[发明专利]一种基于深度学习的损失值优化方法及设备

说明书

本发明公开了一种基于深度学习的损失值优化方法及设备，包括：获取目标影像；将所述目标影像划分成若干个目标区域；对所述若干个目标区域分别进行损失值的计算，得到每个目标区域对应的子损失值；将所述若干个目标区域中所有目标区域所对应的子损失值加以整合，得到整合结果；通过深度学习优化所述整合结果，得到所述目标影像的损失值。

技术领域

本发明属于深度学习技术领域，涉及一种基于深度学习的损失值优化方法及设备。

背景技术

深度学习是机器学习研究中的一个领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习中损失函数是整个网络模型的“指挥棒”，通过损失函数对预测样本和真实样本标记产生的误差反向传播指导网络参数学习。

损失函数(loss function)是用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y,f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分，损失函数的结果直接决定了网络的预测结果。

而一个机器学习模型选择哪种损失函数，通常是凭借经验而定的，没有什么特定的标准，在实践中，普通的损失函数，如：CE Loss函数或Dice Loss函数，在对结果进行预测时，是以整个结果为对象来估量模型的预测值f(x)与真实值Y的不一致程度，在实际预测中，整体对象中容易存在部分结果相较于其他部分的结果预测较差的，普通的损失函数优化较差的部分结果。

发明内容

本发明提供一种基于深度学习的损失值优化方法及设备，对损失函数进行优化，提高损失函数对模型估量的准确性。

本发明一方面提供一种基于深度学习的损失值优化方法，包括：获取目标影像；将所述目标影像划分成若干个目标区域；对所述若干个目标区域分别进行损失值的计算，得到每个目标区域对应的子损失值；将所述若干个目标区域中所有目标区域所对应的子损失值加以整合，得到整合结果；通过深度学习优化所述整合结果，得到所述目标影像的损失值。

在一种可实施方式中，将所述若干个目标区域中所有目标区域所对应的子损失值加以整合，包括：依据所述子损失值判断对应的目标区域是否为鲁棒区块；将所述若干个目标区域中除判断为鲁棒区块的目标区域之外的所有目标区域所对应的子损失值加以整合。

在一种可实施方式中，将所述若干个目标区域中所有目标区域所对应的子损失值加以整合，得到整合结果，包括：确定所述若干个目标区域中每个目标区域的权重；根据所确定的每个目标区域的权重对所述若干个目标区域中所有目标区域所对应的子损失值加以整合，得到整合结果。

在一种可实施方式中，所述整合结果为所述所有目标区域所对应的子损失值的乘积或和值。

在一种可实施方式中，所述将所述目标影像划分成若干个目标区域，包括：确定所述目标区域的第一方向；沿所述第一方向进行目标区域的划分，得到若干个目标区域；其中，所述若干个目标区域的大小相同或不同。

本发明另一方面提供一种基于深度学习的损失值优化设备，包括：获取模块：用于获取目标影像；划分模块：用于将所述目标影像划分成若干个目标区域；计算模块：用于对所述若干个目标区域分别进行损失值的计算，得到每个目标区域对应的子损失值；整合模块：用于将所述若干个目标区域中所有目标区域所对应的子损失值加以整合，得到整合结果；优化模块：用于通过深度学习优化所述整合结果，得到所述目标影像的损失值

在一种可实施方式中，所述整合模块，包括：鲁棒判断子模块：用于依据所述子损失值判断对应的目标区域是否为鲁棒区块；区域整合子模块：用于将所述若干个目标区域中除判断为鲁棒区块的目标区域之外的所有目标区域所对应的子损失值加以整合。