CN110796161A - 识别模型训练、眼底特征的识别方法、装置、设备及介质 - Google Patents

识别模型训练、眼底特征的识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN110796161A
CN110796161A CN201910882247.3A CN201910882247A CN110796161A CN 110796161 A CN110796161 A CN 110796161A CN 201910882247 A CN201910882247 A CN 201910882247A CN 110796161 A CN110796161 A CN 110796161A
Authority
CN
China
Prior art keywords
image
fundus
preset
neural network
recognition
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
CN201910882247.3A
Other languages
English (en)
Inventor
王瑞
赵君寰
王立龙
袁源智
吕传峰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910882247.3A priority Critical patent/CN110796161A/zh
Priority to US17/620,780 priority patent/US11967071B2/en
Priority to PCT/CN2019/116940 priority patent/WO2021051519A1/zh
Publication of CN110796161A publication Critical patent/CN110796161A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请公开了一种识别模型训练、眼底特征的识别方法、装置、计算机设备及存储介质，所述方法包括：获取与标签值关联的眼底彩照图像样本，并输入预设识别模型，预设识别模型包括输入层单元、第一卷积神经网络和第二卷积神经网络；提取眼底彩照图像样本中的红色通道图像并输入第一卷积神经网络，获取第一识别结果以及红色通道图像的特征图；将眼底彩照图像样本与特征图进行组合，生成组合图像并输入第二卷积神经网络，获取第二识别结果；通过预设损失函数获取总损失值；在总损失值小于或等于预设损失阈值时，训练完成。如此，实现了自动识别眼底彩照图像的豹纹状眼底特征，提高了识别模型的准确率，并提升了识别模型的效率和可靠性。

Description

识别模型训练、眼底特征的识别方法、装置、设备及介质
技术领域
本申请涉及图像处理领域，尤其涉及一种识别模型训练、眼底特征的识别方法、装置、计算机设备及存储介质。
背景技术
一般由于视网膜色素上皮层的色素较少，脉络膜毛细血管间隙阻止和色素增加，加以脉络膜血管透明度降低，毛细血管越来越稀疏，可以透过视网膜见到脉络膜大中血管结构及血管间隙的色素区域，形成类似豹皮的纹理，故称之为豹纹状眼底，或纹理状眼底。豹纹状眼底常见于青壮年者中的高度近视者。由于近视眼等相关眼睛疾病越来越常见，而现有技术中，并未出现对与高度近视关系密切的豹纹状眼底特征的识别方法，因此，急需一种快速准确的豹纹状眼底特征识别方法。
发明内容
本申请提供一种识别模型训练、眼底特征的识别方法、装置、计算机设备及存储介质，实现通过提取眼底彩照图像的红色通道的图像，并将第一卷积神经网络输出的特征图与原图组合输入至第二卷积神经网络，以及根据总损失函数输出的总损失值训练识别模型，从而实现了自动识别眼底彩照图像的豹纹状眼底特征，提高了识别模型的准确率，并提升了识别模型的效率和可靠性。
一种识别模型训练方法，包括：
获取与标签值关联的眼底彩照图像样本，将所述眼底彩照图像样本输入包含初始参数的预设识别模型；所述预设识别模型包括顺次连接的输入单元、第一卷积神经网络和第二卷积神经网络；
在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像；
将所述红色通道图像输入至所述第一卷积神经网络中，获取第一识别结果以及所述红色通道图像的特征图；
将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，将所述组合图像输入所述第二卷积神经网络中，获取第二识别结果；
将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值；其中，所述损失函数中包含所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重；
在所述总损失值小于或等于预设损失阈值时，所述预设识别模型训练完成。
一种眼底特征的识别方法，包括：
接收待检测眼底彩照图像；
将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为上述已训练完成的预设识别模型。
一种识别模型训练装置，包括：
获取模块，用于获取与标签值关联的眼底彩照图像样本，将所述眼底彩照图像样本输入包含初始参数的预设识别模型；所述预设识别模型包括顺次连接的输入单元、第一卷积神经网络和第二卷积神经网络；
提取模块，用于在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像；
第一卷积模块，用于将所述红色通道图像输入至所述第一卷积神经网络中，获取第一识别结果以及所述红色通道图像的特征图；
第二卷积模块，用于将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，将所述组合图像输入所述第二卷积神经网络中，获取第二识别结果；
