图像分类模型的训练方法、图像分类方法、装置及设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114299322A(43)申请公布日2022.04.08(21)申请号202111235867.1(22)申请日2021.10.22(71)申请人腾讯科技（深圳）有限公司地址518057广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人张闻华张军韩骁(74)专利代理机构北京三高永信知识产权代理有限责任公司11138代理人孙晓丽(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06N20/00(2019.01)权利要求书3页说明书19页附图8页(54)发明名称图像分类模型的训练方法、图像分类方法、装置及设备(57)摘要本申请提供了一种图像分类模型的训练方法、图像分类方法、装置及设备，属于人工智能技术领域。方法包括：获取第一样本数据集；获取第二样本数据集；基于第一样本数据集，采用自监督的方式对图像分类模型进行预训练，得到第一图像分类模型；基于第二样本数据集，对第一图像分类模型进行训练，得到目标图像分类模型。上述技术方案，通过在预训练时引入图像类型标签和染色固定标签，使得第一图像分类模型能够学习到样本染色图像本身的特征，该第一图像分类模型能够对细胞进行较为精确的分类，再基于样本细胞图像和细胞标签对该第一图像分类模型进行训练，能够进一步的提高模型的分类精度，使得训练得到的目标图像分类模型具有较高的分类精度。CN114299322ACN114299322A权利要求书1/3页1.一种图像分类模型的训练方法，其特征在于，所述方法包括：获取第一样本数据集，所述第一样本数据集包括多个样本染色图像、所述样本染色图像的图像类型标签以及染色固定标签，所述样本染色图像包括经过染色的多个细胞，所述染色固定标签用于指示对应样本染色图像的染色固定方式；获取第二样本数据集，所述第二样本数据集包括多个样本细胞图像以及所述样本细胞图像的细胞类型标签；基于所述第一样本数据集，采用自监督的方式对图像分类模型进行预训练，得到第一图像分类模型；基于所述第二样本数据集，对所述第一图像分类模型进行训练，得到目标图像分类模型，所述目标图像分类模型用于确定输入的细胞图像对应的细胞类型。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一样本数据集，采用自监督的方式对图像分类模型进行预训练，得到第一图像分类模型，包括：对于第i轮迭代输入的样本染色图像，基于所述第i轮迭代的图像分类模型，对所述样本染色图像进行图像采样和图像增强，得到第一增强图像、第二增强图像和第三增强图像，i为大于1的正整数；基于所述第一增强图像、所述第二增强图像和所述第三增强图像，对所述第i轮迭代的图像分类模型进行训练；响应于满足训练结束条件，得到所述第一图像分类模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一增强图像、所述第二增强图像和所述第三增强图像，对所述第i轮迭代的图像分类模型进行训练，包括：基于第i‑1轮迭代的图像分类模型和所述第i轮迭代的图像分类模型，对所述第一增强图像和所述第二增强图像进行特征对比，得到所述第i轮迭代的第一损失，所述第一损失用于指示所述图像分类模型更新前后的差异；基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类的结果、所述样本染色图像的图像类型标签以及所述样本染色图像的染色固定标签，确定所述第i轮迭代的第二损失，所述第二损失用于指示所述图像分类模型的分类损失；基于所述第i轮迭代的图像分类模型，对锚图像、正样本图像以及负样本图像进行特征对比，得到所述第i轮迭代的第三损失，所述锚图像为所述第二增强图像，所述正样本图像为所述第三增强图像，所述负样本图像基于所述锚图像对所述样本染色图像随机采样得到，所述第三损失为三元组损失，所述第三损失用于指示所述样本染色图像的增强图像之间的差异；基于所述第一损失、所述第二损失和所述第三损失，调整所述第i轮迭代的图像分类模型的模型参数。4.根据权利要求3所述的方法，其特征在于，所述基于第i‑1轮迭代的图像分类模型和所述第i轮迭代的图像分类模型，对所述第一增强图像和所述第二增强图像进行特征对比，得到所述第i轮迭代的第一损失，包括：基于所述第i‑1轮迭代的图像分类模型，对所述第一增强图像进行特征提取，得到第一增强特征；基于所述第i轮迭代的图像分类模型，对所述第二增强图像进行特征提取，得到第二增2CN114299322A权利要求书2/3页强特征；基于所述第一增强特征和所述第二增强特征之间的差异，确定所述第i轮迭代的第一损失。5.根据权利要求3所述的方法，其特征在于，所述基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类的结果、所述样本染色图像的图像类型标签以及所述样本染色图像的染色固定标