任务模型获取方法和装置、存储介质及电子装置制造方法及图纸

本发明专利技术公开了一种任务模型获取方法和装置、存储介质及电子装置。其中，该方法包括：获取对第一训练模型进行模型训练得到的目标模型参数，第一训练模型包括：第一编码器和第一解码器，目标模型参数包括：与第一编码器对应的第一模型参数，第一训练模型的输入为目标光学图像的第一通道的第一图像，训练完成后的第一训练模型的输出为与目标光学图像的第二通道的第二图像对应的预测图像，预测图像与第二图像的图形相似度大于或者等于目标相似度阈值；使用目标模型参数初始化第二训练模型的模型参数，得到初始任务模型，第二训练模型包括与第一编码器结构相同的第二编码器；使用目标光学图像对初始任务模型进行训练，得到目标任务模型。

【技术实现步骤摘要】
任务模型获取方法和装置、存储介质及电子装置
本专利技术涉及计算机领域，具体而言，涉及一种任务模型获取方法和装置、存储介质及电子装置。
技术介绍
目前，在使用网络模型执行光学图像处理任务时，需要使用样本光学图像对初始网络模型进行模型训练，得到训练好的目标网络模型。例如，可以使用CNN(ConvolutionalNeuralNetwork，卷积神经网络)、FCN(FullyConvolutionalNetwork，全卷积网络)等网络模型进行图像分类、图像分割等任务。在进行模型训练时，首先为网络模型赋予随机生成的初始模型参数(随机初始化网络模型的模型参数)；将样本光学图像输入到随机初始化的网络模型中，根据网络模型的输出结果和目标函数对网络模型的模型参数进行优化，得到训练好的网络模型。然而，在网络模型的训练过程中，由于网络模型的初始化参数是随机生成的，导致模型训练收敛速度慢，模型性能差。也就是说，相关技术中随机初始化网络模型存在模型训练收敛速度慢，模型性能差的问题。
技术实现思路
本专利技术实施例提供一种任务模型获取方法和装置、存储介质及电子装置，以至少解决相关技术中随机初始化网络模型存在模型训练收敛速度慢，模型性能差的技术问题。根据本专利技术实施例的一个方面，提供了一种任务模型获取方法，包括：获取对第一训练模型进行模型训练得到的目标模型参数，其中，第一训练模型包括：第一编码器和第一解码器，目标模型参数包括：与第一编码器对应的第一模型参数和与第一解码器对应的第二模型参数，第一训练模型的输入为目标光学图像的第一通道的第一图像，训练完成后的第一训练模型的输出为与目标光学图像的第二通道的第二图像对应的预测图像，预测图像与第二图像的图形相似度大于或者等于目标相似度阈值；使用目标模型参数初始化第二训练模型的模型参数，得到初始任务模型，其中，第二训练模型包括与第一编码器结构相同的第二编码器；使用目标光学图像对初始任务模型进行训练，得到目标任务模型，其中，目标任务模型用于执行目标图像处理任务。根据本专利技术实施例的另一方面，还提供了一种任务模型获取方法，包括：利用全卷积网络FCN模型的第一子模型提取光学医学图像的绿色通道的图像特征信息；根据图像特征信息，对光学医学图像的其他通道的颜色分布进行预测，得到颜色分布预测信息，其中，其他通道包括以下至少之一：红色通道，蓝色通道；将图像特征信息和颜色分布预测信息输入到FCN模型的第二子模型中，得到其他通道的各个像素点的预测值；确定目标损失函数的第一函数值，其中，目标损失函数用于表示其他通道的各个像素点的预测值与其他通道的各个像素点的实际值的相近程度，以及其他通道的各个像素点的预测值的分布与其他通道的各个像素点的实际值的分布的相近程度；在第一函数值大于或者等于目标阈值的情况下，对第一子模型的第一模型参数和第二子模型的第二模型参数进行调整，以使将光学医学图像输入到调整后的FCN模型得到的目标损失函数的第二函数值小于第一函数值；在第一函数值小于目标阈值的情况下，使用第一子模型的第一模型参数初始化目标训练模型的第三子模型的模型参数，得到初始任务模型，其中，第三子模型与第一子模型的模型结构相同；使用光学医学图像对初始任务模型进行训练，得到目标任务模型，其中，目标任务模型用于执行目标图像处理任务。根据本专利技术实施例的又一方面，还提供了一种任务模型获取装置，包括：获取单元，用于获取对第一训练模型进行模型训练得到的目标模型参数，其中，第一训练模型包括：第一编码器和第一解码器，目标模型参数包括：与第一编码器对应的第一模型参数和与第一解码器对应的第二模型参数，第一训练模型的输入为目标光学图像的第一通道的第一图像，训练完成后的第一训练模型的输出为与目标光学图像的第二通道的第二图像对应的预测图像，预测图像与第二图像的图形相似度大于或者等于目标相似度阈值；初始化单元，用于使用目标模型参数初始化第二训练模型的模型参数，得到初始任务模型，其中，第二训练模型包括与第一编码器结构相同的第二编码器；训练单元，用于使用目标光学图像对初始任务模型进行训练，得到目标任务模型，其中，目标任务模型用于执行目标图像处理任务。根据本专利技术实施例的又一方面，还提供了一种任务模型获取装置，包括：提取单元，用于利用全卷积网络FCN模型的第一子模型提取光学医学图像的绿色通道的图像特征信息；预测单元，用于根据图像特征信息，对光学医学图像的其他通道的颜色分布进行预测，得到颜色分布预测信息，其中，其他通道包括以下至少之一：红色通道，蓝色通道；输入单元，用于将图像特征信息和颜色分布预测信息输入到FCN模型的第二子模型中，得到其他通道的各个像素点的预测值；确定单元，用于确定目标损失函数的第一函数值，其中，目标损失函数用于表示其他通道的各个像素点的预测值与其他通道的各个像素点的实际值的相近程度，以及其他通道的各个像素点的预测值的分布与其他通道的各个像素点的实际值的分布的相近程度；调整单元，用于在第一函数值大于或者等于目标阈值的情况下，对第一子模型的第一模型参数和第二子模型的第二模型参数进行调整，以使将光学医学图像输入到调整后的FCN模型得到的目标损失函数的第二函数值小于第一函数值；初始化单元，用于在第一函数值小于目标阈值的情况下，使用第一子模型的第一模型参数初始化目标训练模型的第三子模型的模型参数，得到初始任务模型，其中，第三子模型与第一子模型的模型结构相同；训练单元，用于使用光学医学图像对初始任务模型进行训练，得到目标任务模型，其中，目标任务模型用于执行目标图像处理任务。根据本专利技术实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法。根据本专利技术实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的方法。在本专利技术实施例中，通过第一训练模型使用目标光学图像的第一通道的第一图像预测目标光学图像第二通道的第二图像的预测图像，并根据预测图像和第二图像的图像相似度对第一训练模型的模型参数进行调整，从而得到第一训练模型中的第一编码器的第一模型参数和第一解码器的第二模型参数，至少将得到的第一模型参数对具有与第一编码器相同结构的第二编码器、且使用目标光学图像执行目标图像处理任务的第二训练模型进行初始化，可以保留第一训练模型所学习到的图像特征，第二训练模型初始化的合理性，提高模型训练收敛速度，保证得到的目标任务模型的模型性能，进而解决了相关技术中随机初始化网络模型存在模型训练收敛速度慢，模型性能差的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种任务模型获取方法的应用环境的示意图；图2是根据本专利技术实施例的一种可选的任务模型获取方法的流程示意图；图3是根据本专利技术实施例的一种可选的任务模型获取方法的示意图；图4是根据本专利技术实施例的另一种可选的任务模型获取方法的示意图；图5是根据本专利技术实施例的又一种可选的任务模型获取方法的示意图；图6是根据本专利技术实施例的又一种可选的任务模型获取方法的示意图；本文档来自技高网...