计算模块，用于将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值；其中，所述损失函数中包含所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重；
完成模块，用于在所述总损失值小于或等于预设损失阈值时，所述预设识别模型训练完成。
一种眼底特征的识别装置，包括：
接收模块，用于接收待检测眼底彩照图像；
识别模块，用于将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为上述已训练完成的预设识别模型。
本申请提供的识别模型训练方法、装置、计算机设备及存储介质，通过获取与标签值关联的眼底彩照图像样本，并输入预设识别模型，预设识别模型包括顺次连接的输入层单元、第一卷积神经网络和第二卷积神经网络；通过输入单元提取眼底彩照图像样本中的红色通道中的红色通道图像；将红色通道图像输入至第一卷积神经网络中，获取第一识别结果以及红色通道图像的特征图；将眼底彩照图像样本与特征图进行组合，生成组合图像，将组合图像输入至第二卷积神经网络中，获取第二识别结果；将标签值、第一识别结果、第二识别结果输入预设损失函数，以获取总损失值；在总损失值小于或等于预设损失阈值时，预设识别模型训练完成。如此，通过提取眼底彩照图像的红色通道的图像，并将第一卷积神经网络输出的特征图与原图组合输入至第二卷积神经网络，以及根据总损失函数输出的总损失值训练识别模型，从而实现了自动识别眼底彩照图像的豹纹状眼底特征，提高了识别模型的准确率，并提升了识别模型的效率和可靠性。
本申请提供的眼底特征的识别方法、装置、设备及介质，通过接收待检测眼底彩照图像；将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为上述已训练完成的预设识别模型。如此，实现了自动识别眼底彩照图像的豹纹状眼底特征，并能快速地和准确地识别眼底彩照图像的豹纹状眼底特征。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例中识别模型训练方法的应用环境示意图；
图2是本申请一实施例中识别模型训练方法的流程图；
图3是本申请一实施例中识别模型训练方法的步骤S20的流程图；
图4是本申请一实施例中识别模型训练方法的步骤S40的流程图；
图5是本申请另一实施例中识别模型训练方法的步骤S40的流程图；
图6是本申请一实施例中眼底特征的识别方法的流程图；
图7是本申请一实施例中识别模型训练装置的原理框图；
图8是本申请一实施例中眼底特征的识别装置的原理框图；
图9是本申请一实施例中计算机设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供的识别模型训练方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种识别模型训练方法，其技术方案主要包括以下步骤S10-S60：
S10，获取与标签值关联的眼底彩照图像样本，将所述眼底彩照图像样本输入包含初始参数的预设识别模型；所述预设识别模型包括顺次连接的输入单元、第一卷积神经网络和第二卷积神经网络。
其中，所述眼底彩照图像样本都会与之相应的标签值关联，例如：一张具有豹纹状眼底特征的眼底彩照图像样本与具有豹纹状眼底特征的标签值(p＝10000)关联，一张不具有豹纹状眼底特征的眼底彩照图像样本与不具有豹纹状眼底特征的标签值(p＝20000)关联。所述眼底彩照图像样本的尺寸根据需求设定，优选地，所述眼底彩照图像样本的尺寸为512×512(512个像素点的正方形)。
可理解地，所述预设识别模型包含初始参数，并且包括所述输入单元、所述第一卷积神经网络和所述第二卷积神经网络，所述输入单元连接至所述第一卷积神经网络，所述第一卷积神经网络连接至所述第二卷积神经网络。
S20，在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像。
可理解地，所述眼底彩照图像样本包括RGB(Red Green Blue，红色、绿色、蓝色)三通道图像，并提取所述眼底彩照图像样本中的红色通道的图像确定为红色通道图像。
在一实施例中，如图3所示，所述步骤S20中，所述在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像，包括：
S201，在所述输入单元中将所述眼底彩照图像样本分离为对应于红色通道、绿色通道和蓝色通道的三种图像。
可理解地，通过所述输入单元将所述眼底彩照图像样本分离出红色通道的图像、绿色通道的图像和蓝色通道的图像。
S202，将分离后的对应于所述红色通道的图像确定为所述眼底彩照图像样本的红色通道图像。
可理解地，将分离出的所述红色通道的图像确定为所述眼底彩照图像样本的红色通道图像。由于豹纹状眼底是由血管结构形成的红色豹皮的纹理，所以豹纹状眼底特征在图像的红色通道上表现明显。
如此，由于豹纹状眼底特征主要集中表现在眼底彩照图像的红色通道上，因此通过提取眼底彩照图像样本的红色通道图像进行识别，减少了非红色通道图像对豹纹状眼底特征识别的干扰，提高了识别模型的准确率。
S30，将所述红色通道图像输入至所述第一卷积神经网络中，获取第一识别结果以及所述红色通道图像的特征图。
可理解地，所述红色通道图像的尺寸跟所述眼底彩照图像样本的尺寸一样，优选地，所述红色通道图像的尺寸为512×512，将所述红色通道图像输入所述第一卷积神经网络，所述第一卷积神经网络对所述眼底彩照图像样本的豹纹状眼底特征的提取，得到所述第一识别结果，并且获取所述红色通道图像的特征图。所述第一卷积神经网络包括一个合并卷积，所述合并卷积为一个1×1卷积核的卷积，所述合并卷积将输入的多个通道的特征图通过1×1卷积核的卷积转换输出一个只有一个通道的特征图，将所述一个通道的特征图标记为所述红色通道图像的特征图，其中所述多个通道输入的特征图的尺寸跟所述红色通道图像的特征图的尺寸一样。
