[发明专利]基于多模态的眼部检测数据的处理方法、装置及终端设备

说明书

本申请适用于人工智能技术领域，提供了基于多模态的眼部检测数据的处理方法、装置及终端设备，包括：获取待处理至少两种不同的眼部检测数据；采用与至少两种不同的所述眼部检测数据一一对应的特征提取网络，提取每一种所述眼部检测数据对应的数据特征；将至少两种不同的所述眼部检测数据对应的数据特征进行特征融合，得到融合特征；利用分类器对所述融合特征进行分类，得到至少两种不同的所述眼部检测数据的分类结果。通过上述方法，能够得到更准确的分类结果。

技术领域

本申请属于人工智能技术领域，尤其涉及基于多模态的眼部检测数据的处理方法、装置、终端设备及计算机可读存储介质。

背景技术

深度学习的概念源于人工神经网络的研究，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分，不同的学习框架下建立的学习模型通常是不同的。例如，若一个卷积神经网络(Convolutional neural networks，CNNs)是通过视盘数据进行训练得到，由于该视盘数据是通过对用户的眼睛的视盘进行检测得到的数据，则上述的CNNs输出的是与视盘检测对应的视盘数据的分类结果，研究人员根据该分类结果以及其他数据能够得到被检测眼睛是青光眼或不是青光眼的结论。其中，上述的CNNs是一种深度的监督学习下的机器学习模型。

由于青光眼的表现很复杂，因此，上述CNNs输出的分类结果的准确性较低，对用户的辅助作用较低，故需要提供一种新的分类结果确定方法。

发明内容

本申请实施例提供了一种基于多模态的眼部检测数据的处理方法，可以解决现有的卷积神经网络对眼部检测数据进行分析处理时，所得到的分类结果的准确性较低的问题。

第一方面，本申请实施例提供了一种基于多模态的眼部检测数据的处理方法，包括：

获取待处理至少两种不同的眼部检测数据；

采用与至少两种不同的所述眼部检测数据一一对应的特征提取网络，提取每一种所述眼部检测数据对应的数据特征；

将至少两种不同的所述眼部检测数据对应的数据特征进行特征融合，得到融合特征；

利用分类器对所述融合特征进行分类，得到至少两种不同的所述眼部检测数据的分类结果。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例中，采用与至少两种不同的所述眼部检测数据一一对应的特征提取网络，提取每一种所述眼部检测数据对应的数据特征，再将至少两种不同的所述眼部检测数据对应的数据特征进行特征融合，得到融合特征，最后利用分类器对所述融合特征进行分类，得到至少两种不同的所述眼部检测数据的分类结果。由于分类结果是对融合特征进行分类后得到，而融合特征又是对至少两种数据特征进行融合后得到，也即该融合特征包含的信息比单独一个眼部检测数据所包含的细节更多，因此，得到的分类结果也比单纯对一个数据特征进行分类所得到的分类结果更准确。

第二方面，本申请实施例提供了一种基于多模态的眼部检测数据的处理装置，包括：

眼部检测数据获取单元，用于获取待处理至少两种不同的眼部检测数据；

数据特征确定单元，用于采用与至少两种不同的所述眼部检测数据一一对应的特征提取网络，提取每一种所述眼部检测数据对应的数据特征；

融合特征确定单元，用于将至少两种不同的所述眼部检测数据对应的数据特征进行特征融合，得到融合特征；

分类结果确定单元，用于利用分类器对所述融合特征进行分类，得到至少两种不同的所述眼部检测数据的分类结果。