[發明專利]篩查模型的訓練方法、裝置及存儲介質

有效

• 申請號: 201910269536.6
• 申請日: 2019-04-04
• 公開（公告）號: CN110009038B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 孫旭;楊葉輝;王磊;許言午;黃艷
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市鑄成律師事務所 11313
• 代理人: 鄧海鴻;陳建民

1.一種糖尿病視網膜篩查模型的訓練裝置，其特征在于，包括：

聚類單元，用于利用聚類算法對源領域圖片數據進行劃分，將源領域劃分為多個子領域；

學習單元，用于在多個所述子領域分別進行遷移學習，得到多個用于對目標領域圖片數據進行分類的子領域分類器；

集成單元，用于將多個所述子領域分類器進行集成，得到目標領域分類器；

所述學習單元包括：

第一訓練子單元，用于在多個所述子領域分別訓練源領域編碼器和所述子領域分類器；

第二訓練子單元，用于在多個所述子領域分別利用生成式對抗網絡訓練領域分類器和目標領域編碼器；

其中，所述源領域編碼器的輸入信息包括來源于所述子領域的第一樣本，所述源領域編碼器的輸出信息包括從所述第一樣本中提取的特征向量；

所述子領域分類器用于對所述特征向量進行分類；

所述目標領域編碼器的輸入信息包括來源于所述目標領域的第二樣本，所述目標領域編碼器的輸出信息包括從所述第二樣本中提取的特征向量；

所述領域分類器用于判別輸入的特征向量來源于所述子領域或所述目標領域。

2.根據權利要求1所述的裝置，其特征在于，所述聚類單元用于：

對所述源領域圖片數據進行特征提取；

利用聚類算法對所述特征進行聚類分析，從而將源領域劃分為多個子領域。

3.根據權利要求1所述的裝置，其特征在于，所述第二訓練子單元用于：

將所述源領域編碼器輸出的特征向量和所述目標領域編碼器輸出的特征向量輸入到所述領域分類器，由所述領域分類器判別輸入的特征向量來源于所述子領域或所述目標領域；

若所述領域分類器無法判別輸入的特征向量來源于所述子領域或所述目標領域，則將所述目標領域編碼器和所述子領域分類器用于對目標領域圖片數據進行分類。

4.根據權利要求1至3中任一項所述的裝置，其特征在于，所述集成單元用于：

將多個所述子領域分類器的分類結果的平均值，作為所述目標領域分類器的分類結果。

5.一種糖尿病視網膜篩查模型的訓練方法，其特征在于，包括：

利用聚類算法對源領域圖片數據進行劃分，將源領域劃分為多個子領域；

在多個所述子領域分別進行遷移學習，得到多個用于對目標領域圖片數據進行分類的子領域分類器；

將多個所述子領域分類器進行集成，得到目標領域分類器；

在多個所述子領域分別進行遷移學習，得到多個用于對目標領域圖片數據進行分類的子領域分類器，包括：

在多個所述子領域分別訓練源領域編碼器和所述子領域分類器；

在多個所述子領域分別利用生成式對抗網絡訓練領域分類器和目標領域編碼器；

其中，所述源領域編碼器的輸入信息包括來源于所述子領域的第一樣本，所述源領域編碼器的輸出信息包括從所述第一樣本中提取的特征向量；

所述子領域分類器用于對所述特征向量進行分類；

所述目標領域編碼器的輸入信息包括來源于所述目標領域的第二樣本，所述目標領域編碼器的輸出信息包括從所述第二樣本中提取的特征向量；

所述領域分類器用于判別輸入的特征向量來源于所述子領域或所述目標領域。

6.根據權利要求5所述的方法，其特征在于，利用聚類算法對源領域圖片數據進行劃分，將源領域劃分為多個子領域，包括：

對所述源領域圖片數據進行特征提取；

利用聚類算法對所述特征進行聚類分析，從而將源領域劃分為多個子領域。

7.根據權利要求5所述的方法，其特征在于，在多個所述子領域分別利用生成式對抗網絡訓練領域分類器和目標領域編碼器，包括：

將所述源領域編碼器輸出的特征向量和所述目標領域編碼器輸出的特征向量輸入到所述領域分類器，由所述領域分類器判別輸入的特征向量來源于所述子領域或所述目標領域；

若所述領域分類器無法判別輸入的特征向量來源于所述子領域或所述目標領域，則將所述目標領域編碼器和所述子領域分類器用于對目標領域圖片數據進行分類。