【技术保护点】
1.一种任务模型获取方法，其特征在于，包括：获取对第一训练模型进行模型训练得到的目标模型参数，其中，所述第一训练模型包括：第一编码器和第一解码器，所述目标模型参数包括：与所述第一编码器对应的第一模型参数和与所述第一解码器对应的第二模型参数，所述第一训练模型的输入为目标光学图像的第一通道的第一图像，训练完成后的所述第一训练模型的输出为与所述目标光学图像的第二通道的第二图像对应的预测图像，所述预测图像与所述第二图像的图形相似度大于或者等于目标相似度阈值；使用所述目标模型参数初始化第二训练模型的模型参数，得到初始任务模型，其中，所述第二训练模型包括与所述第一编码器结构相同的第二编码器；使用所述目标光学图像对所述初始任务模型进行训练，得到目标任务模型，其中，所述目标任务模型用于执行目标图像处理任务。

【技术特征摘要】
1.一种任务模型获取方法，其特征在于，包括：获取对第一训练模型进行模型训练得到的目标模型参数，其中，所述第一训练模型包括：第一编码器和第一解码器，所述目标模型参数包括：与所述第一编码器对应的第一模型参数和与所述第一解码器对应的第二模型参数，所述第一训练模型的输入为目标光学图像的第一通道的第一图像，训练完成后的所述第一训练模型的输出为与所述目标光学图像的第二通道的第二图像对应的预测图像，所述预测图像与所述第二图像的图形相似度大于或者等于目标相似度阈值；使用所述目标模型参数初始化第二训练模型的模型参数，得到初始任务模型，其中，所述第二训练模型包括与所述第一编码器结构相同的第二编码器；使用所述目标光学图像对所述初始任务模型进行训练，得到目标任务模型，其中，所述目标任务模型用于执行目标图像处理任务。2.根据权利要求1所述的方法，其特征在于，获取对所述第一训练模型进行模型训练得到的所述目标模型参数包括：获取到所述目标光学图像的所述第一图像和所述第二图像；将所述第一图像输入到所述第一训练模型中，得到第一预测图像；确定所述第一预测图像与所述第二图像之间的第一图像相似度；在所述第一图像相似度小于所述目标相似度阈值的情况下，调整所述第一训练模型的模型参数，以使将所述第一图像输入到调整后的所述第一训练模型得到的第二预测图像与所述第二图像的第二图像相似度，大于所述第一图像相似度。3.根据权利要求2所述的方法，其特征在于，获取到所述目标光学图像的所述第一图像和所述第二图像包括：在目标光学图像为光学医学图像的情况下，获取所述光学医学图像的G通道的图像，作为所述第一图像；获取所述光学医学图像的其他通道的图像，作为所述第二图像，其中，所述其他通道包括以下至少之一：R通道，B通道。4.根据权利要求2所述的方法，其特征在于，确定所述第一预测图像与所述第二图像之间的第一图像相似度包括：确定出所述第一预测图像与所述第二图像的对应像素点之间的第一均方误差，得到所述第一图像相似度，其中，所述第一图像相似度与所述第一均方误差负相关。5.根据权利要求2所述的方法，其特征在于，将所述第一图像输入到所述第一训练模型中，得到所述第一预测图像包括：使用所述第一编码器从所述第一图像中提取出目标图像特征；使用目标池化层和目标全连接层对所述目标图像特征进行处理，得到目标预测信息，其中，所述目标池化层和目标全连接层位于所述第一编码器和所述第一解码器之间，所述目标预测信息用于表示预测的、所述第二图像中的各像素的像素值在多个像素值区间上的分布；将所述目标图像特征和所述目标预测信息输入到所述第一解码器，得到所述第一预测图像。6.根据权利要求5所述的方法，其特征在于，确定所述第一预测图像与所述第二图像之间的第一图像相似度包括：确定出所述第一预测图像与所述第二图像的对应像素点之间的第二均方误差；确定与所述第一预测图像对应的目标散度值，其中，所述目标散度值用于表示第一概率分布值与第二概率分布值的匹配程度，所述第一概率分布值为所述第一预测图像中的各像素的像素值落入到所述多个像素值区间中的各像素值区间上的概率，所述第二概率分布值为所述第二图像中的各像素的像素值落入到所述多个像素值区间中的各像素值区间上的概率；对所述第二均方误差与所述目标散度值进行加权求和，得到所述第一图像相似度，其中，所述第一图像相似度与所述第二均方误差和所述目标散度值均负相关。7.根据权利要求1至6中任一项所述的方法，其特征在于，使用所述目标模型参数初始化所述第二训练模型的模型参数，得到所述初始任务模型包括：使用所述第一模型参数初始化所述第二训练模型中的所述第二编码器，使用所述第二模型参数初始化所述第二训练模型中的第二解码器，得到所述初始任务模型，其中，所述第二解码器与所述第一解码器的结构相同。8.一种任务模型获取方法，其特征在于，包括：利用全卷积网络FCN模型的第一子模型提取光学医学图像的绿色通道的图像特征信息；根据所述图像特征信息，对所述光学医学图像的其他通道的颜色分布进行预测，得到颜色分布预测信息，其中，所述其他通道包括以下至少之一：红色通道，蓝色通道；将所述图像特征信息和所述颜色分布预测信息输入到所述FCN模型的第二子模型中，得到所述其他通道的各个像素点的预测值；确定目标损失函数的第一函数值，其中，所述目标损失函数用于表示所述其他通道的各个像素点的预测值与所述其他通道的各个像素点的实际值的相近程度，以及所述其他通道的各个像素点的预测值的分布与所述其他通道的各个像素点的实际值的分布的相近程度；在所述第一函数值大于或者等于目标阈值的情况下，对所述第一子模型的第一模型参数和所述第二子模型的第二模型参数进行调整，以使将所述光学医学图像输入到...

【专利技术属性】
技术研发人员：李悦翔，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：广东,44