申请/专利权人：腾讯医疗健康(深圳)有限公司

申请日：2019-08-12

公开（公告）日：2024-03-29

公开（公告）号：CN110490242B

主分类号：G06F30/27

分类号：G06F30/27

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.11.02#实质审查的生效;2019.11.22#公开

摘要：本公开提供一种基于人工智能的图像分类网络的训练方法、眼底图像分类方法、基于人工智能的图像分类网络的训练装置、计算机可读存储介质及电子设备；涉及人工智能技术领域。该方法包括：根据各横向网络中提取到的图像特征提取纵向网络中样本图像对应的密集特征；根据密集特征确定纵向网络中的样本图像对应的类别，并根据类别确定第一损失函数值，通过第一损失函数值训练图像分类网络；根据图像特征确定各横向网络对应的用于表示样本图像所属类别的标注结果，并根据标注结果确定第二损失函数值，通过第二损失函数值训练图像分类网络。本公开中的方法能够在一定程度上克服网络识别准确率不高的问题，提升网络识别准确率。

主权项：1.一种基于人工智能的图像分类网络的训练方法，其特征在于，包括：提取各横向网络中样本图像对应的图像特征以及提取各纵向网络中样本图像对应的密集特征；所述横向网络为采用二分类标签的密集连接的卷积网络，所述纵向网络为采用N分类标签的密集连接的卷积网络，N为所述样本图像的类别的数量；根据全局池化层对正向密集特征进行分类，以确定出纵向网络中样本图像对应的第一类别；根据全局池化层对逆向密集特征进行分类，以确定出纵向网络中样本图像对应的第二类别；根据第一类别与纵向网络中样本图像的原始类别的比对确定出正向密集特征对应的损失函数值，根据第二类别与原始类别的比对确定出逆向密集特征对应的损失函数值；计算正向密集特征对应的损失函数值和逆向密集特征对应的损失函数值的平均值，作为第一损失函数值；根据所述第一损失函数值训练所述图像分类网络；其中，所述图像分类网络包括所述纵向网络和所述横向网络；根据图像特征确定各横向网络对应的样本数据，样本数据包括正样本或负样本，所述正样本的样本图像的类别与该横向网络的类别相同，所述负样本的样本图像的类别与该横向网络的类别不相同的负样本；若为正样本，调整用于计算第二损失函数值的权重并将正样本代入调整后的第二损失函数，以确定出第二损失函数值；若为负样本，将负样本数据代入第二损失函数，以确定出第二损失函数值，根据所述第二损失函数值训练所述图像分类网络。

全文数据：

权利要求：

百度查询： 腾讯医疗健康(深圳)有限公司 图像分类网络的训练方法、眼底图像分类方法及相关设备

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