【技术实现步骤摘要】
一种识别模型的训练方法、装置、存储介质及电子设备
[0001]本说明书涉及图像处理
,尤其涉及一种识别模型的训练方法
、
装置
、
存储介质及电子设备
。
技术介绍
[0002]目前,随着计算机技术的发展和业务融合的需要,使用模型来实现对细胞图像中的各细胞进行识别,已经成为机器学习技术在图像处理领域较为常见的应用场景之一
。
[0003]现有技术中,通常可获取细胞图像,并将细胞图像输入预先训练完成的识别模型中,得到识别模型识别出的该细胞图像中包含的各细胞,作为识别结果,并根据该识别结果进行数据处理
。
[0004]但是,该识别模型需要大量带标注的样本细胞图像才可训练得到,而针对每个样本细胞图像,该样本细胞图像的标注为该样本细胞图像中的各细胞,且该标注通常需由人工确定
。
人工标注耗时长
、
成本高的特点以及样本细胞图像中需进行标注的细胞过多的特点,使得现有技术中的训练效率较低
。
[0005]基于此,本说明书提供一种识别模型的训练方法
。
技术实现思路
[0006]本说明书提供一种识别模型的训练方法
、
装置
、
存储介质及电子设备,以部分的解决现有技术存在的上述问题
。
[0007]本说明书采用下述技术方案:
[0008]本说明书提供一种识别模型的训练方法,所述方法包括:
[0009]确定带标注的细胞图像 ...
【技术保护点】
【技术特征摘要】
1.
一种识别模型的训练方法,其特征在于,所述方法包括:确定带标注的细胞图像,作为第一训练样本,并确定未标注的细胞图像,作为第二训练样本,以及确定基于所述第一训练样本预训练得到的识别模型;通过所述识别模型,得到所述第二训练样本的识别结果,并根据所述识别结果,确定所述第二训练样本的标注;根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整;根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练
。2.
如权利要求1所述的方法,其特征在于,根据所述第一训练样本的标注中各样本细胞的特征,以及所述第二训练样本的识别结果中各样本细胞的特征,对所述第二训练样本进行调整,包括:根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,作为所述第一训练样本的标注中各样本细胞的特征;根据所述第二训练样本的识别结果,确定待调细胞尺寸,作为所述第二训练样本的识别结果中各样本细胞的特征;根据所述参考细胞尺寸和所述待调细胞尺寸,对所述第二训练样本的尺寸进行调整
。3.
如权利要求1所述的方法,其特征在于,所述识别模型通过多次迭代训练得到;根据所述识别结果,确定所述第二训练样本的标注,包括:在当前迭代过程对应的迭代次数到达预设的次数阈值时,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整
。4.
如权利要求3所述的方法,其特征在于,根据当前迭代过程中确定出的所述第二训练样本的识别结果,对所述第二训练样本的标注进行调整,包括:将当前迭代过程中确定出的所述第二训练样本的识别结果,作为第一识别结果;将所述第二训练样本的标注,作为第二识别结果;根据所述第一识别结果及其权重,以及所述第二识别结果及其权重,确定目标识别结果,并将所述目标识别结果作为所述第二识别结果重新确定出的标注
。5.
如权利要求1所述的方法,其特征在于,根据所述第一训练样本及其标注,以及调整后的所述第二训练样本及其标注,对所述识别模型进行训练,包括:对调整后的所述第二训练样本进行数据增强,确定增强样本,并根据数据增强的方式和调整后的所述第二训练样本的标注,确定所述增强样本的标注;根据所述第一训练样本及其标注,以及所述增强样本及其标注,对所述识别模型进行训练
。6.
如权利要求2所述的方法,其特征在于,根据所述第一训练样本的标注中各样本细胞分别对应的尺寸,确定参考细胞尺寸,包括:针对所述第一训练样本中包含的每个样本细胞,根据所述第一训练样本的标注,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸;确定所述第一训练样本中各样本细胞的细胞尺寸的均值,作为参考细胞尺寸;根据所述第二训练样本的识别结果,确定待调细胞尺寸,包括:
针对所述第二训练样本中的每个样本细胞,根据所述第二训练样本的识别结果,确定该样本细胞的细胞直径,作为该样本细胞的细胞尺寸;确定所述第二训练样本中各样本细胞的细胞尺寸的均值,作为待调细胞尺寸
。7.
如权利要求1所述的方法,其特征在...
【专利技术属性】
技术研发人员:请求不公布姓名,
申请(专利权)人:摩尔线程智能科技北京有限责任公司,
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。