CN110378438A - 标签容错下的图像分割模型的训练方法、装置及相关设备 - Google Patents

标签容错下的图像分割模型的训练方法、装置及相关设备 Download PDF

Info

Publication number
CN110378438A
CN110378438A CN201910727040.9A CN201910727040A CN110378438A CN 110378438 A CN110378438 A CN 110378438A CN 201910727040 A CN201910727040 A CN 201910727040A CN 110378438 A CN110378438 A CN 110378438A
Authority
CN
China
Prior art keywords
pixel
mass index
training
image
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910727040.9A
Other languages
English (en)
Inventor
吴及
石佳琳
朱海东
吕萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910727040.9A priority Critical patent/CN110378438A/zh
Publication of CN110378438A publication Critical patent/CN110378438A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种标签容错下的图像分割模型的训练方法、装置及相关设备。该方法包括：获取训练样本集；通过分割模型对样本图像进行处理，获得预测分割结果；根据预测分割结果和样本图像的像素级标注确定分割损失函数；通过质量感知模型和防过拟合模型对样本图像及其像素级标注进行处理，获得相对质量指标；根据分割损失函数与相对质量指标，调节分割模型和质量感知模型的参数，获得训练完成的分割模型。本公开涉及的标签容错下的图像分割模型的训练方法、装置及相关设备，根据样本图像及其像素级标注生成相对质量指标，并根据相对质量指标调整分割损失函数以完成模型训练，能够在训练样本集具有噪声时仍保证训练后的分割模型具有较高的准确率。

