CN117649683B - 一种痤疮分级方法、装置、设备及存储介质 - Google Patents
一种痤疮分级方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117649683B CN117649683B CN202410122717.7A CN202410122717A CN117649683B CN 117649683 B CN117649683 B CN 117649683B CN 202410122717 A CN202410122717 A CN 202410122717A CN 117649683 B CN117649683 B CN 117649683B
- Authority
- CN
- China
- Prior art keywords
- training
- feature extraction
- sample
- training sample
- target
- 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
- 208000002874 Acne Vulgaris Diseases 0.000 title claims abstract description 140
- 206010000496 acne Diseases 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 355
- 238000000605 extraction Methods 0.000 claims abstract description 204
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种痤疮分级方法、装置、设备及存储介质。通过提供一种痤疮分级模型的自主学习方法,将无标签的预训练样本图像集输入初始模型的第一特征提取网络和第二特征提取网络;根据第一特征提取网络输出的第一预训练样本特征集以及第二特征提取网络输出的第二预训练样本特征集,以及从数据库中获取的目标预训练样本特征集确定目标相似矩阵;根据目标相似矩阵计算得到的损失函数值对初始模型中的网络参数进行调整,获得优化初始模型;选取优化初始模型中的其中一个特征提取网络构造预训练模型;将具有标签数据的训练样本图像集训练预训练模型得到目标痤疮分级模型,加强了模型的特征学习能力,提高了痤疮分级准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种痤疮分级方法、装置、设备及存储介质。
背景技术
根据痤疮所表现特征的严重程度可以将痤疮划分多个等级。传统的痤疮分级方法主要依赖专业医生长期积累的经验。随着人工智能技术的发展,逐渐开始使用深度学习模型对痤疮分级提供辅助信息。
目前大多使用现有的视觉分类模型作为预训练模型,将预训练模型迁移到痤疮等级分类任务,训练得到智能痤疮分级模块。但是常用的视觉分类模型主要采用有监督的方式,由于痤疮图片数据采集难度高,且类别间比较模糊,提供大规模及高质量的标签数据是非常困难的,需要耗费巨大的人力物力,并且训练得到的痤疮分级模型鲁棒性和泛化能力差,不能适用于不同痤疮标准和场景。
发明内容
本发明提供了一种痤疮分级方法、装置、设备及存储介质,采用自主学习方法训练得到痤疮分级模型进行痤疮分级,采用无标签的预训练样本对初始模型进行自学习完成模型的预训练,解决有监督学习方式需要依赖有标签数据的问题;并且构建数据库存储更多的视觉特征与预训练样本进行特征对比,提高预训模型的鲁棒性和泛化能力,解决现有视觉分类模型鲁棒性和泛化能力差的问题。
根据本发明的一方面,提供了一种痤疮分级模型的自主学习方法,包括:
将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,所述初始模型包括:并联的第一特征提取网络和第二特征提取网络;
通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集;所述第一预训练样本特征集和所述第二预训练样本特征集构成多个正样本对,所述第一预训练样本特征集和所述目标预训练样本特征集构成多个负样本对;
根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;
根据所述目标相似矩阵计算损失函数值,并基于所述损失函数值对所述初始模型中的网络参数进行调整,获得优化初始模型;
选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;
获取具有标签数据的训练样本图像集,将所述训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
根据本发明的另一方面,提供了一种痤疮分级方法,包括:
获取待检测图像;
将所述待检测图像输入任一实施例所述的痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型;
获得所述目标痤疮分级模型输出的待检测图像的痤疮严重等级。
根据本发明的另一方面,提供了一种痤疮分级模型的自主学习装置,包括:
输入模块,用于将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,所述初始模型包括:并联的第一特征提取网络和第二特征提取网络;
特征提取模块,用于通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集;所述第一预训练样本特征集和所述第二预训练样本特征集构成多个正样本对,所述第一预训练样本特征集和所述目标预训练样本特征集构成多个负样本对;
矩阵计算模块,用于根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;
参数调整模块,用于根据所述目标相似矩阵计算损失函数值,并基于所述损失函数值对所述初始模型中的网络参数进行调整,获得优化初始模型;
