
可选的，还包括：
分数获取模块，用于在获得第一严重程度分级结果和第二严重程度分级结果之后，获取每个严重程度分级结果对应的预设分数；所述严重程度分级结果包括：第一严重程度分级结果和第二严重程度分级结果；
分数评估模块，用于将各所述严重程度分级结果对应的预设分数和预测概率的乘积之和确定为所述待检测痘痘图像的痘痘状态评估分数。
本发明实施例所提供的痘痘严重程度的分级装置可执行本发明任意实施例所提供的痘痘严重程度的分级方法，具备执行方法相应的功能模块和有益效果。
实施例六
图7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7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，例如痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级方法。
在一些实施例中，痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级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痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级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）而被配置为执行痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级方法。
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。
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 (8)

1.一种痘痘严重程度分级模型的训练方法，其特征在于，包括：
将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；所述第一严重程度输出结果反映痘痘的皮损程度，表现为痘痘颜色和痘痘大小；
根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果、所述数量输出结果、所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型；
所述数量输出结果包括：痘痘数量和所述痘痘数量对应的概率；根据所述数量输出结果确定第二严重程度输出结果，包括：
获取痘痘数量和严重程度之间的映射关系；
根据所述痘痘数量与所述痘痘数量对应的概率，以及所述映射关系确定所述数量输出结果对应的第二严重程度；
将所述第二严重程度和所述痘痘数量对应的概率确定为第二严重程度输出结果；
根据所述第一严重程度输出结果、所述数量输出结果、所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值，包括：
计算所述第一严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第一损失函数值；
计算所述第二严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第二损失函数值；
计算所述数量输出结果和所述痘痘样本图像的数量标签数据之间的第三损失函数值；
将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值的加权和确定为所述多元损失函数值。
2.根据权利要求1所述的方法，其特征在于，所述严重程度输出模块包括：第一全连接单元和第一归一化单元；所述数量输出模块包括：第二全连接单元和第二归一化单元。
3.一种痘痘严重程度的分级方法，其特征在于，包括：
获取待检测痘痘图像；
将所述待检测痘痘图像输入采用权利要求1-2任一所述的痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果；
根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级。
4.根据权利要求3所述的方法，其特征在于，在获得第一严重程度分级结果和第二严重程度分级结果之后，还包括：
获取每个严重程度分级结果对应的预设分数；所述严重程度分级结果包括：第一严重程度分级结果和第二严重程度分级结果；
将各所述严重程度分级结果对应的预设分数和预测概率的乘积之和确定为所述待检测痘痘图像的痘痘状态评估分数。
5.一种痘痘严重程度分级模型的训练装置，其特征在于，包括：
样本输入模块，用于将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络、全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
特征提取模块，用于通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
结果输出模块，用于将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；所述第一严重程度输出结果反映痘痘的皮损程度，表现为痘痘颜色和痘痘大小；
损失值确定模块，用于根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果、所述数量输出结果、所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
参数调整模块，用于基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型；
所述数量输出结果包括：痘痘数量和所述痘痘数量对应的概率；所述损失值确定模块，包括：
映射关系确定单元，用于获取痘痘数量和严重程度之间的映射关系；
严重程度确定单元，用于根据所述痘痘数量与所述痘痘数量对应的概率，以及所述映射关系确定所述数量输出结果对应的第二严重程度；
结果确定单元，用于将所述第二严重程度和所述痘痘数量对应的概率确定为第二严重程度输出结果；
所述损失值确定模块，包括：
第一计算单元，用于计算所述第一严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第一损失函数值；
第二计算单元，用于计算所述第二严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第二损失函数值；
第三计算单元，用于计算所述数量输出结果和所述痘痘样本图像的数量标签数据之间的第三损失函数值；
多元损失值确定单元，用于将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值的加权和确定为所述多元损失函数值。
6.一种痘痘严重程度的分级装置，其特征在于，包括：
图像获取模块，用于获取待检测痘痘图像；
图像输入模块，用于将所述待检测痘痘图像输入采用权利要求1-2任一所述的痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型；
等级确定模块，用于根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级。
7.一种电子设备，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1-2中任一项所述的痘痘严重程度分级模型的训练方法或权利要求3-4任一所述的痘痘严重程度的分级方法。
8.一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1-2中任一项所述的痘痘严重程度分级模型的训练方法或权利要求3-4任一所述的痘痘严重程度的分级方法。
CN202311560123.6A 2023-11-22 2023-11-22 痘痘严重程度的分级方法、装置、设备及存储介质 Active CN117274266B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311560123.6A CN117274266B (zh) 2023-11-22 2023-11-22 痘痘严重程度的分级方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311560123.6A CN117274266B (zh) 2023-11-22 2023-11-22 痘痘严重程度的分级方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117274266A CN117274266A (zh) 2023-12-22
CN117274266B true CN117274266B (zh) 2024-03-12

Family

ID=89212810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311560123.6A Active CN117274266B (zh) 2023-11-22 2023-11-22 痘痘严重程度的分级方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117274266B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611580A (zh) * 2024-01-18 2024-02-27 深圳市宗匠科技有限公司 瑕疵检测方法、装置、计算机设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN109190654A (zh) * 2018-07-09 2019-01-11 上海斐讯数据通信技术有限公司 人脸识别模型的训练方法和装置
CN111695463A (zh) * 2020-05-29 2020-09-22 深圳数联天下智能科技有限公司 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法
CN112183603A (zh) * 2020-09-22 2021-01-05 深圳数联天下智能科技有限公司 痘痘类型识别模型训练方法及相关装置
CN112200772A (zh) * 2020-09-15 2021-01-08 深圳数联天下智能科技有限公司 痘痘检测设备
CN113343851A (zh) * 2021-06-08 2021-09-03 深圳数联天下智能科技有限公司 一种训练人脸衰老检测模型的方法及相关装置
CN115035068A (zh) * 2022-06-15 2022-09-09 杭州电子科技大学 一种自适应肤色的跨域自拍人脸痘痘分级的图像分类方法
CN115410240A (zh) * 2021-05-11 2022-11-29 深圳市聚悦科技文化有限公司 智能人脸的痘痘和色斑分析方法、装置及存储介质
WO2023004159A1 (en) * 2021-07-22 2023-01-26 Jacobson John Elijah Systems and methods employing scene embedded markers for verifying media

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN109190654A (zh) * 2018-07-09 2019-01-11 上海斐讯数据通信技术有限公司 人脸识别模型的训练方法和装置
CN111695463A (zh) * 2020-05-29 2020-09-22 深圳数联天下智能科技有限公司 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法
CN112200772A (zh) * 2020-09-15 2021-01-08 深圳数联天下智能科技有限公司 痘痘检测设备
CN112183603A (zh) * 2020-09-22 2021-01-05 深圳数联天下智能科技有限公司 痘痘类型识别模型训练方法及相关装置
CN115410240A (zh) * 2021-05-11 2022-11-29 深圳市聚悦科技文化有限公司 智能人脸的痘痘和色斑分析方法、装置及存储介质
CN113343851A (zh) * 2021-06-08 2021-09-03 深圳数联天下智能科技有限公司 一种训练人脸衰老检测模型的方法及相关装置
WO2023004159A1 (en) * 2021-07-22 2023-01-26 Jacobson John Elijah Systems and methods employing scene embedded markers for verifying media
CN115035068A (zh) * 2022-06-15 2022-09-09 杭州电子科技大学 一种自适应肤色的跨域自拍人脸痘痘分级的图像分类方法

Also Published As

Publication number Publication date
CN117274266A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN112906502B (zh) 目标检测模型的训练方法、装置、设备以及存储介质
CN117274266B (zh) 痘痘严重程度的分级方法、装置、设备及存储介质
CN113642431B (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
CN112784778B (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN112857268B (zh) 对象面积测量方法、装置、电子设备和存储介质
CN113827240B (zh) 情绪分类方法和情绪分类模型的训练方法、装置及设备
CN113379059A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN117392484A (zh) 一种模型训练方法、装置、设备及存储介质
CN112633381B (zh) 音频识别的方法及音频识别模型的训练方法
CN114691918A (zh) 基于人工智能的雷达图像检索方法、装置以及电子设备
CN114120410A (zh) 用于生成标签信息的方法、装置、设备、介质和产品
CN117333487B (zh) 一种痘痘分级方法、装置、设备及存储介质
Liang et al. Abnormal data cleaning for wind turbines by image segmentation based on active shape model and class uncertainty
CN115471717B (zh) 模型的半监督训练、分类方法装置、设备、介质及产品
CN116629620B (zh) 一种风险等级确定方法、装置、电子设备及存储介质
CN117112445B (zh) 一种机器学习模型稳定性检测方法、装置、设备及介质
CN117351307B (zh) 一种模型训练方法、装置、设备及存储介质
CN117746069B (zh) 以图搜图的模型训练方法、和以图搜图方法
CN116958704A (zh) 输电线路下垫面环境分类及模型训练方法、装置及设备
CN116245853A (zh) 血流储备分数确定方法、装置、电子设备及存储介质
CN115761219A (zh) 用于失能老人的图像检测方法、装置、设备及介质
CN113051472A (zh) 点击通过率预估模型的建模方法、装置、设备以及存储介质
CN117351307A (zh) 一种模型训练方法、装置、设备及存储介质
Suthar et al. Estimation of Tropical Cyclone Intensity from Satellite Data Using Self Attentive–TCNN-BiGRU Approach

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