[发明专利]模型训练方法及装置、图像识别方法及装置

说明书

本申请提供了一种模型训练方法及装置、图像识别方法及装置，涉及神经网络技术领域。该模型训练方法包括：基于M幅图像各自对应的第一类别分配权重数据训练第一识别模型，得到第二识别模型；基于M幅图像各自对应的第一类别分配权重数据和第二识别模型，确定M幅图像各自对应的第二类别分配权重数据；基于M幅图像各自对应的第二类别分配权重数据训练第二识别模型，得到图像识别模型。本申请能够为错误预测的图像样本重新定义其学习难易权重，进而使模型更多关注到错误预测的图像样本，极大提高训练得到的图像识别模型的识别精准度。

技术领域

本申请涉及神经网络技术领域，具体涉及一种模型训练方法及装置、图像识别方法及装置。

背景技术

近年来，随着图像采集技术的迅速发展，三维图像序列日益受到广泛关注，尤其是能够辅助医生诊断的三维医学图像序列，比如电子计算机断层扫描（ComputedTomography，CT）图像序列。

通常情况下，三维医学图像序列包括多个部位，为了方便后续处理，需要确定三维医学图像序列中的图像各自所属的部位（即确定三维医学图像序列中的图像各自对应的类别），以便基于部位提取出该部位对应的图像。然而，在现有技术中存在一些用于确定三维医学图像序列中图像各自所属部位的方法，该些方法识别部位时的精准度比较低。

发明内容

为了解决上述技术问题，提出了本申请。本申请实施例提供了一种模型训练方法及装置、图像识别方法及装置。

第一方面，本申请一实施例提供了一种模型训练方法，该模型训练方法包括：基于M幅图像各自对应的第一类别分配权重数据训练第一识别模型，得到第二识别模型，其中，M幅图像属于待识别图像序列样本，M幅图像对应N个类别，M和N均为大于1的正整数；基于M幅图像各自对应的第一类别分配权重数据和第二识别模型，确定M幅图像各自对应的第二类别分配权重数据；基于M幅图像各自对应的第二类别分配权重数据训练第二识别模型，得到图像识别模型，其中，图像识别模型用于确定待识别图像序列中的图像各自对应的类别识别结果。

结合第一方面，在第一方面的某些实现方式中，基于M幅图像各自对应的第一类别分配权重数据和第二识别模型，确定M幅图像各自对应的第二类别分配权重数据，包括：利用第二识别模型，确定M幅图像各自对应的第一类别识别结果；基于M幅图像各自对应的类别标签数据和M幅图像各自对应的第一类别识别结果，更新M幅图像各自对应的第一类别分配权重数据，得到M幅图像各自对应的第二类别分配权重数据。

结合第一方面，在第一方面的某些实现方式中，基于M幅图像各自对应的类别标签数据和M幅图像各自对应的第一类别识别结果，更新M幅图像各自对应的第一类别分配权重数据，得到M幅图像各自对应的第二类别分配权重数据，包括：基于M幅图像各自对应的类别标签数据和M幅图像各自对应的第一类别识别结果，确定M幅图像中的P幅待增权图像，其中，待增权图像包括类别识别错误的图像，P为正整数；增量更新P幅待增权图像各自对应的第一类别分配权重数据，得到P幅待增权图像各自对应的第二类别分配权重数据；基于P幅待增权图像各自对应的第二类别分配权重数据，得到M幅图像各自对应的第二类别分配权重数据。

结合第一方面，在第一方面的某些实现方式中，增量更新P幅待增权图像各自对应的第一类别分配权重数据，得到P幅待增权图像各自对应的第二类别分配权重数据，包括：基于P幅待增权图像各自对应的类别标签数据，确定P幅待增权图像和N个类别之间的从属关系；基于从属关系，将P幅待增权图像划分为Q个连续图像子序列，Q为正整数；针对Q个连续图像子序列中的每个连续图像子序列，增量更新连续图像子序列中的待增权图像各自对应的第一类别分配权重数据，得到连续图像子序列中的待增权图像各自对应的第二类别分配权重数据。