【技术实现步骤摘要】
【国外来华专利技术】通过自动编码器及多实例学习进行的神经网络学习方法以及执行其的计算系统
[0001]本专利技术涉及神经网络学习方法及执行其的计算系统,更详细地,涉及利用自动编码器及多实例学习方法来以少量的学习数据也能够提高神经网络的性能的神经网络学习方法及以及执行其的计算系统。
[0002]
技术介绍
[0003]近来,随着机器学习的发展,积极尝试通过计算机系统自动执行识别或分类图像等的业务。尤其,尝试了利用机器学习之一的神经网络(例如,利用卷积神经网络(Convolution Neural Network,CNN)的深度学习方式)来使人执行的各种分类或判断实现自动化,通过利用将神经网络(例如,CNN)用在其中的深度学习来读取生物图像(例如,患者的生物组织切片),从而执行判断特定疾病的状态或征兆的诊断,这是代表性的一例。
[0004]另一方面,参照图1a以及图1b说明本专利技术的
技术介绍
之一的多实例学习(Multiple Instance Learning)。
[0005]与将一个实例(instance)用作学习单位的单个实例学习不同,在多实例学习中,将作为实例的集合的实例包(Bag)作为学习单位。因此,在单个实例学习中,将对实例标上标签,相反在多实例学习中,将对实例包标上标签,而不是实例。除了学习单位层面之外,多实例学习与单个实例学习相似,但有如下的局限性。即,在执行二进制分类的过程中,若实例包为肯定(positive),则存在于实例包的实例中的任一个以上为肯定,若实例包为否定(negative),则存在于实例包的所有 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种神经网络学习方法,在计算系统中执行,上述计算系统包括:自动编码器,用于判断所输入的数据实例处于第一状态还是第二状态;以及神经网络,能够输出所输入的数据实例处于第一状态或第二状态的可能性,上述神经网络学习方法的特征在于,包括:提取步骤,对于标为第一状态或第二状态中的一个标签的多个数据包,分别提取作为包含在上述数据包的多个数据实例中的一部分的学习用实例;以及学习步骤,基于分别与多个上述数据包相对应的学习用实例,使上述神经网络进行学习,上述提取步骤包括如下步骤:通过向正在学习的上述神经网络输入包含在上述数据包的各个数据实例,计算包含在上述数据包的各个数据实例的可能性;以及基于包含在上述数据包的各个数据实例的可能性以及上述自动编码器对于包含在上述数据包的各个数据实例中的至少一部分的判断结果,将包含在上述数据包的各个数据实例中的一部分判断为学习用实例。2.根据权利要求1所述的神经网络学习方法,其特征在于,上述神经网络学习系统基于向上述自动编码器所输入的数据实例与从上述自动编码器输出的输出数据之间的差异,来判断向上述自动编码器所输入的数据实例处于第一状态还是第二状态。3.根据权利要求1所述的神经网络学习方法,其特征在于,上述自动编码器仅预先学习第一状态的数据实例,基于包含在上述数据包的各个数据实例的可能性以及上述自动编码器对于包含在上述数据包的各个数据实例中的至少一部分的判断结果,来将包含在上述数据包的各个数据实例中的一部分判断为学习用实例的步骤包括如下步骤:若上述数据包被标为第一状态,则按照从处于第二状态的可能性最高的数据实例到处于第二状态的可能性降低的数据实例的顺序向上述自动编码器进行输入,将通过上述自动编码器判断为第一状态的前一部分数据实例判断成与上述数据包相对应的学习用实例;以及若上述数据包被标为第二状态,则按照从处于第二状态的可能性最高的数据实例到处于第二状态的可能性降低的数据实例的顺序向上述自动编码器进行输入,将通过上述自动编码器判断为第二状态的前一部分数据实例判断成与上述数据包相对应的学习用实例。4.根据权利要求1所述的神经网络学习方法,其特征在于,上述神经网络学习方法还包括反复执行1轮次以上的上述提取步骤以及上述学习步骤的步骤。5.根据权利要求1所述的神经网络学习方法,其特征在于,多个上述数据包分别为整体图像,多个上述数据包各自所包含的数据实例为按照规定大小划分与上述数据包相对应的整体图像的各个图像小片。6.一种神经网络学习方法,在计算系统中执行,上述计算系统包括:自动编码器,用于判断所输入的小片处于第一状态还是第二状态,其中,上述小片为按照规定大小划分图像而得的其中一个;以及神经网络,能够输出所输入的小片处于第一状态或第二状态的可能
性,上述神经网络学习方法的特征在于,包括:提取步骤,对于标为第一状态或第二状态中的任一个标签的多个学习用图像,分别提取作为构成上述学习用图像的小片中的一部分的学习用小片;以及学习步骤,基于分别与多个上述学习用图像相对应的学习用小片,使上述神经网络进行学习,上述提取步骤包括如下步骤:通过向正在训练的上述神经网络输入构成上述学习用图像的各个小片,计算构成上述学习用图像的各个小片的可能性;以及基于构成上述学习用图像的各个小片的可能性以及上述自动编码器对于构成上述学习用图像的各个小片中的至少一部分的判断结果,将构成上述学习用图像的各个小片中的一部分判断为学习用小片。7.根据权利要求6所述的神经网络学习方法,其特征在于,上述自动编码器仅预先学习第一状态的小片,基于构成上述学习用图像的各个小片的可能性以及上述自动编码器对于构成上述学习用图像的各个小片中的至少一部分的判断结果,来将构成上述学习用图像的各个小片中的一部分判断为学习用小片的步骤包括如下步骤:若上述学习用图像被标为第一状态,则按照从处于第二状态的可能性最高的小片到处于第二状态的可能性降低的小片的顺序向上述自动编码器进行输入,将通过上述自动编码器判断为第一状态的前一部分小片判断成与上述学习用图像相对应的学习用小片;以及若上述学习用图像被标为第二状态,则按照从处于第二状态的可能性最高的小片到处于第二状态的可能性降低的小片的顺序向上述自动编码器进行输入,将通过上述自动编码器判断为第二状态的前一部分小片判断成与上述学习用图像相对应的学习用小片。8.根据权利要求6所述的神经网络学习方法,其特征在于,上述学习用图像分别为包含因一定的疾病引起的病变的图像或不包含上述病变的图像中的任一种,上述第一状态为不存在上述病变的正常状态,上述第二状态为存在上述病变的异常状态。9.一种利用神经网络的判断系统,其特征在于,包括:存储模块,用于存储通过根据权利要求6所述...
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。