[发明专利]一种深度学习模型性能评价方法及系统

权利要求书

1.一种深度学习模型性能评价方法，其特征在于，所述方法包括：

获取第一连通图斑以及第二连通图斑，所述第一连通图斑从真实标签中提取得到，所述第二连通图斑从所述真实标签对应的预测结果中提取得到；所述预测结果包括每个Epoch模型的预测结果；深度学习模型的每一个训练时期为1个Epoch模型；

分别提取所述第一连通图斑以及所述第二连通图斑的轮廓信息和图斑内像素点的总数量，分别得到标准标记连通序列A和预测连通序列集合B；所述预测连通序列集合B包含若干个预测连通序列B_k；B_k表示第k个Epoch模型对应的预测连通序列；每个所述预测连通序列B_k包含一个Epoch模型的预测结果对应的第二连通图斑的轮廓信息和图斑内像素点的总数量；

根据所述标准标记连通序列A对所述预测连通序列集合B中的每个预测连通序列B_K进行空间校准，得到校准连通序列集合C；所述校准连通序列集合C包括若干个校准连通序列C_K，每个所述校准连通序列C_K由一个预测连通序列B_K空间校准得到；

计算所述标准标记连通序列A中的第i个元素a_i与所述校准连通序列集合C中的校准连通序列C_K中的第j个元素c_j的欧式距离；

构建m×n的相似性矩阵P，所述相似性矩阵P中的元素P(i,j)为distance(a_i,c_j)；其中，m为所述标准标记连通序列A中的元素总数，n为所述校准连通序列C_K中的元素总数；

以相似性矩阵P中目标对角线两端的元素分别为起点和终点，所述目标对角线为主对角线或副对角线，依次从起点至终点搜索出一条路径，在搜索过程中，每一步均搜索前进方向上元素值最小的元素；

将所述路径上的所有元素相加得到所述标准标记连通序列A与所述校准连通序列C_K的相似度；

遍历所述校准连通序列集合C中的所有校准连通序列C_K，得到相似度集合；

根据所述相似度集合评价深度学习模型。

2.根据权利要求1所述的深度学习模型性能评价方法，其特征在于，

所述第一连通图斑包括一个或多个像素，同一第一连通图斑中像素的像素值相同，且当所述第一连通图斑具有多个像素时，所述第一连通图斑中，任一像素在水平方向或垂直方向上具有相邻像素；

所述第二连通图斑包括一个或多个像素，同一第二连通图斑中像素的像素值相同，且当所述第二连通图斑具有多个像素时，所述第二连通图斑中，任一像素在水平方向或垂直方向上具有相邻像素。

3.根据权利要求1所述的深度学习模型性能评价方法，其特征在于，所述获取第一连通图斑以及第二连通图斑，所述第一连通图斑从真实标签中提取得到，所述第二连通图斑从所述真实标签对应的预测结果中提取得到；所述预测结果包括每个Epoch模型的预测结果，具体包括：

采用四邻域两遍扫描法，由左向右、由上向下对深度学习模型的真实标签与每个Epoch模型预测结果进行逐行扫描搜索，得到若干个第一连通图斑和若干个第二连通图斑。