Description

标签容错下的图像分割模型的训练方法、装置及相关设备
技术领域
本公开涉及计算机技术领域，具体而言，涉及一种标签容错下的图像分割模型的训练方法、装置、电子设备及计算机可读介质。
背景技术
在医学图像领域，标注质量极大地依赖于丰富的专业知识，互联网大量图像数据的众包标注形式并不适合，且不同医生标注习惯不同，造成不同的样本之间所使用的标注标准并不是统一的，噪声标签成为普遍存在的难题。对于层次不齐的标注质量，如果直接采用原始的标注进行训练，所得到的模型会受到噪声样本的影响，导致最终的预测结果精度低、模型鲁棒性及泛化能力差。考虑到医生在临床实践中往往不需要精确标注来诊断病情，而对于医学图像分割问题，算法需要进行大量精确的像素级标注，因此噪声标注这一问题在图像分割上更为严峻；且目前已有的方案均是针对于图像分类问题的噪声标注，因此如何通过层次不齐的像素级标注的样本训练得到准确率较高的图像分割模型，目前仍是尚未解决的问题。
因此，需要一种新的标签容错下的图像分割模型的训练方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的相关技术的信息。
发明内容
有鉴于此，本公开实施例提供一种标签容错下的图像分割模型的训练方法、装置、电子设备及计算机可读介质，能够在训练样本集具有噪声时仍保证训练后的分割模型具有较高的准确率。
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。
根据本公开的一方面，提出一种标签容错下的图像分割模型的训练方法，该方法包括：获取训练样本集，所述训练样本集包括样本图像及其像素级标注；通过分割模型对所述样本图像进行处理，获得预测分割结果；根据所述预测分割结果和样本图像的像素级标注确定分割损失函数；通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标；通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标；根据所述分割损失函数与所述相对质量指标，调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
在本公开的一种示例性实施例中，所述方法还包括：获得待处理图像；通过所述分割模型对所述待处理图像进行处理，获得所述待处理图像的像素级分割结果。
在本公开的一种示例性实施例中，获取训练样本集包括：获取样本图像及其精确的像素级标注；对第一预定数量的精确的像素级标注进行第一预定像素值的像素扩张，获得扩展的像素级标注结果；对第二预定数量的精确的像素级标注进行第二预定像素值的像素收缩，获得收缩的像素级标注结果。
在本公开的一种示例性实施例中，根据所述分割损失函数与所述相对质量指标，调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型包括：根据所述分割损失函数与所述相对质量指标的乘积确定目标损失函数；根据所述目标损失函数更新所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
在本公开的一种示例性实施例中，通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标包括：将所述样本图像及其像素级标注进行拼接，生成拼接数据；通过质量感知模型对所述拼接数据进行处理，获得所述绝对质量指标。
在本公开的一种示例性实施例中，通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标包括：通过双曲正切函数对所述绝对质量指标进行处理，获得相对质量指标。
在本公开的一种示例性实施例中，所述质量感知模型包括卷积神经网络模型。
根据本公开的一方面，提出一种标签容错下的图像分割模型的训练装置，该装置包括：数据获取模块，用于获取训练样本集，所述训练样本集包括样本图像及其像素级标注；图像分割模块，用于通过分割模型对所述样本图像进行处理，获得预测分割结果；分割损失函数计算模块，用于根据所述预测分割结果和样本图像的像素级标注确定分割损失函数；绝对质量指标模块，用于通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标；相对质量指标模块，用于通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标；参数更新模块，用于根据所述分割损失函数与所述相对质量指标调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文中所述的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中所述的方法。
根据本公开一些实施例提供的标签容错下的图像分割模型的训练方法、装置、电子设备及计算机可读介质，根据样本图像及其像素级标注生成绝对质量指标，能够评估样本图像的像素级标注的潜在质量；根据防过拟合模型对绝对质量指标进行处理获得相对质量指标，能够在一定程度上减少不同质量的像素级标注间绝对质量指标的差距，避免部分样本图像及其像素级标注被赋予过高的绝对质量指标；并根据分割损失函数和相对质量指标调节分割模型的参数以完成模型训练，能够在训练样本集具有噪声时仍保证模型的学习性能，并使训练后的分割模型仍具有较高的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种标签容错下的图像分割模型的训练方法的流程图。
图2是根据另一示例性实施例示出的一种标签容错下的图像分割模型的训练方法的流程图。
图3示出了图1中所示的步骤S110在一实施例中的处理过程示意图。
图4示出了图1中所示的步骤S160在一实施例中的处理过程示意图。
图5示出了图1中所示的步骤S140在一实施例中的处理过程示意图。
图6是根据一示例性实施例示出的训练样本集的示意图。
