一种图像分类的增强处理方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，尤其涉及一种图像分类的增强处理方法、装置、设备及介质。上述方法应用于医疗领域，获取上一任务对应的预训练模型、预训练生成器以及当前任务对应的真实数据、对应真实数据的真实标签值，将基于预训练生成器生成的伪数据与真实数据作为训练数据，使用训练数据对当前任务中的模型进行训练，得到当前任务中的初始预训练模型，对初始预训练模型进行增强训练，确定训练好的模型为目标预训练模型。本发明专利技术中，利用历史伪数据进行训练保证了模型的特征分布的稳定性，利用知识蒸馏来最小化这些伪数据在上相邻任务模型之间的差异，降低伪数据带来的特征偏移，从而提高训练得到的当前任务中的目标预训练模型的输出精度。型的输出精度。型的输出精度。

【技术实现步骤摘要】
一种图像分类的增强处理方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种图像分类的增强处理方法、装置、设备及介质。

技术介绍

[0002]随着电子计算机技术的发展，通过软件算法实现的图像自动识别和分类已经能够初步实现。医疗上一般使用神经网络用于医疗图像中的检测及分类，图像分类的神经网络通常包括两个部分：特征提取子网络和分类子网络。其中，特征提取网络将输入图像传入一系列的特征提取层后，最终输出提取的特征。分类网络通常是一个全连接层，将特征提取网络提取的特征输入分类字网路后，输出类别概率。常规的增量学习的过程中，通常不改变特征提取网络的结构，仅仅根据新数据的类别，增加全连接层的输出类别数量。由于模型不再在旧类别数据上训练，而只在新的类别上进行训练，因此全连接层倾向于在新的类别上给予很高的预测值。这就导致预测旧的类别的数据时，模型也同样会给新类别很高的分数，导致预测失败。同时，特征提取器提取的特征也更偏向于提取对新的类别更有区分性的特征，因此新学习的特征在旧类别的区分性随着增量学习的过程下降，造成新模型输出结果的精度较低，因此，在增量学习中，如何提高新模型输出结果的精度成为亟待解决的问题。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种图像分类的增强处理方法、装置、设备及介质，以解决在增强处理的情况下，新模型输出结果的精度较低的问题。
[0004]本申请实施例的第一方面提供了一种图像分类的增强处理方法，所述增强处理方法包括：
[0005]获取上一图像分类任务对应的预训练模型、预训练生成器以及当前图像分类任务对应的真实图像、对应所述真实图像的真实标签值；
[0006]将基于所述预训练生成器生成的伪数据与所述真实图像作为训练数据，使用所述训练数据对当前图像分类任务中的模型进行训练，得到当前图像分类任务中的初始预训练模型；
[0007]将所述伪数据输入至所述初始预训练模型中，输出对应第一结果，将所述伪数据输入至所述预训练模型中，输出对应第二结果，计算所述第一结果与所述第二结果之间的第一损失；
[0008]将所述真实图像输入至所述初始预训练模型中，输出对应第三结果，计算所述第三结果与所述真实图像对应的真实标签值之间第二损失；
[0009]根据所述第一损失与所述第二损失，对所述初始预训练模型进行增强训练，确定训练好的模型为目标预训练模型，使用所述目标预训练模型对待处理图像进行分类，得到图像分类结果。
[0010]本申请实施例的第二方面提供了一种图像分类的增强处理装置，所述增强处理装
置包括：
[0011]获取模块，用于获取上一图像分类任务对应的预训练模型、预训练生成器以及当前图像分类任务对应的真实图像、对应所述真实图像的真实标签值；
[0012]初始预训练模型确定模块，用于将基于所述预训练生成器生成的伪数据与所述真实图像作为训练数据，使用所述训练数据对当前图像分类任务中的模型进行训练，得到当前图像分类任务中的初始预训练模型；
[0013]第一损失确定模块，用于将所述伪数据输入至所述初始预训练模型中，输出对应第一结果，将所述伪数据输入至所述预训练模型中，输出对应第二结果，计算所述第一结果与所述第二结果之间的第一损失；
[0014]第二损失确定模块，用于将所述真实图像输入至所述初始预训练模型中，输出对应第三结果，计算所述第三结果与所述真实图像对应的真实标签值之间第二损失；
[0015]增强训练模块，用于根据所述第一损失与所述第二损失，对所述初始预训练模型进行增强训练，确定训练好的模型为目标预训练模型，使用所述目标预训练模型对待处理图像进行分类，得到图像分类结果。
[0016]第三方面，本专利技术实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的增强处理方法。
[0017]第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的增强处理方法。
[0018]本专利技术与现有技术相比存在的有益效果是：
