CN113168713A - 小批量学习装置及其工作程序、工作方法及图像处理装置 - Google Patents

小批量学习装置及其工作程序、工作方法及图像处理装置 Download PDF

Info

Publication number
CN113168713A
CN113168713A CN201980081724.4A CN201980081724A CN113168713A CN 113168713 A CN113168713 A CN 113168713A CN 201980081724 A CN201980081724 A CN 201980081724A CN 113168713 A CN113168713 A CN 113168713A
Authority
CN
China
Prior art keywords
rare
learning
small
model
update
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
CN201980081724.4A
Other languages
English (en)
Inventor
涌井隆史
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.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of CN113168713A publication Critical patent/CN113168713A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
    • G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
    • G06V30/274—Syntactic or semantic context, e.g. balancing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种可以抑制用于实施语义分割的机器学习模型的类别的判别精度降低的小批量学习装置及其工作程序、工作方法及图像处理装置。若启动工作程序，小批量学习装置的CPU作为计算部、确定部、更新部发挥作用。计算部计算小批量数据中的多个类别中每个类别的面积比例。确定部确定面积比例低于设定值的稀有类别。更新部使得在确定部中确定有稀有类别时的机器学习模型的更新程度小于在确定部中未确定稀有类别时的更新程度。

Description

小批量学习装置及其工作程序、工作方法及图像处理装置
技术领域
本发明技术涉及一种小批量学习装置及其工作程序和工作方法。
背景技术
已知有以像素单元来判别图像内的多个类别的语义分割。语义分割通过U形卷积神经网络(U-Net；U-Shaped Neural Network)等机器学习模型(以下，简称为模型)来实现。
为了提高模型的判别精度，需要对模型赋予学习数据来进行训练，从而更新模型。学习数据由学习用输入图像和用手动指定学习用输入图像内的类别的注释图像构成。在专利文献1中，从多个学习用输入图像中提取了成为注释图像来源的一个学习用输入图像。
以往技术文献
专利文献
专利文献1：日本专利公开2017-107386号公报
发明内容
发明要解决的技术课题
在学习中有称为小批量学习的方法。在小批量学习中，将小批量数据作为学习数据赋予到模型。小批量数据由将学习用输入图像和注释图像进行分割的多个分割图像(例如以原始图像的1/100尺寸的框来分割的1万张分割图像)中的一部分(例如100张)构成。小批量数据生成多组(例如100组)，各组依次被赋予到模型。
在此，考虑在学习用输入图像及注释图像中存在类别偏差的情况。例如，学习用输入图像是显现出细胞培养状态的相差显微镜的图像，并且是类别1分类为分化细胞，类别2分类为未分化细胞，类别3分类为培养基、类别4分类为死细胞的图像。而且，是如下情况：在整个学习用输入图像及注释图像中的各类别的面积比例是分化细胞为38％、未分化细胞为2％、培养基为40％、死细胞为20％，未分化细胞的面积比例相对低。
若如此在学习用输入图像及注释图像中存在类别偏差，则在由学习用输入图像及注释图像构成的小批量数据中产生类别偏差的可能性也变高。在小批量数据中产生了类别偏差的情况下，不考虑面积比例相对低的稀有类别而进行训练。其结果，导致创建稀有类别的判别精度低的模型。
在专利文献1中，如上所述，从多个学习用输入图像中提取了成为注释图像来源的一个学习用输入图像。然而，在该方法中，在多个学习用输入图像的所有图像中存在类别偏差的情况下，最终导致创建稀有类别的判别精度低的模型。从而，在专利文献1中记载的方法中，无法解决导致创建稀有类别的判别精度低的模型的问题。
本发明技术的目的在于提供一种可以抑制用于实施语义分割的机器学习模型的类别的判别精度降低的小批量学习装置及其工作程序、工作方法、以及安装有小批量学习装置及其工作程序的图像处理装置。
用于解决技术课题的手段
为了实现上述目的，本发明的小批量学习装置对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置具备：计算部，计算小批量数据中的多个类别中每个类别的面积比例；确定部，确定面积比例低于设定值的稀有类别；及更新部，根据使用了小批量数据的训练结果来更新机器学习模型，并且使得在确定部中确定有稀有类别时的机器学习模型的更新程度小于在确定部中未确定稀有类别时的更新程度。
优选更新部使得在确定部中确定有稀有类别时的表示机器学习模型的各种参数值的变化幅度的学习系数小于在确定部中未确定稀有类别时的学习系数。
优选具备接收部，所述接收部接收是否使更新部进行减小更新程度的处理的选择指示。
在本发明的小批量学习装置的工作程序，所述小批量学习装置对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置的工作程序使计算机发挥如下作用：计算部，计算小批量数据中的多个类别中每个类别的面积比例；确定部，确定面积比例低于设定值的稀有类别；及更新部，根据使用了小批量数据的训练结果来更新机器学习模型，并且使得在确定部中确定有稀有类别时的机器学习模型的更新程度小于在确定部中未确定稀有类别时的更新程度。
在本发明的小批量学习装置的工作方法，所述小批量学习装置对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置的工作方法具备：计算步骤，计算小批量数据中的多个类别中每个类别的面积比例；确定步骤，确定面积比例低于设定值的稀有类别；及更新步骤，根据使用了小批量数据的训练结果来更新机器学习模型，并且使得在确定步骤中确定有稀有类别时的机器学习模型的更新程度小于在确定步骤中未确定稀有类别时的更新程度。
发明效果
根据本发明技术，能够提供一种可以抑制用于实施语义分割的机器学习模型的类别的判别精度降低的小批量学习装置及其工作程序、工作方法及图像处理装置。
