[發明專利]息肉檢測模型的訓練方法、檢測方法、裝置、介質及設備

在審

• 申請號: 202211015295.0
• 申請日: 2022-08-23
• 公開（公告）號: CN115375655A
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 王杰祥;張志誠;邊成;李永會
• 申請（專利權）人: 抖音視界有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/764;G06V10/774;G06V10/80;G06V10/82
• 代理公司: 北京英創嘉友知識產權代理事務所(普通合伙) 11447
• 代理人: 曹寒梅

1.一種息肉檢測模型的訓練方法，其特征在于，所述方法包括：

基于息肉檢測模型對源域數據集中的源域圖像和目標域數據集中的目標域圖像進行前背景特征提取，獲得第一源域特征和第一目標域特征，其中，所述源域數據集中的圖像標注有息肉標簽，所述目標域數據集中的圖像未標注標簽，所述源域數據集與所述目標域數據集的數據分布不同；

基于所述第一源域特征和所述第一目標域特征，確定所述源域圖像中的源域前景節點和所述目標域圖像中的目標域前景節點；

根據所述源域前景節點和所述目標域前景節點，確定每一所述源域前景節點和每一所述目標域前景節點之間的相關性參數；

根據所述相關性參數分別對所述第一源域特征和所述第一目標域特征進行更新，獲得第二源域特征和第二目標域特征；

根據所述第二源域特征獲得所述源域圖像對應的預測結果；

根據所述源域圖像對應的預測結果和所述息肉標簽、以及所述第二源域特征和所述第二目標域特征，確定息肉檢測模型的目標損失，并根據所述目標損失對所述息肉檢測模型進行訓練。

2.根據權利要求1所述的方法，其特征在于，所述基于所述第一源域特征和所述第一目標域特征，確定所述源域圖像中的源域前景節點和所述目標域圖像中的目標域前景節點，包括：

根據所述息肉標簽確定所述第一源域特征對應的候選前景節點集合；

針對所述候選前景節點集合中的每一所述候選前景節點，確定所述第一目標域特征中與所述候選前景節點對應的目標域匹配前景節點，并確定所述目標域匹配前景節點在所述第一源域特征中的源域匹配前景節點；

若所述源域匹配前景節點屬于所述候選前景節點集合，將所述候選前景節點確定為所述源域前景節點，并將所述目標域匹配前景節點確定為所述目標域前景節點。

3.根據權利要求1所述的方法，其特征在于，所述根據所述源域前景節點和所述目標域前景節點，確定每一所述源域前景節點和每一所述目標域前景節點之間的相關性參數，包括：

通過以下公式確定第i個源域前景節點和第j個目標域前景節點之間的相關性參數

其中，用于表示源域圖像s中的第i個源域前景節點對應的第一源域特征；

用于表示目標域圖像t中的第j個目標域前景節點對應的第一目標域特征；

σ用于表示調節超參數。

4.根據權利要求1所述的方法，其特征在于，根據所述相關性參數分別對所述第一源域特征和所述第一目標域特征進行更新，獲得第二源域特征和第二目標域特征，包括：

基于所述相關性參數，對所述第一源域特征進行多層卷積特征提取，獲得所述第二源域特征；

基于所述相關性參數，對所述第一目標域特征進行多層卷積特征提取，獲得所述第二目標域特征，其中，所述第一源域特征和所述第一目標域特征對應的卷積特征提取的層數相同。

5.根據權利要求4所述的方法，其特征在于，通過以下公式基于所述相關性參數，對所述第一源域特征進行多層卷積特征提取，獲得所述第二源域特征：

A'＝A_st+I，

其中，A_st用于源域圖像s的源域前景節點和目標域圖像t中的目標域前景節點之間的相關性參數的矩陣；

I用于表示單位矩陣；

D'用于表示A_st的度矩陣，其中，D'_ii＝∑_jA'_ij；

H^(l)用于表示第l層對應的卷積特征，其中第0層對應的卷積特征為所述第一源域特征；

H^l+1用于表示第l+1層對應的卷積特征；

W^(l)用于表示第l層對應的權重參數；

η()用于表示非線性激活函數。