预训练模块,用于选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;
分级模型训练模块,用于获取具有标签数据的训练样本图像集,将所述训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
根据本发明的另一方面,提供了一种痤疮分级装置,包括:
图像获取模块,用于获取待检测图像;
图像输入模块,用于将所述待检测图像输入任一实施例所述的痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型;
痤疮分级模块,用于获得所述目标痤疮分级模型输出的待检测图像的痤疮严重等级。
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痤疮分级模型的自主学习方法或者痤疮分级方法。
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痤疮分级模型的自主学习方法或者痤疮分级方法。
本发明实施例的技术方案,通过将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,初始模型包括:并联的第一特征提取网络和第二特征提取网络;通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集;第一预训练样本特征集和第二预训练样本特征集构成多个正样本对,第一预训练样本特征集和目标预训练样本特征集构成多个负样本对;根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;根据目标相似矩阵计算损失函数值,并基于损失函数值对初始模型中的网络参数进行调整,获得优化初始模型;选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;获取具有标签数据的训练样本图像集,将训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型;采用无标签的预训练样本图像集进行预训练,在目标痤疮分级模型的训练过程中只需要少量的具有标签的数据,就可以获得目标痤疮分级模型,减少了人工标记标签的成本;构造正样本对同时利用数据库中存储的特征集与预训练样本特征集构造负样本对,加强模型的特征学习能力,提高了痤疮分级模型的鲁棒性和泛化能力。
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痤疮分级模型的自主学习方法的流程图;
图2是本发明实施例二提供的一种痤疮分级模型的自主学习方法的流程图;
图3是本发明实施例提供的一种痤疮分级模型的自主学习过程的原理示意图;
图4是本发明实施例提供的一种痤疮分级方法的流程图;
图5是本发明实施例三提供的一种痤疮分级模型的自主学习装置的结构示意图;
图6是本发明实施例三提供的一种痤疮分级装置的结构示意图;
图7是实现本发明实施例的痤疮分级模型的自主学习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。
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痤疮分级模型的自主学习方法的流程图,本实施例可适用于采用自主学习方法训练得到痤疮分级模型的情况,该方法可以由痤疮分级模型的自主学习装置来执行,该痤疮分级模型的自主学习装置可以采用硬件和/或软件的形式实现,该痤疮分级模型的自主学习装置可配置于电子设备中。如图1所示,该方法包括:
S110、将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,初始模型包括:并联的第一特征提取网络和第二特征提取网络。
其中,初始模型是未经训练的模型。在本实施例中,初始模型包括并联的第一特征提取网络和第二特征提取网络。第一特征提取网络和第二特征提取网络分别用于对输入的样本图像进行特征提取得到样本特征。
预训练样本图像是指用于对初始模型进行预训练的样本图像,预训练样本图像是无标签的样本图像,也即无需人工标记标签数据。目标预训练样本特征集是存储在数据库中的样本特征集,用于和预训练样本图像集对应的特征集进行对比学习。目标预训练样本特征集可以对与预训练样本图像不同的其他样本图像进行特征提取得到,为了保证特征提取的精度,也可以在特征提取之前对样本图像进行图像处理,如图像增强等。
在本实施例中,获取第一预设数量的局部图像(如面部图像)构成预训练样本图像集。获取与预训练样本图像集的交集为空集的第二预设数量的局部图像集作为目标样本图像集,通过第一特征提取模块和/或第二特征提取模块对目标样本图像集进行特征提取得到目标预训练样本特征集,并将目标预训练样本特征集写入数据库进行存储。在对初始模型进行预训练的过程中,从数据库中获取目标预训练样本特征集。
本发明实施例对预训练样本图像集的数量和目标预训练样本特征集的数量不作限定,例如预训练样本图像集的数量可以为512张,目标预训练样本特征集的数量可以是10000张。对预训练样本图像集和目标样本图像集的来源也不作限定,可以从开源数据集中获取,也可以在合法合规的条件下采集得到。
S120、通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集;第一预训练样本特征集和第二预训练样本特征集构成多个正样本对,第一预训练样本特征集和目标预训练样本特征集构成多个负样本对。
其中,在初始状态下,第一特征提取网络与第二特征提取网络的参数可以是相同的,可以复制第一特征提取网络得到第二特征提取网络。第一预训练样本特征集和第二预训练样本特征集分别是对预训练样本图像集进行特征提取得到的特征集。
