[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

说明书

本发明涉及图像识别检测技术领域，公开了一种基于皮肤病的分类模型的训练方法、装置、设备及介质，包括：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。本发明能够使经过训练后的分类模型的分类精度得到提升。

技术领域

本发明涉及图像识别检测技术领域，特别是涉及一种基于皮肤病的分类模型的训练方法、装置、设备及介质。

背景技术

现有的图像分类模型，大多只能对自然图像数据进行分类。对于皮肤病图像数据而言，由于不同的皮肤病之间具有很多相似的视觉特征，同一皮肤病之间可可能存在较大的表现差异，同时由于皮肤病数据集来自合作方在线上问诊过程中收集到的疾病数据，数据分布不均匀。从而导致利用皮肤病图像数据对现有的图像分类模型进行训练时，会影响图像分类模型中的网络的收敛进程，导致图像分类模型过拟合，从而影响训练结果。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于皮肤病的分类模型的训练方法、装置、设备及介质，本发明能够使经过训练后的分类模型的分类精度得到提升。

为实现上述目的及其他相关目的，第一方面，本发明提供一种基于皮肤病的分类模型的训练方法，包括：

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。

第二方面，提供了一种基于皮肤病的分类模型的训练装置，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。

第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于皮肤病的分类模型的训练方法的步骤。

第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于皮肤病的分类模型的训练方法的步骤。

上述基于基于皮肤病的分类模型的训练方法、装置、设备及介质所实现的方案中，可以使网络的学习过程始终比较平滑，且始终向着有效的优化方向收敛，不会过拟合，网络始终都是基于其当前参数下的互混状况进行优化，从而可以用可训练的边来自适应地学习图像集数据的相似性分布，使得经过训练后的分类模型的分类精度得到提升。

附图说明