本公开涉及一种神经网络训练与图像处理方法及装置，该神经网络可以用于对医学影像图像进行标注，比如对心脏、肝脏、肺部以及病理图像进行标注。所述方法包括：根据第一样本图像，对神经网络进行训练，获得第一训练状态的神经网络；根据第二样本图像、第一样本图像，对第一训练状态的神经网络进行训练，获得第二训练状态的神经网络。根据本公开的实施例的神经网络训练方法，可通过具有不同标注的样本图像逐步对神经网络进行训练，以增强神经网络处理具有不同标注的样本图像的能力，提高神经网络的精度和泛化能力。度和泛化能力。度和泛化能力。
【技术实现步骤摘要】
神经网络训练与图像处理方法及装置
[0001]本公开涉及计算机
，尤其涉及一种神经网络训练与图像处理方法及装置。
技术介绍
[0002]在相关技术中，对样本的标注精度不同，例如，根据标注的精度，可分为无标注的样本、具有类别标注的样本、具有检测框标注的样本和具有分割轮廓标注的样本。标注的信息量不同，则标注成本也不同，例如，分割轮廓标注或检测框标注的信息量大于类别标注，标注成本也大于类别标注。因此，具有分割轮廓标注的样本的数量少于具有类别标注的样本的数量。在神经网络训练过程中，标注信息量大的样本数量较少，使得训练后的神经网络的精度与泛化能力不足。使用标注信息量小的样本进行训练，使得训练后的神经网络的性能不足。
技术实现思路
[0003]本公开提出了一种神经网络训练与图像处理方法及装置。
[0004]根据本公开的一方面，提供了一种神经网络训练方法，包括：根据第一样本图像，对神经网络进行训练，获得第一训练状态的神经网络，所述第一样本图像具有区域标注信息；根据第二样本图像、所述第一样本图像，对所述第一训练状态的神经网络进行训练，获得第二训练状态的神经网络，所述第二样本图像具有类别标注信息。
[0005]根据本公开的实施例的神经网络训练方法，可通过具有不同标注的样本图像逐步对神经网络进行训练，以增强神经网络处理具有不同标注的样本图像的能力，提高神经网络的精度和泛化能力。
[0006]在一种可能的实现方式中，根据第二样本图像、所述第一样本图像，对所述第一训练状态的神经网络进行训练，获得第二训练状态的神经网络，包括：使用第i个训练周期的神经网络对第二样本图像进行检测处理，获得第二样本图像中的第一预测区域，其中，i为正整数，所述第i个训练周期为将所述第一训练状态的神经网络训练成为第二训练状态的神经网络的多个训练周期中的任意一个训练周期；使用具有类别标注信息和所述第一预测区域的第二样本图像以及具有区域标注信息的第一样本图像训练所述第i个训练周期的神经网络，获得第i+1个训练周期的神经网络；在所述神经网络满足第一训练条件时，获得所述第二训练状态的神经网络。
[0007]通过这种方式，可通过具有类别标注信息的第二样本图像训练神经网络，补充第一样本图像的数量，提高神经网络的检测精度。
[0008]在一种可能的实现方式中，使用第i个训练周期的神经网络对具有类别标注信息的第二样本图像进行检测处理，获得第二样本图像中的第一预测区域，包括：使用所述第i个训练周期的神经网络对具有类别标注信息的第二样本图像进行检测处理，获得第二样本图像中的第一样本区域；在所述第一样本区域中，确定出置信度大于或等于第一置信度阈
值的第二样本区域；根据所述类别标注信息，在所述第二样本区域中确定出所述第一预测区域。
[0009]在一种可能的实现方式中，所述方法还包括：根据未标注的第三样本图像、所述第二样本图像、所述第一样本图像，对所述第二训练状态的神经网络进行训练，获得训练后的神经网络。
[0010]通过这种方式，可通过数量较多的未标注的第三样本图像和具有类别标注信息的第二样本图像训练神经网络，降低了对样本图像的标注成本。
[0011]在一种可能的实现方式中，根据未标注的第三样本图像、所述第二样本图像、所述第一样本图像，对所述第二训练状态的神经网络进行训练，获得训练后的神经网络，包括：使用第j个训练周期的神经网络对未标注的第三样本图像进行检测处理，获得第三样本图像中的第二预测区域，其中，j为正整数，所述第j个训练周期为将所述第二训练状态的神经网络训练成为训练后的神经网络的多个训练周期中的任意一个训练周期；使用具有区域标注信息的第一样本图像、具有类别标注信息和所述第一预测区域的第二样本图像以及具有第二预测区域的第三样本图像训练所述第j个训练周期的神经网络，获得第j+1个训练周期的神经网络；在所述神经网络满足第二训练条件时，获得所述训练后的神经网络。
[0012]通过这种方式，可通过未标注的第三样本图像训练神经网络，进一步提高神经网络的检测精度，并且，使用既无类别标注信息又无区域标注信息的第三样本图像训练神经网络，可提高神经网络的鲁棒性和泛化能力。
[0013]在一种可能的实现方式中，使用第j个训练周期的神经网络对未标注的第三样本图像进行检测处理，获得第三样本图像中的第二预测区域，包括：使用所述第j个训练周期的神经网络对所述第三样本图像进行检测处理，获得第三样本图像中的第三样本区域；在所述第三样本区域中，确定出置信度大于或等于第二置信度阈值的第二预测区域。
[0014]在一种可能的实现方式中，在所述第三样本区域中，确定出置信度大于或等于第二置信度阈值的第二预测区域，包括：根据所述第三样本区域的尺寸确定第三样本区域的置信度；根据所述第三样本区域的置信度，确定所述第二预测区域。
[0015]在一种可能的实现方式中，所述第一样本图像的数量小于第二样本图像的数量，所述第二样本图像的数量小于第三样本图像的数量。
[0016]在一种可能的实现方式中，所述第一样本图像、所述第二样本图像和所述第三样本图像为医学影像。
[0017]根据本公开的一方面，提供了一种图像处理方法，包括：根据所述神经网络训练方法训练后的神经网络对待处理图像进行处理，获得待处理图像中的目标区域的位置信息和类别信息。
[0018]根据本公开的一方面，提供了一种神经网络训练装置，包括：第一训练模块，用于根据第一样本图像，对神经网络进行训练，获得第一训练状态的神经网络，所述第一样本图像具有区域标注信息；第二训练模块，用于根据第二样本图像、所述第一样本图像，对所述第一训练状态的神经网络进行训练，获得第二训练状态的神经网络，所述第二样本图像具有类别标注信息。
[0019]在一种可能的实现方式中，所述第二训练模块进一步用于：使用第i个训练周期的神经网络对第二样本图像进行检测处理，获得第二样本图像中的第一预测区域，其中，i为
正整数，所述第i个训练周期为将所述第一训练状态的神经网络训练成为第二训练状态的神经网络的多个训练周期中的任意一个训练周期；使用具有类别标注信息和所述第一预测区域的第二样本图像以及具有区域标注信息的第一样本图像训练所述第i个训练周期的神经网络，获得第i+1个训练周期的神经网络；在所述神经网络满足第一训练条件时，获得所述第二训练状态的神经网络。
[0020]在一种可能的实现方式中，所述第二训练模块进一步用于：使用所述第i个训练周期的神经网络对具有类别标注信息的第二样本图像进行检测处理，获得第二样本图像中的第一样本区域；在所述第一样本区域中，确定出置信度大于或等于第一置信度阈值的第二样本区域；根据所述类别标注信息，在所述第二样本区域中确定出所述第一预测区域。
[0021]在一种可能的实现方式中，所述装置还包括第三训练模块，用于：根据未标注的第三样本图像、所述第二样本图像、所述第一样本图像，对所述第二训练状态的神经网络进行训练，获得训练后的神经网络。
[0022]在一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种神经网络训练方法，其特征在于，包括：根据第一样本图像，对神经网络进行训练，获得第一训练状态的神经网络，所述第一样本图像具有区域标注信息；根据第二样本图像、所述第一样本图像，对所述第一训练状态的神经网络进行训练，获得第二训练状态的神经网络，所述第二样本图像具有类别标注信息。2.根据权利要求1所述的方法，其特征在于，根据第二样本图像、所述第一样本图像，对所述第一训练状态的神经网络进行训练，获得第二训练状态的神经网络，包括：使用第i个训练周期的神经网络对第二样本图像进行检测处理，获得第二样本图像中的第一预测区域，其中，i为正整数，所述第i个训练周期为将所述第一训练状态的神经网络训练成为第二训练状态的神经网络的多个训练周期中的任意一个训练周期；使用具有类别标注信息和所述第一预测区域的第二样本图像以及具有区域标注信息的第一样本图像训练所述第i个训练周期的神经网络，获得第i+1个训练周期的神经网络；在所述神经网络满足第一训练条件时，获得所述第二训练状态的神经网络。3.根据权利要求2所述的方法，其特征在于，使用第i个训练周期的神经网络对具有类别标注信息的第二样本图像进行检测处理，获得第二样本图像中的第一预测区域，包括：使用所述第i个训练周期的神经网络对具有类别标注信息的第二样本图像进行检测处理，获得第二样本图像中的第一样本区域；在所述第一样本区域中，确定出置信度大于或等于第一置信度阈值的第二样本区域；根据所述类别标注信息，在所述第二样本区域中确定出所述第一预测区域。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据未标注的第三样本图像、所述第二样本图像、所述第一样本图像，对所述第二训练状态的神经网络进行训练，获得训练后的神经网络。5.根据权利要求4所述的方法，其特征在于，根据未标注的第三样本图像、所述第二样本图像、所述第一样本图像，对所述第二训练状态的神经网络进行训练，获得训练后的神经网络，包括：使用第j个训练周期的神经网络对未标注的第三样本图像进行检测处理，获得第三样本图像中的第二预测区域，其中，j为正整数，所述第j个训练周期为将所述第二训练状态的神经网络训练成为训练后的神经网络的多个训练周期中的任意一个训练周期；使用具有区域标注信息的第一样本图像、具有类别标注信息和所述第一预测区域的第二样本图像以及具有第二预测...
【专利技术属性】
技术研发人员：李嘉辉，陈文，黄晓迪，胡志强，张少霆，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。