在本实施例中,将预训练样本集分别输入并联的第一特征提取网络和第二特征提取网络;通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集;通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集。由于第一预训练样本特征集和第二预训练样本特征集是由相同的预训练样本特征集特征提取得到,二者之间具有一致性,因此将同一预训练样本特征提取得到的第一训练样本特征集中的每个第一训练样本特征和第二预训练样本特征集中的第二预训练样本特征构成一对正样本对。第一预训练样本特征集和目标预训练样本特征集是由不同的预训练样本特征集特征提取得到,二者之间具有较大差异性,因此,将第一训练样本特征集中的每个第一训练样本特征和第二预训练样本特征集中的每个第二预训练样本特征构成一对负样本对。
本发明实施例通过从数据库中获取的目标预训练样本特征集作为第一预训练样本特征集对应的负样本,能更好地从连续的高维视觉空间进行抽样,获取丰富的视觉信息。可以理解的是,数据库的存储量越大,从数据库中提取的视觉信息越丰富。
S130、根据各正样本对的正样本对相似度,以及各负样本对的负样本对相似度确定目标相似矩阵。
在本实施例中,计算第一预训练样本特征集和第二预训练样本特征集构成的每个正样本对的正样本对相似度,根据各正样本对的正样本对相似度确定正样本对相似矩阵;计算第一预训练样本特征集和目标预训练样本特征集构成的每个负样本的负样本对相似度;根据各负样本对的负样本对相似度确定负样本对相似矩阵矩阵;将正样本对相似矩阵和负样本对相似矩阵进行拼接得到目标相似矩阵。
本发明实施例,通过构造正样本对和负样本对,并计算正样本对的正样本对相似矩阵和负样本对的负样本对相似矩阵,能够在初始模型的预训练过程中不断学习,使正样本对的特征在特征空间中尽可能相近,而负样本特征在特征空间中尽可能地远离,从而使模型能够具有更强的特征学习能力,区分样本之间的本质特征,从而提高训练得到预训练模型具有更好的鲁棒性和泛化能力。
S140、根据目标相似矩阵计算损失函数值,并基于损失函数值对初始模型中的网络参数进行调整,获得优化初始模型;选取优化初始模型中的第二特征提取网络,并在第二特征提取网络的输出端增加全连接层得到预训练模型。
其中,优化初始模型是指完成参数迭代更新后的初始模型。损失函数可以选择交叉熵损失函数。
在本实施例中,根据目标相似矩阵计算损失函数值计算得到损失函数值;根据损失函数值对初始模型中的网络参数进行迭代调整,直到达到预设条件,获得优化初始模型。预设条件可以是初始级模型的损失函数值收敛,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。
S150、选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型。
在本实施例中,优化初始模型中包含第一特征提取网络和第二特征提取网络,选取其中一个特征提取网络用于预训练模型的特征提取,将所选取的特征提取网络的输出端增加全连接层得到预训练模型。
示例性的,优化初始模型中包含的第一特征提取网络和第二特征提取网络中选取其中一个特征提取网络的方式可以根据实际的需求选择稳定性更好,或者提取效果更好的特征提取网络。
S160、获取具有标签数据的训练样本图像集,将训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
在本实施例中,在通过自学习完成初始模型的优化得到预训练模型之后,将预训练模型迁移到痤疮等级分类任务中,将具有标签数据的训练样本图像集输入预训练模型进行模型训练,根据训练样本图像集中的标签数据以及预训练模型输出的预测结果进行损失函数计算,并根据损失函数对预训练模型中的网络参数进行迭代更新,得到目标痤疮分级模型。
本发明实施例,通过采用无标签的预训练样本图像集进行自学习,能够减少预训练模型在学习过程中人工标记标签的步骤,降低人力成本和物力成本。对预训练模型迁移到痤疮等级分类下游任务的阶段只需要少量具有标签的数据训练就可以使目标痤疮分级模型具有更好的鲁棒性和泛化能力。
本发明实施例的技术方案,通过将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,初始模型包括:并联的第一特征提取网络和第二特征提取网络;通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集;第一预训练样本特征集和第二预训练样本特征集构成多个正样本对,第一预训练样本特征集和目标预训练样本特征集构成多个负样本对;根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;根据目标相似矩阵计算损失函数值,并基于损失函数值对初始模型中的网络参数进行调整,获得优化初始模型;选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;获取具有标签数据的训练样本图像集,将训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型;采用无标签的预训练样本图像集进行预训练,在目标痤疮分级模型的训练过程中只需要少量的具有标签的数据,就可以获得目标痤疮分级模型,减少了人工标记标签的成本;构造正样本对同时利用数据库中存储的特征集与预训练样本特征集构造负样本对,加强模型的特征学习能力,提高了痤疮分级模型的鲁棒性和泛化能力。
实施例二
图2是本发明实施例二提供的一种痤疮分级模型的自主学习方法的流程图,本实施例在上述实施例的基础上进一步限定:所述第一特征提取网络包括:串联的第一图像增强模块和第一特征提取模块;所述第二特征提取网络包括:串联的第二图像增强模块和第二特征提取模块。第一特征提取模块包括:第一特征提取编码器、第一池化层和第一全连接层;所述第二特征提取模块包括:第二特征提取编码器、第二池化层和第二全连接层。
在本实施例中,初始模型包括:并联的第一特征提取网络和第二特征提取网络;所述第一特征提取网络包括:串联的第一图像增强模块和第一特征提取模块;所述第二特征提取网络包括:串联的第二图像增强模块和第二特征提取模块。
