[发明专利]图像识别模型的训练方法、装置、服务器和存储介质

说明书

本发明提供了图像识别模型的训练方法、装置、服务器和存储介质，该方法包括：采用具有第一理论标注的多个第一图像样本对第一图像识别模型训练得到第二图像识别模型；采用具有第二理论标注的多个第二图像样本对第二图像识别模型测评得到每一第二图像样本的第二预测标注；若结合多个第二理论标注判断出第二图像识别模型不符合预设条件，则采用第二图像识别模型对多个第三图像样本进行预测得到多个第三预测标注；将多个第一图像样本、根据多个第三预测标注及依此获取的多个第三纠错标注确定的第一增量样本集对第二图像识别模型训练得到符合预设条件的图像识别模型，以提高用于训练第二图像识别模型的样本的质量，从而缩短理想的模型的研发周期。

技术领域

本发明涉及通信技术领域，具体涉及图像识别模型的训练方法、装置、服务器和存储介质。

背景技术

近年来，伴随着AI（Artificial intelligence，人工智能）技术的进步，尤其在医学领域已取得长足发展，DL（Deep learning，深度学习）技术在医疗影像识别领域的应用最为广泛和成熟。

其中，DL技术需要高质量的数据作为输入以进行训练得到理想的模型。虽然目前的医疗影像数据资源体量大多样性好，但是高质量的数据来自于专家对医疗影像数据的标记以及选取，稀缺的专家资源导致高质量的数据的数量较少，造成理想的模型的研发周期较长、经济效益较差。

发明内容

本发明实施例提供图像识别模型的训练方法、装置、服务器和存储介质，以解决目前的理想的模型的研发周期较长、经济效益较差的技术问题。

本发明实施例提供的图像识别模型的训练方法，包括：

采用图像样本池中的第一图像样本集对第一图像识别模型进行训练，得到第二图像识别模型，所述第一图像样本集中的每一第一图像样本具有第一理论标注；

采用图像样本池中的第二图像样本集对所述第二图像识别模型进行测评，得到所述第二图像样本集中的每一第二图像样本的第二预测标注，每一所述第二图像样本具有第二理论标注；

根据一一对应的多个所述第二理论标注和多个所述第二预测标注，判断所述第二图像识别模型是否为符合预设条件的图像识别模型；

若所述第二图像识别模型为不符合预设条件的图像识别模型，则采用所述第二图像识别模型对所述图像样本池中的第三图像样本集进行预测，得到所述第三图像样本集中的每一第三图像样本的第三预测标注；

基于多个所述第三预测标注，获取每一所述第三图像样本的第三纠错标注，并选取多个所述第三纠错标注相同于异常标注的多个所述第三图像样本作为第一增量样本集，并采用所述第一增量样本集和所述第一图像样本集对所述第二图像识别模型进行训练，以得到符合预设条件的图像识别模型。

在一实施例中，采用图像样本池中的第一图像样本集对第一图像识别模型进行训练，得到第二图像识别模型的步骤，包括：

对每一所述第一图像样本进行归一化处理形成对应的第一标准图像样本；

采用一一对应的多个所述第一标准图像样本和多个所述第一理论标注对所述第一图像识别模型进行训练，得到所述第二图像识别模型。

在一实施例中，所述根据多个所述第二理论标注和对应的多个所述第二预测标注，判断所述第二图像识别模型是否为符合预设条件的图像识别模型的步骤，包括：

获取所述第二预测标注和对应的所述第二理论标注相同的第二图像样本在所述第二图像样本集中的数量占比作为目标比值；

根据所述目标比值和参考比值的大小关系，判断所述第二图像识别模型是否为符合预设条件的图像识别模型。

在一实施例中，所述选取多个所述第三纠错标注为异常标注的多个所述第三图像样本作为第一增量样本集的步骤，包括：