[發明專利]一種應用于內窺鏡圖像目標檢測模型的增強訓練方法

有效

• 申請號: 202211079140.3
• 申請日: 2022-09-05
• 公開（公告）號: CN115409818B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 張云飛;曹黎俊;王孝群;蔡占毅
• 申請（專利權）人: 江蘇濟遠醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/094
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 徐激波

本發明公開了一種應用于內窺鏡圖像目標檢測模型的增強訓練方法，從樣本標簽的選擇上進行優化，一個是引入對抗樣本訓練，并優化對抗樣本的使用方式，實驗表明，這兩種策略綜合使用，提高了模型在受限數據訓練情況下的精度和泛化能力。

技術領域

本發明屬于目標檢測技術領域，具體的為：一種應用于內窺鏡圖像目標檢測模型的增強訓練方法。

背景技術

隨著電子技術的發展，醫用內窺鏡產品越來越豐富，極大的融入了各式各樣的疾病診斷、治療流程中。同時隨著圖像智能識別技術的發展，利用內窺鏡圖像，實現部分疾病的自動識別和預警等得到了越來越多的重視。

在圖像智能識別中，人工建立的數據庫往往具有決定性的作用，但是海量的數據在很多場景下并不存在，尤其是醫療領域，比如婦科內窺鏡圖像，往往由于各種原因，如隱私等，數據并不能充分的獲取和標注。這樣就要求對于圖像目標檢測模型的訓練方式，進行盡量的優化。

發明內容

發明目的：針對上述現有技術，提出一種應用于內窺鏡圖像目標檢測模型的增強訓練方法

技術方案：一種應用于內窺鏡圖像目標檢測模型的增強訓練方法，其特征在于，包括以下步驟：

1)獲取待訓練圖像，所述待訓練圖像包括標注信息；

2)通過目標檢測模型對所述待訓練圖像進行特征提取，得到所述待訓練圖像的多尺度特征圖；

3)通過所述目標檢測模型的特征金字塔網絡對所述待訓練圖像的多尺度特征圖進行融合得到融合后的多尺度特征圖；

4)通過所述目標檢測模型的檢測頭網絡對融合后的多尺度特征圖進行檢測得到待訓練圖像的目標檢測結果；

5)引入最優對抗樣本對所述目標檢測模型進行訓練，預設錨點集合，通過預設錨點的樣本的權重對所述目標檢測模型的損失進行調制，得到訓練后的目標檢測模型。

優選的，預設錨框樣本集合為{Q_i}，目標真實位置為R，所述目標檢測模型使用所述錨框樣本集合{Q_i}得到的預測置信度集合為目標預測位置集合為其中i表示錨點序號；則訓練中選取的正錨框樣本的權重w_i為：

對所有錨框樣本進行權重計算，從大到小排序，得到集合，根據下式計算k值：

其中，T表示固定閾值，選出權重大于固定閾值T的k個正錨框樣本。

優選的，通過最大化交叉熵法來獲得最優對抗樣本，將所述最優對抗樣本記為X^a，計算最優對抗樣本X^a的均值μ^a和方差σ^a，然后歸一化所有的X^a得到將作為所述目標檢測模型的batchnorm層的輸出。

優選的，所述目標檢測模型為YOLOv6。

有益效果：

1)從兩個方面，對目標檢測訓練流程進行了優化。一個是從樣本標簽的選擇上進行優化，一個是引入對抗樣本訓練，并優化對抗樣本的使用方式。實驗表面，這兩種策略綜合使用，提高了模型在受限數據訓練情況下的精度和泛化能力。

2)不但維護了網絡對于常規樣本的響應能力，同時也強化了其對于攻擊性樣本的魯棒性

具體實施方式

下面對本發明做更進一步的解釋。

一種應用于內窺鏡圖像目標檢測模型的增強訓練方法，其特征在于，包括以下步驟：

1)獲取待訓練圖像，所述待訓練圖像包括標注信息；