其中,第一图像增强模块和第二图像增强模块是具有随机参数的图像增强模块。第一图像增强模块和第二图像增强模块随机输出的两个增强样本图像实际上是输入的原始样本图像的两个不同版本或视图,每个版本包含原始样本中的一部分信息。第一图像增强模块和第二图像增强模块的具体增强技术如表1所示。
第一特征提取模块包括:第一特征提取编码器、第一池化层和第一全连接层;所述第二特征提取模块包括:第二特征提取编码器、第二池化层和第二全连接层。第一池化层和第二池化层可以采用全局平均池化层,用于对对应特征编码器输出的特征进行全局平均池化。第一全连接层和第二全连接层可以包括全连接层激活函数,用于对对应池化层输入的池化特征进行激活。
在本实施例中,初始化第一特征提取编码器Encoder0,复制第一特征提取模块Encoder0作为第二特征提取编码器Encoder1。第一特征提取编码器和第二特征提取编码器可以采用基于注意力机制的图像处理模型,如vit (Vision Transformer)。基于注意力机制的图像处理模型具有如下优势:使用自注意力机制,允许模型在不同位置之间建立关联,有助于捕捉图像中不同部分之间的长距离依赖关系。将输入图像分割成固定大小的图块(patches);将这些图块转换成序列形式,作为Transformer模型的输入;有助于处理图像中的局部和全局信息。通过使用注意力机制和多层感知机,能够捕获图像的全局信息,从而更好地理解整体场景和背景。
如图2所示,该方法包括:
S210、获取无标签的目标样本图像集;将目标样本图像集输入第一特征提取网络得到第一目标样本特征集;将目标样本图像集输入第二特征提取网络得到第二目标样本特征集。
其中,目标样本图像集是与预训练样本图像集完全不同的样本图像的集合,也即目标样本图像集与预训练样本图像集的交集为空集。目标样本图像集同样不需要标记标签。目标样本图像集的获取方式同样可以是从开源数据集中获取,或者在合法合规的条件下采集得到,本实施例对此不设限制。
第一目标样本特征集和第二目标样本特征集分别是对目标样本图像集进行特征提取得到的特征集。
在本实施例中,将获取到的无标签的目标样本图像集分别输入第一特征提取网络和第二特征提取网络,通过第一特征提取网络对目标样本图像集进行图像增强、提取特征、池化和激活等操作获得第一目标样本特征集。通过第二特征提取网络对目标样本图像集进行图像增强、提取特征、池化和激活等操作获得第人目标样本特征集。
S220、将第一目标样本特征集和第二目标样本特征集写入数据库中。
在本实施例中,将目标样本图像集经过特征提取得到的第一目标样本特征集和第二目标样本特征集均写入数据库中,等待在对初始模型进行预训练的过程中,从数据库中获取目标预训练样本特征集。
S230、将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,初始模型包括:并联的第一特征提取网络和第二特征提取网络。
S240、将第二预训练样本特征集写入数据库;并从数据库中删除预设数量的样本特征集;样本特征集包括:第二预训练样本特征集、第一目标样本特征集和/或第二目标样本特征集;预设数量为第二预训练样本特征集包含的样本特征的数量。
其中,从数据库中删除预设数量的样本特征集的方式可以参考队列的方式,按照先进先出,后进后出的原则,从数据库中删除存储时间最早的预设数量的样本特征集。
在本实施例中,在从数据库中获取的目标预训练样本特征集输入初始模型之后,进一步将第二预训练样本特征集写入数据库,使数据库中存储的样本特征集可以随着初始模型的预训练的迭代次数得到不断的更新。后续将数据库中获取到的目标预训练样本特征集作为第一预训练样本特征集的负样本,能够使负样本的信息更加丰富,进一步提高预训练模型的对比学习能力,提高痤疮分级模型的鲁棒性和泛化能力;同时从数据库中删除与第二预训练样本特征集相同数量的样本特征集,能够在更新数据库中存储的样本特征且不增加对数据库的存储空间的占用。
S250、通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集;第一预训练样本特征集和第二预训练样本特征集构成多个正样本对,第一预训练样本特征集和目标预训练样本特征集构成多个负样本对。
可选的,通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集包括:通过所述第一图像增强模块对所述预训练样本图像集进行图像增强,得到第一预训练增强样本图像集;通过第一特征提取模块对所述第一预训练增强样本图像集进行特征提取得到第一预训练样本特征集。通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集包括:通过所述第二图像增强模块对所述预训练样本图像集进行图像增强,得到第二预训练增强样本图像集;通过第二特征提取模块对所述第一预训练增强样本图像集进行特征提取得到第二预训练样本特征集。
S260、根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵。
在一个可选实施例中,根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵包括;
根据各正样本对之间的正样本对相似度确定正样本对相似矩阵;
根据各负样本对之间的负样本对相似度确定负样本对相似矩阵;
将所述正样本对相似矩阵和所述负样本对相似矩阵进行矩阵拼接得到目标相似矩阵。
示例性的,对包含N张预训练样本图像的预训练样本图像集进行第一特征提取得到维度为(N,128)的第一预训练样本特征集;对包含N张预训练样本图像的预训练样本图像集进行第二特征提取得到维度为(N,128)的第二预训练样本特征集;计算第一预训练样本特征集和第二预训练样本特征集(即正样本对)之间的正样本对相似度得到维度为(N,1)的正样本对相似矩阵;获取维度为(R,128)的目标预训练样本特征集;计算维度为(N ,128)的第一预训练样本特征集和维度为(R,128)的目标预训练样本特征集(即负样本对)之间的负样本对相似度得到维度为(N,R)的负样本对相似矩阵;对维度为(N,1)的正样本对相似矩阵和维度为(N,R)的负样本对相似矩阵进行矩阵拼接得到维度为(N,R+1)目标相似矩阵。