其中，所述第一卷积神经网络的网络结构可以根据不同数据集或者不同任务进行调整，且都会增加所述合并卷积，也即，所述第一卷积神经网络的网络结构不限于包括若干层包括多个1×1卷积核的卷积神经网络的网络结构、Resnet50网络结构、DenseNet121网络结构、VGGnet网络结构等，且都会增加所述合并卷积，以获取所述红色通道图像的特征图。
在一实施例中，优选地，所述第一卷积神经网络的网络结构包括Resnet50网络结构，并在所述Resnet50网络结构的最后一层卷积之后增加连接一个所述合并卷积，也即，将所述红色通道图像(尺寸为512×512)输入所述第一卷积神经网络，经过包含所述Resnet50网络结构的所述第一卷积神经网络中的五层深度卷积后得到2048个通道的特征图(尺寸都为16×16)，再将所述512个通道的特征图输入所述合成卷积并得到所述红色通道图像的特征图(尺寸为16×16)，而且包含所述Resnet50网络结构的所述第一卷积神经网络对所述眼底彩照图像样本的豹纹状眼底特征的提取，并将所述第一卷积神经网络得到的识别结果标记为所述第一识别结果。
在另一实施例中，优选地，所述第一卷积神经网络的网络结构包括五层且每层都有64个1×1卷积核的卷积神经网络的网络结构，并在最后一层卷积之后增加连接一个所述合并卷积，也即，将所述红色通道图像(尺寸为512×512)输入所述第一卷积神经网络，经过包含所述包括五层且每层都有64个1×1卷积核的卷积神经网络的网络结构的所述第一卷积神经网络中的五层深度卷积后得到64个通道的特征图(尺寸都为512×512)，再将所述64个通道的特征图输入所述合成卷积并得到所述红色通道图像的特征图(尺寸为512×512)，而且包含所述包括五层且每层都有64个1×1卷积核的卷积神经网络的网络结构的所述第一卷积神经网络对所述眼底彩照图像样本的豹纹状眼底特征的提取，并将所述第一卷积神经网络得到的识别结果标记为所述第一识别结果。
如此，通过所述合并卷积可以将多通道的特征图转变成一个通道的特征图，将对提取的豹纹状眼底特征进行汇总，强化了豹纹状眼底特征，并提供所述红色通道图像的特征图。
S40，将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，将所述组合图像输入所述第二卷积神经网络中，获取第二识别结果。
可理解地，将所述包括RGB三通道的眼底彩照图像样本与所述红色通道图像的特征图(一个通道)进行组合，生成四个通道的所述组合图像，并将所述组合图像输入至所述第二卷积神经网络，所述第二卷积神经网络对所述组合图像的豹纹状眼底特征的提取，得到所述第二识别结果，其中，所述第二卷积神经网络的网络结构可以根据不同数据集或者不同任务进行调整，也即，所述第二卷积神经网络的网络结构不限于包括Resnet50网络结构、DenseNet121网络结构、VGGnet网络结构等。其中，所述眼底彩照图像样本与所述特征图进行组合的方式包括拼接和叠加两种方式，在本实施例中，优选地，将所述眼底彩照图像样本与所述特征图进行组合的方式为叠加组合方式。
如此，将所述红色通道图像的特征图与所述眼底彩照图像样本进行叠加组合能够强化和突显豹纹状眼底特征，提升了识别模型的效率和可靠性，并提高了识别模型的准确率。
在一实施例中，如图4所示，所述步骤S40中，所述将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，包括：
S401，获取所述眼底彩照图像样本的原图尺寸和所述特征图的特征图尺寸。
可理解地，获取所述眼底彩照图像样本的原图尺寸，比如，所述眼底彩照图像样本的原图尺寸为512×512，获取所述特征图的特征图尺寸，比如，所述红色通道图像的特征图尺寸为16×16。
S402，在所述特征图尺寸小于所述原图尺寸时，将所述特征图通过最邻近插值法进行插值填充，直到所述特征图与所述原图尺寸相等之后，将与所述原图尺寸相等的所述特征图标记为特征填充图。
可理解地，在所述特征图尺寸小于所述原图尺寸时，比如，所述红色通道图像的特征图尺寸为16×16小于所述眼底彩照图像样本的原图尺寸512×512，则将所述特征图通过最邻近插值法进行插值填充直至与所述原图尺寸相等，即插值填充至成尺寸为512×512的特征图，并将其标记为特征填充图，如此，无需计算就可以通过每个像素点的值作为快速填充扩大后该像素点邻近的像素点的值，其中，所述每个像素点填充扩大后相应像素点邻近的像素点的值之间相互不会重合并干扰。
S403，将所述眼底彩照图像样本与所述特征填充图进行组合，生成组合图像。
可理解地，所述组合图像包括所述眼底彩照图像样本和所述特征填充图，也即，所述组合图像包括所述眼底彩照图像样本中的红色通道中的图像、所述眼底彩照图像样本中的绿色通道中的红色通道图像、所述眼底彩照图像样本中的蓝色通道中的红色通道图像和所述特征填充图，且所述组合图像尺寸与所述眼底彩照图像样本尺寸一样。
在另一实施例中，如图5所示，所述步骤S401之后，即所述获取所述眼底彩照图像样本的原图尺寸和所述特征图的特征图尺寸之后，还包括：
S404，在所述原图尺寸等于所述特征图尺寸时，将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像。
在该实施例中，获取所述眼底彩照图像样本的原图尺寸，比如，所述眼底彩照图像样本的原图尺寸为512×512，获取所述特征图的特征图尺寸，比如，所述红色通道图像的特征图尺寸为512×512，在所述原图尺寸与所述特征图尺寸相等时，则直接将所述眼底彩照图像样本与所述特征图进行叠加组合方式进行组合生成所述组合图像，也即所述组合图像包括所述眼底彩照图像样本中的红色通道中的图像、所述眼底彩照图像样本中的绿色通道中的红色通道图像、所述眼底彩照图像样本中的蓝色通道中的红色通道图像和所述特征图，且所述组合图像尺寸与所述眼底彩照图像样本尺寸一样。