附图说明
图1是表示小批量学习装置及其处理的概要的图。
图2是表示应用装置及其处理的概要的图。
图3是表示图像的图，图3A表示学习用输入图像，图3B表示注释图像。
图4是表示从学习用输入图像生成分割学习用输入图像的状态的图。
图5是表示从注释图像生成分割注释图像的状态的图。
图6是表示由多个分割学习用输入图像的一部分构成分割学习用输入图像组的图。
图7是表示由多个分割注释图像的一部分构成分割注释图像组的图。
图8是表示构成小批量学习装置的计算机的框图。
图9是表示小批量学习装置的CPU的处理部的框图。
图10是表示计算部及确定部的处理的具体例的图。
图11是表示更新部的处理的具体例的图。
图12是表示小批量学习装置的处理顺序的流程图。
图13是表示更新部的处理的变形例的图。
图14是表示更新部的处理的变形例的图。
图15是表示询问是否使更新部进行减小更新程度的处理的第2实施方式的图。
具体实施方式
[第1实施方式]
在图1中，小批量学习装置2为了提高用于实施以像素单元来判别输入图像内的多个类别的语义分割的模型10的判别精度，使模型10使用小批量数据11进行小批量学习。小批量学习装置2例如是台式个人电脑。并且，模型10例如是U-Net。
类别也可以说是在输入图像中显现的物体的类型。并且，简而言之，语义分割对在输入图像中显现的物体的类别及其轮廓进行判别，模型10将其判别结果作为输出图像而输出。例如，在输入图像中显现出杯子、书本、移动电话这三个物体的情况下，作为输出图像理想的是，杯子、书本、移动电话被判别为各个类别，并且忠实地追随这些物体的轮廓的轮廓线被绘制在各个物体上。
模型10的类别的判别精度通过对模型10赋予学习数据来进行训练并更新模型10而被提高。学习数据由输入到模型10的学习用输入图像与用手动指定了学习用输入图像内的类别的注释图像的组构成。注释图像是用于与根据学习用输入图像从模型10输出的学习用输出图像进行所谓的核对答案的图像，与学习用输出图像进行比较。模型10的类别的判别精度越高，注释图像与学习用输出图像的差异变得越小。
在小批量学习装置2中，如上所述，将小批量数据11用作学习数据。小批量数据11由分割学习用输入图像组12和分割注释图像组13构成。
在小批量学习中，分割学习用输入图像组12被赋予到模型10。由此，从模型10针对分割学习用输入图像组12的每个分割学习用输入图像20S(参考图4)输出学习用输出图像。如此从模型10输出的学习用输出图像的集合即学习用输出图像组14与分割注释图像组13被进行比较，并且评价模型10的类别的判别精度。然后，根据该类别的判别精度的评价结果来更新模型10。小批量学习装置2在替换小批量数据11的同时，进行将这些分割学习用输入图像组12输入到模型10和从模型10输出学习用输出图像组14、模型10的类别的判别精度的评价、以及模型10的更新，并且重复至模型10的类别的判别精度成为所期望的级别。
如图2所示，如上所述将类别的判别精度提高至所期望的级别的模型10作为已进行训练的机器学习模型(以下，已进行训练的模型)10T并入到应用装置15中。还未判别所显现的物体的类别及其轮廓的输入图像16被赋予到已进行训练的模型10T。已进行训练的模型10T判别在输入图像16中显现的物体的类别及其轮廓，并输出输出图像17来作为其判别结果。与小批量学习装置2同样，应用装置15例如是台式个人电脑，并将输入图像16和输出图像17并排显示于显示器。另外，应用装置15可以是与小批量学习装置2不同的装置，也可以是与小批量学习装置2相同的装置。并且，在将已进行训练的模型10T并入到应用装置15中之后，也可以对已进行训练的模型10T赋予小批量数据11来进行训练。
如图3A所示，学习用输入图像20在该例中是显现出细胞培养状态的相差显微镜的1张图像。在学习用输入图像20中，分化细胞、未分化细胞、培养基、死细胞作为物体而显现。在该情况下的注释图像21中，如图3B所示，类别1的分化细胞、类别2的未分化细胞、类别3的培养基、类别4的死细胞分别被手动指定。另外，与学习用输入图像20同样，赋予到已进行训练的模型10T的输入图像16也是显现出细胞培养状态的相差显微镜的图像。
如图4所示，分割学习用输入图像20S是将由矩形框25包围的区域每次进行剪切的图像，该矩形框25在学习用输入图像20内在横向上依次每次移动DX且在纵向上依次每次移动DY。框25的横向移动量DX例如是框25的横向尺寸的1/2。同样地，框25的纵向移动量DY例如是框25的纵向尺寸的1/2。框25例如是学习用输入图像20的1/50的尺寸。在该情况下，分割学习用输入图像20S是20S_1～20S_10000共计1万张。
同样地，如图5所示，分割注释图像21S是将由矩形框25包围的区域每次进行剪切的图像，该矩形框25在注释图像21内在横向上依次每次移动DX且在纵向上依次每次移动DY。分割注释图像21S是21S_1～21S_10000共计1万张。另外，以下设为在小批量学习装置2内已准备学习用输入图像20及注释图像21，并且也已生成分割学习用输入图像20S及分割注释图像21S来进行说明。
如图6所示，分割学习用输入图像组12由如图4所示生成的多个分割学习用输入图像20S中的一部分(例如1万张分割学习用输入图像20S中的100张)构成。同样地，如图7所示，分割注释图像组13由如图5所示生成的多个分割注释图像21S中的一部分(例如1万张分割注释图像21S中的100张)构成。在构成分割学习用输入图像组12的分割学习用输入图像20S和构成分割注释图像组13的分割注释图像21S中，由框25剪切的区域彼此相同。
在图8中，构成小批量学习装置2的计算机具备存储器件30、内存31、CPU(CentralProcessing Unit：中央处理单元)32、通信部33、显示器34及输入器件35。这些经由数据总线36相互连接。
存储器件30是构成小批量学习装置2的计算机中内置的、或通过电缆、网络而连接于计算机的硬盘驱动器。或者，存储器件30是联装多个硬盘驱动器的磁盘阵列。在存储器件30存储有操作***等控制程序、各种应用程序及这些程序附带的各种数据等。
内存31是用于CPU32执行处理的工作存储器。CPU32将存储在存储器件30中的程序加载到内存31并按照程序执行处理，由此集中控制计算机的各部分。
通信部33是经由互联网或公用通信网等WAN(Wide Area Network：广域网)之类的网络进行各种信息的传输控制的网络接口。显示器34显示各种画面。在各种画面上具备基于GUI(Graphical User Interface：图形用户界面)的操作功能。构成小批量学习装置2的计算机通过各种画面来接收来自输入器件35的操作指示的输入。输入器件35是键盘、鼠标、触摸面板等。
在图9中，存储器件30中存储有学习用输入图像20、注释图像21、分割学习用输入图像20S、分割注释图像21S及模型10。并且，存储器件30中存储有工作程序40来作为应用程序。工作程序40是用于使计算机作为小批量学习装置2发挥作用的应用程序。