图7是根据又一示例性实施例示出的一种标签容错下的图像分割模型的训练结构的示意图。
图8是根据一示例性实施例示出的一种标签容错下的图像分割模型的训练装置的框图。
图9是根据一示例性实施例示出的一种电子设备的框图。
图10是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种标签容错下的图像分割模型的训练方法的流程图。本公开实施例提供的标签容错下的图像分割模型的训练方法可以由任意具备计算处理能力的电子设备执行，例如用户终端和/或服务器，在下面的实施例中，以服务器执行所述方法为例进行举例说明，但本公开并不限定于此。本公开实施例提供的标签容错下的图像分割模型的训练方法10可以包括步骤S110至S160。
如图1所示，在步骤S110中，获取训练样本集，所述训练样本集包括样本图像及其像素级标注。
本公开实施例中，所述训练样本集中的样本质量并不受限制，即所述样本图像的像素级标注可存在噪声。图6是根据一示例性实施例示出的训练样本集的示意图。在图像分割问题的标注样本中，分割噪声一般源于区域性的像素级扩展或收缩。如图6所示，第一列为样本图像，第二列为精确的像素级标注，第三列为收缩噪声的像素级标注，第四列为具有扩张噪声的像素级标注。所述训练样本集中每一样本图像具有肋骨、肺部、心脏三个器官的像素级标注，图6中仅示出肋肺部和心脏的示意图。应该理解，本公开的技术方案的分割任务并不限于医疗图像，图6仅为训练样本集的示例，训练样本集还可以是人脸图像集、手势图像集、汽车图像集等其他类型的图像。
在步骤S120中，通过分割模型对所述样本图像进行处理，获得预测分割结果。
本公开实施例中，所述分割模型用于对所述样本图像进行图像分割操作。所述分割模型可例如为卷积神经网络模型。其中，卷积神经网络(Convolutional NeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deeplearning)的代表算法之一。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。但本公开的分割模型还可以是其他类型的模型结构，本公开的技术方案对此并不作特殊限定。
在步骤S130中，根据所述预测分割结果和样本图像的像素级标注确定分割损失函数。
其中，损失函数为是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计。本公开实施例中的分割损失函数为所述分割模型对所述样本图像及其像素级标注进行处理后获得的损失函数。
在步骤S140中，通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标。
本公开实施例中，所述质量感知模型用于对所述样本图像及其像素级标注的标注质量进行评价，能够对样本图像及其像素级标注在语义层级上进行结合和处理，获得绝对质量指标。其中，所述绝对质量指标能够表征所述样本图像及其像素级标注是否具有噪声，以及标注噪声的严重程度。
在一个实施例中，所述质量感知模型包括卷积神经网络模型。例如，质量感知模型可以是视觉几何组网络(Visual Geometry Group Network，VGG网络)，所述视觉几何组网络为一种改进的卷及神经网络，但应该理解，本公开的技术方案对质量感知模型的具体模型结构并不作特殊限定。
本公开实施例中，所述质量感知模型的输入通道数可为n+m，其中n是标注的总类别数，m为样本图像的通道个数，n和m均为正整数。以图6为例，标注的类别分别为背景、肋骨、心脏、肺部，共四类，样本图像为一通道的灰度图。因此将图6示出的数据集作为训练样本集时，所述质量感知模型的输入通道数为n+m＝4+1＝5。
在步骤S150中，通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标。
本公开实施例中，所述防过拟合模型的输入为绝对质量指标，输出为相对质量指标。根据绝对质量指标，能够挑选出训练样本集中相对质量较高的像素级标注，但绝对质量指标在后期处理中将可能被赋予过高或过低的权重值，例如为0，这将使在训练过程中无法对部分样本进行有效学习。本步骤的防过拟合模型通过生成相对质量指标并用于后续处理，能够在保证质量不同的样本图像及其像素级标注间的质量指标仍具有明显区别的情况下，避免出现后续训练步骤中权重值过高或过低的情况。
在一个实施例中，可通过双曲正切函数对所述绝对质量指标进行处理，获得相对质量指标。其中，双曲正切函数是双曲函数的一种。双曲正切函数在数学语言上一般写作tanh，也可简写成th。
在一个实施例中，可通过下式计算相对质量指标：
Γ(x；y)＝λtanh(Θ(x；y)) (1)
其中，λ为超参数，Θ(x；y)为样本图像及其像素级标注(x；y)的绝对质量指标，Γ(x；y)为样本图像及其像素级标注(x；y)的相对质量指标。
在步骤S160中，根据所述分割损失函数与所述相对质量指标，调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
在公开实施例中，可根据所述相对质量指标对所述分割损失函数进行加权操作，以使加权操作后的所述分割损失函数对具有噪声的样本图像及其像素级标注具有更大的响应。
根据本公开实施方式提供的标签容错下的图像分割模型的训练方法，根据样本图像及其像素级标注生成绝对质量指标，能够评估样本图像的像素级标注的潜在质量；根据防过拟合模型对绝对质量指标进行处理获得相对质量指标，能够在一定程度上减少不同质量的像素级标注间绝对质量指标的差距，避免部分样本图像及其像素级标注被赋予过高的绝对质量指标；并根据分割损失函数和相对质量指标调节分割模型的参数以完成模型训练，能够在训练样本集具有噪声时仍保证模型的学习性能，并使训练后的分割模型仍具有较高的准确率。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种标签容错下的图像分割模型的训练方法的流程图。
如图2所示，本发明实施例的标签容错下的图像分割模型的训练方法还可以进一步包括以下步骤。