S50，将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值；其中，所述损失函数中包含所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重。
可理解地，通过设置所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重，并通过将所述标签值、所述第一识别结果、所述第二识别结果输入所述预设损失函数中得到所述预设识别模型的总损失值。
在一实施例中，所述步骤S50中，所述预设损失函数为：
L＝w1×∑p log q1+w2×∑p log q2
其中：
p为眼底彩照图像的标签值；
q1为第一识别结果；
q2为第二识别结果；
w1为第一卷积神经网络的损失函数权重；
w2为第二卷积神经网络的损失函数权重。
可理解地，所述第一卷积神经网络的损失函数权重和第二卷积神经网络的损失函数权重为0至1的范围，且所述第一卷积神经网络的损失函数权重与所述第二卷积神经网络的损失函数权重之和为1，优选地，可以将所述第二卷积神经网络的损失函数权重设置为0.6，则所述第一卷积神经网络的损失函数权重设置为0.4，即表明第二卷积神经网络的识别结果占主要权重，第一卷积神经网络的识别结果占次要权重。
S60，在所述总损失值小于或等于预设损失阈值时，所述预设识别模型训练完成。
也即，通过所述预设损失函数计算后得出的所述总损失值小于或者等于所述预设损失阈值时，比如，设置所述预设损失阈值为0.001，则在所述总损失值小于或者等于0.001时，则说明所述预设识别模型训练完成，此时所述预设识别模型的初始参数无需迭代更新。
本申请通过获取与标签值关联的眼底彩照图像样本，并输入预设识别模型，预设识别模型包括顺次连接的输入层单元、第一卷积神经网络和第二卷积神经网络；通过输入单元提取眼底彩照图像样本中的红色通道中的红色通道图像；将红色通道图像输入至第一卷积神经网络中，获取第一识别结果以及红色通道图像的特征图；将眼底彩照图像样本与特征图进行组合，生成组合图像，将组合图像输入至第二卷积神经网络中，获取第二识别结果；将标签值、第一识别结果、第二识别结果输入预设损失函数，以获取总损失值；在总损失值小于或等于预设损失阈值时，预设识别模型训练完成。如此，通过提取眼底彩照图像的红色通道的图像，并将第一卷积神经网络输出的特征图与原图组合输入至第二卷积神经网络，以及根据总损失函数输出的总损失值训练识别模型，从而提高了识别模型的准确率，并提升了识别模型的效率和可靠性。
在另一实施例中，所述步骤S50之后，即所述将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值之后，还包括：
S70，在所述总损失值大于所述预设损失阈值时，迭代更新所述预设识别模型的初始参数，直至所述总损失值小于或等于所述预设损失阈值时，所述预设识别模型训练完成。
其中，所述迭代更新所述预设识别模型的初始参数是指根据所述总损失值的不同范围匹配不同的总损失函数优化算法计算出参数值进行更新所述预设识别模型的初始参数，如此，通过总损失函数优化算法进行迭代更新预设识别模型的初始参数，提升了识别模型的效率。
本申请还提供的眼底特征的识别方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，提供一种眼底特征的识别方法，如图6所示，包括以下步骤：
S100，接收待检测眼底彩照图像。
比如，若所述眼底彩照图像样本的原图尺寸为512×512，则所述待检测眼底彩照图像的尺寸优选为512×512，且待检测眼底彩照图像中包括RGB三通道的图像。
S200，将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为上述已训练完成的预设识别模型。
可理解地，通过将所述待检测眼底彩照图像输入至已训练完成的预设识别模型，可以输出该图像的豹纹状眼底特征的识别结果，所述识别结果根据需求进行设定，比如所述识别结果的表现方式可以为文字和概率同时显示，例如，识别结果输出为豹纹状眼底特征概率为95.5％。如此，实现了自动识别眼底彩照图像的豹纹状眼底特征，并能快速地和准确地识别眼底彩照图像的豹纹状眼底特征。
在一实施例中，提供一种识别模型训练装置，该识别模型训练装置与上述实施例中识别模型训练方法一一对应。如图7所示，该识别模型训练装置包括获取模块11、提取模块12、第一卷积模块13、第二卷积模块14、计算模块15和完成模块16。各功能模块详细说明如下：
获取模块11，用于获取与标签值关联的眼底彩照图像样本，将所述眼底彩照图像样本输入包含初始参数的预设识别模型；所述预设识别模型包括顺次连接的输入单元、第一卷积神经网络和第二卷积神经网络；
提取模块12，用于在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像；
第一卷积模块13，用于将所述红色通道图像输入至所述第一卷积神经网络中，获取第一识别结果以及所述红色通道图像的特征图；
第二卷积模块14，用于将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，将所述组合图像输入所述第二卷积神经网络中，获取第二识别结果；
计算模块15，用于将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值；其中，所述损失函数中包含所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重；
完成模块16，用于在所述总损失值小于或等于预设损失阈值时，所述预设识别模型训练完成。
