[发明专利]基于皮肤病的分类模型的训练方法、装置、设备及介质

权利要求书

1.一种基于皮肤病的分类模型的训练方法，其特征在于，包括步骤：

对原始卷积神经网络进行初步训练，并将图卷积神经网络加入到所述原始卷积神经网络内，以得到初步卷积神经网络；

将含有皮肤病的图像集数据作为参数，输入到所述初步卷积神经网络中，以提取特征向量集数据；

对所述特征向量集数据进行处理，得到网络预测值；

根据所述网络预测值与皮肤病的原始标签，得到交叉熵损失集数据；

根据所述交叉熵损失集数据对分类模型中的训练参数进行训练，得到基于皮肤病的分类模型。

2.根据权利要求1所述的基于皮肤病的分类模型的训练方法，其特征在于，对原始卷积神经网络进行初步训练，并将图卷积神经网络加入到原始卷积神经网络内，以得到初步卷积神经网络的子步骤包括：

将图像集数据作为参数，输入到所述原始卷积神经网络中，对所述原始卷积神经网络的训练参数进行初步训练；

将所述图卷积神经网络加入到经过训练后的所述原始卷积神经网络内，以替换所述原始卷积神经网络的头部分类器，得到所述初步卷积神经网络。

3.根据权利要求2所述的基于皮肤病的分类模型的训练方法，其特征在于，在将图像集数据作为参数，输入到所述原始卷积神经网络中，以对所述原始卷积神经网络的训练参数进行初步训练的步骤之前，还包括步骤：

获取含有皮肤病的图像集数据。

4.根据权利要求1所述的基于皮肤病的分类模型的训练方法，其特征在于，对所述特征向量集数据进行处理，以得到网络预测值的子步骤包括：

对所述特征向量集数据进行处理，以得到高维特征向量集数据；

对所述高维特征向量集数据进行处理，以得到第二特征向量集数据；

将所述第二特征向量集数据作为参数，输入到所述图卷积神经网络中，以得到输出向量集数据；

对所述输出向量集数据进行维度变化处理，以得到网络预测值。

5.根据权利要求4所述的基于皮肤病的分类模型的训练方法，其特征在于，对所述高维特征向量集数据进行处理，以得到第二特征向量集数据的子步骤包括：

将所述高维特征向量集数据输入到全连接层网络中，以得到针对不同皮肤病类别的第一特征向量集数据；

对所述第一特征向量集数据进行维度变化处理，以得到所述第二特征向量集数据。

6.根据权利要求5所述的基于皮肤病的分类模型的训练方法，其特征在于，所述高维特征向量集数据表示为X【b，D，c】，其中，b为并行的样本数，c为特征维度，D为高维特征向量集数据的维度；

所述第一特征向量集数据表示为X【b，D，N】；

所述第二特征向量集数据表示为X【b，N，D】，其中，N为图结构中皮肤病类别的数量，图结构表示为A【N，N】，A表示不同皮肤病类别之间的关系；

所述输出向量集数据Y，表示为Y＝ReLU(AXW+B)，其中，输出向量集数据Y的维度为【b，N，D1】，D1为第二特征向量集数据的维度，W为图卷积层的权重，B为图卷积层的偏移量；

所述网络预测值的维度为[b，N]，b为并行的样本数。

7.根据权利要求1所述的基于皮肤病的分类模型的训练方法，其特征在于，所述分类模型中的训练参数包括所述初步卷积神经网络的训练参数、所述图卷积神经网络的训练参数以及全连接层网络的训练参数。

8.一种基于皮肤病的分类模型的训练装置，其特征在于，包括：

第一训练模块，用于对原始卷积神经网络进行初步训练，并将图卷积神经网络加入到原始卷积神经网络内，以得到初步卷积神经网络；

特征向量提取模块，用于将含有皮肤病的图像集数据作为参数，输入到初步卷积神经网络中，以提取特征向量集数据；

处理模块，用于对特征向量集数据进行处理，以得到网络预测值；

损失模块，用于根据网络预测值与皮肤病的原始标签，得到交叉熵损失集数据；以及

第二训练模块，用于根据所述交叉熵损失集数据对分类模型中的训练参数进行训练，得到基于皮肤病的分类模型。