[发明专利]模型训练设备

权利要求书

1.一种模型训练设备，其特征在于，包括存储器以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序；所述一个或多个计算机程序被存储在所述存储器中；所述一个或多个处理器在执行所述一个或多个计算机程序时，执行如下步骤：

获取样本数据集，所述样本数据集包括多个属于不同痘痘类型的样本图像；

获取每个痘痘类型所对应的一个标准图像，所述一个标准图像用于代表一个痘痘类型的痘痘样式；

计算各个所述样本图像的类别概率标签，所述类别概率标签包括所述样本图像与每个所述标准图像之间的相似度信息；

基于所述各个样本图像和所述各个样本图像对应的类别概率标签训练分类网络模型，获得痘痘类型识别模型。

2.根据权利要求1所述的设备，其特征在于，所述处理器在执行所述计算各个所述样本图像的类别概率标签的步骤的过程中，具体执行如下步骤：

对任意一个所述样本图像，计算所述样本图像与所述每个标准图像之间的相似度概率；

获取所述样本图像的人工标签，所述人工标签用于标注所述样本图像所属的痘痘类型；

根据所述样本图像的人工标签和所述相似度概率，生成所述样本图像的所述类别概率标签。

3.根据权利要求2所述的设备，其特征在于，所述处理器在执行所述计算所述样本图像与所述每个标准图像之间的相似度概率的步骤的过程中，具体执行如下步骤：

获取所述样本图像与任意一个所述标准图像之间的亮度评价值、对比度评价值和结构评价值；

根据所述亮度评价值、所述对比度评价值和所述结构评价值，获得所述样本图像与所述任意一个标准图像之间的结构相似值，以获得所述样本图像与所述每个标准图像之间的结构相似值；

获取所述样本图像与所述每个标准图像之间的结构相似值在总结构相似值中的占比，作为所述样本图像与所述每个标准图像之间的相似度概率。

4.根据权利要求2所述的设备，其特征在于，所述处理器在执行所述根据所述样本图像的人工标签和所述相似度概率，生成所述样本图像的所述类别概率标签的步骤的过程中，具体执行如下步骤：

根据预设权重对所述样本图像的人工标签和所述相似度概率进行加权处理，获得所述样本图像的所述类别概率标签。

5.根据权利要求1-4任一项所述的设备，其特征在于，所述处理器在执行所述基于所述各个样本图像和所述各个样本图像对应的类别概率标签训练分类网络模型，获得痘痘类型识别模型的步骤的过程中，具体执行如下步骤：

将所述各个样本图像和所述各个样本图像对应的类别概率标签输入所述分类网络模型，输出所述样本图像的预测分类结果；

采用损失函数计算所述各个样本图像的预测分类结果和所述类别概率标签的损失值，根据所述损失值调整所述分类网络模型的网络参数，直到所述分类网络模型收敛，获得所述痘痘类型识别模型。

6.根据权利要求1-4任一项所述的设备，其特征在于，所述处理器在执行所述获取样本数据集的步骤的过程中，具体执行如下步骤：

获取多个包含痘痘的图像数据，所述痘痘属于不同类别；

对所述多个图像数据进行归一化处理，获得预设大小的多个所述样本图像，获得所述样本数据集。

7.根据权利要求1所述的设备，其特征在于，所述处理器还用于执行如下步骤：

获取待处理痘痘图像；

采用所述痘痘类型识别模型对所述待处理痘痘图像进行处理，获得所述待处理痘痘图像属于所述不同痘痘类型的概率；根据所述概率确定所述待处理痘痘图像对应的痘痘类型；

输出所述待处理痘痘图像对应的痘痘类型。