图像检测方法、深度学习模型的训练方法及装置制造方法及图纸

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，涉及数据处理技术领域，尤其涉及人工智能、深度学习、图像处理、AI医疗技术领域。具体实现方案为：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。果。果。

【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。
[0006]根据本公开的另一方面，提供了一种图像检测装置，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；以及目标深度学习模型确定模块，用于根据第一反馈数值、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。
[0007]根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：输出结果确定模块，用于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；第一反馈数值确定模块，用于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；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；以及目标深度学习模型确定模块，用于根据第一反馈数值、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。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开实施例的方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序在被处理器执行时实现本公开实施例的方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1示意性示出了根据本公开实施例的图像检测方法、深度学习模型的训练方法和装置的系统架构图；
[0014]图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图；
[0015]图3A示意性示出了根据本公开另一实施例的初始深度学习模型的模型结构示意图；
[0016]图3B示意性示出了如图3A所示的初始深度学习模型的骨干网络的示意图；
[0017]图4示意性示出了根据本公开实施例的图像处理方法的示意图；
[0018]图5示意性示出了根据本公开实施例的图像处理装置的框图；
[0019]图6示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；以及
[0020]图7示意性示出了可以实现本公开实施例的图像检测方法、深度学习模型的训练方法的电子设备的框图。
具体实施方式
[0021]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0022]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0023]在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0024]在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
[0025]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。
[0026]对于深度学习，往往需要大量的、高质量的标注样本才能训练出比较鲁棒的深度学习模型。对自本文档来自技高网...

【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：