[发明专利]模型的训练方法、眼底黄斑区病变识别方法、装置及设备在审

专利信息
申请号: 201910623973.3 申请日: 2019-07-11
公开(公告)号: CN110349147A 公开(公告)日: 2019-10-18
发明(设计)人: 龚丽君 申请(专利权)人: 腾讯医疗健康(深圳)有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06K9/62
代理公司: 深圳市隆天联鼎知识产权代理有限公司 44232 代理人: 刘抗美
地址: 518000 广东省深圳市*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 目标识别 损失函数 训练集 病变识别 模型获取 眼底黄斑 图像 图像识别技术 位置信息确定 装置及设备 电子设备 模型参数 目标分类 准确率
【说明书】:

本公开涉及图像识别技术领域,提供了一种目标识别模型的训练方法、装置、眼底黄斑区病变识别方法及装置,以及实现上述方法的电子设备。其中,该目标识别模型的训练方法包括:响获取识别目标在图像中的位置信息,并根据所述图像和所述位置信息确定所述目标识别模型的训练集;通过所述训练集训练所述目标识别模型获取关于识别目标分类的第一损失函数;通过所述训练集训练所述目标识别模型获取关于识别目标在图像中位置的第二损失函数;根据所述第一损失函数和所述第二损失函数确定所述目标识别模型的模型参数,以完成所述目标识别模型的训练。通过本技术方案训练的模型的目标识别准确率高。

技术领域

本公开涉及图像识别技术领域,具体而言,涉及一种目标识别模型的训练方法及装置、眼底黄斑区病变识别方法及装置,以及实现上述目标识别模型的训练方法和眼底黄斑区病变识别方法的电子设备。

背景技术

随着人工智能技术的不断发展,对图像中的目标进行识别的方式也越来多的采用机器学习算法完成。

在相关技术中,通过机器学习算法实现图像中目标识别的模型训练方案一般包括以下步骤:通过方向特征直方图(Histogram of Oriented Gradient,HOG,简称:HOG)、局部二值模式(Local Binary Pattern,简称:LBP)等方法将图像中的目标部分的特征提取出来得到目标特征,对目标特征进行人工标注之后,然后基于标注后的目标特征训练分类器模型。从而,将待识别图像输入训练后的分类器进行分类,达到识别图像中目标的目的。

然而,相关技术采用的目标识别方案的识别准确率有待提高。

需要说明的是,上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。

发明内容

本公开的目的在于提供一种目标识别模型的训练方法及装置、眼底黄斑区病变识别方法及装置,以及实现上述目标识别模型的训练方法和眼底黄斑区病变识别方法的电子设备,进而至少在一定程度上提高目标识别的准确率。

本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。

根据本公开的一个方面,提供一种目标识别模型的训练方法,包括:获取识别目标在图像中的位置信息,并根据所述图像和所述位置信息确定所述目标识别模型的训练集;通过所述训练集训练所述目标识别模型获取关于识别目标分类的第一损失函数;通过所述训练集训练所述目标识别模型获取关于识别目标在图像中位置的第二损失函数;以及,根据所述第一损失函数和所述第二损失函数确定所述目标识别模型的模型参数,以完成所述目标识别模型的训练。

在本公开的一些实施例中,基于前述方案,所述通过所述训练集训练所述目标识别模型获取关于识别目标分类的第一损失函数,包括:通过所述训练集对所述目标识别模型的基础网络部分和第一分类网络部分进行第一训练;

确定所述第一训练的交叉熵损失函数为所述第一损失函数。

在本公开的一些实施例中,基于前述方案,所述通过所述训练集训练所述目标识别模型获取关于识别目标在图像中位置的第二损失函数,包括:通过所述训练集对所述目标识别模型的基础网络部分和第二分类网络部分进行第二训练;

确定所述第二训练的均方差损失函数为所述第二损失函数。

在本公开的一些实施例中,基于前述方案,所述根据所述第一损失函数和所述第二损失函数确定所述目标识别模型的模型参数,包括:对所述第一损失函数和所述第二损失函数采用梯度下降方式迭代计算所述目标识别模型的模型参数;响应于所述第一损失值函数的损失值小于第一阈值,且所述第二损失函数的损失值小于第二阈值,获取所述基础网络部分的模型参数和所述第一分类网络部分的参数。

在本公开的一些实施例中,基于前述方案,所述基础网络部分包括卷积神经网络,所述第一分类网络部分包括第一全连接层,所述第二分类网络部分包括卷积层和第二全连接层。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于腾讯医疗健康(深圳)有限公司,未经腾讯医疗健康(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910623973.3/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top