S270、根据目标相似矩阵计算损失函数值,并基于损失函数值对初始模型中的网络参数进行调整,获得优化初始模型。
示例性的,根据目标相似矩阵计算损失函数值的计算公式可以为:
其中,表示第一预训练样本特征集中的第个第一预训练样本特征与第二预训
练样本特征集中的第个第一预训练样本特征构成的一对正样本对,;表示
正样本对之间的正样本对相似度;表示第一预训练样本特征集中的第个第一预训练样
本特征与第二预训练样本特征集中的第个第一预训练样本特征构成的一对负样本对,;表示正样本对之间的负样本对相似度。N为第一预训练样本特征集和第二
预训练样本特征集中包含的预训练样本特征总数量;R为目标预训练样本特征集中包含的
目标预训练样本特征总数量。
S280、选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型。
S280、获取具有标签数据的训练样本图像集,将训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
本发明实施例的技术方案,通过将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,初始模型包括:并联的第一特征提取网络和第二特征提取网络;通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集;第一预训练样本特征集和第二预训练样本特征集构成多个正样本对,第一预训练样本特征集和目标预训练样本特征集构成多个负样本对;根据各正样本对的正样本对相似度,以及各负样本对的负样本对相似度确定目标相似矩阵;根据目标相似矩阵计算损失函数值,并基于损失函数值对初始模型中的网络参数进行调整,获得优化初始模型;选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;获取具有标签数据的训练样本图像集,将训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型;采用无标签的预训练样本图像集进行预训练,在目标痤疮分级模型的训练过程中只需要少量的具有标签的数据,就可以获得目标痤疮分级模型,减少了人工标记标签的成本;构造正样本对同时利用数据库中存储的特征集与预训练样本特征集构造负样本对,加强模型的特征学习能力,提高了痤疮分级模型的鲁棒性和泛化能力。
图3是本发明实施例提供的一种痤疮分级模型的自主学习过程的原理示意图。如图3所示,痤疮分级模型的自主学习过程分为三个阶段完成。在第一阶段,将无标签的目标样本图像集输入第一特征提取网络得到第一目标样本特征集,并输入第二特征提取网络得到第二目标样本特征集;将第一目标样本特征集和第二目标样本特征集写入数据库中。在第二阶段,将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;并且将第二预训练样本特征集写入数据库;在初始模型中,通过第一特征提取网络对预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过第二特征提取网络对预训练样本图像集进行特征提取得到第二预训练样本特征集;根据第一预训练样本特征集和第二预训练样本特征集构成的各正样本对的正样本对相似度,以及第一预训练样本特征集和数据库中获取的目标预训练样本特征集构成的各负样本对的负样本对相似度确定目标相似矩阵;根据目标相似矩阵计算损失函数值,并基于损失函数值对初始模型中的网络参数进行调整,获得优化初始模型。在第三阶段,选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型。获取具有标签数据的训练样本图像集,将训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
实施例三
图4是本发明实施例三提供的一种痤疮分级方法的流程图,本实施例可适用于利用上述任一实施例训练得到的痤疮分级模型对待检测图像进行痤疮分级的情况,该方法可以由痤疮分级装置来执行,该痤疮分级装置可以采用硬件和/或软件的形式实现,该痤疮分级装置可配置于电子设备中。如图4所示,该方法包括:
S310、获取待检测图像。
其中,待检测图像是需要进行痤疮分级的图像。
S320、将待检测图像输入痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型。
其中,目标痤疮分级模型是采用上述任一实施例所述的痤疮分级模型的自主学习方法训练得到模型。
在本实施例中,将待检测图像输入目标痤疮分级模型;通过目标痤疮分级模型中的特征提取网络对待检测图像进行特征提取,并采用全连接层对提取的特征进行特征映射,得到痤疮严重等级。
S330、获得目标痤疮分级模型输出的待检测图像的痤疮严重等级。
本发明实施例的技术方案,通过获取待检测图像;将待检测图像输入痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型;获得目标痤疮分级模型输出的待检测图像的痤疮严重等级;能够采用无标签的预训练样本图像集进行预训练,降低目标痤疮分级模型的训练成本,从而降低痤疮分级的成本;并且加强了模型的特征学习能力,提高了痤疮分级模型的鲁棒性和泛化能力,从而提高痤疮分级的准确度。
实施例四
图5是本发明实施例四提供的一种痤疮分级模型的自主学习装置的结构示意图。如图5所示,该装置包括:输入模块410、特征提取模块420、矩阵计算模块430、参数调整模块440、预训练模块450和分级模型训练模块460;其中,
