【技术实现步骤摘要】
深度学习模型训练方法及装置、电子设备及存储介质
本专利技术涉及信息
，尤其涉及一种深度学习模型训练方法及装置、电子设备及存储介质。
技术介绍
深度学习模型是利用大量的第一训练数据训练得到的模型。深度学习模型包括可以用于图像分割的图像处理模型。在训练深度学习模型的过程中，需要获取第一训练数据，第一训练数据的获取，一般需要人工进行标注。而对于一些特定领域，例如，医学领域，标注第一训练数据都需要专业人士，这是非常耗时耗力的事情；尤其对一些高精度的深度学习模型，标注精确非常高，这无疑是模型训练中的巨大开销，且会严重拖后深度学习模型的训练效率。采用深度学习的方法进行医学影像等图像分析，需要首先标注大量的图像。对图像进行图像级别的标注(图像分类别)比较容易，但给出像素级别的标注(图像分割)的难度却非常高，因而很多时候，很容易收集到大量有图像级别标注的数据，却难以对这些数据再进行像素级别的标注；故现有的医学图像等图像处理模型的训练难度大且第一训练数据获取难等特点，且进一步训练得到的图像处理模型也比较难获得高精度的处理结果。专...
【技术保护点】
1.一种深度学习模型训练方法，其特征在于，包括：/n利用第一深度学习模型对第一训练数据进行标注，获得第一标注结果；/n基于所述第一标注结果，获得各条所述第一训练数据的第一特征数据；/n获取所述第一特征数据的第二标注结果；/n基于所述第一特征数据和所述第二标注结果组成的第一训练集，训练第二深度学习模型。/n
【技术特征摘要】
1.一种深度学习模型训练方法，其特征在于，包括：
利用第一深度学习模型对第一训练数据进行标注，获得第一标注结果；
基于所述第一标注结果，获得各条所述第一训练数据的第一特征数据；
获取所述第一特征数据的第二标注结果；
基于所述第一特征数据和所述第二标注结果组成的第一训练集，训练第二深度学习模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一标注结果，获得各条所述第一训练数据的第一特征数据，包括：
基于所述第一标注结果及所述第一深度学习模型的模型结构进行反向推导，确定出使得所述第一训练数据归属到目标类的所述第一特征数据。
3.根据权利要求2所述的方法，其特征在于，所述第一训练数据为第一训练图像；所述第一标注结果包括：所述第一训练图像归属到所述目标类的概率；
所述基于所述第一标注结果及所述第一深度学习模型的模型结构进行反向推导，确定出使得所述第一训练数据归属到目标类的所述第一特征数据，包括：
确定所述概率的梯度；
基于所述概率的梯度并结合所述第一深度学习模型进行反向传导，确定出所述第一训练图像中对所述第一训练图像归属到所述目标类的响应区域。
4.根据权利要求3所述的方法，其特征在于，
所述获取所述第一特征数据的第二标注结果，包括：
可视化输出所述响应区域；
获取标注所述响应区域的第二标注结果；
或者，
可视化输出所述响应区域，并输出所述响应区域对应的第一标注结果，其中，所述第一标注结果为所述第一深度学习模型输出的标注结果；
基于作用于所述第一标注结果的修订操作，获得所述第二标注结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述响应区域可视化输出响应区域，还包括：
对所述响应区域进行形态学处理，获得连通的所述响应区域；
可视化输出连通的所述响应区域。
6.根据权利要求3所述的方法，其特征在于，
所述响应区域为病变区域；所述第二标注结果包括：所述病变区域的病变类型和/或病变程度。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
从第二训练数据中确定出于与所述第一特征数据满足相似条件的第二特征数据；
将所述第一特征数据的所述第...
【专利技术属性】
技术研发人员：徐青青，寿文卉，张志鹏，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团有限公司，
类型：发明
国别省市：北京;11
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。