[发明专利]图像检测学习网络的训练和获取方法、图像检测装置和介质

权利要求书

1.一种图像检测学习网络的训练方法，其特征在于，所述训练方法包括：

构建第一学习网络和第二学习网络，使得所述第二学习网络的参数的数量少于所述第一学习网络；

由处理器，利用医学图像的训练数据集对第一学习网络进行训练，以得到训练好的第一学习网络；

由所述处理器，利用所述医学图像的训练数据集基于训练好的第一学习网络的学习结果对所述第二学习网络进行训练，包括：基于训练好的第一学习网络的分类损失、所述第二学习网络与所述训练好的第一学习网络生成的各种分类的概率的差异连同所述第二学习网络与所述训练好的第一学习网络的中间层对应的特征的差异作为损失函数，对所述第二学习网络进行训练，

所述第二学习网络被配置用于医学图像检测。

2.根据权利要求1所述的训练方法，其特征在于，训练好的第一学习网络的学习结果包括其权重参数以及其习得的各种分类的概率。

3.根据权利要求1所述的训练方法，其特征在于，所述损失函数利用如下公式(1)计算：

其中，L表示所述损失函数，S表示训练数据集，x表示训练样本，L_CLS表示第一损失项，该第一损失项基于训练好的第一学习网络的分类损失以及所述第二学习网络与所述训练好的第一学习网络生成的各种分类的概率的差异两者，L_guide表示第二损失项，该第二损失项表示所述第二学习网络与所述训练好的第一学习网络的中间层对应的特征的差异，L_reg表示正则化惩罚项，λ和γ为所述第二学习网络训练前预定的参数。

4.根据权利要求3所述的训练方法，其特征在于，第一损失项L_CLS利用如下公式(2)和(3)计算：

L_CLS＝L_hard+βL_soft， 公式(2)

其中，L_hard表示训练好的第一学习网络基于地面真值标签计算的分类损失，L_soft表示所述第二学习网络与所述训练好的第一学习网络生成的各种分类的概率的差异，和p_i分别表示第二学习网络和训练好的第一学习网络分别生成的相应分类的概率,β为所述第二学习网络训练前预定的参数。

5.根据权利要求4所述的训练方法，其特征在于，和p_i分别由第二学习网络和训练好的第一学习网络的逻辑层的输出经由softmax函数处理得到。

6.根据权利要求3所述的训练方法，其特征在于，第二损失项L_guide利用如下公式(4)计算：

L_guide＝||F₁-F₂||²， 公式(4)

其中，F₁表示训练好的第一学习网络的中间层习得的特征，F₂表示所述第二学习网络的中间层习得的特征，并且在F₁和F₂的维度不同的情况下，利用适配层将F₁映射为具有与F₂相同的维度以利用公式(4)计算第二损失项L_guide。

7.根据权利要求1所述的训练方法，其特征在于，所述第二学习网络的参数包括层数、权重参数、卷积运算的参数中的至少一种。

8.根据权利要求1所述的训练方法，其特征在于，训练样本是标注图像块。

9.一种图像检测学习网络的获取方法，其特征在于，所述获取方法包括：获取利用根据权利要求1-8中任何一项所述的训练方法得到的训练好的第二学习网络；在所述训练好的第二学习网络包括多层感知层的情况下，将所述多层感知层转换为卷积层。