关于识别模型训练装置的具体限定可以参见上文中对于识别模型训练方法的限定，在此不再赘述。上述识别模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供一种眼底特征的识别装置，该眼底特征的识别装置装置与上述实施例中眼底特征的识别装置方法一一对应。如图8所示，该眼底特征的识别装置包括接收模块21和识别模块22。各功能模块详细说明如下：
接收模块21，用于接收待检测眼底彩照图像；
识别模块22，用于将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为上述已训练完成的预设识别模型。
关于眼底特征的识别装置的具体限定可以参见上文中对于眼底特征的识别方法的限定，在此不再赘述。上述眼底特征的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种识别模型训练方法，或者该计算机程序被处理器执行时以实现一种眼底特征的识别方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中识别模型训练方法，或者处理器执行计算机程序时实现上述实施例中眼底特征的识别方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实现上述实施例中眼底特征的识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种识别模型训练方法，其特征在于，包括：
获取与标签值关联的眼底彩照图像样本，将所述眼底彩照图像样本输入包含初始参数的预设识别模型；所述预设识别模型包括顺次连接的输入单元、第一卷积神经网络和第二卷积神经网络；
在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像；
将所述红色通道图像输入至所述第一卷积神经网络中，获取第一识别结果以及所述红色通道图像的特征图；
将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，将所述组合图像输入所述第二卷积神经网络中，获取第二识别结果；
将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值；其中，所述损失函数中包含所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重；
在所述总损失值小于或等于预设损失阈值时，所述预设识别模型训练完成。
2.如权利要求1所述的识别模型训练方法，其特征在于，所述将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值之后，包括：
在所述总损失值大于所述预设损失阈值时，迭代更新所述预设识别模型的初始参数，直至所述总损失值小于或等于所述预设损失阈值时，所述预设识别模型训练完成。
3.如权利要求1所述的识别模型训练方法，其特征在于，所述在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像，包括：
在输入单元中将所述眼底彩照图像样本分离为对应于红色通道、绿色通道和蓝色通道的三种图像；
将分离后的对应于所述红色通道的图像确定为所述眼底彩照图像样本的红色通道图像。
4.如权利要求1所述的识别模型训练方法，其特征在于，所述将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，包括：
获取所述眼底彩照图像样本的原图尺寸和所述特征图的特征图尺寸；
在所述特征图尺寸小于所述原图尺寸时，将所述特征图通过最邻近插值法进行插值填充，直到所述特征图与所述原图尺寸相等之后，将与所述原图尺寸相等的所述特征图标记为特征填充图；
将所述眼底彩照图像样本与所述特征填充图进行组合，生成组合图像；
在所述原图尺寸等于所述特征图尺寸时，将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像。
5.如权利要求1所述的识别模型训练方法，其特征在于，所述预设损失函数为：
L＝w1×∑p log q1+w2×∑p log q2
其中：
p为眼底彩照图像的标签值；
q1为第一识别结果；
q2为第二识别结果；
w1为第一卷积神经网络的损失函数权重；
w2为第二卷积神经网络的损失函数权重。
6.一种眼底特征的识别方法，其特征在于，包括：
接收待检测眼底彩照图像；
将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为如权利要求1至5任一项所述识别模型训练方法中已训练完成的所述预设识别模型。
7.一种识别模型训练装置，其特征在于，包括：
获取模块，用于获取与标签值关联的眼底彩照图像样本，将所述眼底彩照图像样本输入包含初始参数的预设识别模型；所述预设识别模型包括顺次连接的输入单元、第一卷积神经网络和第二卷积神经网络；
提取模块，用于在所述输入单元中提取所述眼底彩照图像样本中的红色通道中的红色通道图像；
第一卷积模块，用于将所述红色通道图像输入至所述第一卷积神经网络中，获取第一识别结果以及所述红色通道图像的特征图；
第二卷积模块，用于将所述眼底彩照图像样本与所述特征图进行组合，生成组合图像，将所述组合图像输入所述第二卷积神经网络中，获取第二识别结果；
计算模块，用于将所述标签值、所述第一识别结果、所述第二识别结果输入预设损失函数，以获取总损失值；其中，所述损失函数中包含所述第一卷积神经网络的第一损失权重和所述第二卷积神经网络的第二损失权重；
完成模块，用于在所述总损失值小于或等于预设损失阈值时，所述预设识别模型训练完成。
8.一种眼底特征的识别装置，其特征在于，包括：
接收模块，用于接收待检测眼底彩照图像；
