痘痘类别的预测方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例涉及图像处理技术领域，公开了一种痘痘类别的预测方法、装置、电子设备及存储介质，该痘痘类别的预测方法，一方面，通过包括多种类别的痘痘的图像的数据集对多个教师模型进行训练，使得多个教师模型能够学习到多种类别的痘痘的特征；另一方面，通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型，使得学生模型能够更好地提炼出教师模型中学习到的知识，从而提升学生模型的鲁棒性和准确度，进而使本申请能够提高预测痘痘类别的准确率。申请能够提高预测痘痘类别的准确率。申请能够提高预测痘痘类别的准确率。

【技术实现步骤摘要】
痘痘类别的预测方法、装置、电子设备及存储介质


[0001]本申请实施例涉及图像处理
，尤其涉及一种痘痘类别的预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着移动通信技术的快速发展以及人民生活水平的提升，各种智能终端已广泛应用于人民的日常工作和生活，使得人们越来越习惯于使用APP等软件，使得美颜自拍、拍照测肤此类功能的APP需求也变得越来越多，因此不少的用户希望此类APP能够自动分析出脸部的痘痘情况，根据痘痘类别情况，有针对性提出皮肤改善方案。
[0003]目前，分类算法常常采用集成分类算法，其是神经网络的集合，它的输出是通过加权平均或投票组合而成，但是集成分类算法识别的准确度偏低。

技术实现思路

[0004]本申请实施例主要解决的技术问题是提供一种痘痘类别的预测方法、装置、电子设备及存储介质，以提高预测痘痘类别的准确率。
[0005]第一方面，本申请实施例中提供一种痘痘类别的预测方法，包括：
[0006]获取图像数据集，其中，图像数据集包括多种类别的痘痘的图像；
[0007]基于图像数据集，对预设的多个教师模型进行训练，其中，教师模型包括多种不同的网络结构；
[0008]通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型；
[0009]根据训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的目标图像的痘痘类别。
[0010]在一些实施例中，训练学生模型，包括：
[0011]构建多层损失函数，并基于多层损失函数对学生模型进行训练。
[0012]在一些实施例中，多层损失函数包括：相似度损失函数、类别损失函数以及交叉熵损失函数中的至少一个。
[0013]在一些实施例中，多层损失函数为：
[0014][0015]其中，Loss为多层损失函数，L
l1
‑
sim
为相似度损失函数，L
KD
为类别损失函数，L
s
为交叉熵损失函数，i为痘痘的类别，c为特征图的大小，为教师模型的特征图，为学生模型的特征图，n为痘痘类别的数量，为教师模型预测的第i类别痘痘的概率值，为学生模型预测的第i类别痘痘的概率值，y
i
为真实痘痘类别。
[0016]在一些实施例中，通过多个教师模型对预设的学生模型进行知识蒸馏，包括：
[0017]根据训练后的多个教师模型，对图像数据集中的图像进行特征提取，以确定多个第一特征图，其中，每一教师模型对应一个第一特征图；
[0018]在每次迭代中，确定第二特征图，并随机选择一个教师模型对学生模型进行知识蒸馏，其中，第二特征图与第一特征图的大小相同。
[0019]在一些实施例中，基于多层损失函数对学生模型进行训练，包括：
[0020]基于多层损失函数对学生模型进行迭代训练；
[0021]若迭代次数大于第一次数阈值，或者，学生模型的损失小于第一损失阈值，则停止迭代训练。
[0022]在一些实施例中，痘痘类别包括粉刺、逗后红斑、炎症性丘疹、脓包、结节和囊肿中的至少一种。
[0023]第二方面，本申请实施例提供一种痘痘类别的预测装置，包括：
[0024]数据集获取单元，用于获取图像数据集，其中，图像数据集包括多种类别的痘痘的图像；
[0025]教师模型训练单元，用于基于图像数据集，对预设的多个教师模型进行训练，其中，教师模型包括多种不同的网络结构；
[0026]学生模型训练单元，用于通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型；
[0027]痘痘类别预测单元，用于根据训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的目标图像的痘痘类别。
[0028]第三方面，本申请实施例提供一种电子设备，包括：
[0029]存储器以及一个或多个处理器，一个或多个处理器用于执行存储在存储器中的一个或多个计算机程序，一个或多个处理器在执行一个或多个计算机程序时，使得电子设备实现如第一方面的方法。
[0030]第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行如第一方面的方法。
[0031]本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供的一种痘痘类别的预测方法、装置、电子设备及存储介质，该方法包括：获取图像数据集，其中，图像数据集包括多种类别的痘痘的图像；基于图像数据集，对预设的多个教师模型进行训练，其中，教师模型包括多种不同的网络结构；通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型；根据训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的目标图像的痘痘类别。
[0032]一方面，通过包括多种类别的痘痘的图像的数据集对多个教师模型进行训练，使得多个教师模型能够学习到多种类别的痘痘的特征；另一方面，通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型，使得学生模型能够更好地提炼出教师模型中学习到的知识，从而提升学生模型的鲁棒性和准确度，进而使本申请能够提高预测痘痘类别的准确率。
附图说明
[0033]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0034]图1是本申请实施例提供的一种痘痘类别的预测方法的应用环境示意图；
[0035]图2是本申请实施例提供的一种痘痘类别的预测方法的流程示意图；
[0036]图3是本申请实施例提供的一种教师模型训练学生模型的示意图；
[0037]图4是本申请实施例提供的一种学生模型的迭代训练的流程示意图；
[0038]图5是本申请实施例提供的一种痘痘类别的预测装置的结构示意图；
[0039]图6是本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
[0040]下面结合具体实施例对本申请进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本申请，但不以任何形式限制本申请。应当指出的是，对本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进。这些都属于本申请的保护范围。
[0041]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0042]需要说明的是，如果不冲突，本申请实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种痘痘类别的预测方法，其特征在于，包括：获取图像数据集，其中，所述图像数据集包括多种类别的痘痘的图像；基于所述图像数据集，对预设的多个教师模型进行训练，其中，所述教师模型包括多种不同的网络结构；通过多个所述教师模型对预设的学生模型进行知识蒸馏，以训练所述学生模型，得到训练后的学生模型；根据所述训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的所述目标图像的痘痘类别。2.根据权利要求1所述的方法，其特征在于，所述训练所述学生模型，包括：构建多层损失函数，并基于所述多层损失函数对所述学生模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述多层损失函数包括：相似度损失函数、类别损失函数以及交叉熵损失函数中的至少一个。4.根据权利要求3所述的方法，其特征在于，所述多层损失函数为：其中，Loss为多层损失函数，L
l1
‑
sim
为相似度损失函数，L
KD
为类别损失函数，L
s
为交叉熵损失函数，i为痘痘的类别，c为特征图的大小，为教师模型的特征图，为学生模型的特征图，n为痘痘类别的数量，为教师模型预测的第i类别痘痘的概率值，为学生模型预测的第i类别痘痘的概率值，y
i
为真实痘痘类别。5.根据权利要求1所述的方法，其特征在于，所述通过多个所述教师模型对预设的学生模型进行知识蒸馏，包括：根据训练后的多个教师模型，对所述图像数据集中的图像进行特征提取，以确定多个第一特征图，其中，每一教师模型对应一个第一特征图；在每次迭代中，确定第二特征图，并随机选择一个教师模型对所述学生模...

【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：