【技术实现步骤摘要】
图像分类模型训练方法、图像分类方法及装置
[0001]本专利技术涉及疾病种类信息处理技术，尤其涉及图像分类模型训练方法、图像分类方法、装置、电子设备及存储介质。
技术介绍
[0002]目前A型冠状病毒检测可以由民众通过购买快速检测试纸、检测盒、检测卡，在家完成快速的A型冠状病毒检测。但是这种自我检测，只是完成了生物或化学原理的检测试纸、检测盒、检测卡的检测步骤，还存在一个问题就是检测后的信息上报和收集，现有的检测方法的检测结果还需要被检测人进行进一步的目视观察和判读，再操作手机进行汇报，检测结果尚不能自动、快速的采集和上传，尚未充分利用信息化的优势。同时由于用户的图像上传与采集的熟练度不同，用户经常不能上传完整的检测图像，给信息收集带来了不利影响，不利于相关职能部门全面掌握疫情态势信息，影响了对传染病的预防与排查。
技术实现思路
[0003]有鉴于此，本专利技术实施例提供一种图像分类模型训练方法、图像分类方法、装置、电子设备及存储介质，能够实现通过对图像分类模型的训练，在减少训练数据总量和无需重进行数据标注的前提下，利于弱监督的训练方式，稳定提高图像分类模型训练训练的准确率，减少训练时间，减轻图像分类模型的过拟合缺陷，同时图像分类模型的多任务损失函数能够灵活地适应不同疾病的检测使用需求，实现图像分类模型的大规模应用。同时可以实现通过图像的分类结果对存在感染风险的图像进行精确地判断，及时准确地发现感染者，节省传染病流行病学调查的时间。
[0004]本专利技术实施例的技术方案是这样实现的：>[0005]本专利技术实施例提供了一种图像分类模型训练方法，包括：
[0006]获取无标注的第一原始样本图像和携带标注信息的第二原始样本图像；
[0007]对所述第一原始样本图像和所述第二原始样本图像进行组合，形成图像分类模型的训练样本集合；
[0008]根据所述图像分类模型的使用环境，确定所述图像分类模型的多任务损失函数；
[0009]通过所述训练样本集合和所述任务损失函数，对所述图像分类模型进行训练，确定所述图像分类模型的模型参数，以实现通过所述图像分类模型对待分类图像进行分类。
[0010]本专利技术实施例还提供了一种图像分类方法，包括：
[0011]获取待分类图像和疾病种类信息，其中，所述疾病种类信息包括：
[0012]疾病种类标识、以及与所述疾病种类标识对应的确诊图像边界框状态；
[0013]通过图像分类模型中的特征提取网络，对所述训练样本集合进行特征提取，得到所述训练样本集合的图像特征；
[0014]通过图像分类模型中的图像分类网络，对所述训练样本集合的图像特征进行分类，得到待分类图像的分类结果；
[0015]其中，所图像分类模型如权利要求1至5任一项所述的方法训练得到；
[0016]当所述待分类图像的分类结果与所述确诊图像边界框状态相同时，发出确诊警报信息。
[0017]本专利技术实施例还提供了一种图像分类模型训练装置，包括：
[0018]信息传输模块，用于获取无标注的第一原始样本图像和携带标注信息的第二原始样本图像；
[0019]信息处理模块，用于对所述第一原始样本图像和所述第二原始样本图像进行组合，形成图像分类模型的训练样本集合；
[0020]所述信息处理模块，用于根据所述图像分类模型的使用环境，确定所述图像分类模型的多任务损失函数；
[0021]所述信息处理模块，用于通过所述训练样本集合和所述任务损失函数，对所述图像分类模型进行训练，确定所述图像分类模型的模型参数，以实现通过所述图像分类模型对待分类图像进行分类。
[0022]上述方案中，
[0023]所述信息处理模块，用于根据所述图像分类模型的使用环境，确定所述图像分类模型所对应的疾病种类；
[0024]所述信息处理模块，用于根据所述疾病种类，确定所述图像分类模型对应的边界框种类，以及与所述边界框种类对应的分类损失函数；
[0025]所述信息处理模块，用于获取所述边界框的置信度损失函数；
[0026]所述信息处理模块，用于根据所述分类损失函数和所述置信度损失函数，计算所述图像分类模型的多任务损失函数。
[0027]上述方案中，
[0028]所述信息处理模块，用于根据所述图像分类模型的使用环境，对所述第二原始样本图像进行本地增广处理，得到本地增广图像，以实现对所述第二原始样本图像的局部邻域信息执行空间滤波；
[0029]所述信息处理模块，用于对所述第二原始样本图像进行全局增广处理，得到全局增广图像，以实现调整所述第二原始样本图像的清晰度。
[0030]上述方案中，
[0031]所述信息处理模块，用于确定与所述图像分类模型的使用环境相匹配的动态噪声阈值；
[0032]所述信息处理模块，用于根据所述动态噪声阈值对所述训练样本集合进行去噪处理，以形成与所述动态噪声阈值相匹配的训练样本集合；或者，
[0033]所述信息处理模块，用于确定与所述图像分类模型相对应的固定噪声阈值，并根据所述固定噪声阈值对所述训练样本集合进行去噪处理，以形成与所述固定噪声阈值相匹配的训练样本集合。
[0034]上述方案中，
[0035]所述信息处理模块，用于基于所述训练样本集合的特征向量和所述多任务损失函数，调整所述图像分类模型的网络参数；
[0036]所述信息处理模块，用于直至所述图像分类模型对应的不同维度的损失函数达到
相应的收敛条件时，确定所述图像分类模型的网络参数，以实现所述图像分类模型的参数与使用环境相适配。
[0037]本专利技术实施例还提供了一种图像分类装置，包括：
[0038]数据传输模块，用于获取待分类图像和疾病种类信息，其中，所述疾病种类信息包括：
[0039]疾病种类标识、以及与所述疾病种类标识对应的确诊图像边界框状态；
[0040]数据处理模块，用于通过图像分类模型中的特征提取网络，对所述训练样本集合进行特征提取，得到所述训练样本集合的图像特征；
[0041]数据处理模块，用于通过图像分类模型中的图像分类网络，对所述训练样本集合的图像特征进行分类，得到待分类图像的分类结果；
[0042]所述数据处理模块，用于当所述待分类图像的分类结果与所述确诊图像边界框状态相同时，发出确诊警报信息。
[0043]本专利技术实施例还提供了一种电子设备，所述电子设备包括：
[0044]存储器，用于存储可执行指令；
[0045]处理器，用于运行所述存储器存储的可执行指令时，实现前述的图像分类模型训练方法。
[0046]本专利技术所一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现前述的图像分类模型训练方法。
[0047]本专利技术实施例具有以下有益效果：
[0048]本专利技术通过获取无标注的第一原始样本图像和携带标注信息的第二原始样本图像；对所述第一原始样本图像和所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分类模型训练方法，其特征在于，所述方法包括：获取无标注的第一原始样本图像和携带标注信息的第二原始样本图像；对所述第一原始样本图像和所述第二原始样本图像进行组合，形成图像分类模型的训练样本集合；根据所述图像分类模型的使用环境，确定所述图像分类模型的多任务损失函数；通过所述训练样本集合和所述任务损失函数，对所述图像分类模型进行训练，确定所述图像分类模型的模型参数，以实现通过所述图像分类模型对待分类图像进行分类。2.根据权利要求1所述的方法，其特征在于，根据所述图像分类模型的使用环境，确定所述图像分类模型的多任务损失函数，包括：根据所述图像分类模型的使用环境，确定所述图像分类模型所对应的疾病种类；根据所述疾病种类，确定所述图像分类模型对应的边界框种类，以及与所述边界框种类对应的分类损失函数；获取所述边界框的置信度损失函数；根据所述分类损失函数和所述置信度损失函数，计算所述图像分类模型的多任务损失函数。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述图像分类模型的使用环境，对所述第二原始样本图像进行本地增广处理，得到本地增广图像，以实现对所述第二原始样本图像的局部邻域信息执行空间滤波；对所述第二原始样本图像进行全局增广处理，得到全局增广图像，以实现调整所述第二原始样本图像的清晰度。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：确定与所述图像分类模型的使用环境相匹配的动态噪声阈值；根据所述动态噪声阈值对所述训练样本集合进行去噪处理，以形成与所述动态噪声阈值相匹配的训练样本集合；或者，确定与所述图像分类模型相对应的固定噪声阈值，并根据所述固定噪声阈值对所述训练样本集合进行去噪处理，以形成与所述固定噪声阈值相匹配的训练样本集合。5.根据权利要求1所述的方法，其特征在于，通过所述训练样本集合和所述任务损失函数，对所述图像分类模型进行训练，确定所述图像分类模型的模型参数，包括：基于所述训练样本集合的特征向量和所述多任务损失函数，调整所述图像分类模型的网络参数；直至所述图像分类模型对应的不同维度的损失函数达到相应的收敛条件时，确定所述图像分类模型的网络参数，以实现所述图像分类模型的参数与使用环境相适配。6.一种图像分类方法，其特征在于，所述方法包括：获取待分类图像和疾病种类信息，其中，所述疾病种类信息包括：疾病种类标识、以及与所述疾病种类标识对应的确诊图像边界框状态；通过图像分类模型中的特征提取网络，对所述训练样本集合进行特征提取，得到所述训练样本集合的图像特征；通过图像分类模型中的图像分类网络，对所述训练样本集合的图像特征进行分类，得到待分类图像的分类结果；
...
【专利技术属性】
技术研发人员：卢东焕，宁慕楠，张欣宇，熊竹，陈勃，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
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。