[发明专利]一种识别分类影响因素的方法、装置及相关设备

权利要求书

1.一种识别分类影响因素的方法，其特征在于，所述方法包括：

将原始图像输入图像分类模型，获得所述原始图像对应于每个分类结果的置信度值；

根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值；和/或，根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值；其中，i分别取值1至n的整数，n为所述原始图像的像素点个数；

根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值；

根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，确定所述原始图像中对应于每个分类结果的影响区域。

2.根据权利要求1所述的方法，其特征在于，所述根据所述原始图像对应于每个分类结果的置信度值以及针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值，包括：

将针对原始图像第i个像素点的遮挡图像输入所述图像分类模型，获得所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值；

根据所述原始图像对应于每个分类结果的置信度值以及所述针对原始图像第i个像素点的遮挡图像对应于每个分类结果的置信度值，确定所述原始图像第i个像素点对应于每个分类结果的相对置信度值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，确定所述原始图像第i个像素点的反向梯度传播值，包括：

根据所述原始图像对应于每个分类结果的置信度值以及所述原始图像的实际分类结果，计算所述图像分类模型的反向传播梯度向量；

将所述反向传播梯度向量中的第i个梯度值确定为所述原始图像第i个像素点的反向梯度传播值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述原始图像第i个像素点对应于每个分类结果的相对置信度值和/或所述原始图像第i个像素点的反向梯度传播值，确定所述原始图像第i个像素点对应于每个分类结果的影响因素值，包括：

如果仅获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；

如果仅获得所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点的反向梯度传播值确定为所述原始图像第i个像素点对应于每个分类结果的影响因素值；

如果获得所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值，将所述原始图像第i个像素点对应于每个分类结果的相对置信度值以及所述原始图像第i个像素点的反向梯度传播值加权求和，得到所述原始图像第i个像素点对应于每个分类结果的影响因素值。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述原始图像第i个像素点对应于每个分类结果的影响因素值，建立所述原始图像中对应于每个分类结果的影响因素热点图。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据训练图像以及所述训练图像的分类标签训练生成图像分类模型。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述原始图像为三维核磁共振图像，所述图像分类模型为三维-卷积神经网络模型。