输入模块410,用于将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,所述初始模型包括:并联的第一特征提取网络和第二特征提取网络;
特征提取模块420,用于通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集;所述第一预训练样本特征集和所述第二预训练样本特征集构成多个正样本对,所述第一预训练样本特征集和所述目标预训练样本特征集构成多个负样本对;
矩阵计算模块430,用于根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;
参数调整模块440,用于根据所述目标相似矩阵计算损失函数值,并基于所述损失函数值对所述初始模型中的网络参数进行调整,获得优化初始模型;
预训练模块450,用于选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;
分级模型训练模块460,用于获取具有标签数据的训练样本图像集,将所述训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
可选的,所述第一特征提取网络包括:串联的第一图像增强模块和第一特征提取模块;第一特征提取模块包括:第一特征提取编码器、第一池化层和第一全连接层;所述第二特征提取网络包括:串联的第二图像增强模块和第二特征提取模块;第二特征提取模块包括:第二特征提取编码器、第二池化层和第二全连接层;
所述特征提取模块420具体用于:
通过所述第一图像增强模块对所述预训练样本图像集进行图像增强,得到第一预训练增强样本图像集;
通过第一特征提取模块对所述第一预训练增强样本图像集进行特征提取得到第一预训练样本特征集;
所述特征提取模块420还用于:
通过所述第二图像增强模块对所述预训练样本图像集进行图像增强,得到第二预训练增强样本图像集;
通过第二特征提取模块对所述第一预训练增强样本图像集进行特征提取得到第二预训练样本特征集。
可选的,所述矩阵计算模块430,具体用于:
根据各正样本对的正样本对相似度确定正样本对相似矩阵;
根据各负样本对的负样本对相似度确定负样本对相似矩阵;
将所述正样本对相似矩阵和所述负样本对相似矩阵进行矩阵拼接得到目标相似矩阵。
可选的,还包括:
目标样本特征写入模块,用于在从数据库中获取目标预训练样本特征集之前,获取无标签的目标样本图像集;将所述目标样本图像集输入所述第一特征提取网络得到第一目标样本特征集;将所述目标样本图像集输入所述第二特征提取网络得到第二目标样本特征集;将所述第一目标样本特征集和所述第二目标样本特征集写入所述数据库中。
可选的,还包括:
数据库更新模块,用于在从数据库中获取目标预训练样本特征集之后,将所述第二预训练样本特征集写入所述数据库;从所述数据库中删除预设数量的样本特征集;所述样本特征集包括:所述第二预训练样本特征集、第一目标样本特征集和/或所述第二目标样本特征集;所述预设数量为所述第二预训练样本特征集包含的样本特征的数量。
本发明实施例所提供的痤疮分级模型的自主学习装置可执行本发明任意实施例所提供的痤疮分级模型的自主学习方法,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痤疮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、图像输入模块520和痤疮分级模块530;其中,
图像获取模块510,用于获取待检测图像;
图像输入模块520,用于将所述待检测图像输入痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型;
痤疮分级模块530,用于获得所述目标痤疮分级模型输出的待检测图像的痤疮严重等级。
本发明实施例所提供的痤疮分级装置可执行本发明任意实施例所提供的痤疮分级方法,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,例如痤疮分级模型的自主学习方法或者痤疮分级方法。
在一些实施例中,痤疮分级模型的自主学习方法或者痤疮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痤疮分级模型的自主学习方法或者痤疮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)而被配置为执行痤疮分级模型的自主学习方法或者痤疮分级方法。
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 (10)
1.一种痤疮分级模型的自主学习方法,其特征在于,包括:
将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,所述初始模型包括:并联的第一特征提取网络和第二特征提取网络;
通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集;所述第一预训练样本特征集和所述第二预训练样本特征集构成多个正样本对,所述第一预训练样本特征集和所述目标预训练样本特征集构成多个负样本对;
根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;
根据所述目标相似矩阵计算损失函数值,并基于所述损失函数值对所述初始模型中的网络参数进行调整,获得优化初始模型;
选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;
获取具有标签数据的训练样本图像集,将所述训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
2.根据权利要求1所述的方法,其特征在于,所述第一特征提取网络包括:串联的第一图像增强模块和第一特征提取模块;第一特征提取模块包括:第一特征提取编码器、第一池化层和第一全连接层;所述第二特征提取网络包括:串联的第二图像增强模块和第二特征提取模块;第二特征提取模块包括:第二特征提取编码器、第二池化层和第二全连接层;
通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集包括:
通过所述第一图像增强模块对所述预训练样本图像集进行图像增强,得到第一预训练增强样本图像集;
通过第一特征提取模块对所述第一预训练增强样本图像集进行特征提取得到第一预训练样本特征集;
通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集包括:
通过所述第二图像增强模块对所述预训练样本图像集进行图像增强,得到第二预训练增强样本图像集;
通过第二特征提取模块对所述第一预训练增强样本图像集进行特征提取得到第二预训练样本特征集。
3.根据权利要求1所述的方法,其特征在于,根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵,包括;
根据各正样本对的正样本对相似度确定正样本对相似矩阵;
根据各负样本对的负样本对相似度确定负样本对相似矩阵;
将所述正样本对相似矩阵和所述负样本对相似矩阵进行矩阵拼接得到目标相似矩阵。
4.根据权利要求1所述的方法,其特征在于,在从数据库中获取目标预训练样本特征集之前,还包括:
获取无标签的目标样本图像集;
将所述目标样本图像集输入所述第一特征提取网络得到第一目标样本特征集;
将所述目标样本图像集输入所述第二特征提取网络得到第二目标样本特征集;
将所述第一目标样本特征集和所述第二目标样本特征集写入所述数据库中。
5.根据权利要求4所述的方法,其特征在于,在从数据库中获取目标预训练样本特征集之后,还包括:
将所述第二预训练样本特征集写入所述数据库;
从所述数据库中删除预设数量的样本特征集;所述样本特征集包括:所述第二预训练样本特征集、第一目标样本特征集和/或所述第二目标样本特征集;所述预设数量为所述第二预训练样本特征集包含的样本特征的数量。
6.一种痤疮分级方法,其特征在于,包括:
获取待检测图像;
将所述待检测图像输入权利要求1-5任一所述的痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型;
获得所述目标痤疮分级模型输出的待检测图像的痤疮严重等级。
7.一种痤疮分级模型的自主学习装置,其特征在于,包括:
输入模块,用于将无标签的预训练样本图像集和从数据库中获取的目标预训练样本特征集输入初始模型;其中,所述初始模型包括:并联的第一特征提取网络和第二特征提取网络;
特征提取模块,用于通过所述第一特征提取网络对所述预训练样本图像集进行特征提取得到第一预训练样本特征集,并通过所述第二特征提取网络对所述预训练样本图像集进行特征提取得到第二预训练样本特征集;所述第一预训练样本特征集和所述第二预训练样本特征集构成多个正样本对,所述第一预训练样本特征集和所述目标预训练样本特征集构成多个负样本对;
矩阵计算模块,用于根据各正样本对的正样本对相似度和各负样本对的负样本对相似度确定目标相似矩阵;
参数调整模块,用于根据所述目标相似矩阵计算损失函数值,并基于所述损失函数值对所述初始模型中的网络参数进行调整,获得优化初始模型;
预训练模块,用于选取优化初始模型中的其中一个特征提取网络,并在所选取的特征提取网络的输出端增加全连接层得到预训练模型;
分级模型训练模块,用于获取具有标签数据的训练样本图像集,将所述训练样本图像集输入预训练模型进行模型训练,得到目标痤疮分级模型。
8.一种痤疮分级装置,其特征在于,包括:
图像获取模块,用于获取待检测图像;
图像输入模块,用于将所述待检测图像输入权利要求1-5任一所述的痤疮分级模型的自主学习方法训练得到的目标痤疮分级模型;
痤疮分级模块,用于获得所述目标痤疮分级模型输出的待检测图像的痤疮严重等级。
9.一种电子设备,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1-5中任一项所述的痤疮分级模型的自主学习方法或者权利要求6所述的痤疮分级方法。
10.一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1-5中任一项所述的痤疮分级模型的自主学习方法或者权利要求6所述的痤疮分级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122717.7A CN117649683B (zh) | 2024-01-30 | 2024-01-30 | 一种痤疮分级方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122717.7A CN117649683B (zh) | 2024-01-30 | 2024-01-30 | 一种痤疮分级方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649683A CN117649683A (zh) | 2024-03-05 |
CN117649683B true CN117649683B (zh) | 2024-04-09 |
Family
ID=90049987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410122717.7A Active CN117649683B (zh) | 2024-01-30 | 2024-01-30 | 一种痤疮分级方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649683B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159227A (zh) * | 2021-05-18 | 2021-07-23 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于神经网络的痤疮图像识别方法、系统和装置 |
