[发明专利]一种对显微镜细胞图像检测模型进行增类学习的方法

说明书

本发明涉及一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，首先对初始图像进行预处理，使用旧类别样本训练faster‑rcnn模型获得显微镜细胞图像检测模型作为初始模型。使用训练好的显微镜图像细胞检测模型预测新的细胞，对新类别细胞样本进行手工标注。其次使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标置信度为0.2以上的粗标签。修改显微镜细胞图像检测模型最后一层大小，作为显微镜细胞图像增量检测模型。分别计算增量模型和初始模型的中间层特征图距离，计算显微镜细胞图像检测的分类和回归损失，计算置信度损失。最后通过最小化上述损失总和来训练更新模型。获得能够预测新类别细胞的显微镜细胞图像增量检测模型。

技术领域

本发明涉及图像处理技术领域，特别是一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法。

背景技术

目标检测任务面临样本类别及样本自身的动态变化性带来的挑战。例如，无人驾驶中在新场景下对新物体的检测，显微镜图像细胞检测模型学习类别细胞等等，这就需要基于CNN的目标检测模型具有一定程度的增量学习能力。

传统的学习新类别有两种方式，第一，使用所有数据重新训练模型，但是由于目标检测任务的复杂性，这种方法会浪费大量的训练时间。第二，训练新的模型来预测新类，但是随着类别的增加，模型的数量也不断增加，每次预测都需要使用多个模型进行预测，预测所需要的时间呈线性增长。因此，目标检测的增量学习研究已成为新的研究热点。

显微镜细胞图像检测目标分类是显微镜图像细胞检测目标检测的基础性问题。为了应对新类别目标检测，首先需要解决新类别细胞的增量学习分类问题。目前常用的方法是使用新类别样本微调初始模型，初始模型定义为使用旧类别样本训练过后的模型，而微调后的模型称为增量模型。修改最后一层输出层大小以适应于增类任务，该层的权值是随机初始化。但是，仅使用微调会引起灾难性遗忘问题，增量模型能够准确的识别新类别目标，但是基本不能识别旧类别目标。这是因为微调过程中改变了模型权重和特征图去适应新的数据。

发明内容

有鉴于此，本发明的目的是提出一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，不仅能够预测旧类别细胞，并且也能够准确识别新类别细胞。

本发明采用以下方案实现：一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法，利用增量学习方法使得显微镜细胞图像增量检测模型能够学习并检测出新的细胞类别，并且能够检测出旧类别细胞。

进一步地，具体包括以下步骤：

步骤S1：构建基于faster-rcnn的显微镜细胞图像检测模型作为初始模型；

步骤S2：利用新增类别样本对初始模型进行微调；

步骤S3：通过最小化总损失来训练初始模型，获得能够预测新类别细胞的显微镜细胞图像增量检测模型。

进一步地，步骤S1具体包括以下步骤：

步骤S11：对初始图像进行预处理，调整图像大小；

步骤S12：使用旧类别样本训练faster-rcnn模型获得显微镜细胞图像检测模型作为初始模型。

进一步地，步骤S2具体包括以下步骤：

步骤S21：采用初始模型预测新的细胞，对新类别细胞样本进行手工标注；

步骤S22：使用初始模型对新类别样本预测生成软目标和中间层特征，生成的软目标为置信度为0.2以上的粗标签＜P_O,B_O,S_O＞，其中P_O代表类别标签，P_O表示检测窗口，S_O表示置信度；粗标签包含了大量初始模型从旧类别样本中学习到的旧类别信息；