在步骤S202中，获得待处理图像。
本公开实施例中，所述待处理图像可为需要进行分割的图像。例如，可通过终端设备或服务器获取待分割任务，带分割任务中包括一个或多个待处理图像。
在步骤S204中，通过所述分割模型对所述待处理图像进行处理，获得所述待处理图像的像素级分割结果。
本公开实施例中，所述分割模型可为图1中训练完成的分割模型。
在一个实施例中，可通过图像语义分割评价指标对图像进行处理，例如，可通过Dice指标作为评价标准：
其中，Vpred为像素级分割结果的分割区域，Vgt为标注区域。Dice为评价指标，Dice的数值最小值为0，最大值为1，数值越接近1代表模型的分割效果越好。
图3示出了图1中所示的步骤S110在一实施例中的处理过程示意图。
如图3所示，本发明实施例中，上述步骤S110可以进一步包括以下步骤。
在步骤S111中，获取样本图像及其精确的像素级标注。
在步骤S112中，对第一预定数量的精确的像素级标注进行第一预定像素值的像素扩张，获得扩展的像素级标注结果。
在一个实施例中，第一预定数量可为小于等于精确的像素级标注的数量的任意正整数。例如，第一预定数量可为精确的像素级标注的数量的0％、25％、50％、75％等，本公开的技术方案对此并不作特殊限定。
在一个实施例中，所述第一预定像素值可为小于等于所述样本图像的像素尺寸的任意正整数。例如，第一预定像素值可为0-8、5-13等，本公开的技术方案对此并不作特殊限定。
在步骤S113中，对第二预定数量的精确的像素级标注进行第二预定像素值的像素收缩，获得收缩的像素级标注结果。
本公开实施例中，第二预定数量、第二预定像素值的取值规则分别与第一预定数量、第一预定像素值相同，此处不再赘述。
在本公开实施例的标签容错下的图像分割模型的训练方法，通过对第一预定数量的精确的像素级标注进行进行第一预定像素值的像素扩张，并对第二预定数量的精确的像素级标注进行第二预定像素值的像素收缩，能够获得具有不同噪声类型和噪声级别的训练样本集，进而能够根据该训练样本集对分割模型进行训练，获得具有容错性能的分割模型。
图4示出了图1中所示的步骤S160在一实施例中的处理过程示意图。
如图4所示，本发明实施例中，上述步骤S160可以进一步包括以下步骤。
在步骤S161中，根据所述分割损失函数与所述相对质量指标的乘积确定目标损失函数。
本公开实施例中，所述目标损失函数可通过下式确定：
Loss＝∑i＝1，...，NΘ(xi，yi)·Li (3)
其中，Li为分割损失函数，Θ(xi，yi)为相对质量指标，i为训练样本集中的样本编号，且满足s.t.∑i＝1，...，NΘ(xi，yi)＝1，0≤Θ(xi，yi)≤1。
在步骤S162中，根据所述目标损失函数更新所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
本公开实施例中，可将所述目标损失函数进行梯度回传，同时调整所述分割模型和质量感知模型的参数。
图5示出了图1中所示的步骤S140在一实施例中的处理过程示意图。
如图5所示，本发明实施例中，上述步骤S140可以进一步包括以下步骤。
在步骤S141中，将所述样本图像及其像素级标注进行拼接，生成拼接数据。
在一个实施例中所述样本图像可为具有一通道的灰度图，还可为具有三通道的彩色图片。可根据通道形式对样本图像及其像素级标注拼接进行处理生成拼接数据。
在步骤S142中，通过质量感知模型对所述拼接数据进行处理，获得所述绝对质量指标。
本公开实施例提供的标签容错下的图像分割模型的训练方法，在没有对训练样本集进行进一步标注的情况下对模型进行训练，缓解了噪声标签对分割任务的情形；并能够根据具有不同类型和不同程度的噪声标注的样本训练集进行训练，获得鲁棒性和泛化能力较高的分割模型。本公开实施例提供的标签容错下的图像分割模型的训练方法能够解决标注严重依赖专家知识的医疗图像领域中，噪声标签对模型训练造成的训练效果不佳的缺陷。
图7是根据又一示例性实施例示出的一种标签容错下的图像分割模型的训练结构的示意图。
如图7所示，本公开实施例的模型架构包括三个部分：分割模型、质量感知模型和防过拟合模型。
其中，分割模型可以是用于生成分割结果的卷积神经网络模型。质量感知模型可以是卷积神经网络结构模型，用于将图像及其像素级标注的拼接作为输入(图7中被标记为类别1，类别2…类别n)，并且和分割模型并行运行。为了在同一批量中重新加权样本，质量感知模型和防过拟合模型对于每个输入的样本图像及其像素级标注产生一个绝对质量指标，其后为softmax层，生成相对质量指标(Relative Score)。相对质量指标和由分割网络生成的分割损失函数相乘生成最终的目标损失函数。后向传播目标损失函数来同时调整分割模型和质量感知模型。
质量感知模型可监督目标损失函数的下降速率。在重新加权损失函数后，分割模块基于重新加权的损失，反向传播并且更多的聚焦于具有更高权重的样本，同时质量感知模块基于相同的loss值，反向传播。
另xi是训练样本集中第ith个样本图像，yi是其像素级标注。Li是在具有N个样本的批量数据中，由分割模块计算的第ith个分割损失函数。本公开将样本图像和训练所用的像素级拼接起来，输入一个基于VGG网络的质量感知模型Θ(·)，以提取高维信息。以图6示出的包括灰度图像的训练样本集为例，该质量感知模型的输入通道数为n+1，其中n是标注的总类别数(本实施例中n＝4，分别代表背景、肺部、心脏、肋骨)，‘加1’是代表样本图像的单通道灰度图。其中，可用单通道平均池化层来代替基于VGG网络的最后一层，评价在该批量中每个样本的权重Θ(x；y)。则用于区分不同标签质量的目标损失函数的计算方式可见公式(3)。
质量感知模型能够挑选出相对质量较高的标注样本进行训练，但是在训练过程中质量评估模块会倾向于对个别精确的样本赋予极高的权值，使得整个网络在少量的数据上严重过拟合。同时如果某个样本在训练初始状态时被赋予了过高或过低的权重，softmax层在这一位置处的梯度已经近似于0，使得训练后期网络无法有效的修改这些样本的权值，导致选择固化，加重最终过拟合程度。