若启动工作程序40，则构成小批量学习装置2的计算机的CPU32与内存31等协同，作为生成部50、计算部51、确定部52、学习部53、评价部54及更新部55发挥作用。
生成部50从如图4及图5所示生成自学习用输入图像20及注释图像21的分割学习用输入图像20S及分割注释图像21S中，如图6及图7所示选择其一部分，由此生成小批量数据11。生成部50生成多组(例如100组)小批量数据11。生成部50将所生成的小批量数据11输出到计算部51、学习部53及评价部54。
另外，在生成部50中，可以执行使作为小批量数据11的分割学习用输入图像20S及分割注释图像21S的选项增加的方法。具体而言，对分割学习用输入图像20S及分割注释图像21S实施修整、左右翻转、旋转之类的图像处理来制作成另一图像，从而设为小批量数据11的新选项。这种方法被称为数据增强。
计算部51计算小批量数据11中的多个类别中每个类别的面积比例。更详细而言，计算部51针对每个类别加算在构成来自生成部50的小批量数据11的分割注释图像组13的分割注释图像21S中被手动指定的区域的像素数。接着，通过将加算的像素数除以分割注释图像21S的总像素数而计算面积比例。例如，在指定为类别1的分化细胞的区域的被加算的像素数为10000且总像素数为50000的情况下，类别1的分化细胞的面积比例为(10000/50000)×100＝20％。计算部51将计算出的面积比例输出到确定部52。
确定部52确定面积比例低于设定值的稀有类别。确定部52将所确定的稀有类别输出到更新部55。
学习部53将来自生成部50的小批量数据11的分割学习用输入图像组12赋予到模型10来进行训练。由此，学习部53将从模型10输出的学习用输出图像组14输出到评价部54。
评价部54比较来自生成部50的小批量数据11的分割注释图像组13和来自学习部53的学习用输出图像组14，并评价模型10的类别的判别精度。评价部54将评价结果输出到更新部55。
评价部54使用损失函数来评价模型10的类别的判别精度。损失函数是表示分割注释图像组13与学习用输出图像组14的差异程度的函数。损失函数的计算值越接近0，表示模型10的类别的判别精度越高。
更新部55根据来自评价部54的评价结果来更新模型10。更具体而言，更新部55通过伴随学习系数η(参考图11)的随机梯度下降法等来改变模型10的各种参数值。学习系数η表示模型10的各种参数值的变化幅度。即，学习系数η越是相对大的值，各种参数值的变化幅度越大，模型10的更新程度也越大。
更新部55使得在确定部52中确定有稀有类别时的模型10的更新程度小于在确定部52中未确定稀有类别时的更新程度。更具体而言，更新部55使得在确定部52中确定有稀有类别时的学习系数ηB小于在确定部52中未确定稀有类别时的学习系数ηA(ηB＜ηA)。例如，将学习系数ηA减小至1/10并设为学习系数ηB。
图10及图11表示计算部51、确定部52、更新部55各部的处理的具体例。首先，在图10中，如表60所示，计算部51对小批量数据11的各组1、2、3、......计算各类别的面积比例。图10中例示出如下计算出的情况：第1组小批量数据11的类别1的分化细胞的面积比例为38％，类别2的未分化细胞的面积比例为2％，类别3的培养基的面积比例为40％，类别4的死细胞的面积比例为20％等。
确定部52确定面积比例低于设定值的稀有类别。图10中例示出如下情况：由于设定值为5％以下，因此将面积比例为2％而低于设定值的、第1组小批量数据11的类别2的未分化细胞确定为稀有类别。另外，在此例示出仅确定有一个稀有类别的情况，但是在存在多个面积比例低于设定值的类别的情况下，当然，多个类别被确定为稀有类别。
接着，在图11中，如表61所示，更新部55将确定有稀有类别的第1组小批量数据11的情况下的学习系数设为小于未确定稀有类别时的学习系数ηA1的ηB1。相对于此，在未确定稀有类别的第2组、第3组等的小批量数据11的情况下，仍保持未确定稀有类别时的学习系数ηA2、ηA3。通过如此减小学习系数η，更新部55使确定有稀有类别的小批量数据11的情况下的模型10的更新程度小于未确定稀有类别时的模型10的更新程度。
接着，参考图12所示的流程图对基于上述结构的作用进行说明。首先，启动工作程序40，如图9所示，构成小批量学习装置2的计算机的CPU32作为各处理部50～55发挥作用。
在生成部50中生成小批量数据11(步骤ST100)。小批量数据11从生成部50输出到计算部51、学习部53及评价部54。
如图10的表60所示，由计算部51对小批量数据11的各组计算各类别的面积比例(步骤ST110、计算步骤)。接着，也如图10所示，在确定部52中确定面积比例低于设定值的稀有类别(步骤ST120、确定步骤)。
在学习部53中，来自生成部50的小批量数据11的分割学习用输入图像组12被赋予到模型10来进行训练(步骤ST130)。然后，在评价部54中比较如上述从模型10输出的学习用输出图像组14和来自生成部50的小批量数据11的分割注释图像组13，并评价模型10的类别的判别精度(步骤ST140)。
在根据基于评价部54的评价结果判定为模型10的类别的判别精度达到所期望的级别的情况下(步骤ST150中为“是”)，结束小批量学习。另一方面，在判定为模型10的类别的判别精度未达到所期望的级别的情况下(步骤ST150中为“否”)，处理转移到步骤ST160。
在步骤ST130中赋予到模型10的小批量数据11中存在稀有类别的情况下(步骤ST160中为“是”)，如图11的表61所示，由更新部55以比没有稀有类别时小的更新程度来更新模型10(步骤ST170、更新步骤)。相对于此，在步骤ST130中赋予到模型10的小批量数据11中没有稀有类别的情况下(步骤ST160中为“否”)，不会减小更新程度，而以通常的更新程度来更新模型10(步骤ST180、更新步骤)。在步骤ST170及步骤ST180之后，处理返回到步骤ST130，另一组小批量数据11被赋予到模型10并重复随后的步骤。
在确定部52中确定有稀有类别的情况，即为在小批量数据11中存在类别偏差的情况。在存在这种类别偏差的小批量数据11中，不考虑稀有类别而进行训练。更详细而言，稀有类别的学习频率比其他类别相对低。在进行这种偏向的训练之后，在更新部55中不受任何限制而更新了模型10的情况下，偏向训练的结果对模型10带来很大的影响。其结果，导致创建稀有类别的判别精度低的模型10。
然而，在本实施方式中，如上所述，使得在确定部52中确定有稀有类别时的更新部55中的模型10的更新程度小于在确定部52中未确定稀有类别时的更新程度。由此，在小批量数据11中存在类别偏差的情况下，模型10几乎不被更新，使用了在类别中存在偏差的小批量数据11的训练结果不会对模型10带来大的影响。从而，可以避免创建稀有类别的判别精度低的模型10的情况，并可以抑制模型10的类别的判别精度降低。
