[發(fā)明專利]用于眼底檢測儀數(shù)據(jù)的檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110274268.4
• 申請日: 2021-03-15
• 公開（公告）號: CN112926672A
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計(jì)）人: 陳益強(qiáng);李嘯海;谷洋;沈建飛
• 申請（專利權(quán)）人: 中國科學(xué)院計(jì)算技術(shù)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(yè)知識產(chǎn)權(quán)代理有限公司 11280
• 代理人: 王勇

本發(fā)明提供了一種面向眼底檢測儀數(shù)據(jù)的檢測方法和系統(tǒng)，該方法使用了壓縮后的深度學(xué)習(xí)模型對用戶眼部數(shù)據(jù)進(jìn)行分析和檢測，其中，深度學(xué)習(xí)模型是通過采用包括嶺回歸和Lasso回歸組合的彈性回歸的損失函數(shù)的深度學(xué)習(xí)模型壓縮方法進(jìn)行壓縮的。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)數(shù)據(jù)挖掘分析技術(shù)領(lǐng)域，尤其涉及用于眼底檢測儀數(shù)據(jù)的檢測方法和系統(tǒng)。

背景技術(shù)

目前，國際先進(jìn)的超廣角眼底照相儀，只需0.4秒完成圖片捕抓，能夠快速采集大量、全面的用戶眼部數(shù)據(jù)，便于對用戶的眼部健康狀態(tài)進(jìn)行檢測和分析。采用深度學(xué)習(xí)模型能夠?qū)@些數(shù)據(jù)進(jìn)行有效的特征提取，并提高檢測和分析的準(zhǔn)確度。然而傳統(tǒng)的深度學(xué)習(xí)模型通常包含大量的參數(shù)冗余，容易引發(fā)過擬合問題并增加學(xué)習(xí)的復(fù)雜度，在一定程度上限制了深度學(xué)習(xí)模型的性能，進(jìn)而影響眼部數(shù)據(jù)的檢測結(jié)果。

因此，亟需一種高效的面向眼底檢測儀數(shù)據(jù)的深度學(xué)習(xí)方法和系統(tǒng)。

發(fā)明內(nèi)容

因此，本發(fā)明提供一種深度學(xué)習(xí)模型的壓縮方法，包括：初始化深度學(xué)習(xí)模型的聯(lián)結(jié)權(quán)重并確定激活函數(shù)；將訓(xùn)練樣本輸入所述深度學(xué)習(xí)模型得到所述訓(xùn)練樣本的輸出值；刪除所述深度學(xué)習(xí)模型中權(quán)重向量均值為零的神經(jīng)元結(jié)點(diǎn)；基于所述訓(xùn)練樣本的輸出值、所述訓(xùn)練樣本的實(shí)際值以及所述深度學(xué)習(xí)模型的損失函數(shù)計(jì)算所述深度學(xué)習(xí)模型的誤差，其中，所述深度學(xué)習(xí)模型的損失函數(shù)采用彈性回歸，所述彈性回歸包括嶺回歸和Lasso回歸的組合；利用反向傳播算法更新所述深度學(xué)習(xí)模型的聯(lián)結(jié)權(quán)重；以及重復(fù)上述步驟直至所述深度學(xué)習(xí)模型收斂，獲得壓縮后的深度學(xué)習(xí)模型。

在一個(gè)實(shí)施例中，所述深度學(xué)習(xí)模型的損失函數(shù)采用動態(tài)的網(wǎng)絡(luò)壓縮力度系數(shù)。

在一個(gè)實(shí)施例中，基于所述深度學(xué)習(xí)模型的網(wǎng)絡(luò)結(jié)構(gòu)因子、神經(jīng)元數(shù)量因子以及神經(jīng)元比率因子確定所述網(wǎng)絡(luò)壓縮力度系數(shù)。

在一個(gè)實(shí)施例中，所述深度學(xué)習(xí)模型的損失函數(shù)采用交叉熵表示所述深度學(xué)習(xí)模型中相鄰兩層網(wǎng)絡(luò)之間隱藏信息的互信息。

在一個(gè)實(shí)施例中，所述深度學(xué)習(xí)模型的損失函數(shù)為：

其中，L為所述深度學(xué)習(xí)模型的網(wǎng)絡(luò)的層數(shù)，i為第i層網(wǎng)絡(luò)，γ_i為網(wǎng)絡(luò)壓縮力度系數(shù)，j為第j個(gè)神經(jīng)元，r_i為第i層網(wǎng)絡(luò)當(dāng)前的神經(jīng)元結(jié)點(diǎn)數(shù)，α是學(xué)習(xí)率，μ_i，j為第i層第j個(gè)神經(jīng)元的權(quán)重向量的均值，σ_i，j是為第i層第j個(gè)神經(jīng)元的權(quán)重向量的標(biāo)準(zhǔn)差，x為深度學(xué)習(xí)模型的輸入，y為深度學(xué)習(xí)模型的輸入，為數(shù)據(jù)的真實(shí)分布，p(h|x)是每一層的先驗(yàn)分布，q(y|h_L)是用來逼近最后一層先驗(yàn)分布p(y|h_L)的后驗(yàn)分布，h_L為第L層的隱藏信息。

在一個(gè)實(shí)施例中，所述反向傳播算法包括梯度下降算法。

本發(fā)明另一方面提供了一種用于眼底檢測儀的深度學(xué)習(xí)模型的壓縮方法，包括：獲得關(guān)于用戶眼部數(shù)據(jù)的訓(xùn)練樣本；利用所述訓(xùn)練樣本訓(xùn)練深度學(xué)習(xí)模型；利用上述任一方法壓縮所述深度學(xué)習(xí)模型。

本發(fā)明另一方面提供了一種用于眼底檢測儀數(shù)據(jù)的檢測方法，包括：通過眼底檢測儀獲取用戶的眼部數(shù)據(jù)；基于上述方法所獲得的所述深度學(xué)習(xí)模型對所述眼部數(shù)據(jù)進(jìn)行分析和檢測。

本發(fā)明另一方面提供了一種用于眼底檢測儀數(shù)據(jù)的檢測系統(tǒng)，包括：接口模塊，用于獲取用戶的眼部數(shù)據(jù)以及基于上述方法所獲得的深度學(xué)習(xí)模型；檢測模塊，用于基于所述深度學(xué)習(xí)模型對所述眼部數(shù)據(jù)進(jìn)行分析和檢測。

本發(fā)明另一方面提供了一種存儲介質(zhì)，其中存儲有計(jì)算機(jī)程序，在所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，能夠用于實(shí)現(xiàn)上述任一項(xiàng)所述的方法。

本發(fā)明另一方面提供了一種電子設(shè)備，包括處理器和存儲器，所述存儲器中存儲有計(jì)算機(jī)程序，在所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，能夠用于實(shí)現(xiàn)上述任一項(xiàng)所述的方法