本公开实施例的防过拟合模块位于质量感知模型和softmax层之间，其可限制绝对质量指标的取值，生成相对质量指标。相对质量指标的计算方式可见公式(1)。防过拟合模型将输出的质量指标从(-∞,∞)范围(绝对质量指标)缩小到(-λ,λ)(相对质量指标)。在通过防过拟合模型和softmax层的处理后，在同一批内，两个质量指标的最大比值从∞降低到e^2λ。这一数值将保证不会完全地忽视任意一个样本，同时能够解决由于早期的错误挑选导致的训练过程中权值过高或过低的难题。
本公开实施例提供的标签容错下的图像分割模型的训练方法，能够在像素级标注质量不高的情况下，仍保证模型进行高效高质的学习过程。其中，质量感知模型能够识别样本图像及其像素级标注之间内在的语义深层次连接，进而获得评估像素级标注质量的绝对质量指标；同时，通过防过拟合模型对绝对质量指标进行处理获得相对质量指标，能够保证网络的泛化能力，避免过拟合现象，进而保证有足够的训练样本。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图8是根据一示例性实施例示出的一种标签容错下的图像分割模型的训练装置的框图。本公开实施例提供的标签容错下的图像分割模型的训练装置80可以包括：数据获取模块810、图像分割模块820、分割损失函数计算模块830、绝对质量指标模块840、相对质量指标模块850以及参数更新模块860。
在标签容错下的图像分割模型的训练装置80中，数据获取模块810可用于获取训练样本集，所述训练样本集包括样本图像及其像素级标注。
在示例性实施例中，所述数据获取模块810可包括精确标注获取单元、扩展标注获取单元以及收缩标注获取单元。其中，精确标注获取单元可用于获取样本图像及其精确的像素级标注；扩展标注获取单元可用于对第一预定数量的精确的像素级标注进行第一预定像素值的像素扩张，获得扩展的像素级标注结果；收缩标注获取单元可用于对第二预定数量的精确的像素级标注进行第二预定像素值的像素收缩，获得收缩的像素级标注结果。
图像分割模块820可用于通过分割模型对所述样本图像进行处理，获得预测分割结果。
分割损失函数计算模块830可用于根据所述预测分割结果和样本图像的像素级标注确定分割损失函数。
绝对质量指标模块840可用于通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标。
在示例性实施例中，所述质量感知模型可为卷积神经网络模型。
在示例性实施例中，绝对质量指标模块840可包括拼接单元以及绝对质量指标单元。其中拼接单元可用于将所述样本图像及其像素级标注进行拼接，生成拼接数据；绝对质量指标单元可用于通过质量感知模型对所述拼接数据进行处理，获得所述绝对质量指标。
相对质量指标模块850可用于通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标。
在示例性实施例中，相对质量指标模块850可用于通过双曲正切函数对所述绝对质量指标进行处理，获得相对质量指标。
参数更新模块860可用于根据所述分割损失函数与所述相对质量指标调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
在示例性实施例中，参数更新模块860可包括目标损失函数计算单元以及参数更新单元。其中，目标损失函数计算单元可用于根据所述分割损失函数与所述相对质量指标的乘积确定目标损失函数；参数更新单元可用于根据所述目标损失函数更新所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
在一个实施例中，标签容错下的图像分割模型的训练装置80还可包括获得图像获取模块以及分割处理模块。其中，图像获取模块可用于待处理图像；分割处理模块可用于通过所述分割模型对所述待处理图像进行处理，获得所述待处理图像的像素级分割结果。
根据本公开实施方式提供的标签容错下的图像分割模型的训练装置，根据样本图像及其像素级标注生成绝对质量指标，能够评估样本图像的像素级标注的潜在质量；根据防过拟合模型对绝对质量指标进行处理获得相对质量指标，能够在一定程度上减少不同质量的像素级标注间绝对质量指标的差距，避免部分样本图像及其像素级标注被赋予过高的绝对质量指标；并根据分割损失函数和相对质量指标调节分割模型的参数以完成模型训练，能够在训练样本集具有噪声时仍保证模型的学习性能，并使训练后的分割模型仍具有较高的准确率。
图9是根据一示例性实施例示出的一种电子设备的框图。
下面参照图9来描述根据本公开的这种实施方式的电子设备200。图9显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1，图2，图3，图4，图5中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
图10示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图10所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取训练样本集，所述训练样本集包括样本图像及其像素级标注；通过分割模型对所述样本图像进行处理，获得预测分割结果；根据所述预测分割结果和样本图像的像素级标注确定分割损失函数；通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标；通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标；根据所述分割损失函数与所述相对质量指标，调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块和/或单元可以合并为一个模块和/或单元，也可以进一步拆分成多个模块和/或单元。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。