识别模块，用于将所述待检测眼底彩照图像本输入预设识别模型中，获取所述预设识别模型输出的对所述待检测眼底彩照图像的豹纹状眼底特征的识别结果；所述预设识别模型为如权利要求1至5任一项所述识别模型训练方法中已训练完成的预设识别模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述识别模型训练方法，或者所述处理器执行所述计算机程序时实现如权利要求6所述眼底特征的识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述识别模型训练方法，或者所述计算机程序被处理器执行时实现如权利要求6所述眼底特征的识别方法。
CN201910882247.3A 2019-09-18 2019-09-18 识别模型训练、眼底特征的识别方法、装置、设备及介质 Pending CN110796161A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910882247.3A CN110796161A (zh) 2019-09-18 2019-09-18 识别模型训练、眼底特征的识别方法、装置、设备及介质
US17/620,780 US11967071B2 (en) 2019-09-18 2019-11-11 Method, device, apparatus, and medium for training recognition model and recognizing fundus features
PCT/CN2019/116940 WO2021051519A1 (zh) 2019-09-18 2019-11-11 识别模型训练、眼底特征的识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882247.3A CN110796161A (zh) 2019-09-18 2019-09-18 识别模型训练、眼底特征的识别方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN110796161A true CN110796161A (zh) 2020-02-14

Family

ID=69427367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882247.3A Pending CN110796161A (zh) 2019-09-18 2019-09-18 识别模型训练、眼底特征的识别方法、装置、设备及介质

Country Status (3)

Country Link
US (1) US11967071B2 (zh)
CN (1) CN110796161A (zh)
WO (1) WO2021051519A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580632A (zh) * 2020-12-24 2021-03-30 南方电网深圳数字电网研究院有限公司 铭牌识别方法、***、电子设备及计算机可读存储介质
CN112820313A (zh) * 2020-12-31 2021-05-18 北京声智科技有限公司 模型训练方法、语音分离方法、装置及电子设备
CN113313129A (zh) * 2021-06-22 2021-08-27 中国平安财产保险股份有限公司 灾损识别模型的训练方法、装置、设备以及存储介质
WO2021174821A1 (zh) * 2020-08-07 2021-09-10 平安科技（深圳）有限公司 眼底彩照图像分级方法、装置、计算机设备及存储介质
CN113537124A (zh) * 2021-07-28 2021-10-22 平安科技（深圳）有限公司 模型训练方法、装置与存储介质
CN114154490A (zh) * 2020-08-18 2022-03-08 阿里巴巴集团控股有限公司 模型训练、标题抽取方法、装置、电子设备和计算机可读介质
CN114463559A (zh) * 2022-01-29 2022-05-10 新疆爱华盈通信息技术有限公司 图像识别模型的训练方法、装置、网络和图像识别方法
CN116935363A (zh) * 2023-07-04 2023-10-24 东莞市微振科技有限公司 刀具识别方法、装置、电子设备及可读存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210304056A1 (en) * 2020-03-25 2021-09-30 International Business Machines Corporation Learning Parameter Sampling Configuration for Automated Machine Learning
CN113240655B (zh) * 2021-05-21 2023-04-07 深圳大学 一种自动检测眼底图像类型的方法、存储介质及装置
CN113344894B (zh) * 2021-06-23 2024-05-14 依未科技(北京)有限公司 眼底豹纹斑特征提取及特征指数确定的方法和装置
CN113657576A (zh) * 2021-07-21 2021-11-16 浙江大华技术股份有限公司 卷积神经网络模型轻量化方法及设备、图像识别方法
CN114760447B (zh) * 2022-06-14 2022-08-12 智联信通科技股份有限公司 一体式机房环境检测装置
CN116071625B (zh) * 2023-03-07 2023-06-02 北京百度网讯科技有限公司 深度学习模型的训练方法、目标检测方法及装置
CN116912203B (zh) * 2023-07-13 2024-04-05 桂林电子科技大学 基于多智能模型结合的异常眼底图像低耗检测方法及***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250419A (ja) * 2009-04-13 2010-11-04 Seiko Epson Corp 目の様態を検出する画像処理装置
