申请/专利权人：华南农业大学;人工智能与数字经济广东省实验室(广州)

申请日：2023-12-25

公开（公告）日：2024-03-22

公开（公告）号：CN117746150A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V10/74

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明提供了一种基于小样本增量学习的分类模型构建方法及图像分类方法，通过采用训练初始分类模型的初始训练样本以及新增疾病类型对应的新增特征集合，对增量分类模型进行训练并优化预设的偏置矩阵，在增量分类模型的增量损失函数收敛时，根据偏置矩阵将每一新增疾病类别与一基向量一一绑定，来得到增量分类模型。因此，本发明通过采用等角基向量矩阵代替现有技术的有线性分类器构建医疗图像分类模型，以此来克服在小样本增量学习过程中模型识别准确度下降的问题，以及医疗图像数据获取困难，只有少量数据样本难以训练的问题，不仅避免了分类器参数增加所带来的额外计算量，而且固定基向量还能有效避免灾难性遗忘问题，更好的提高分类精确度。

主权项：1.一种基于小样本增量学习的分类模型构建方法，其特征在于，包括：获取初始分类模型中第一特征提取网络的网络参数；其中，所述初始分类模型为用于根据医疗图像识别疾病类别的神经网络模型，且神经网络模型内的分类器采用等角基向量矩阵进行构建；所述等角基向量矩阵由若干基向量构成，且所述初始分类模型识别的每一个初始疾病类别分别与所述等角基向量矩阵中的一个基向量一一绑定；构建待训练的增量分类模型，并根据所述网络参数，初始化所述增量分类模型的第二特征提取网络；其中，所述增量分类模型为，与所述初始分类模型结构一致的神经网络模型，且在初始分类模型的基础上，增加识别若干新增疾病类别；获取每一新增疾病类别的若干训练数据，构建增量训练样本；采用第二特征提取网络提取所述增量训练样本中的每一新增疾病类别的训练数据的特征向量，生成每一新增疾病类别的新增特征集合；采用训练所述初始分类模型的初始训练样本以及所述新增特征集合，对所述增量分类模型进行训练并优化预设的偏置矩阵，以使每一新增疾病类别分别与所述等角基向量矩阵中一未绑定的基向量之间的距离缩小；在所述增量分类模型的增量损失函数收敛时，生成最佳偏置矩阵，并根据所述最佳偏置矩阵将每一新增疾病类别分别与一基向量一一绑定，得到训练完成的增量分类模型。

全文数据：

权利要求：

百度查询： 华南农业大学;人工智能与数字经济广东省实验室(广州) 基于小样本增量学习的分类模型构建方法及图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD