【技术实现步骤摘要】
痘痘类别预测模型的训练方法及相关装置
[0001]本申请实施例涉及图像处理
,尤其涉及一种痘痘类别预测模型的训练方法及相关装置。
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、拍照测肤等功能的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,痘痘类别的识别通常采用神经网络进行训练,得到训练后的神经网络模型进行识别,但是由于痘痘类别之间可区别的特征不明显,可区分度较低,同时痘痘图像的分辨率较低,图像质量较差,容易导致训练出的模型的痘痘识别的准确度偏低。
技术实现思路
[0004]本申请实施例提供一种痘痘类别预测模型的训练方法及相关装置,以提高预测痘痘类别的准确率。
[0005]第一方面,本申请实施例提供一种痘痘类别预测模型的训练方法,痘痘类别预测模型包括特征提取模块、Transformer模型模块和分类器模块,方法包括:
[0006]获取图像数据集,其中,图像数据集包括多种痘痘类别的痘痘图像;
[0007]组合若干个痘痘图像,生成若干个痘痘图像块,其中,每一痘痘图像块包括相同数量的痘痘图像;
[0008]基于特征提取模块,对痘痘图像块进行处理,生成处理之后的痘痘图像块;
[0009]基于Transformer模型模块,对处理之后的痘 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种痘痘类别预测模型的训练方法,其特征在于,所述痘痘类别预测模型包括特征提取模块、Transformer模型模块和分类器模块,所述方法包括:获取图像数据集,其中,所述图像数据集包括多种痘痘类别的痘痘图像;组合若干个所述痘痘图像,生成若干个痘痘图像块,其中,每一所述痘痘图像块包括相同数量的痘痘图像;基于所述特征提取模块,对所述痘痘图像块进行处理,生成处理之后的痘痘图像块;基于所述Transformer模型模块,对所述处理之后的痘痘图像块进行特征提取,以得到所述处理之后的痘痘图像块对应的编码特征,其中,所述Transformer模型模块通过注意力机制对所述处理之后的痘痘图像块进行特征提取;基于所述分类器模块,对所述编码特征进行痘痘类别预测,以得到所述痘痘图像对应的痘痘类别;构建损失函数,基于所述损失函数对所述痘痘类别预测模型进行训练,直至所述损失函数收敛,其中,所述损失函数包括多类别加权交叉熵损失。2.根据权利要求1所述的方法,其特征在于,所述特征提取模块包括嵌入层,所述基于所述特征提取模块,对所述痘痘图像块进行处理,生成处理之后的痘痘图像块,包括:将所述痘痘图像块对应的向量输入到所述嵌入层,生成处理之后的痘痘图像块对应的特征向量,其中,所述特征向量的大小与所述痘痘类别的种类数量相关,所述嵌入层的网络结构为全连接层。3.根据权利要求1所述的方法,其特征在于,所述方法还包括:生成类别块,将所述类别块与所述处理之后的痘痘图像块进行合并,得到拼接块,具体包括:生成类别块,其中,所述类别块对应一随机向量,将所述类别块对应的随机向量与所述处理之后的痘痘图像块对应的特征向量进行合并,得到拼接块对应的拼接向量。4.根据权利要求3所述的方法,其特征在于,所述基于所述Transformer模型模块,对所述处理之后的痘痘图像块进行特征提取,以得到所述处理之后的痘痘图像块对应的编码特征,包括:基于所述Transformer模型模块,对所述拼接块进行特征提取,以得到拼接块对应的编码特征,其中,所述Transformer模型模块通过注意力机制对所述拼接块进行特征提取。5.根据权利要求4所述的方法,其特征在于,所述Transformer模型模块包括归一化层、注意力机制层以及感知机层,所述基于所述Transformer模型模块,对所述拼接块进行特征提取,以得到拼接块对应的编码特征,包括:PE
′
=LN(PE)PE
″
=Attention(PE
′
)+PE
′
PE
″′
=MLP(LN(PE
″
))+PE
″
其中,PE为所述拼接块对应的特征向量,LN为线性变换,PE
′
为对所述拼接块对应的特征向量进行线性变换得到的特征向量,Attention为注意力网络变换,Attention(PE
′
)为对特征向量PE
′
进行注意力网络变换得到的特征向量,PE
″
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:
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。