Claims (10)

1.一种标签容错下的图像分割模型的训练方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括样本图像及其像素级标注；
通过分割模型对所述样本图像进行处理，获得预测分割结果；
根据所述预测分割结果和样本图像的像素级标注确定分割损失函数；
通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标；
通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标；
根据所述分割损失函数与所述相对质量指标，调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
2.如权利要求1所述的方法，其特征在于，还包括：
获得待处理图像；
通过所述分割模型对所述待处理图像进行处理，获得所述待处理图像的像素级分割结果。
3.如权利要求1所述的方法，其特征在于,获取训练样本集包括：
获取样本图像及其精确的像素级标注；
对第一预定数量的精确的像素级标注进行第一预定像素值的像素扩张，获得扩展的像素级标注结果；
对第二预定数量的精确的像素级标注进行第二预定像素值的像素收缩，获得收缩的像素级标注结果。
4.如权利要求1所述的方法，其特征在于，根据所述分割损失函数与所述相对质量指标，调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型包括：
根据所述分割损失函数与所述相对质量指标的乘积确定目标损失函数；
根据所述目标损失函数更新所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
5.如权利要求1所述的方法，其特征在于,通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标包括：
将所述样本图像及其像素级标注进行拼接，生成拼接数据；
通过质量感知模型对所述拼接数据进行处理，获得所述绝对质量指标。
6.如权利要求1所述的方法，其特征在于，通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标包括：
通过双曲正切函数对所述绝对质量指标进行处理，获得相对质量指标。
7.如权利要求1所述的方法，其特征在于，所述质量感知模型包括卷积神经网络模型。
8.一种标签容错下的图像分割模型的训练装置，其特征在于，包括：
数据获取模块，用于获取训练样本集，所述训练样本集包括样本图像及其像素级标注；
图像分割模块，用于通过分割模型对所述样本图像进行处理，获得预测分割结果；
分割损失函数计算模块，用于根据所述预测分割结果和样本图像的像素级标注确定分割损失函数；
绝对质量指标模块，用于通过质量感知模型对所述样本图像及其像素级标注进行处理，获得绝对质量指标；
相对质量指标模块，用于通过防过拟合模型对所述绝对质量指标进行处理，获得相对质量指标；
参数更新模块，用于根据所述分割损失函数与所述相对质量指标调节所述分割模型和所述质量感知模型的参数，以获得训练完成的所述分割模型。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201910727040.9A 2019-08-07 2019-08-07 标签容错下的图像分割模型的训练方法、装置及相关设备 Pending CN110378438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910727040.9A CN110378438A (zh) 2019-08-07 2019-08-07 标签容错下的图像分割模型的训练方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910727040.9A CN110378438A (zh) 2019-08-07 2019-08-07 标签容错下的图像分割模型的训练方法、装置及相关设备

