[发明专利]一种面向小样本数据自主学习的皮肤分型方法

权利要求书

1.一种面向小样本数据自主学习的皮肤分型预测方法，其特征在于：通过少量已标注样本由卷积神经网络训练得到初始模型，通过初始模型接受后续新样本，并根据模型预测的结果判断新样本是否具备标注价值，从而只选择模型判定不准确的样本进行标注并再训练。

2.如权利要求1所述的面向小样本数据自主学习的皮肤分型预测方法，其特征在于：具体包括以下步骤：

S1：传入少量已标注样本，预设各分型标签的可靠度，运用已标注数据建立具有多输出层的初始分类模型；

S2：传入新的未标注样本，运用模型预测，根据预测结果更新可靠度模块同时对该样本打标签进行分类；

S3：若传入的样本存在不确定标签，则进入人工标注队列，判断模型是否达到再训练阈值，若符合再训练阈值，基于已标注样本以及可靠度模块按照某种规则扩展样本并进入S4，否则判断可靠度模块是否符合最终模型标准，不符合则进入S2，符合则进入S5；

S4：结合历史训练样本和新标注扩展后的样本对模型再训练，训练好模型后进入S2；

S5：模型关闭优化通道，不再进行更新，可以复制模型批量生产、运用。

3.如权利要求2所述的面向小样本数据自主学习的皮肤分型预测方法，其特征在于，所述S1具体包括：

S101：选择少量皮肤样本图像，人工对样本进行皮肤分型的标注；

S102：初始化可靠度评估模块，其中几种概率互斥的皮肤类型即干性、油性、中性、混合性为A组，其余概率独立的皮肤类型即敏感性、衰老性、色斑类分别为B、C、D三组，每组有独立的可靠度且初始值为0；

S103：将标注后的图像统一格式，大小归一化，并使用几何增强方法扩大样本数量为原先的3倍，并划分训练集和测试集；

S104：基于VGG16深度神经网络结构，运用S103划分的数据集进行建模，并设置多输出层，其中输出层O₁为对A组几种互斥肤质进行分类的结果，输出层O₂为对B、C、D组几种概率独立的肤质进行分类的结果。

4.如权利要求2所述的面向小样本数据自主学习的皮肤分型预测方法，其特征在于：所述S2具体包括：

S201：分批传入新的样本至模型，该样本可来自于预先保留或临床应用中的图像资源，计算样本各个属性的概率；

S202：按照所计算的属性，更新其所属的可靠度评估组：若O₁的几种属性均低于0.5，则被认为可靠度不足，A组不可靠样本数增加1；若O₂的几种属性结果处于0.35～0.65之间，则认为该属性的可靠度不足，与其对应组的不可靠样本数增加1，否则可靠样本数增加1；最后，根据不可靠样本数量计算其所在组别的可靠度；

若O₁的几种属性均低于0.5，意味着预测几种互斥的属性没有得到较高置信的答案，因此认为该结果不可靠，而O₂几种概率独立属性的预测值为0.5±0.15区间，说明该结果模棱两可，也被认为不可靠；随后A、B、C、D组会分别更新该组的可靠度，其计算公式为：

其中，m为进行可靠度评判所需的最少样本数，例如：m为1000就意味着至少要用最近预测的1000个样本去计算可靠度；r_i表示样本i的可靠度，r_i∈{0,1}，1代表样本i是可靠的，0反之；n为当前已预测的所有样本数量；R为该组别的可靠度；

由上式结合真实情况可知，在初期应用时会出现nm的情况，因此将n取值最小值置为m，而缺失的样本直接置其r_i为0，意味着如果预测样本数量远未达到最基本的要求，则可靠度不足；

S203：如分型的结果可靠，则为样本打上相应分型标签，否则为样本该分型打上不确定的标签。