另外，所确定的稀有类别数越多，越可以增加减小模型10的更新程度的程度。例如，如图13的表65所示，将确定有两个稀有类别的第10组小批量数据11的情况下的学习系数ηB10设为未确定稀有类别时的学习系数ηA10的1/100(ηB10＝ηA10×0.01)。另一方面，将仅确定有一个稀有类别的第11组小批量数据11的情况下的学习系数ηB11设为未确定稀有类别时的学习系数ηA11的1/10(ηB11＝ηA11×0.1)。可以认为，所确定的稀有类别数越多，小批量数据11的类别偏差越大，因此可以进一步抑制模型10的类别的判别精度降低。
同样地，面积比例越小，越可以增加减小模型10的更新程度的程度。例如，如图14的表66所示，如第20组小批量数据11那样，在面积比例为0％以上且小于2.5％的情况下，将学习系数ηA减小至1/100并设为学习系数ηB(ηB20＝ηA20×0.01)。相对于此，如第21组小批量数据11那样，在面积比例为2.5％以上且5％以下的情况下，将学习系数ηA减小至1/10并设为学习系数ηB(ηB21＝ηA21×0.1)。在该情况下，也与图13的情况同样，可以认为面积比例越小，小批量数据11的类别偏差越大，因此可以进一步抑制模型10的类别的判别精度降低。
[第2实施方式]
在图15所示的第2实施方式中，询问是否使更新部55进行减小更新程度的处理。
在图15中，第2实施方式的小批量学习装置的CPU除了第1实施方式的各处理部50～55以外，还作为接收部70发挥作用。在确定部52中确定有稀有类别的情况下，接收部70接收是否使更新部55进行减小更新程度的处理的选择指示。
在第2实施方式中，在确定部52中确定有稀有类别的情况下，在显示器34上显示询问画面71。在询问画面71上显示确定有稀有类别的内容、询问是否可以减小模型10的更新程度的内容的消息72、“是”按钮73、“否”按钮74。接收部70接收“是”按钮73和“否”按钮74的选择指示来作为是否使更新部55进行减小更新程度的处理的选择指示。在选择了“是”按钮73的情况下，在更新部55中进行减小更新程度的处理。另一方面，在选择了“否”按钮74的情况下，在更新部55中不进行减小更新程度的处理。
当生成注释图像时，由于手动指定类别，因此可能会错误指定类别。并且，也会出现虽然在模型10的开发初期指定为类别，但是随着进行开发被视为不太重要的类别。在这种情况下，会存在虽然在确定部52中确定有稀有类别，但是可以不减小模型10的更新程度的情况。
因此，在第2实施方式中，由接收部70接收是否可以减小模型10的更新程度的选择指示。从而，能够应对虽然在确定部52中确定有稀有类别，但是可以不减小模型10的更新程度的情况。
在上述各实施方式中，作为输入图像16及学习用输入图像20而例示出显现细胞培养状态的相差显微镜的图像，并且作为类别而例示出分化细胞或培养基，但是并不限定于此。例如，可以将MRI(Magnetic Resonance Imaging：核磁共振成像)图像设为输入图像16及学习用输入图像20，并将肝、肾之类的器官设为类别。
模型10并不限定于U-Net，也可以是其他卷积神经网络，例如SegNet。
作为减小模型10的更新程度的方法，可以采用除了减小学习系数η的方法以外的方法。
构成小批量学习装置2的计算机的硬件结构可以进行各种变形。例如，以提高处理能力或可靠性为目的，作为硬件，可以由分离的多台计算机来构成小批量学习装置2。具体而言，使两台计算机分散承担生成部50、计算部51及确定部52的功能、以及学习部53、评价部54及更新部55的功能。在该情况下，由两台计算机构成小批量学习装置2。
如此，计算机的硬件结构能够根据处理能力、安全性、可靠性等所需性能来适当地变更。此外，并不限定于硬件，关于工作程序40等应用程序，也以确保安全性或可靠性为目的，当然可以进行双重化，或者分散存储于多个存储器件。
在上述各实施方式中，例如作为生成部50、计算部51、确定部52、学习部53、评价部54、更新部55及接收部70等执行各种处理的处理部(Process ing Unit)的硬件结构，能够使用以下所示的各种处理器(Processor)。在各种处理器中，如上所述，除了执行软件(工作程序40)而作为各种处理部发挥作用的通用的处理器即CPU以外，还包括FPGA(FieldProgrammable Gate Array：现场可编程门阵列)等在制造之后可以变更电路结构的处理器即可编程逻辑器件(Programmable Logic Device：PLD)、ASIC(Application Spec ificIntegrated Circuit：专用集成电路)等具有为了执行特定处理而专门设计的电路结构的处理器即专用电路等。
一个处理部可以由这些各种处理器中的一个构成，也可以由相同类型或不同类型的两个以上处理器的组合(例如多个FPGA的组合或CPU和FPGA的组合)来构成。并且，可以由一个处理器构成多个处理部。
作为由一个处理器构成多个处理部的例子，第一，如以客户端、服务器等计算机为代表，由一个以上的CPU与软件的组合而构成一个处理器，该处理器作为多个处理部而发挥作用。第二，如以片上***(System on Chip：SoC)等为代表，使用由一个IC(IntegratedCircuit：集成电路)芯片来实现包括多个处理部的***整体的功能的处理器。如此，作为硬件结构，各种处理部使用一个以上的上述各种处理器而构成。
此外，作为这些各种处理器的硬件结构，更具体而言，能够使用组合半导体元件等电路元件的电路(circuitry)。
根据以上记载，能够掌握以下附加项1中所记载的发明。
[附加项1]
一种小批量学习装置，其对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置具备：
计算处理器，计算所述小批量数据中的所述多个类别中每个类别的面积比例；
确定处理器，确定所述面积比例低于设定值的稀有类别；及
更新处理器，根据使用了所述小批量数据的所述训练结果来更新所述机器学习模型，并且使得在所述确定处理器中确定有所述稀有类别时的所述机器学习模型的更新程度小于在所述确定处理器中未确定所述稀有类别时的更新程度。
本发明技术也可以适当地组合上述各种实施方式或各种变形例。并且，并不限定于上述各实施方式，只要不脱离主旨，当然可以采用各种结构。此外，本发明技术不仅涉及到程序，而且也涉及到非临时存储程序的存储介质、以及安装有学习装置或程序的图像处理装置。
符号说明
2-小批量学习装置，10-机器学习模型(模型)，10T-已进行训练的机器学习模型(已进行训练的模型)，11-小批量数据，12-分割学习用输入图像组，13-分割注释图像组，14-学习用输出图像组，15-应用装置，16-输入图像，17-输出图像，20-学习用输入图像，20S-分割学习用输入图像，21-注释图像，21S-分割注释图像，25-框，30-存储器件，31-内存，32-CPU，33-通信部，34-显示器，35-输入器件，36-数据总线，40-工作程序，50-生成部，51-计算部，52-确定部，53-学习部，54-评价部，55-更新部，60、61、65、66-表，70-接收部，71-询问画面，72-消息，73-“是”按钮，74-“否”按钮，DX-框的横向移动量，DY-框的纵向移动量，η-学习系数，ST100～ST180-步骤。

Claims (6)

1.一种小批量学习装置，其对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置具备：
计算部，计算所述小批量数据中的所述多个类别中每个类别的面积比例；
确定部，确定所述面积比例低于设定值的稀有类别；及
更新部，根据使用了所述小批量数据的所述训练结果来更新所述机器学习模型，并且使得在所述确定部中确定有所述稀有类别时的所述机器学习模型的更新程度小于在所述确定部中未确定所述稀有类别时的更新程度。
2.根据权利要求1所述的小批量学习装置，其中，
所述更新部使得在所述确定部中确定有所述稀有类别时的表示所述机器学习模型的各种参数值的变化幅度的学习系数小于在所述确定部中未确定所述稀有类别时的学习系数。
3.根据权利要求1或2所述的小批量学习装置，
其具备接收部，所述接收部接收是否使所述更新部进行减小所述更新程度的处理的选择指示。
4.一种小批量学习装置的工作程序，所述小批量学习装置对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置的工作程序使计算机发挥如下作用：
计算部，计算所述小批量数据中的所述多个类别中每个类别的面积比例；
确定部，确定所述面积比例低于设定值的稀有类别；及
更新部，根据使用了所述小批量数据的所述训练结果来更新所述机器学习模型，并且使得在所述确定部中确定有所述稀有类别时的所述机器学习模型的更新程度小于在所述确定部中未确定所述稀有类别时的更新程度。
5.一种小批量学习装置的工作方法，所述小批量学习装置对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置的工作方法具备：
计算步骤，计算所述小批量数据中的所述多个类别中每个类别的面积比例；
确定步骤，确定所述面积比例低于设定值的稀有类别；及
更新步骤，根据使用了所述小批量数据的训练结果来更新所述机器学习模型，并且使得在所述确定步骤中确定有所述稀有类别时的所述机器学习模型的更新程度小于在所述确定步骤中未确定所述稀有类别时的更新程度。
6.一种图像处理装置，其对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述图像处理装置执行如下步骤：
计算所述小批量数据中的所述多个类别中每个类别的面积比例；
确定所述面积比例低于设定值的稀有类别；及
使确定有所述稀有类别时的所述机器学习模型的更新程度小于未确定所述稀有类别时的更新程度。
CN201980081724.4A 2018-12-14 2019-10-31 小批量学习装置及其工作程序、工作方法及图像处理装置 Pending CN113168713A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018234881 2018-12-14
JP2018-234881 2018-12-14
PCT/JP2019/042935 WO2020121678A1 (ja) 2018-12-14 2019-10-31 ミニバッチ学習装置とその作動プログラム、作動方法、および画像処理装置

Publications (1)

Publication Number Publication Date
CN113168713A true CN113168713A (zh) 2021-07-23

Family

ID=71077223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980081724.4A Pending CN113168713A (zh) 2018-12-14 2019-10-31 小批量学习装置及其工作程序、工作方法及图像处理装置

Country Status (5)

Country Link
US (1) US11900249B2 (zh)
EP (1) EP3896647A4 (zh)
JP (1) JP7096361B2 (zh)
CN (1) CN113168713A (zh)
WO (1) WO2020121678A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020121679A1 (ja) * 2018-12-14 2020-06-18 富士フイルム株式会社 ミニバッチ学習装置とその作動プログラムおよび作動方法
JP7096361B2 (ja) * 2018-12-14 2022-07-05 富士フイルム株式会社 ミニバッチ学習装置とその作動プログラム、作動方法、および画像処理装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894018A (zh) * 2016-03-29 2016-08-24 西安电子科技大学 基于深度多示例学习的极化sar图像分类方法
US20170175169A1 (en) * 2015-12-18 2017-06-22 Min Lee Clinical decision support system utilizing deep neural networks for diagnosis of chronic diseases
CN108369642A (zh) * 2015-12-18 2018-08-03 加利福尼亚大学董事会 根据头部计算机断层摄影解释和量化急症特征
US10062039B1 (en) * 2017-06-28 2018-08-28 CS Disco, Inc. Methods and apparatus for asynchronous and interactive machine learning using word embedding within text-based documents and multimodal documents

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9454823B2 (en) * 2010-07-28 2016-09-27 arian Medical Systems, Inc. Knowledge-based automatic image segmentation
JP6509717B2 (ja) 2015-12-09 2019-05-08 日本電信電話株式会社 事例選択装置、分類装置、方法、及びプログラム
US9916522B2 (en) 2016-03-11 2018-03-13 Kabushiki Kaisha Toshiba Training constrained deconvolutional networks for road scene semantic segmentation
CA3019567A1 (en) * 2016-03-30 2017-10-05 Covenant Eyes, Inc. Applications, systems and methods to monitor, filter and/or alter output of a computing device
CN109313717A (zh) * 2016-05-02 2019-02-05 丹麦Scopito公司 一种在神经网络中用于对象检测的模型构建
US20190295260A1 (en) * 2016-10-31 2019-09-26 Konica Minolta Laboratory U.S.A., Inc. Method and system for image segmentation using controlled feedback
WO2018156133A1 (en) * 2017-02-23 2018-08-30 Google Llc Method and system for assisting pathologist identification of tumor cells in magnified tissue images
US10713794B1 (en) * 2017-03-16 2020-07-14 Facebook, Inc. Method and system for using machine-learning for object instance segmentation
CN111095075B (zh) * 2017-06-13 2023-04-28 普林斯顿大学理事会 用于电子显微镜的全自动、无模板粒子拾取
US10019654B1 (en) * 2017-06-28 2018-07-10 Accenture Global Solutions Limited Image object recognition
EP3432167B1 (en) * 2017-07-21 2023-04-19 Tata Consultancy Services Limited System and method for theme extraction
WO2019041360A1 (zh) * 2017-09-04 2019-03-07 华为技术有限公司 行人属性识别与定位方法以及卷积神经网络***
CN109493347B (zh) * 2017-09-12 2021-03-23 深圳科亚医疗科技有限公司 在图像中对稀疏分布的对象进行分割的方法和***
CN108228703B (zh) * 2017-10-31 2020-05-08 北京市商汤科技开发有限公司 图像问答方法、装置、***和存储介质
US20200357516A1 (en) * 2017-11-21 2020-11-12 Beth Israel Deaconess Medical Center, Inc. Systems and methods for automatically interpreting images of microbiological samples
WO2019110583A1 (en) * 2017-12-07 2019-06-13 Ventana Medical Systems, Inc. Deep-learning systems and methods for joint cell and region classification in biological images
EP3514756A1 (en) * 2018-01-18 2019-07-24 Koninklijke Philips N.V. Medical analysis method for predicting metastases in a test tissue sample
US10580137B2 (en) * 2018-01-30 2020-03-03 International Business Machines Corporation Systems and methods for detecting an indication of malignancy in a sequence of anatomical images
US11507800B2 (en) * 2018-03-06 2022-11-22 Adobe Inc. Semantic class localization digital environment
US11783603B2 (en) * 2018-03-07 2023-10-10 Verily Life Sciences Llc Virtual staining for tissue slide images
WO2019171546A1 (ja) * 2018-03-08 2019-09-12 株式会社島津製作所 細胞画像解析方法、細胞画像解析装置、及び学習モデル作成方法
CN108470159B (zh) * 2018-03-09 2019-12-20 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN108416776B (zh) * 2018-03-16 2021-04-30 京东方科技集团股份有限公司 图像识别方法、图像识别装置、计算机产品和可读存储介质
US10878569B2 (en) * 2018-03-28 2020-12-29 International Business Machines Corporation Systems and methods for automatic detection of an indication of abnormality in an anatomical image
CN108830277B (zh) * 2018-04-20 2020-04-21 平安科技（深圳）有限公司 语义分割模型的训练方法、装置、计算机设备和存储介质
US11080857B2 (en) * 2018-04-26 2021-08-03 NeuralSeg Ltd. Systems and methods for segmenting an image
JP2019195304A (ja) * 2018-05-10 2019-11-14 学校法人順天堂 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法
CN110163834B (zh) * 2018-05-14 2023-08-25 腾讯科技（深圳）有限公司 对象识别方法和装置及存储介质
WO2019218136A1 (zh) * 2018-05-15 2019-11-21 深圳大学 图像分割方法、计算机设备和存储介质
KR102102161B1 (ko) * 2018-05-18 2020-04-20 오드컨셉 주식회사 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램
US10817740B2 (en) * 2018-06-20 2020-10-27 Zoox, Inc. Instance segmentation inferred from machine learning model output
WO2019243405A1 (en) * 2018-06-22 2019-12-26 H-Labs Gmbh A method to determine a degree of abnormality, a respective computer readable medium and a distributed cancer analysis system
CN109191515B (zh) * 2018-07-25 2021-06-01 北京市商汤科技开发有限公司 一种图像视差估计方法及装置、存储介质
US10902588B2 (en) * 2018-08-13 2021-01-26 International Business Machines Corporation Anatomical segmentation identifying modes and viewpoints with deep learning across modalities
US11055854B2 (en) * 2018-08-23 2021-07-06 Seoul National University R&Db Foundation Method and system for real-time target tracking based on deep learning
US10984532B2 (en) * 2018-08-24 2021-04-20 Ordnance Survey Limited Joint deep learning for land cover and land use classification
CN110866526A (zh) * 2018-08-28 2020-03-06 北京三星通信技术研究有限公司 图像分割方法、电子设备及计算机可读存储介质
GB201814121D0 (en) * 2018-08-30 2018-10-17 Liopa Ltd Liopa
US10853934B2 (en) * 2018-09-19 2020-12-01 Indus.Ai Inc Patch-based scene segmentation using neural networks
JP7129870B2 (ja) * 2018-10-01 2022-09-02 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
CN110162644B (zh) * 2018-10-10 2022-12-20 腾讯科技（深圳）有限公司 一种图像集建立方法、装置和存储介质
KR102500760B1 (ko) * 2018-10-23 2023-02-16 삼성전자주식회사 이미지 획득 장치 및 그의 제어 방법
US10504027B1 (en) * 2018-10-26 2019-12-10 StradVision, Inc. CNN-based learning method, learning device for selecting useful training data and test method, test device using the same
JP7300699B2 (ja) * 2018-11-12 2023-06-30 株式会社イシダ 教師データ生成方法、教師データ生成プログラム、教師データ生成装置、及び商品識別装置
WO2020102021A2 (en) * 2018-11-13 2020-05-22 Nvidia Corporation Determining associations between objects and persons using machine learning models
CN109685116B (zh) * 2018-11-30 2022-12-30 腾讯科技（深圳）有限公司 图像描述信息生成方法和装置及电子装置
US11657525B2 (en) * 2018-12-04 2023-05-23 Yoti Holding Limited Extracting information from images
GB2579583B (en) * 2018-12-04 2021-01-06 Yoti Holding Ltd Anti-spoofing
US20200193281A1 (en) * 2018-12-13 2020-06-18 Zebra Technologies Corporation Method for automating supervisory signal during training of a neural network using barcode scan
WO2020121679A1 (ja) * 2018-12-14 2020-06-18 富士フイルム株式会社 ミニバッチ学習装置とその作動プログラムおよび作動方法
CN113196335A (zh) * 2018-12-14 2021-07-30 富士胶片株式会社 小批量学习装置及其工作程序和工作方法
JP7096361B2 (ja) * 2018-12-14 2022-07-05 富士フイルム株式会社 ミニバッチ学習装置とその作動プログラム、作動方法、および画像処理装置
KR20200079581A (ko) * 2018-12-26 2020-07-06 오드컨셉 주식회사 사용자에게 스와이프 제스처를 이용한 패션 아이템 추천 서비스를 제공하는 방법
EP3955177B1 (en) * 2019-04-09 2024-07-10 Genomedia Inc. Search method and information processing system
US10607331B1 (en) * 2019-06-28 2020-03-31 Corning Incorporated Image segmentation into overlapping tiles
WO2021059572A1 (ja) * 2019-09-27 2021-04-01 富士フイルム株式会社 情報処理装置、情報処理装置の作動方法、情報処理装置の作動プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170175169A1 (en) * 2015-12-18 2017-06-22 Min Lee Clinical decision support system utilizing deep neural networks for diagnosis of chronic diseases
CN108369642A (zh) * 2015-12-18 2018-08-03 加利福尼亚大学董事会 根据头部计算机断层摄影解释和量化急症特征
CN105894018A (zh) * 2016-03-29 2016-08-24 西安电子科技大学 基于深度多示例学习的极化sar图像分类方法
US10062039B1 (en) * 2017-06-28 2018-08-28 CS Disco, Inc. Methods and apparatus for asynchronous and interactive machine learning using word embedding within text-based documents and multimodal documents

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JOHN-MELLE BOKHORST等: "Learning from sparsely annotated data for semantic segmentation in histopathology images", PROCEEDINGS OF MACHINE LEARNING RESEARCH 102:84–91, 2019, 13 December 2018 (2018-12-13) *

Also Published As

Publication number Publication date
EP3896647A4 (en) 2022-01-26
US20210287042A1 (en) 2021-09-16
US11900249B2 (en) 2024-02-13
WO2020121678A1 (ja) 2020-06-18
JP7096361B2 (ja) 2022-07-05
EP3896647A1 (en) 2021-10-20
JPWO2020121678A1 (ja) 2021-09-27

Similar Documents

Publication Publication Date Title
JP6798021B1 (ja) 畳み込みニューラルネットワークの高速計算
US20220189149A1 (en) Information processing apparatus, method for operating information processing apparatus, and operating program of information processing apparatus
US20220261659A1 (en) Method and Apparatus for Determining Neural Network
CN109409432B (zh) 一种图像处理方法、装置和存储介质
CN113168713A (zh) 小批量学习装置及其工作程序、工作方法及图像处理装置
CN111062431A (zh) 图像聚类方法、图像聚类装置、电子设备及存储介质
US11983880B2 (en) Mini-batch learning apparatus, operation program of mini-batch learning apparatus, and operation method of mini-batch learning apparatus
US20220012895A1 (en) Image processing apparatus, and operation method and operating program thereof, operating apparatus, and operation method and operating program thereof, and machine learning system
CN116071300A (zh) 一种基于上下文特征融合的细胞核分割方法及相关设备
US20180028335A1 (en) Memory and time efficient resampling for 3d printing from voxels
CN113196335A (zh) 小批量学习装置及其工作程序和工作方法
JP7195220B2 (ja) 学習装置、学習装置の作動方法、および学習装置の作動プログラム
CN115412401B (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
CN115393868B (zh) 文本检测方法、装置、电子设备和存储介质
CN110377741A (zh) 文本分类方法、智能终端及计算机可读存储介质
US11676050B2 (en) Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes
CN113705184A (zh) 自定义报表的生成方法及装置、存储介质、电子设备
CN111311616B (zh) 用于分割图像的方法和装置
CN113793290B (zh) 一种视差确定方法、装置、设备、介质
CN117632110A (zh) 基于图像的前端代码生成方法、装置、设备及介质
CN114596637A (zh) 图像样本数据增强训练方法、装置及电子设备
CN115708132A (zh) 收集训练数据集的方法和***
KR20230065750A (ko) 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램
CN116703588A (zh) 基于分析模板的数据分析方法、装置、设备及存储介质
CN116983622A (zh) 数据处理方法、装置、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