Publications (1)

Publication Number Publication Date
CN110378438A true CN110378438A (zh) 2019-10-25

Family

ID=68258467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910727040.9A Pending CN110378438A (zh) 2019-08-07 2019-08-07 标签容错下的图像分割模型的训练方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN110378438A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796673A (zh) * 2019-10-31 2020-02-14 Oppo广东移动通信有限公司 图像分割方法及相关产品
CN110889816A (zh) * 2019-11-07 2020-03-17 北京量健智能科技有限公司 一种图像分割方法与装置
CN111311608A (zh) * 2020-02-05 2020-06-19 方军 评估伤口的方法、设备和计算机可读存储介质
CN111402278A (zh) * 2020-02-21 2020-07-10 华为技术有限公司 分割模型训练方法、图像标注方法及相关装置
CN111507419A (zh) * 2020-04-22 2020-08-07 腾讯科技（深圳）有限公司 图像分类模型的训练方法及装置
CN111583199A (zh) * 2020-04-24 2020-08-25 上海联影智能医疗科技有限公司 样本图像标注方法、装置、计算机设备和存储介质
CN112767422A (zh) * 2021-02-01 2021-05-07 推想医疗科技股份有限公司 图像分割模型的训练方法及装置，分割方法及装置，设备
CN113643311A (zh) * 2021-06-28 2021-11-12 清华大学 一种对边界误差鲁棒的图像分割方法和装置
WO2023226606A1 (zh) * 2022-05-23 2023-11-30 北京百度网讯科技有限公司 图像分割样本的生成方法及装置、图像分割模型的预训练方法及装置、设备、介质
CN113947561B (zh) * 2020-06-30 2023-12-26 应用材料以色列公司 半导体样本的图像分割
CN117610263A (zh) * 2023-11-23 2024-02-27 上海百琪迈科技(集团)有限公司 一种3d可视化的排料软件

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107123123A (zh) * 2017-05-02 2017-09-01 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN108877839A (zh) * 2018-08-02 2018-11-23 南京华苏科技有限公司 基于语音语义识别技术的语音质量感知评估的方法及***
CN108985269A (zh) * 2018-08-16 2018-12-11 东南大学 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
CN109086768A (zh) * 2018-07-13 2018-12-25 南京邮电大学 卷积神经网络的语义图像分割方法
CN109308692A (zh) * 2018-07-30 2019-02-05 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN109344833A (zh) * 2018-09-04 2019-02-15 中国科学院深圳先进技术研究院 医学图像分割方法、分割***及计算机可读存储介质
CN109978893A (zh) * 2019-03-26 2019-07-05 腾讯科技（深圳）有限公司 图像语义分割网络的训练方法、装置、设备及存储介质
CN110070510A (zh) * 2019-04-26 2019-07-30 东北大学 一种基于vgg-19提取特征的cnn医学图像降噪方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107123123A (zh) * 2017-05-02 2017-09-01 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN109086768A (zh) * 2018-07-13 2018-12-25 南京邮电大学 卷积神经网络的语义图像分割方法
CN109308692A (zh) * 2018-07-30 2019-02-05 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN108877839A (zh) * 2018-08-02 2018-11-23 南京华苏科技有限公司 基于语音语义识别技术的语音质量感知评估的方法及***
CN108985269A (zh) * 2018-08-16 2018-12-11 东南大学 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
CN109344833A (zh) * 2018-09-04 2019-02-15 中国科学院深圳先进技术研究院 医学图像分割方法、分割***及计算机可读存储介质
CN109978893A (zh) * 2019-03-26 2019-07-05 腾讯科技（深圳）有限公司 图像语义分割网络的训练方法、装置、设备及存储介质
CN110070510A (zh) * 2019-04-26 2019-07-30 东北大学 一种基于vgg-19提取特征的cnn医学图像降噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAIDONG ZHU, ET AL: "《Pick-and Learn：Automatic Quality Evalution for Noisy-Labeled Image Segmentation》", 《ARXIV PREPRINT:ARXIV:1907.11835V1》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796673A (zh) * 2019-10-31 2020-02-14 Oppo广东移动通信有限公司 图像分割方法及相关产品
CN110796673B (zh) * 2019-10-31 2023-02-24 Oppo广东移动通信有限公司 图像分割方法及相关产品
CN110889816B (zh) * 2019-11-07 2022-12-16 拜耳股份有限公司 一种图像分割方法与装置
CN110889816A (zh) * 2019-11-07 2020-03-17 北京量健智能科技有限公司 一种图像分割方法与装置
CN111311608A (zh) * 2020-02-05 2020-06-19 方军 评估伤口的方法、设备和计算机可读存储介质
CN111311608B (zh) * 2020-02-05 2023-05-09 方军 评估伤口的方法、设备和计算机可读存储介质
CN111402278A (zh) * 2020-02-21 2020-07-10 华为技术有限公司 分割模型训练方法、图像标注方法及相关装置
CN111402278B (zh) * 2020-02-21 2023-10-27 华为云计算技术有限公司 分割模型训练方法、图像标注方法及相关装置
CN111507419A (zh) * 2020-04-22 2020-08-07 腾讯科技（深圳）有限公司 图像分类模型的训练方法及装置
CN111583199B (zh) * 2020-04-24 2023-05-26 上海联影智能医疗科技有限公司 样本图像标注方法、装置、计算机设备和存储介质
CN111583199A (zh) * 2020-04-24 2020-08-25 上海联影智能医疗科技有限公司 样本图像标注方法、装置、计算机设备和存储介质
CN113947561B (zh) * 2020-06-30 2023-12-26 应用材料以色列公司 半导体样本的图像分割
CN112767422B (zh) * 2021-02-01 2022-03-08 推想医疗科技股份有限公司 图像分割模型的训练方法及装置，分割方法及装置，设备
CN112767422A (zh) * 2021-02-01 2021-05-07 推想医疗科技股份有限公司 图像分割模型的训练方法及装置，分割方法及装置，设备
CN113643311A (zh) * 2021-06-28 2021-11-12 清华大学 一种对边界误差鲁棒的图像分割方法和装置
CN113643311B (zh) * 2021-06-28 2024-04-09 清华大学 一种对边界误差鲁棒的图像分割方法和装置
WO2023226606A1 (zh) * 2022-05-23 2023-11-30 北京百度网讯科技有限公司 图像分割样本的生成方法及装置、图像分割模型的预训练方法及装置、设备、介质
CN117610263A (zh) * 2023-11-23 2024-02-27 上海百琪迈科技(集团)有限公司 一种3d可视化的排料软件

