【技术实现步骤摘要】
基于深度学习的正畸图像分类模型确定方法及装置
[0001]本专利技术涉及图像分类
，尤其涉及一种基于深度学习的正畸图像分类模型确定方法及装置。
技术介绍
[0002]随着医学和生活水平的不断提高，人们追求好形象的意识日益增强。拥有一副好牙齿是其中重要的体现之一，因此越来越多的人倾向于通过正畸来改善牙齿。在进行正畸之前，需要对需求者进行多张面像照和口内照的拍摄，并对拍摄得到的图像进行分类处理。然而，实践发现，目前仍然存在分类准确性不高、耗时耗力等缺陷，这主要归咎于现有技术是基于人工分析识别的。因此，开发一种全自动且准确率较高的图像分类的技术方案显得尤为重要。
技术实现思路
[0003]本专利技术提供了一种基于深度学习的正畸图像分类模型确定方法及装置，能够提高图像的正畸分类准确性及效率。
[0004]为了解决上述技术问题，本专利技术第一方面公开了一种基于深度学习的正畸图像分类模型确定方法，所述方法包括：
[0005]基于预先确定出的训练图像集对预先确定出的深度学习模型进行训练，得到所述深度学...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的正畸图像分类模型确定方法，其特征在于，所述方法包括：基于预先确定出的训练图像集对预先确定出的深度学习模型进行训练，得到所述深度学习模型的训练结果，其中，所述训练图像集由多个正畸图像类别的样本正畸图像和至少一个其他图像类别的样本图像组成；所述深度学习模型由事实分析模型、卷积注意力模型、卷积模型、池化模型及概率分布模型组成；当所述深度学习模型的训练结果用于表示训练后的所述深度学习模型收敛时，确定收敛后的所述深度学习模型，为所需的正畸图像分类模型，所述正畸图像分类模型用于分析待分类正畸图像的标签。2.根据权利要求1所述的基于深度学习的正畸图像分类模型确定方法，其特征在于，所述基于预先确定出的训练图像集对预先确定出的深度学习模型进行训练，得到所述深度学习模型的训练结果，包括：将预先确定出的训练图像集中的训练图像输入第一卷积模型中执行卷积操作，得到所述训练图像的第一卷积特征，并将所述训练图像的第一卷积特征输入第一卷积注意力模型中进行分析，得到所述训练图像的第一注意力特征；将所述训练图像的第一注意力特征输入第一事实分析模型中进行分析，得到所述训练图像的第一分析特征，并基于第一池化模型对所述训练图像的第一分析特征执行池化操作，得到所述训练图像的第一池化特征；将所述训练图像的第一池化特征输入第二事实分析模型中进行分析，得到所述训练图像的第二分析特征，并基于第二池化模型对所述训练图像的第二分析特征执行池化操作，得到所述训练图像的第二池化特征；将所述训练图像的第二池化特征输入第三事实分析模型中进行分析，得到所述训练图像的第三分析特征，并将所述训练图像的第三分析特征输入第二卷积模型中执行卷积操作，得到所述训练图像的第二卷积特征；将所述训练图像的第二卷积特征输入第二卷积注意力模型中进行分析，得到所述训练图像的第二注意力特征，并将所述训练图像的第二注意力分析特征输入第三池化模型中进行池化操作，得到所述训练图像的第三池化特征；将所述训练图像的第三池化特征输入概率分布模型中进行分析，得到所述训练图像的概率分布结果，并根据所述训练图像的概率分布结果，确定所述深度学习模型的训练结果；其中，所述卷积模型包括所述第一卷积模型和所述第二卷积模型，所述卷积注意力模型包括所述第一卷积注意力模型和所述第二卷积注意力模型，所述事实分析模型包括所述第一事实分析模型、所述第二事实分析模型和所述第三事实分析模型，所述池化模型包括所述第一池化模型和所述第二池化模型。3.根据权利要求1或2所述的基于深度学习的正畸图像分类模型确定方法，其特征在于，所述方法还包括：将预先确定出的热度缩放参数添加至所述正畸图像分类模型的概率分布模型，得到目标正畸图像分类模型；对于预先确定出的测试图像集中的任一测试图像，将所述测试图像输入所述目标正畸图像分类模型中进行分析，得到所述测试图像的热度缩放特征，并对所述测试图像的热度缩放特征进行图像扰动处理，得到扰动后的所述测试图像的热度缩放特征；
根据所有扰动后的所述测试图像的热度缩放特征，确定所述正畸图像分类模型所需的扰动结果，并将所述正畸图像分类模型所需的扰动结果，添加至所述目标正畸图像分类模型，以及将加入所述扰动结果的所述目标正畸图像分类模型，更新为所述正畸图像分类模型。4.根据权利要求3所述的基于深度学习的正畸图像分类模型确定方法，其特征在于，所述测试图像的热度缩放特征的计算公式如下：式中，S
i
(x；T)为所述测试图像的热度缩放特征，x为所述测试图像，T...
【专利技术属性】
技术研发人员：王亚杰，左飞飞，殷金磊，李晓芸，龚蓓文，
申请(专利权)人：北京基骨智能科技有限公司，
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。