[发明专利]一种神经网络模型的训练方法、装置、电子设备及介质

说明书

本申请公开了一种神经网络模型的训练方法、装置、电子设备及存储介质；该方法包括：将预先采集到的多张图片划分为N个类型；将N个类型中的其中一个类型作为当前基准类型；并在当前基准类型的图片中提取出一张图片作为当前基准图片；基于当前基准图片和当前基准类型中的图片以及当前基准类型以外的类型中的图片，构建一个当前阳性样本对和一个当前阴性样本对；基于当前阳性样本对和当前阴性样本对，对待训练的神经网络模型进行训练。本申请实施例能够自适应对比损失，在具有不同相似性的样本之间保持不同程度的分离，在青光眼筛查的识别场景中可以提高模型的识别能力，从而可以达到更好的训练效果。

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种神经网络模型的训练方法、装置、电子设备及介质。

背景技术

当前，司机的青光眼问题不容忽视。青光眼是一种很严重的眼部疾病，轻则视力下降，重则失明。司机在青光眼初期对疾病感知不强，容易引发危险驾驶。而且由于青光眼导致的视力下降或者失明是不可逆的，无论采取药物治疗还是手术治疗，都没有办法让视力恢复。除此之外，青光眼还有许多危害，极易可能引发一系列的并发症。

在现阶段，眼底图像疾病识别多使用深度学习来实现。在深度学习中的度量学习领域，构造合适的损失函数对于提高学习效果非常重要。在现有的神经网络中，对比损失和三重态损耗旨在缩短相似样本之间的距离，并增加中间样本之间的距离。在此基础上，存在排名驱动的结构性损失，如提升结构损失和proxy-NCA损失。对比损失预计所有相似样本在一个点上重叠，所有不同样本将接近一个固定边界。此外，在一些基于神经网络的作品中，学者对预先训练的部分网络进行微调以满足实际要求，例如可以在提取的视盘区域进行极坐标变换，作为青光眼预测中的一个平行信息流。还可以在一个大规模青光眼数据集中使用端到端的二元分类预测。但是现有的神经网络无法自适应对比损失，无法在具有不同相似性的样本之间保持不同程度的分离。

发明内容

本申请提供一种神经网络模型的训练方法、装置、电子设备及存储介质，能够自适应对比损失，在具有不同相似性的样本之间保持不同程度的分离，在青光眼筛查的识别场景中可以提高模型的识别能力，从而可以达到更好的训练效果。

第一方面，本申请实施例提供了一种神经网络模型的训练方法，所述方法包括：

若待训练的神经网络模型不满足预先确定的收敛条件，则将预先采集到的多张图片划分为N个类型；其中，N为大于1的自然数；

将所述N个类型中的其中一个类型作为当前基准类型；并在所述当前基准类型的图片中提取出一张图片作为当前基准图片；

基于所述当前基准图片和所述当前基准类型中的图片以及所述当前基准类型以外的类型中的图片，构建一个当前阳性样本对和一个当前阴性样本对；

基于所述当前阳性样本对和所述当前阴性样本对，对待训练的神经网络模型进行训练，重复执行上述操作，直到所述待训练的神经网络模型满足所述收敛条件。

第二方面，本申请实施例还提供了一种神经网络模型的训练装置，所述装置包括：划分模块、提取模块、构建模块和训练模块；其中，

所述划分模块，用于若待训练的神经网络模型不满足预先确定的收敛条件，则将预先采集到的多张图片划分为N个类型；其中，N为大于1的自然数；

所述提取模块，用于将所述N个类型中的其中一个类型作为当前基准类型；并在所述当前基准类型的图片中提取出一张图片作为当前基准图片；

所述构建模块，用于基于所述当前基准图片和所述当前基准类型中的图片以及所述当前基准类型以外的类型中的图片，构建一个当前阳性样本对和一个当前阴性样本对；

所述训练模块，用于基于所述当前阳性样本对和所述当前阴性样本对，对待训练的神经网络模型进行训练，重复执行上述操作，直到所述待训练的神经网络模型满足所述收敛条件。