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及***
US20180018451A1 (en) * 2016-07-14 2018-01-18 Magic Leap, Inc. Deep neural network for iris identification
CN108038466A (zh) * 2017-12-26 2018-05-15 河海大学 基于卷积神经网络的多通道人眼闭合识别方法
CN109390053A (zh) * 2017-08-02 2019-02-26 上海市第六人民医院 眼底图像处理方法、装置、计算机设备和存储介质
CN109816666A (zh) * 2019-01-04 2019-05-28 三峡大学 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质
CN109859172A (zh) * 2019-01-08 2019-06-07 浙江大学 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
CN109919915A (zh) * 2019-02-18 2019-06-21 广州视源电子科技股份有限公司 基于深度学习的视网膜眼底图像异常区域检测方法及设备
CN110021052A (zh) * 2019-04-11 2019-07-16 北京百度网讯科技有限公司 用于生成眼底图像生成模型的方法和装置
CN110084811A (zh) * 2019-05-08 2019-08-02 上海交通大学 眼底照片识别方法、装置、设备及存储介质
CN110163839A (zh) * 2019-04-02 2019-08-23 上海鹰瞳医疗科技有限公司 豹纹状眼底图像识别方法、模型训练方法及设备
CN110210286A (zh) * 2019-04-17 2019-09-06 平安科技（深圳）有限公司 基于眼底图像的异常识别方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417495B1 (en) * 2016-08-08 2019-09-17 Google Llc Systems and methods for determining biometric information
WO2019213297A1 (en) * 2018-05-02 2019-11-07 Stable Auto Corporation Method and system for automated vehicle charging
US10970816B2 (en) * 2018-08-13 2021-04-06 Nvidia Corporation Motion blur and depth of field reconstruction through temporally stable neural networks
CN109389051A (zh) * 2018-09-20 2019-02-26 华南农业大学 一种基于卷积神经网络的建筑物遥感图像识别方法
CN110348541B (zh) * 2019-05-10 2021-12-10 腾讯医疗健康(深圳)有限公司 眼底血管图像分类方法、装置、设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250419A (ja) * 2009-04-13 2010-11-04 Seiko Epson Corp 目の様態を検出する画像処理装置
US20180018451A1 (en) * 2016-07-14 2018-01-18 Magic Leap, Inc. Deep neural network for iris identification
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及***
CN109390053A (zh) * 2017-08-02 2019-02-26 上海市第六人民医院 眼底图像处理方法、装置、计算机设备和存储介质
CN108038466A (zh) * 2017-12-26 2018-05-15 河海大学 基于卷积神经网络的多通道人眼闭合识别方法
CN109816666A (zh) * 2019-01-04 2019-05-28 三峡大学 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质
CN109859172A (zh) * 2019-01-08 2019-06-07 浙江大学 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
CN109919915A (zh) * 2019-02-18 2019-06-21 广州视源电子科技股份有限公司 基于深度学习的视网膜眼底图像异常区域检测方法及设备
CN110163839A (zh) * 2019-04-02 2019-08-23 上海鹰瞳医疗科技有限公司 豹纹状眼底图像识别方法、模型训练方法及设备
CN110021052A (zh) * 2019-04-11 2019-07-16 北京百度网讯科技有限公司 用于生成眼底图像生成模型的方法和装置
CN110210286A (zh) * 2019-04-17 2019-09-06 平安科技（深圳）有限公司 基于眼底图像的异常识别方法、装置、设备及存储介质