[0019]获取上一图像分类任务对应的预训练模型、预训练生成器以及当前图像分类任务对应的真实图像、对应真实图像的真实标签值，将基于预训练生成器生成的伪数据与真实图像作为训练数据，使用训练数据对当前图像分类任务中的模型进行训练，得到当前图像分类任务中的初始预训练模型，将伪数据输入至初始预训练模型中，输出对应第一结果，将伪数据输入至预训练模型中，输出对应第二结果，计算第一结果与第二结果之间的第一损失，将真实图像输入至初始预训练模型中，输出对应第三结果，计算第三结果与真实图像对应的真实标签值之间第二损失，根据第一损失与第二损失，对初始预训练模型进行增强训练，确定训练好的模型为目标预训练模型，使用所述目标预训练模型对待处理图像进行分类，得到图像分类结果。本专利技术中，利用历史伪数据进行训练保证了模型的特征分布的稳定性，利用知识蒸馏来最小化这些伪数据在上相邻任务模型之间的差异，降低伪数据带来的特征偏移，从而提高训练得到的当前图像分类任务中的目标预训练模型的输出精度。在医疗领域中，为了提高图像分类模型的分类精度，需要使用新的医疗图像对分类模型进行更新训练，以便于分类模型适应于各种新症状的图像分类，由于用户的隐私性，对图像分类模型进行训练时，得不到更多新的图像，使用基于预训练模型、伪数据与真实数据训练得到的目标预训练模型进行图像分类，降低伪数据带来的特征偏移，从而提高训练得到的当前图像分类任务中的目标预训练模型的输出精度。
附图说明
[0020]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是本专利技术一实施例提供的一种图像分类的增强处理方法的一应用环境示意图；
[0022]图2是本专利技术一实施例提供的一种图像分类的增强处理方法的流程示意图；
[0023]图3是本专利技术一实施例提供的一种图像分类的增强处理方法的流程示意图；
[0024]图4是本专利技术一实施例提供的一种图像分类的增强处理装置的结构示意图；
[0025]图5是本专利技术一实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]应当理解，当在本专利技术说明书和所附权利要求书中使用时，术语“包括”指示所描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类的增强处理方法，其特征在于，所述增强处理方法包括：获取上一图像分类任务对应的预训练模型、预训练生成器以及当前图像分类任务对应的真实图像、对应所述真实图像的真实标签值；将基于所述预训练生成器生成的伪数据与所述真实图像作为训练数据，使用所述训练数据对当前图像分类任务中的模型进行训练，得到当前图像分类任务中的初始预训练模型；将所述伪数据输入至所述初始预训练模型中，输出对应第一结果，将所述伪数据输入至所述预训练模型中，输出对应第二结果，计算所述第一结果与所述第二结果之间的第一损失；将所述真实图像输入至所述初始预训练模型中，输出对应第三结果，计算所述第三结果与所述真实图像对应的真实标签值之间第二损失；根据所述第一损失与所述第二损失，对所述初始预训练模型进行增强训练，确定训练好的模型为目标预训练模型，使用所述目标预训练模型对待处理图像进行分类，得到图像分类结果。2.如权利要求1所述的增强处理方法，其特征在于，所述获取上一图像分类任务对应的预训练模型、预训练生成器以及当前图像分类任务对应的真实图像、对应所述真实图像的真实标签值之前，还包括：通过预训练模型对获取到的上一图像分类任务对应的伪数据生成器进行训练，计算所述伪数据生成器生成的伪数据与上一图像分类任务中真实图像之间的损失；根据所述伪数据生成器生成的伪数据与上一图像分类任务中真实图像之间的损失对所述伪数据生成器进行训练，得到上一图像分类任务对应的预训练生成器。3.如权利要求1所述的增强处理方法，其特征在于，所述将基于所述预训练生成器生成的伪数据与所述真实图像作为训练数据，使用所述训练数据对当前图像分类任务中的模型进行训练，得到当前图像分类任务中的初始预训练模型，包括：将基于所述预训练生成器生成的伪数据输入至所述预训练模型中，输出所述伪数据对应的伪标签值，对所述伪数据标注对应的伪标签值；将标注有伪标签值的伪数据与所述真实图像作为训练数据，使用所述训练数据对当前图像分类任务中的模型进行训练，得到当前图像分类任务中的初始预训练模型。4.如权利要求1所述的增强处理方法，其特征在于，所述将所述伪数据输入至所述初始预训练模型中，输出对应第一结果，包括：将所述伪数据输入至所述初始预训练模型中，基于所述初始预训练模型中的隐藏层，输出所述伪数据对应的第一特征信息，基于所述初始预训练模型中的全连接层，输出所述伪数据对应的第一数值信息；将所述第一特征信息与所述第一数值信息作为所述第一结果。5.如权利要求1所述的增强处理方法，其特征在于，所述将...

【专利技术属性】
技术研发人员：瞿晓阳，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：