[發明專利]用于眼底檢測儀數據的檢測方法和系統

在審

• 申請號: 202110274268.4
• 申請日: 2021-03-15
• 公開（公告）號: CN112926672A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 陳益強;李嘯海;谷洋;沈建飛
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N20/00
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇

1.一種深度學習模型的壓縮方法，包括：

步驟1)初始化深度學習模型的聯結權重并確定激活函數；

步驟2)將訓練樣本輸入所述深度學習模型得到所述訓練樣本的輸出值；

步驟3)刪除所述深度學習模型中權重向量均值為零的神經元結點；

步驟4)基于所述訓練樣本的輸出值、所述訓練樣本的實際值以及所述深度學習模型的損失函數計算所述深度學習模型的誤差，其中，所述深度學習模型的損失函數采用彈性回歸，所述彈性回歸包括嶺回歸和Lasso回歸的組合；

步驟5)利用反向傳播算法更新所述深度學習模型的聯結權重；以及

步驟6)重復步驟2)-步驟5)，直至所述深度學習模型收斂，獲得壓縮后的深度學習模型。

2.根據權利要求1所述的方法，其中，所述深度學習模型的損失函數采用動態的網絡壓縮力度系數。

3.根據權利要求2所述的方法，其中，基于所述深度學習模型的網絡結構因子、神經元數量因子以及神經元比率因子確定所述網絡壓縮力度系數。

4.根據權利要求1所述的方法，其中，所述深度學習模型的損失函數采用交叉熵表示所述深度學習模型中相鄰兩層網絡之間隱藏信息的互信息。

5.根據權利要求1所述的方法，其中，所述深度學習模型的損失函數為：

其中，L為所述深度學習模型的網絡的層數，i為第i層網絡，γ_i為網絡壓縮力度系數，j為第j個神經元，r_i為第i層網絡當前的神經元結點數，α是學習率，μ_i，j為第i層第j個神經元的權重向量的均值，σ_i，j是為第i層第j個神經元的權重向量的標準差，x為深度學習模型的輸入，y為深度學習模型的輸入，為數據的真實分布，p(h|x)是每一層的先驗分布，q(y|h_L)是用來逼近最后一層先驗分布p(y|h_L)的后驗分布，h_L為第L層的隱藏信息。

6.根據權利要求1所述的方法，其中，所述反向傳播算法包括梯度下降算法。

7.一種用于眼底檢測儀的深度學習模型的壓縮方法，包括：

獲得關于用戶眼部數據的訓練樣本；

利用所述訓練樣本訓練深度學習模型；

利用權利要求1-6中任一方法壓縮所述深度學習模型。

8.一種用于眼底檢測儀數據的檢測方法，包括：

通過眼底檢測儀獲取用戶的眼部數據；

基于權利要求7所獲得的所述壓縮后的深度學習模型對所述眼部數據進行分析和檢測。

9.一種用于眼底檢測儀數據的檢測系統，包括：

接口模塊，用于獲取用戶的眼部數據以及基于權利要求7所獲得的壓縮后的深度學習模型；

檢測模塊，用于基于所述壓縮后的深度學習模型對所述眼部數據進行分析和檢測。

10.一種存儲介質，其中存儲有計算機程序，在所述計算機程序被處理器執行時，能夠用于實現權利要求1-8中任一項所述的方法。

11.一種電子設備，包括處理器和存儲器，所述存儲器中存儲有計算機程序，在所述計算機程序被處理器執行時，能夠用于實現權利要求1-8中任一項所述的方法。