图像识别模型的训练方法、装置、设备、介质及产品与流程

摘要: 本申请涉及机器学习,特别涉及一种图像识别模型的训练方法、装置、设备、介质及产品。背景技术:1、医学影像分割是机器学习在医学领域中的一项关键任务,它涉及将医学影像...
图像识别模型的训练方法、装置、设备、介质及产品与流程

本申请涉及机器学习,特别涉及一种图像识别模型的训练方法、装置、设备、介质及产品。

背景技术:

1、医学影像分割是机器学习在医学领域中的一项关键任务,它涉及将医学影像划分为离散的像素组,以提取感兴趣区域(region of interest,roi),如器官、病变或其他解剖结构。

2、用于实现医学影像分割的机器学习模型通常通过生成式学习的方式训练得到,也即,通过学习已有的样本医学影像的数据分布方式来生成新的医学影像的分割结果。

3、不同样本数据集对应的不同数据分布通常具有在样本数据集内的领域特异性,这种领域特异性源于与分割目标相关的外观变化。上述模型训练方式在面对不同样本数据集之间存在的分布差异表现出泛化能力不足的问题。

技术实现思路

1、本申请实施例提供了一种图像识别模型的训练方法、装置、设备、介质及产品,本申请提供的技术方案包括如下几个方面。

2、根据本申请实施例的一个方面,提供了一种图像识别模型的训练方法,所述方法包括:

3、获取样本图像和所述样本图像对应的对象位置标签,所述样本图像中包括第一对象,所述对象位置标签用于指示所述第一对象在所述样本图像中的位置参数;

4、获取所述样本图像的第一风格特征表示,所述第一风格特征表示指示所述样本图像的图像风格;

5、从至少两个图像集合对应的风格特征空间采样得到第二风格特征表示,所述样本图像属于所述至少两个图像集合中的任一图像集合,所述风格特征空间由所述至少两个图像集合所包含的图像的风格特征表示形成;

6、基于所述第一风格特征表示和所述第二风格特征表示之间的第一损失值,以及,第一模型对所述样本图像中的所述第一对象的位置预测结果和所述位置参数之间的第二损失值,训练所述第一模型,得到第二模型。

7、根据本申请实施例的一个方面,提供了一种图像识别模型的训练装置,所述装置包括:

8、第一获取模块,用于获取样本图像和所述样本图像对应的对象位置标签,所述样本图像中包括第一对象,所述对象位置标签用于指示所述第一对象在所述样本图像中的位置参数;

9、第二获取模块,用于获取所述样本图像的第一风格特征表示,所述第一风格特征表示指示所述样本图像的图像风格;

10、所述第二获取模块,还用于从至少两个图像集合对应的风格特征空间采样得到第二风格特征表示,所述样本图像属于所述至少两个图像集合中的任一图像集合,所述风格特征空间由所述至少两个图像集合所包含的图像的风格特征表示形成;

11、训练模块,用于基于所述第一风格特征表示和所述第二风格特征表示之间的第一损失值,以及,第一模型对所述样本图像中的所述第一对象的位置预测结果和所述位置参数之间的第二损失值,训练所述第一模型,得到第二模型。

12、根据本申请实施例的一个方面,提供了一种终端设备,所述终端设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述图像识别模型的训练方法。

13、根据本申请实施例的一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述图像识别模型的训练方法。

14、根据本申请实施例的一个方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序存储在计算机可读存储介质中,处理器从所述计算机可读存储介质读取并执行所述计算机程序,以实现上述图像识别模型的训练方法。

15、本申请实施例提供的技术方案可以带来如下有益效果:

16、在第一模型的训练过程中,针对输入的样本图像,除了通过样本图像对应的对象位置标签使用监督学习来实现第一模型的训练过程(即,使用第一模型对样本图像中第一对象的位置预测结果和对象位置标签指示的位置参数之间的损失来训练第一模型)之外,通过获取样本图像对应的第一风格特征表示,以及从至少两个图像集合对应的风格特征空间中采样第二风格特征表示,结合第一风格特征表示和第二风格特征表示之间的损失来训练第一模型,从而得到第二模型。也即,将样本图像在所属的图像集合内所具有的领域特异性视为样本图像的图像风格,在第一模型的训练过程中,将样本图像的图像风格的特征与样本图像的图像内容的特征解耦,并通过从至少两个图像集合对应的风格特征空间采样得到的第二风格特征表示作为针对样本图像的增强风格融入模型训练过程,从而提升了训练得到的第二模型的模型泛化能力,使得第二模型具有更高的性能。

1.一种图像识别模型的训练方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述基于所述第一风格特征表示和所述第二风格特征表示之间的第一损失值,以及,第一模型对所述样本图像中的所述第一对象的位置预测结果和所述位置参数之间的第二损失值,训练所述第一模型,得到第二模型,包括:

3.根据权利要求2所述的方法,其特征在于,所述基于所述第一嵌入表示和所述第二嵌入表示之间的预测差异,获取所述第一损失值,包括:

4.根据权利要求3所述的方法,其特征在于,所述基于所述至少一个网络层分别对应的第一中间表示和所述至少一个网络层分别对应的第二中间表示之间的差异,获取所述第一损失值,包括:

5.根据权利要求4所述的方法,其特征在于,所述基于所述第一协方差矩阵、所述第二协方差矩阵和所述掩码矩阵,获取所述第j个网络层对应的第一子损失值,包括:

6.根据权利要求4所述的方法,其特征在于,所述获取与所述第j个网络层对应的掩码函数,包括:

7.根据权利要求2至6任一所述的方法,其特征在于,所述获取所述第一模型对所述样本图像中的所述第一对象的位置预测结果和所述位置参数之间的所述第二损失值,包括:

8.根据权利要求1至6任一所述的方法,其特征在于,所述获取所述样本图像的第一风格特征表示,包括:

9.根据权利要求8所述的方法,其特征在于,所述编码得到所述样本图像的第一嵌入表示,包括:

10.根据权利要求1至6任一所述的方法,其特征在于,所述从至少两个图像领域对应的特征空间采样得到第二风格特征表示,包括:

11.根据权利要求2至6任一所述的方法,其特征在于,所述对象位置标签包括所述第一对象对应的掩码图像;

12.根据权利要求11所述的方法,其特征在于,所述基于所述第三嵌入表示和所述第一映射表示之间的差异,以及所述第三嵌入表示和所述第二映射表示之间的差异,获取第三损失值,包括:

13.根据权利要求12所述的方法,其特征在于,所述基于所述第三嵌入表示和所述第三映射表示之间的差异,以及所述第三嵌入表示和所述第四映射表示之间的差异,获取第三损失值,包括:

14.根据权利要求1至6任一所述的方法,其特征在于,所述基于所述第一风格特征表示和所述第二风格特征表示之间的第一损失值,以及,第一模型对所述样本图像中的所述第一对象的位置预测结果和所述位置参数之间的第二损失值,训练所述第一模型,得到第二模型,包括:

15.一种图像识别模型的训练装置,其特征在于,所述装置包括:

16.一种终端设备,其特征在于,所述终端设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至14任一项所述的图像识别模型的训练方法。

17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至14任一项所述的图像识别模型的训练方法。

18.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序存储在计算机可读存储介质中,处理器从所述计算机可读存储介质读取并执行所述计算机程序,以实现如权利要求1至14任一项所述的图像识别模型的训练方法。