[发明专利]痘痘类别的预测方法、装置、电子设备及存储介质

说明书

本申请实施例涉及图像处理技术领域，公开了一种痘痘类别的预测方法、装置、电子设备及存储介质，该痘痘类别的预测方法，一方面，通过包括多种类别的痘痘的图像的数据集对多个教师模型进行训练，使得多个教师模型能够学习到多种类别的痘痘的特征；另一方面，通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型，使得学生模型能够更好地提炼出教师模型中学习到的知识，从而提升学生模型的鲁棒性和准确度，进而使本申请能够提高预测痘痘类别的准确率。

技术领域

本申请实施例涉及图像处理技术领域，尤其涉及一种痘痘类别的预测方法、装置、电子设备及存储介质。

背景技术

随着移动通信技术的快速发展以及人民生活水平的提升，各种智能终端已广泛应用于人民的日常工作和生活，使得人们越来越习惯于使用APP等软件，使得美颜自拍、拍照测肤此类功能的APP需求也变得越来越多，因此不少的用户希望此类APP能够自动分析出脸部的痘痘情况，根据痘痘类别情况，有针对性提出皮肤改善方案。

目前，分类算法常常采用集成分类算法，其是神经网络的集合，它的输出是通过加权平均或投票组合而成，但是集成分类算法识别的准确度偏低。

发明内容

本申请实施例主要解决的技术问题是提供一种痘痘类别的预测方法、装置、电子设备及存储介质，以提高预测痘痘类别的准确率。

第一方面，本申请实施例中提供一种痘痘类别的预测方法，包括：

获取图像数据集，其中，图像数据集包括多种类别的痘痘的图像；

基于图像数据集，对预设的多个教师模型进行训练，其中，教师模型包括多种不同的网络结构；

通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型；

根据训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的目标图像的痘痘类别。

在一些实施例中，训练学生模型，包括：

构建多层损失函数，并基于多层损失函数对学生模型进行训练。

在一些实施例中，多层损失函数包括：相似度损失函数、类别损失函数以及交叉熵损失函数中的至少一个。

在一些实施例中，多层损失函数为：

其中，Loss为多层损失函数，L_l1-sim为相似度损失函数，L_KD为类别损失函数，L_s为交叉熵损失函数，i为痘痘的类别，c为特征图的大小，为教师模型的特征图，为学生模型的特征图，n为痘痘类别的数量，为教师模型预测的第i类别痘痘的概率值，为学生模型预测的第i类别痘痘的概率值，y_i为真实痘痘类别。

在一些实施例中，通过多个教师模型对预设的学生模型进行知识蒸馏，包括：

根据训练后的多个教师模型，对图像数据集中的图像进行特征提取，以确定多个第一特征图，其中，每一教师模型对应一个第一特征图；

在每次迭代中，确定第二特征图，并随机选择一个教师模型对学生模型进行知识蒸馏，其中，第二特征图与第一特征图的大小相同。

在一些实施例中，基于多层损失函数对学生模型进行训练，包括：

基于多层损失函数对学生模型进行迭代训练；

若迭代次数大于第一次数阈值，或者，学生模型的损失小于第一损失阈值，则停止迭代训练。

在一些实施例中，痘痘类别包括粉刺、逗后红斑、炎症性丘疹、脓包、结节和囊肿中的至少一种。