【技术实现步骤摘要】
本专利技术实施例涉及皮肤痤疮检测和护肤，尤其涉及一种模型训练方法、装置、设备及存储介质。
技术介绍
1、现有技术中，对痤疮严重程度的进行准确分级，在皮肤痤疮检测和护肤
中起到了至关重要的作用，它是皮肤科医生正确诊断痤疮，并为每位患者制定个性化治疗计划的重要环节。
2、目前，深度学习技术已被引入皮肤痤疮检测和护肤
，用于对痤疮的严重程度进行分级。然而，这一方法仍面临一些挑战，存在训练数据有限以及标签之间存在一定程度的模糊性等问题。例如，传统的卷积神经网络（convolutional neural networks,cnn）通常通过池化层（pooling layers）来降低分辨率以捕获更广泛的信息，但这可能会丢失一些细节；且由于痤疮的病变在外观上相似，严重程度又相差不大，因此，确切的分级也变得更为复杂，缺乏鲁棒性。
技术实现思路
1、本专利技术实施例提供一种模型训练方法、装置、设备及存储介质，以实现通过目标模型同时对痤疮的严重程度进行分级，并预测病变数量，根据预测概率分布将严重程度进行打分，为痤疮的诊断提供依据，准确率更高，鲁棒性更强，解释性强。
2、第一方面，本专利技术实施例提供了一种模型训练方法，包括：
3、获取图像样本集，其中，所述图像样本集包括：面部图像样本、面部图像样本对应的痤疮等级以及面部图像样本对应的痤疮数量；
4、基于所述图像样本集训练第一模型，得到目标模型，其中，所述第一模型包括：poolformer网络、
5、可选的，基于所述图像样本集训练第一模型，得到目标模型，包括：
6、将所述图像样本集中的面部图像样本输入poolformer网络，得到面部图像样本对应的目标特征数据；
7、将所述面部图像样本对应的目标特征数据输入第一分支全连接层，得到预测痤疮数量；
8、将所述面部图像样本对应的目标特征数据输入第二分支全连接层，得到预测痤疮等级；
9、根据预测痤疮数量、面部图像样本对应的痤疮数量以及预测痤疮数量对应的计数类别信息生成第一损失函数；
10、根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数；
11、根据所述第一损失函数和所述第二损失函数训练所述第一模型的参数，得到目标模型。
12、可选的，根据预测痤疮数量、面部图像样本对应的痤疮数量以及预测痤疮数量对应的计数类别信息生成第一损失函数，包括：
13、根据预测痤疮数量和面部图像样本对应的痤疮数量生成mse损失函数；
14、根据所述预测痤疮数量对应的计数类别信息和面部图像样本对应的痤疮数量生成计数分类损失函数；
15、根据所述计数分类损失函数和所述mse损失函数生成第一损失函数。
16、可选的，根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数，包括：
17、根据所述预测痤疮数量对应的痤疮等级和面部图像样本对应的痤疮等级生成痤疮等级损失函数；
18、根据所述预测痤疮等级和面部图像样本对应的痤疮等级生成等级分类损失函数；
19、根据痤疮等级损失函数和所述等级分类损失函数生成第二损失函数。
20、可选的，根据所述预测痤疮数量对应的计数类别信息和面部图像样本对应的痤疮数量生成计数分类损失函数，包括：
21、获取间隔参数；
22、基于间隔参数确定分类数量；
23、根据分类数量、预测痤疮数量对应的计数类别信息以及面部图像样本对应的痤疮数量生成计数分类损失函数。
24、可选的，所述模型训练方法，还包括：
25、采集面部图像；
26、将面部图像输入所述目标模型，得到所述面部图像对应的痤疮等级和痤疮数量。
27、第二方面，本专利技术实施例提供了一种模型训练装置，包括：
28、获取模块，用于获取图像样本集，其中，所述图像样本集包括：面部图像样本、面部图像样本对应的痤疮等级以及面部图像样本对应的痤疮数量；
29、训练模块，用于基于所述图像样本集训练第一模型，得到目标模型，其中，所述第一模型包括：poolformer网络、第一分支全连接层以及第二分支全连接层，poolformer网络位于所述第一分支激活层和第二分支激活层之前，所述poolformer网络包括：至少两个poolformer块。
30、可选的，训练模块，包括：
31、第一确定单元，用于将所述图像样本集中的面部图像样本输入poolformer网络，得到面部图像样本对应的目标特征数据；
32、第二确定单元，用于将所述面部图像样本对应的目标特征数据输入第一分支全连接层，得到预测痤疮数量；
33、第三确定单元，用于将所述面部图像样本对应的目标特征数据输入第二分支全连接层，得到预测痤疮等级；
34、第一生成单元，用于根据预测痤疮数量、面部图像样本对应的痤疮数量以及预测痤疮数量对应的计数类别信息生成第一损失函数；
35、第二生成单元，用于根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数；
36、训练单元，用于根据所述第一损失函数和所述第二损失函数训练所述第一模型的参数，得到目标模型。
37、第三方面，本专利技术实施例提供了一种电子设备，所述电子设备包括：
38、至少一个处理器；以及
39、与所述至少一个处理器通信连接的存储器；其中，
40、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的模型训练方法。
41、第四方面，本专利技术实施例提供了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指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的模型训练方法。
42、本专利技术实施例通过获取图像样本集，其中，所述图像样本集包括：面部图像样本、面部图像样本对应的痤疮等级以及面部图像样本对应的痤疮数量；基于所述图像样本集训练第一模型，得到目标模型，其中，所述第一模型包括：poolformer网络、第一分支全连接层以及第二分支全连接层，poolformer网络位于所述第一分支激活层和第二分支激活层之前，所述poolformer网络包括：至少两个poolformer块，解决现有技术中训练数据有限以及标签之间存在一定程度的模糊性、以及缺乏鲁棒性的问题，实现通过目标模型同时对痤疮的严重程度进行分级，并预测病变数量，根据预测概率分布将严重程度进行打分，为本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述图像样本集训练第一模型，得到目标模型，包括：
3.根据权利要求2所述的方法，其特征在于，根据预测痤疮数量、面部图像样本对应的痤疮数量以及预测痤疮数量对应的计数类别信息生成第一损失函数，包括：
4.根据权利要求2所述的方法，其特征在于，根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数，包括：
5.根据权利要求3所述的方法，其特征在于，在根据所述预测痤疮数量对应的计数类别信息和面部图像样本对应的痤疮数量生成计数分类损失函数之前，还包括：
6.根据权利要求1所述的方法，其特征在于，还包括：
7.一种模型训练装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述训练模块包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述图像样本集训练第一模型，得到目标模型，包括：
3.根据权利要求2所述的方法，其特征在于，根据预测痤疮数量、面部图像样本对应的痤疮数量以及预测痤疮数量对应的计数类别信息生成第一损失函数，包括：
4.根据权利要求2所述的方法，其特征在于，根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数，包括：
5.根据权利要求3所述的方法，其特征在于，在根据所...
【专利技术属性】
技术研发人员：王念欧，郦轲，刘文华，万进，
申请(专利权)人：深圳市宗匠科技有限公司，
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。