[发明专利]确定训练样本的方法及装置、训练深度学习模型的方法

权利要求书

1.一种确定训练样本的方法，其特征在于，包括：

获取第一待标注样本集中的N个待标注样本的特征向量，其中，N为正整数；

根据所述N个待标注样本的特征向量之间的差异性，从所述N个待标注样本中确定M个待标注样本，以对所述M个待标注样本进行标注，获得标注样本集，其中M为正整数，并且M小于N。

2.根据权利要求1所述的方法，其特征在于，所述标注样本集包括第一标注样本集，所述根据所述N个待标注样本的特征向量之间的差异性，从所述N个待标注样本中确定M个待标注样本，以对所述M个待标注样本进行标注，获得标注样本集，包括：

将所述第一待标注样本集中的第一样本分别与其余每个待标注样本进行特征相似度计算，获得第一相似度结果，其中，所述第一样本为所述第一待标注样本集中的任意一个待标注样本；

根据所述第一相似度结果，从所述第一待标注样本集中确定与所述第一样本存在最大差异的至少一个第一训练样本，以对所述至少一个第一训练样本进行标注，获得第一标注样本集。

3.根据权利要求2所述的方法，其特征在于，所述标注样本集包括所述第一标注样本集和第二标注样本集，所述根据所述N个待标注样本的特征向量之间的差异性，从所述N个待标注样本中确定M个待标注样本，以对所述M个待标注样本进行标注，获得标注样本集，还包括：

根据所述至少一个第一训练样本，得到第二待标注样本集，其中所述第二待标注样本集包括所述第一待标注样本集中除所述至少一个第一训练样本之外的待标注样本；

根据所述特征向量，分别将所述第二待标注样本集中的每个待标注样本与所述第一标注样本集中的每个标注样本进行特征相似度计算，获得第二相似度结果；

根据所述第二相似度结果，从所述第二待标注样本集中确定与所述第一标注样本集存在最大差异的至少一个第二训练样本，以对所述至少一个第二训练样本进行标注，获得所述第二标注样本集。

4.根据权利要求3所述的方法，其特征在于，所述特征相似度计算包括特征距离计算，所述分别将所述第二待标注样本集中的每个待标注样本与所述第一标注样本集中的每个标注样本进行特征相似度计算，获得第二相似度结果，包括：

分别计算所述第二待标注样本集中的每个待标注样本与所述第一标注样本集中的每个标注样本的特征距离之和，获得所述第二相似度结果。

5.根据权利要求1所述的方法，其特征在于，还包括：

根据所述M个训练样本中的每个训练样本的标识符，对所述M个训练样本进行去重处理，

其中，上述对所述M个待标注样本进行标注，获得标注样本集，包括：

对去重后的训练样本进行标注，获得所述标注样本集。

6.根据权利要求5所述的方法，其特征在于，所述标注样本集用于对医学图像分割模型进行训练，所述训练样本为医学图像，所述医学图像的标识符是通过哈希算法对所述医学图像对应的医疗数据记录计算得到。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取第一待标注样本集中的N个待标注样本的特征向量，包括：

获取所述N个待标注样本中的每个待标注样本中的待标注目标区域；

对所述待标注目标区域进行特征提取，获得所述特征向量。

8.一种训练深度学习模型的方法，其特征在于，包括：

根据权利要求1至7中的任一项所述的确定训练样本的方法确定待标注样本，以对所述待标注样本进行标注，获得标注样本集；

利用所述标注样本集训练深度学习模型。

9.一种确定训练样本的装置，其特征在于，包括：

获取模块，用于获取第一待标注样本集中的N个待标注样本的特征向量，其中，N为正整数；

确定模块，用于根据所述N个待标注样本的特征向量之间的差异性，从所述N个待标注样本中确定M个待标注样本，以对所述M个待标注样本进行标注，获得标注样本集，其中M为正整数，并且M小于N。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至8任一所述的方法。