Similar Documents

Publication Publication Date Title
CN110378438A (zh) 标签容错下的图像分割模型的训练方法、装置及相关设备
Sarkar et al. Hands-On Transfer Learning with Python: Implement advanced deep learning and neural network models using TensorFlow and Keras
Beyeler Machine Learning for OpenCV
US20230016365A1 (en) Method and apparatus for training text classification model
WO2022007823A1 (zh) 一种文本数据处理方法及装置
US9965717B2 (en) Learning image representation by distilling from multi-task networks
EP3467723A1 (en) Machine learning based network model construction method and apparatus
McClure TensorFlow machine learning cookbook
AU2017230184A1 (en) Structure learning in convolutional neural networks
CN110196908A (zh) 数据分类方法、装置、计算机装置及存储介质
CN114398961A (zh) 一种基于多模态深度特征融合的视觉问答方法及其模型
CN109919077A (zh) 姿态识别方法、装置、介质和计算设备
CN116010684A (zh) 物品推荐方法、装置及存储介质
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
US11373760B2 (en) False detection rate control with null-hypothesis
CN115050064A (zh) 人脸活体检测方法、装置、设备及介质
Halvardsson et al. Interpretation of swedish sign language using convolutional neural networks and transfer learning
CN114330499A (zh) 分类模型的训练方法、装置、设备、存储介质及程序产品
Norris Machine Learning with the Raspberry Pi
CN112561060A (zh) 神经网络训练方法及装置、图像识别方法及装置和设备
EP4220555A1 (en) Training method and apparatus for image segmentation model, image segmentation method and apparatus, and device
Sikka Elements of Deep Learning for Computer Vision: Explore Deep Neural Network Architectures, PyTorch, Object Detection Algorithms, and Computer Vision Applications for Python Coders (English Edition)
CN111382619A (zh) 图片推荐模型的生成、图片推荐方法、装置、设备及介质
CN113505786A (zh) 试题拍照评判方法、装置及电子设备
CN110738261B (zh) 图像分类和模型训练方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191025

RJ01 Rejection of invention patent application after publication