CN110084811A (zh) * 2019-05-08 2019-08-02 上海交通大学 眼底照片识别方法、装置、设备及存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021174821A1 (zh) * 2020-08-07 2021-09-10 平安科技（深圳）有限公司 眼底彩照图像分级方法、装置、计算机设备及存储介质
CN114154490A (zh) * 2020-08-18 2022-03-08 阿里巴巴集团控股有限公司 模型训练、标题抽取方法、装置、电子设备和计算机可读介质
CN112580632A (zh) * 2020-12-24 2021-03-30 南方电网深圳数字电网研究院有限公司 铭牌识别方法、***、电子设备及计算机可读存储介质
CN112820313A (zh) * 2020-12-31 2021-05-18 北京声智科技有限公司 模型训练方法、语音分离方法、装置及电子设备
CN112820313B (zh) * 2020-12-31 2022-11-01 北京声智科技有限公司 模型训练方法、语音分离方法、装置及电子设备
CN113313129A (zh) * 2021-06-22 2021-08-27 中国平安财产保险股份有限公司 灾损识别模型的训练方法、装置、设备以及存储介质
CN113313129B (zh) * 2021-06-22 2024-04-05 中国平安财产保险股份有限公司 灾损识别模型的训练方法、装置、设备以及存储介质
CN113537124A (zh) * 2021-07-28 2021-10-22 平安科技（深圳）有限公司 模型训练方法、装置与存储介质
CN114463559A (zh) * 2022-01-29 2022-05-10 新疆爱华盈通信息技术有限公司 图像识别模型的训练方法、装置、网络和图像识别方法
CN114463559B (zh) * 2022-01-29 2024-05-10 芯算一体(深圳)科技有限公司 图像识别模型的训练方法、装置、网络和图像识别方法
CN116935363A (zh) * 2023-07-04 2023-10-24 东莞市微振科技有限公司 刀具识别方法、装置、电子设备及可读存储介质
CN116935363B (zh) * 2023-07-04 2024-02-23 东莞市微振科技有限公司 刀具识别方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
US20220414868A1 (en) 2022-12-29
WO2021051519A1 (zh) 2021-03-25
US11967071B2 (en) 2024-04-23

Similar Documents

Publication Publication Date Title
CN110796161A (zh) 识别模型训练、眼底特征的识别方法、装置、设备及介质
CN111310624B (zh) 遮挡识别方法、装置、计算机设备及存储介质
EP3779774A1 (en) Training method for image semantic segmentation model and server
WO2020103647A1 (zh) 物体关键点的定位方法、图像处理方法、装置及存储介质
EP4145353A1 (en) Neural network construction method and apparatus
CN110599451A (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
US9390475B2 (en) Backlight detection method and device
CN110941986A (zh) 活体检测模型的训练方法、装置、计算机设备和存储介质
CN112464809A (zh) 一种人脸关键点检测方法、装置、电子设备及存储介质
WO2022088665A1 (zh) 病灶分割方法、装置及存储介质
EP4047509A1 (en) Facial parsing method and related devices
CN111968134B (zh) 目标分割方法、装置、计算机可读存储介质及计算机设备
CN112257728B (zh) 图像处理方法、装置、计算机设备以及存储介质
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN111899247A (zh) 脉络膜血管的管腔区域识别方法、装置、设备及介质
US11263494B2 (en) Classification device, classification method, program, and information recording medium
CN113705685A (zh) 疾病特征识别模型训练、疾病特征识别方法、装置及设备
CN111144285A (zh) 胖瘦程度识别方法、装置、设备及介质
CN112837357A (zh) 医学影像配准方法、装置、计算机设备及存储介质
CN113179421A (zh) 视频封面选择方法、装置、计算机设备和存储介质
CN111091055A (zh) 脸型识别方法、装置、设备及计算机可读存储介质
CN111354463B (zh) 人体健康测量方法、装置、计算机设备及存储介质
CN111612732B (zh) 图像质量评估方法、装置、计算机设备及存储介质
CN112464860A (zh) 手势识别方法、装置、计算机设备及存储介质
CN112101185B (zh) 一种训练皱纹检测模型的方法、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40020790

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination