【技术实现步骤摘要】
图像特征的监督学习方法、装置、设备及存储介质
[0001]本申请实施例涉及人工智能领域,特别涉及一种图像特征的监督学习方法、装置、设备及存储介质。
技术介绍
[0002]计算机视觉(Computer Vision,CV)技术作为人工智能领域的一个重要分支,被广泛应用于医学图像识别(识别医学图像中组织器官的类别)、医学图像检索(从数据库中检索详细医学图像)、医学图像分割(对医学图像中的组织结构进行分割)等医学图像处理场景。
[0003]图像特征提取作为图像处理过程中的重要环节,直接影响到最终的图像处理结果。相关技术中,通过训练特征提取模型对医学图像进行特征提取,进而基于提取到的图像特征执行后续图像处理流程。在一种模型训练方式中,当采用监督学习方式进行模型训练时,通常利用样本医学图像的标注信息作为监督进行模型训练。
[0004]然而,由于模型训练过程中需要使用到大量样本,而对样本医学图像进行人工标注需要花费大量时间,导致模型训练效率较低。
技术实现思路
[0005]本申请实施例提供了一种图像特征的监督学习方法、装置、设备及存储介质,在无需人工标注的情况下能够实现图像特征的自监督学习,从而提高模型训练效率。所述技术方案如下:
[0006]一方面,本申请实施例提供了一种图像特征的监督学习方法,所述方法包括:
[0007]对原始医学图像进行数据增强,得到第一增强图像和第二增强图像,所述第一增强图像和所述第二增强图像互为正样本;
[0008]通过特征提取模型对所述第一增强图 ...
【技术保护点】
【技术特征摘要】
1.一种图像特征的监督学习方法,其特征在于,所述方法包括:对原始医学图像进行数据增强,得到第一增强图像和第二增强图像,所述第一增强图像和所述第二增强图像互为正样本;通过特征提取模型对所述第一增强图像和所述第二增强图像进行特征提取,得到所述第一增强图像的第一图像特征,以及所述第二增强图像的第二图像特征;基于所述第一图像特征、所述第二图像特征以及负样本图像特征,确定所述特征提取模型的模型损失,所述负样本图像特征为其他原始医学图像对应增强图像的图像特征;基于所述模型损失训练所述特征提取模型。2.根据权利要求1所述的方法,其特征在于,所述特征提取模型包括第一特征提取分支和第二特征提取分支,所述第一特征提取分支和所述第二特征提取分支采用不同参数的特征提取网络;所述通过特征提取模型对所述第一增强图像和所述第二增强图像进行特征提取,得到所述第一增强图像的第一图像特征,以及所述第二增强图像的第二图像特征,包括:通过所述第一特征提取分支对所述第一增强图像进行特征提取,得到所述第一图像特征;通过所述第二特征提取分支对所述第二增强图像进行特征提取,得到所述第二图像特征。3.根据权利要求2所述的方法,其特征在于,所述第一特征提取分支包括第一特征提取网络和多全局描述子网络,所述第二特征提取分支包括第二特征提取网络和所述多全局描述子网络,所述多全局描述子网络用于对不同描述子下的图像特征进行聚合并输出;所述通过所述第一特征提取分支对所述第一增强图像进行特征提取,得到所述第一图像特征,包括:通过所述第一特征提取网络对所述第一增强图像进行特征提取,得到第一中间图像特征;通过所述多全局描述子网络对所述第一中间图像特征进行至少两种池化处理,得到至少两种第一全局描述子;通过所述多全局描述子网络对至少两种所述第一全局描述子进行级联处理,并基于级联后的所述第一全局描述子生成所述第一图像特征;所述通过所述第二特征提取分支对所述第二增强图像进行特征提取,得到所述第二图像特征,包括:通过所述第二特征提取网络对所述第二增强图像进行特征提取,得到第二中间图像特征;通过所述多全局描述子网络对所述第二中间图像特征进行至少两种池化处理,得到至少两种全局描述子;通过所述多全局描述子网络对至少两种所述第二全局描述子进行级联处理,并基于级联后的所述第二全局描述子生成所述第二图像特征。4.根据权利要求3所述的方法,其特征在于,所述基于所述模型损失训练所述特征提取模型,包括:基于所述模型损失,通过反向传播算法训练所述第一特征提取网络;
基于训练后所述第一特征提取网络的网络参数,更新所述第二特征提取网络的网络参数。5.根据权利要求1至4任一所述的方法,其特征在于,所述基于所述第一图像特征、所述第二图像特征以及负样本图像特征,确定所述特征提取模型的模型损失,包括:基于所述第一图像特征与所述第二图像特征之间的特征距离,以及所述第一图像特征与所述负样本图像特征之间的特征距离,确定距离损失;分别对当前训练批次中各张所述原始医学图像对应的所述第一图像特征和所述第二图像特征进行聚类,并基于聚类结果确定聚类损失;将所述距离损失和所述聚类损失确定为所述模型损失。6.根据权利要求5所述的方法,其特征在于,所述分别对当前训练批次中各张所述原始医学图像对应的所述第一图像特征和所述第二图像特征进行聚类,并基于聚类结果确定聚类损失,包括:对当前训练批次中各张所述原始医学图像对应的所述第一图像特征进行聚类,得到k个第一类簇质心,k为大于等于2的整数;对当前训练批次中各张所述原始医学图像对应的所述第二图像特征进行聚类,得到k个第二类簇质心;基于所述第一图像特征与k个所述第二类簇质心之间的距离,以及所述第二图像特征与k个所述第一类簇质心之间的距离,确定所述聚类损失。7.根据权利要求5所述的方法,其特征在于,所述方法还包括:基于所述第一图像特征生成...
【专利技术属性】
技术研发人员:文庆福,杜悦熙,杨森,杨鹏,张军,韩骁,
申请(专利权)人:腾讯科技深圳有限公司,
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。