【技术实现步骤摘要】
图像检测方法、深度学习模型的训练方法及装置
[0001]本公开涉及数据处理
,尤其涉及人工智能、深度学习、图像处理、AI医疗
,具体涉及一种图像检测方法、深度学习模型的训练方法、装置、设备、存储介质以及程序产品。
技术介绍
[0002]深度学习是一种应用于人工智能
的机器学习方法,通过深度学习方法获得的深度学习模型可以应用于例如图像处理等各种场景,如何提高深度学习模型的性能成为一个亟需解决的技术问题。
技术实现思路
[0003]本公开提供了一种图像检测方法、深度学习模型的训练方法、装置、设备、存储介质以及程序产品。
[0004]根据本公开的一方面,提供了一种图像检测方法,包括:获取待处理图像;将待处理图像输入目标深度学习模型,得到待处理图像的检测结果,其中,目标深度学习模型是利用以下操作训练得到的:根据初始深度学习模型的每一个目标模型分支分别对目标样本进行处理,得到输出结果;根据输出结果和目标损失函数,确定针对每一个第一网络层的第一反馈数值;根据每一个第一网络层的网络参数,确定与第一网络层位置对应的第二网络层的第二反馈数值,其中,目标模型分支包括至少一个第一网络层和至少一个第二网络层;以及根据第一反馈数值、第二反馈数值分别更新第一网络层、第二网络层的网络参数,得到目标深度学习模型。
[0005]根据本公开的另一方面,提供了一种深度学习模型的训练方法,包括:根据初始深度学习模型的每一个目标模型分支分别对目标样本进行处理,得到输出结果;根据输出结果和目标损失函数,确定针对 ...
【技术保护点】
【技术特征摘要】
1.一种图像检测方法,包括:获取待处理图像;将所述待处理图像输入目标深度学习模型,得到所述待处理图像的检测结果,其中,所述目标深度学习模型是利用以下操作训练得到的:根据初始深度学习模型的每一个目标模型分支分别对目标样本进行处理,得到输出结果;根据所述输出结果和目标损失函数,确定针对每一个第一网络层的第一反馈数值;根据每一个第一网络层的网络参数,确定与所述第一网络层位置对应的第二网络层的第二反馈数值,其中,所述目标模型分支包括至少一个所述第一网络层和至少一个所述第二网络层;以及根据所述第一反馈数值、所述第二反馈数值分别更新所述第一网络层、所述第二网络层的网络参数,得到目标深度学习模型。2.根据权利要求1所述的方法,其中,所述待处理图像包括医学影像图像。3.一种深度学习模型的训练方法,包括:根据初始深度学习模型的多个模型分支中的每一个目标模型分支分别对目标样本进行处理,得到输出结果;根据所述输出结果和目标损失函数,确定针对每一个第一网络层的第一反馈数值;根据每一个第一网络层的网络参数,确定与所述第一网络层位置对应的第二网络层的第二反馈数值,其中,所述目标模型分支包括至少一个所述第一网络层和至少一个所述第二网络层;以及根据所述第一反馈数值、所述第二反馈数值分别更新所述第一网络层、所述第二网络层的网络参数,得到目标深度学习模型。4.根据权利要求3所述的方法,其中,所述目标模型分支包括教师模型分支和学生模型分支;所述教师模型分支的任意两个网络层为相邻的所述第一网络层和所述第二网络层,以使所述教师模型分支的所述第一网络层和所述第二网络层交叉设置;所述学生模型分支的第一网络层和第二网络层匹配于所述教师模型分支交叉设置。5.根据权利要求4所述的方法,其中,所述目标样本包括标注样本;所述输出结果包括所述教师模型分支的标注样本第一输出结果和所述学生模型分支的标注样本第二输出结果,所述目标损失函数包括第一损失函数和第二损失函数;根据所述输出结果和目标损失函数,确定针对每一个第一网络层的第一反馈数值包括:根据所述标注样本第一输出结果和所述第一损失函数,确定教师模型分支反馈数值;根据所述标注样本第二输出结果和所述第二损失函数,确定学生模型分支反馈数值;以及根据所述教师模型分支反馈数值和所述学生模型分支反馈数值,确定所述第一反馈数值。6.根据权利要求5所述的方法,其中,所述目标样本还包括无标注样本,所述输出结果还包括所述教师模型分支的无标注样本第一输出结果和所述学生模型分支的无标注样本第二输出结果;所述目标损失函数还包括第三损失函数;所述根据所述教师模型分支反馈数值和所述学生模型分支反馈数值,确定所述第一反馈数值包括:
根据所述无标注样本第一输出结果、所述无标注样本第二输出结果和所述第三损失函数,确定无标注样本反馈数值;以及根据所述教师模型分支反馈数值、所述学生模型分支反馈数值以及所述无标注样本反馈数值,确定所述第一反馈数值。7.根据权利要求3
‑
6中任一项所述的方法,其中,所述根据每一个第一网络层的网络参数,确定与所述第一网络层位置对应的第二网络层的第二反馈数值包括:确定所述目标样本对应的模型参数当前更新次数;根据所述模型参数当前更新次数,确定所述第一网络层对应所述模型参数当前更新次数之前的历史网络参数、所述第一网络层对应所述模型参数当前更新次数的当前网络参数,确定所述第一网络层的指数移动平均值;以及根据所述指数移动平均值,确定与所述第一网络层位置对应的第二网络层的第二反馈数值。8.根据权利要求3
‑
6中任一项所述的方法,其中,所述第一网络层、所述第二网络层中的至少一个包括卷积层和批归一化层,所述批归一化层的网络参数包括权重、偏置量、均值以及方差。9.根据权利要求3
‑
6中任一项所述的方法,还包括:对初始样本进行数据增强,得到所述目标样本。10.根据权利要求3
‑
6中任一项所述的方法,其中,所述初始深度学习模型的骨干网络包括残差网络。11.一种图像检测装置,包括:待处理图像获取模块,用于获取待处理图像;检测结果确定模块,用于将所述待处理图像输入目标深度学习模型,得到所述待处理图像的检测结果,其中,所述目标深度学习模型是利用以下模块训练得到的:输出结果确定模块,用于根据初始深度学习模型的每一个目标模型分支分别对目标样本进行处理,得到输出结果;第一反馈数值确定模块,用于根据所述输出结果和目标损失函数,确定针对每一个第一网络层的第一反馈数值;第二反馈数值确定模块,用于根据每一个第一网络层的网络参数,确定与所述第一网络层位置对应的第二网络层的第二反馈数值,其中,所述目标模型分支包括至少一个所述第一网络层和至少一个所述第二网络层;以及目标深度学习模型确定模块,...
【专利技术属性】
技术研发人员:周文硕,杨大陆,杨叶辉,代小亚,王磊,黄海峰,
申请(专利权)人:北京百度网讯科技有限公司,
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。