域自适应模型训练、图像检测方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能的分类模型领域，提供一种域自适应模型训练、图像检测方法、装置、设备及介质，方法包括：通过获取含有多个图像样本的图像样本集；将图像样本输入含有初始参数且基于Faster‑RCNN的域自适应模型，通过预处理模型对图像样本进行图像转换得到预处理图像样本；通过特征提取模型获取特征向量图；通过区域提取模型得到区域特征向量图；通过局部特征模型得到局部特征对齐损失值；同时通过全局特征模型进行正则化及全局特征识别处理得到特征正则损失值和全局特征对齐损失值；通过检测模型得到检测损失值；获取总损失值；迭代更新初始参数直至收敛，得到训练完成的域自适应模型。本发明专利技术实现跨域的图像识别，提高了图像识别的准确性和可靠性。

Domain adaptive model training, image detection method, device, equipment and medium

【技术实现步骤摘要】
域自适应模型训练、图像检测方法、装置、设备及介质
本专利技术涉及人工智能的分类模型领域，尤其涉及一种域自适应模型训练、图像检测方法、装置、计算机设备及存储介质。
技术介绍
目前深度学习方法已经在人工智能中得到广泛使用，但是，深度学习方法对训练数据分布的依赖性非常强。若采集的训练数据的分布存在差异，将会导致深度学习方法最终训练的模型的检测精确度低。比如，OCT(Opticalcoherencetomography)病变检测是医学诊断中非常重要的部分。研究人员已经开始基于深度学习通过OCT进行病灶检测，但是，由于不同的OCT采集设备的采集参数和采集方式存在差异，因此，采集的不同设备的数据之间的分布存在差异，将严重影响检测结果，导致检测结果存在偏差，进而使得检测准确率低。
技术实现思路
本专利技术提供一种域自适应模型训练、图像检测方法、装置、计算机设备及存储介质，实现了无需对目标域图像进行人工标签，通过对不同域源头的图像数据的分布差异进行自适应对齐，提高了域自适应模型的训练效率，以及引入特征正则损失值，提升了域自适应模型的鲁棒性和本文档来自技高网...

【技术保护点】
1.一种域自适应模型训练方法，其特征在于，包括：/n获取图像样本集；所述图像样本集包括多个图像样本；所述图像样本包括源域图像样本和目标域图像样本；一个所述源域图像样本与一个类别标签及一个域标签关联；一个所述目标域图像样本与一个域标签关联；/n将所述图像样本输入含有初始参数且基于Faster-RCNN的域自适应模型，通过预处理模型对所述图像样本进行图像转换，得到预处理图像样本；所述域自适应模型包括所述预处理模型、特征提取模型、区域提取模型、检测模型、全局特征模型和局部特征模型；/n通过所述特征提取模型对所述预处理图像进行图像特征提取，获取特征向量图；/n通过所述区域提取模型对所述特征向量图进行区...

【技术特征摘要】
1.一种域自适应模型训练方法，其特征在于，包括：
获取图像样本集；所述图像样本集包括多个图像样本；所述图像样本包括源域图像样本和目标域图像样本；一个所述源域图像样本与一个类别标签及一个域标签关联；一个所述目标域图像样本与一个域标签关联；
将所述图像样本输入含有初始参数且基于Faster-RCNN的域自适应模型，通过预处理模型对所述图像样本进行图像转换，得到预处理图像样本；所述域自适应模型包括所述预处理模型、特征提取模型、区域提取模型、检测模型、全局特征模型和局部特征模型；
通过所述特征提取模型对所述预处理图像进行图像特征提取，获取特征向量图；
通过所述区域提取模型对所述特征向量图进行区域提取及均衡采样，得到区域特征向量图；通过所述局部特征模型对与所述图像样本对应的区域特征向量图进行局部特征提取处理和二分类识别，得到局部域分类结果，并根据所述局部域分类结果和与所述图像样本对应的域标签，得到局部特征对齐损失值；同时通过所述全局特征模型对所述特征向量图进行正则化及全局特征识别处理，得到特征正则损失值和全局域分类结果，并根据所述全局域分类结果和与所述特征向量图对应的域标签，得到全局特征对齐损失值；
通过所述检测模型对与所述源域图像样本对应的区域特征向量图进行边界回归及源域分类识别，得到识别结果，并根据所述识别结果和与所述源域图像样本对应的类别标签得到检测损失值；根据所述全局特征对齐损失值、所述检测损失值、所述局部特征对齐损失值和所述特征正则损失值，得到总损失值；
在所述总损失值未达到预设的收敛条件时，迭代更新所述域自适应模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述域自适应模型记录为训练完成的域自适应模型。


2.如权利要求1所述的域自适应模型训练方法，其特征在于，所述通过预处理模型对所述图像样本进行图像转换，得到预处理图像样本，包括：
根据预设的尺寸参数，通过所述预处理模型对所述图像样本进行尺寸匹配，得到匹配图像样本；
根据伽马变换算法，通过所述预处理模型对所述匹配图像样本进行去噪及图像增强处理，得到所述预处理图像样本。


3.如权利要求1所述的域自适应模型训练方法，其特征在于，所述通过所述区域提取模型对所述特征向量图进行区域提取及均衡采样，得到区域特征向量图，包括：
通过所述区域提取模型中的区域提取网络层对所述特征向量图进行区域提取，得到至少一个候选区域框；
通过所述区域提取模型中的感兴趣区域池层对所述特征向量图和所有所述候选区域框进行均衡采样处理，得到区域特征向量图。


4.如权利要求1所述的域自适应模型训练方法，其特征在于，所述通过所述局部特征模型对与所述图像样本对应的区域特征向量图进行局部特征提取处理和二分类识别，得到局部域分类结果，并根据所述局部域分类结果和与所述图像样本对应的域标签，得到局部特征对齐损失值，包括：
通过所述局部特征模型中的特征提取器对所述区域特征向量图进行局部特征提取，得到局部特征向量图；
通过所述局部特征模型中的域分类器对所述局部特征向量图进行二分类识别，得到所述局部域分类结果；
通过所述局部特征模型中的梯度反转层对所述局部域分类结果进行取反对齐，得到反向域标签；
通过所述局部特征模型中的域差异度量器所述反向域标签和与所述区域特征向量图对应的域标签进行差异对比，得到所述局部特征对齐损失值。


5.如权利要求1所述的域自适应模型训练方法，其特征在于，所述通过所述全局特征模型对所述特征向量图进行正则化及全局特征识别处理，得到特征正则损失值和全局域分类结果，并根据所述全局域分类结果和与所述特征向量图对应的域标签，得到全局特征对齐损失值，包括：
通过所述全局特征模型中的特征正则...

【专利技术属性】
技术研发人员：周侠，吕彬，高鹏，吕传峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44