[發明專利]圖像分類方法和裝置及風格遷移模型訓練方法和裝置

在審

• 申請號: 202010591392.9
• 申請日: 2020-06-24
• 公開（公告）號: CN111753908A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 楊大陸;楊葉輝;王磊;許言午
• 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;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京市鑄成律師事務所 11313
• 代理人: 閻敏;楊瑾瑾

1.一種圖像分類方法，包括：

將第一風格圖像輸入風格遷移模型，得到與所述第一風格圖像對應的第二風格圖像；

將所述第二風格圖像輸入圖像分類模型，得到所述第二風格圖像的分類結果；其中，

所述風格遷移模型基于第一風格的樣本圖像和第二風格的樣本圖像訓練得到；所述圖像分類模型基于第二風格的樣本圖像訓練得到。

2.根據權利要求1所述的方法，其中，所述第一風格圖像包括采用第一型號的相機拍攝的圖像，所述第二風格圖像包括采用第二型號的相機拍攝的圖像；

所述與所述第一風格圖像對應的第二風格圖像包括：與所述第一風格圖像的圖像內容相同、并且符合所述第二型號的相機拍攝風格的圖像。

3.根據權利要求1或2所述的方法，其中，所述第一風格圖像、第二風格圖像、第一風格的樣本圖像和第二風格的樣本圖像均為眼底圖；

所述風格遷移模型基于無疾病標簽的第一風格的樣本圖像和含有疾病標簽的第二風格的樣本圖像訓練，并采用非監督的對抗訓練方式訓練得到；

所述圖像分類模型基于含有疾病標簽的第二風格的樣本圖像訓練，并采用有監督訓練方式訓練得到。

4.根據權利要求1或2所述的方法，其中，風格遷移模型包括殘差生成網絡；所述殘差生成網絡包括卷積層和池化層；

所述圖像分類模型包括卷積神經網絡。

5.一種風格遷移模型訓練方法，包括：

設置第一殘差生成網絡、第二殘差生成網絡、圖像特征提取器、第一判別器和第二判別器；其中，所述第一殘差生成網絡用于生成第一風格圖像轉化為第二風格圖像的殘差；所述第二殘差生成網絡用于生成第二風格圖像轉化為第一風格圖像的殘差；所述圖像特征提取器用于提取第一風格圖像或第二風格圖像的特征信息；所述第一判別器用于判斷圖像是否為第一風格圖像；所述第二判別器用于判斷圖像是否為第二風格圖像；

輸入訓練樣本，利用所述第一殘差生成網絡、第二殘差生成網絡、第一判別器和第二判別器的輸出結果計算損失函數；

調整所述第一殘差生成網絡、第二殘差生成網絡、第一判別器和第二判別器中至少一項中的參數，使所述損失函數的值趨向于最優值。

6.根據權利要求5所述的方法，其中，所述損失函數包括循環損失函數和對抗損失函數。

7.根據權利要求6所述的方法，其中，計算所述循環損失函數包括：

將第一風格的樣本圖像輸入包含所述第一殘差生成網絡的第一風格遷移模型，得到對應的第二風格圖像；將所述第二風格圖像輸入所述第二殘差生成網絡，將運算結果與所述第一風格的樣本圖像輸入所述第一殘差生成網絡得到的運算結果相加，利用相加結果計算第一循環損失；

將第二風格的樣本圖像輸入包含所述第二殘差生成網絡的第二風格遷移模型，得到對應的第一風格圖像；將所述第一風格圖像輸入所述第一殘差生成網絡，將運算結果與所述第二風格的樣本圖像輸入所述第二殘差生成網絡得到的運算結果相加，利用相加結果計算第二循環損失；

利用所述第一循環損失和所述第二循環損失確定所述循環損失函數。

8.根據權利要求7所述的方法，其中，所述調整所述第一殘差生成網絡、第二殘差生成網絡、第一判別器和第二判別器中至少一項中的參數，使所述損失函數的值趨向于最優值，包括：

調整所述第一殘差生成網絡和第二殘差生成網絡中的參數，使所述循環損失函數的值最小化。