[發(fā)明專利]任務(wù)模型獲取方法和裝置、存儲(chǔ)介質(zhì)及電子裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201910578723.2
• 申請(qǐng)日: 2019-06-28
• 公開（公告）號(hào): CN110363296B
• 公開（公告）日: 2022-02-08
• 發(fā)明（設(shè)計(jì)）人: 李悅翔;鄭冶楓
• 申請(qǐng)（專利權(quán)）人: 騰訊醫(yī)療健康（深圳）有限公司
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G06N3/04;G16H30/00
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 劉曉燕

本發(fā)明公開了一種任務(wù)模型獲取方法和裝置、存儲(chǔ)介質(zhì)及電子裝置。其中，該方法包括：獲取對(duì)第一訓(xùn)練模型進(jìn)行模型訓(xùn)練得到的目標(biāo)模型參數(shù)，第一訓(xùn)練模型包括：第一編碼器和第一解碼器，目標(biāo)模型參數(shù)包括：與第一編碼器對(duì)應(yīng)的第一模型參數(shù)，第一訓(xùn)練模型的輸入為目標(biāo)光學(xué)圖像的第一通道的第一圖像，訓(xùn)練完成后的第一訓(xùn)練模型的輸出為與目標(biāo)光學(xué)圖像的第二通道的第二圖像對(duì)應(yīng)的預(yù)測(cè)圖像，預(yù)測(cè)圖像與第二圖像的圖形相似度大于或者等于目標(biāo)相似度閾值；使用目標(biāo)模型參數(shù)初始化第二訓(xùn)練模型的模型參數(shù)，得到初始任務(wù)模型，第二訓(xùn)練模型包括與第一編碼器結(jié)構(gòu)相同的第二編碼器；使用目標(biāo)光學(xué)圖像對(duì)初始任務(wù)模型進(jìn)行訓(xùn)練，得到目標(biāo)任務(wù)模型。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)領(lǐng)域，具體而言，涉及一種任務(wù)模型獲取方法和裝置、存儲(chǔ)介質(zhì)及電子裝置。

背景技術(shù)

目前，在使用網(wǎng)絡(luò)模型執(zhí)行光學(xué)圖像處理任務(wù)時(shí)，需要使用樣本光學(xué)圖像對(duì)初始網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的目標(biāo)網(wǎng)絡(luò)模型。例如，可以使用CNN(ConvolutionalNeural Network，卷積神經(jīng)網(wǎng)絡(luò))、FCN(Fully Convolutional Network，全卷積網(wǎng)絡(luò))等網(wǎng)絡(luò)模型進(jìn)行圖像分類、圖像分割等任務(wù)。

在進(jìn)行模型訓(xùn)練時(shí)，首先為網(wǎng)絡(luò)模型賦予隨機(jī)生成的初始模型參數(shù)(隨機(jī)初始化網(wǎng)絡(luò)模型的模型參數(shù))；將樣本光學(xué)圖像輸入到隨機(jī)初始化的網(wǎng)絡(luò)模型中，根據(jù)網(wǎng)絡(luò)模型的輸出結(jié)果和目標(biāo)函數(shù)對(duì)網(wǎng)絡(luò)模型的模型參數(shù)進(jìn)行優(yōu)化，得到訓(xùn)練好的網(wǎng)絡(luò)模型。

然而，在網(wǎng)絡(luò)模型的訓(xùn)練過程中，由于網(wǎng)絡(luò)模型的初始化參數(shù)是隨機(jī)生成的，導(dǎo)致模型訓(xùn)練收斂速度慢，模型性能差。也就是說(shuō)，相關(guān)技術(shù)中隨機(jī)初始化網(wǎng)絡(luò)模型存在模型訓(xùn)練收斂速度慢，模型性能差的問題。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種任務(wù)模型獲取方法和裝置、存儲(chǔ)介質(zhì)及電子裝置，以至少解決相關(guān)技術(shù)中隨機(jī)初始化網(wǎng)絡(luò)模型存在模型訓(xùn)練收斂速度慢，模型性能差的技術(shù)問題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種任務(wù)模型獲取方法，包括：獲取對(duì)第一訓(xùn)練模型進(jìn)行模型訓(xùn)練得到的目標(biāo)模型參數(shù)，其中，第一訓(xùn)練模型包括：第一編碼器和第一解碼器，目標(biāo)模型參數(shù)包括：與第一編碼器對(duì)應(yīng)的第一模型參數(shù)和與第一解碼器對(duì)應(yīng)的第二模型參數(shù)，第一訓(xùn)練模型的輸入為目標(biāo)光學(xué)圖像的第一通道的第一圖像，訓(xùn)練完成后的第一訓(xùn)練模型的輸出為與目標(biāo)光學(xué)圖像的第二通道的第二圖像對(duì)應(yīng)的預(yù)測(cè)圖像，預(yù)測(cè)圖像與第二圖像的圖形相似度大于或者等于目標(biāo)相似度閾值；使用目標(biāo)模型參數(shù)初始化第二訓(xùn)練模型的模型參數(shù)，得到初始任務(wù)模型，其中，第二訓(xùn)練模型包括與第一編碼器結(jié)構(gòu)相同的第二編碼器；使用目標(biāo)光學(xué)圖像對(duì)初始任務(wù)模型進(jìn)行訓(xùn)練，得到目標(biāo)任務(wù)模型，其中，目標(biāo)任務(wù)模型用于執(zhí)行目標(biāo)圖像處理任務(wù)。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種任務(wù)模型獲取方法，包括：利用全卷積網(wǎng)絡(luò)FCN模型的第一子模型提取光學(xué)醫(yī)學(xué)圖像的綠色通道的圖像特征信息；根據(jù)圖像特征信息，對(duì)光學(xué)醫(yī)學(xué)圖像的其他通道的顏色分布進(jìn)行預(yù)測(cè)，得到顏色分布預(yù)測(cè)信息，其中，其他通道包括以下至少之一：紅色通道，藍(lán)色通道；將圖像特征信息和顏色分布預(yù)測(cè)信息輸入到FCN模型的第二子模型中，得到其他通道的各個(gè)像素點(diǎn)的預(yù)測(cè)值；確定目標(biāo)損失函數(shù)的第一函數(shù)值，其中，目標(biāo)損失函數(shù)用于表示其他通道的各個(gè)像素點(diǎn)的預(yù)測(cè)值與其他通道的各個(gè)像素點(diǎn)的實(shí)際值的相近程度，以及其他通道的各個(gè)像素點(diǎn)的預(yù)測(cè)值的分布與其他通道的各個(gè)像素點(diǎn)的實(shí)際值的分布的相近程度；在第一函數(shù)值大于或者等于目標(biāo)閾值的情況下，對(duì)第一子模型的第一模型參數(shù)和第二子模型的第二模型參數(shù)進(jìn)行調(diào)整，以使將光學(xué)醫(yī)學(xué)圖像輸入到調(diào)整后的FCN模型得到的目標(biāo)損失函數(shù)的第二函數(shù)值小于第一函數(shù)值；在第一函數(shù)值小于目標(biāo)閾值的情況下，使用第一子模型的第一模型參數(shù)初始化目標(biāo)訓(xùn)練模型的第三子模型的模型參數(shù)，得到初始任務(wù)模型，其中，第三子模型與第一子模型的模型結(jié)構(gòu)相同；使用光學(xué)醫(yī)學(xué)圖像對(duì)初始任務(wù)模型進(jìn)行訓(xùn)練，得到目標(biāo)任務(wù)模型，其中，目標(biāo)任務(wù)模型用于執(zhí)行目標(biāo)圖像處理任務(wù)。