CN113762019A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 特征提取网络的训练方法、人脸识别方法和装置 |
CN114358205A (zh) * | 2022-01-12 | 2022-04-15 | 平安科技(深圳)有限公司 | 模型训练方法、模型训练装置、终端设备及存储介质 |
CN114372564A (zh) * | 2022-01-12 | 2022-04-19 | 腾讯科技(深圳)有限公司 | 用于对象分级的模型训练方法、对象分级方法及装置 |
CN115440346A (zh) * | 2022-11-07 | 2022-12-06 | 四川大学华西医院 | 基于半监督学习的痤疮分级方法、系统、设备及存储介质 |
CN115953430A (zh) * | 2022-12-21 | 2023-04-11 | 贵州财经大学 | 基于改进的批量样本损失函数的视频单目标跟踪方法及系统 |
CN116863522A (zh) * | 2023-06-30 | 2023-10-10 | 平安科技(深圳)有限公司 | 痤疮分级方法、装置、设备及介质 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4216808A1 (en) * | 2020-10-20 | 2023-08-02 | Canfield Scientific, Incorporated | Acne severity grading methods and apparatuses |
-
2024
- 2024-01-30 CN CN202410122717.7A patent/CN117649683B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762019A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 特征提取网络的训练方法、人脸识别方法和装置 |
CN113159227A (zh) * | 2021-05-18 | 2021-07-23 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于神经网络的痤疮图像识别方法、系统和装置 |
CN114358205A (zh) * | 2022-01-12 | 2022-04-15 | 平安科技(深圳)有限公司 | 模型训练方法、模型训练装置、终端设备及存储介质 |
CN114372564A (zh) * | 2022-01-12 | 2022-04-19 | 腾讯科技(深圳)有限公司 | 用于对象分级的模型训练方法、对象分级方法及装置 |
CN115440346A (zh) * | 2022-11-07 | 2022-12-06 | 四川大学华西医院 | 基于半监督学习的痤疮分级方法、系统、设备及存储介质 |
CN115953430A (zh) * | 2022-12-21 | 2023-04-11 | 贵州财经大学 | 基于改进的批量样本损失函数的视频单目标跟踪方法及系统 |
CN116863522A (zh) * | 2023-06-30 | 2023-10-10 | 平安科技(深圳)有限公司 | 痤疮分级方法、装置、设备及介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117649683A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113392974B (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN111538859A (zh) | 一种动态更新视频标签的方法、装置及电子设备 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN113657411A (zh) | 神经网络模型的训练方法、图像特征提取方法及相关装置 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117521768A (zh) | 一种图像搜索模型的训练方法、装置、设备及存储介质 | |
CN117649683B (zh) | 一种痤疮分级方法、装置、设备及存储介质 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
WO2023231355A1 (zh) | 图像识别方法及装置 | |
CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
CN115294405B (zh) | 农作物病害分类模型的构建方法、装置、设备及介质 | |
CN116092101A (zh) | 训练方法、图像识别方法、装置、设备及可读存储介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 | |
CN111768007B (zh) | 用于挖掘数据的方法和装置 | |
CN114627343A (zh) | 深度学习模型的训练方法、图像处理方法、装置及设备 | |
CN112699762A (zh) | 一种适用于嵌入式设备的食材识别方法 | |
CN113868460A (zh) | 一种图像检索方法、装置及系统 | |
CN115205555B (zh) | 确定相似图像的方法、训练方法、信息确定方法及设备 | |
CN114817611A (zh) | 一种草图检索方法、装置、电子设备及存储介质 | |
CN114863354A (zh) | 一种工业物料的识别方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |