一种应用于内窥镜图像目标检测模型的增强训练方法技术

本发明专利技术公开了一种应用于内窥镜图像目标检测模型的增强训练方法，从样本标签的选择上进行优化，一个是引入对抗样本训练，并优化对抗样本的使用方式，实验表明，这两种策略综合使用，提高了模型在受限数据训练情况下的精度和泛化能力。和泛化能力。

【技术实现步骤摘要】
一种应用于内窥镜图像目标检测模型的增强训练方法


[0001]本专利技术属于目标检测
，具体的为：一种应用于内窥镜图像目标检测模型的增强训练方法。

技术介绍

[0002]随着电子技术的发展，医用内窥镜产品越来越丰富，极大的融入了各式各样的疾病诊断、治疗流程中。同时随着图像智能识别技术的发展，利用内窥镜图像，实现部分疾病的自动识别和预警等得到了越来越多的重视。
[0003]在图像智能识别中，人工建立的数据库往往具有决定性的作用，但是海量的数据在很多场景下并不存在，尤其是医疗领域，比如妇科内窥镜图像，往往由于各种原因，如隐私等，数据并不能充分的获取和标注。这样就要求对于图像目标检测模型的训练方式，进行尽量的优化。

技术实现思路

[0004]专利技术目的：针对上述现有技术，提出一种应用于内窥镜图像目标检测模型的增强训练方法
[0005]技术方案：一种应用于内窥镜图像目标检测模型的增强训练方法，其特征在于，包括以下步骤：
[0006]1)获取待训练图像，所述待训练图像包括标注信息；
[0007]2)通过目标检测模型对所述待训练图像进行特征提取，得到所述待训练图像的多尺度特征图；
[0008]3)通过所述目标检测模型的特征金字塔网络对所述待训练图像的多尺度特征图进行融合得到融合后的多尺度特征图；
[0009]4)通过所述目标检测模型的检测头网络对融合后的多尺度特征图进行检测得到待训练图像的目标检测结果；
[0010]5)引入最优对抗样本对所述目标检测模型进行训练，预设锚点集合，通过预设锚点的样本的权重对所述目标检测模型的损失进行调制，得到训练后的目标检测模型。
[0011]优选的，预设锚框样本集合为{Q
i
}，目标真实位置为R，所述目标检测模型使用所述锚框样本集合{Q
i
}得到的预测置信度集合为目标预测位置集合为其中i表示锚点序号；则训练中选取的正锚框样本的权重w
i
为：
[0012][0013]对所有锚框样本进行权重计算，从大到小排序，得到集合，根据下式计算k值：
[0014][0015]其中，T表示固定阈值，选出权重大于固定阈值T的k个正锚框样本。
[0016]优选的，通过最大化交叉熵法来获得最优对抗样本，将所述最优对抗样本记为X
a
，计算最优对抗样本X
a
的均值μ
a
和方差σ
a
，然后归一化所有的X
a
得到将作为所述目标检测模型的batchnorm层的输出。
[0017]优选的，所述目标检测模型为YOLOv6。
[0018]有益效果：
[0019]1)从两个方面，对目标检测训练流程进行了优化。一个是从样本标签的选择上进行优化，一个是引入对抗样本训练，并优化对抗样本的使用方式。实验表面，这两种策略综合使用，提高了模型在受限数据训练情况下的精度和泛化能力。
[0020]2)不但维护了网络对于常规样本的响应能力，同时也强化了其对于攻击性样本的鲁棒性
具体实施方式
[0021]下面对本专利技术做更进一步的解释。
[0022]一种应用于内窥镜图像目标检测模型的增强训练方法，其特征在于，包括以下步骤：
[0023]1)获取待训练图像，所述待训练图像包括标注信息；
[0024]2)通过目标检测模型对所述待训练图像进行特征提取，得到所述待训练图像的多尺度特征图；
[0025]3)通过所述目标检测模型的特征金字塔网络对所述待训练图像的多尺度特征图进行融合得到融合后的多尺度特征图；
[0026]4)通过所述目标检测模型的检测头网络对融合后的多尺度特征图进行检测得到待训练图像的目标检测结果；
[0027]5)引入最优对抗样本对所述目标检测模型进行训练，预设锚点集合，通过预设锚点的样本的权重对所述目标检测模型的损失进行调制，得到训练后的目标检测模型。
[0028]预设锚框样本集合为{Q
i
}，目标真实位置为R，所述目标检测模型使用所述锚框样本集合{Q
i
}得到的预测置信度集合为目标预测位置集合为其中i表示锚点序号；则训练中选取的正锚框样本的权重w
i
为：
[0029][0030]对所有锚框样本进行权重计算，从大到小排序，得到集合，根据下式计算k值：
[0031][0032]其中，T表示固定阈值，选出权重大于固定阈值T的k个正锚框样本。
[0033]通过最大化交叉熵法来获得最优对抗样本，将所述最优对抗样本记为X
a
，计算最优对抗样本X
a
的均值μ
a
和方差σ
a
，然后归一化所有的X
a
得到将作为所述目标检测模型的batchnorm层的输出。
[0034]所述目标检测模型为YOLOv6。
[0035]随着电子技术的发展，医用内窥镜产品越来越丰富，极大的融入了各式各样的疾
病诊断、治疗流程中。同时随着图像智能识别技术的发展，利用内窥镜图像，实现部分疾病的自动识别和预警等得到了越来越多的重视。
[0036]在图像智能识别中，人工建立的数据库往往具有决定性的作用，但是海量的数据在很多场景下并不存在，尤其是医疗领域，比如妇科内窥镜图像，往往由于各种原因，如隐私等，数据并不能充分的获取和标注。这样就要求对于图像目标检测模型的训练方式，进行尽量的优化。
[0037]这里从两个方面，对目标检测训练流程进行了优化。一个是从样本标签的选择上进行优化，一个是引入对抗样本训练，并优化对抗样本的使用方式。实验表面，这两种策略综合使用，提高了模型在受限数据训练情况下的精度和泛化能力。
[0038]经典的标签分配策略通常采用预定义的规则来匹配每个锚点的样本，选择为目标或背景。这种静态的策略并没有考虑对于具有不同大小、形状或遮挡条件的目标，其目标边界会有很大的不同。
[0039]此前有些研究表明，预设锚点的预测置信度得分可以作为设计动态分配策略的指标。但这种策略依然是基于单个锚点的，如果可以为图像中的所有的目标标签找到全局更优的锚点置信度分配，这样理应可以实现更好的效果。基于此，训练中采用了一种全局动态分配的策略。
[0040]假设预设锚点集合为{Q
i
}，某目标真实位置为R，模型使用锚点得到的预测置信度集合为预测位置集合为其中i表示锚点序号。
[0041]则训练中选取的正锚点样本的权重为：
[0042][0043]训练中，使用样本权重对损失进行调制，可以加快训练收敛速度和效果。这里对于单个锚点权重，综合考虑了目标框与真实目标的重叠程度和模型响应。
[0044]而对于全局信息的融入，使用控制正锚点样本的方式，训练使用的正锚点数量根据如下规则选取：
[0045]对所有锚点样本进行权重计算，从大到小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于内窥镜图像目标检测模型的增强训练方法，其特征在于，包括以下步骤：1)获取待训练图像，所述待训练图像包括标注信息；2)通过目标检测模型对所述待训练图像进行特征提取，得到所述待训练图像的多尺度特征图；3)通过所述目标检测模型的特征金字塔网络对所述待训练图像的多尺度特征图进行融合得到融合后的多尺度特征图；4)通过所述目标检测模型的检测头网络对融合后的多尺度特征图进行检测得到待训练图像的目标检测结果；5)引入最优对抗样本对所述目标检测模型进行训练，预设锚点集合，通过预设锚点的样本的权重对所述目标检测模型的损失进行调制，得到训练后的目标检测模型。2.如权利要求1所述的一种应用于内窥镜图像目标检测模型的增强训练方法，其特征在于，预设锚框样本集合为{Q
i
}，目标真实位置为R，所述目标检测模型使用所述锚框样本集合{Q
i
}得到...

【专利技术属性】
技术研发人员：张云飞，曹黎俊，王孝群，蔡占毅，
申请(专利权)人：江苏济远医疗科技有限公司，
类型：发明
国别省市：