CN111046855B 图片识别方法、识别模型训练方法、装置及电子装置 （腾讯科技（深圳）有限公司）

用于对待识别的目标3D图片进行识别得到待识型为使用目标训练样本对原始识别模型进行训片中获取的N个目标正方体进行旋转与排序后得发明解决了相关技术中模型训练效率低的技术2将所述待识别的目标3D图片输入到第一识别模型中，其中，所述第获取所述第一识别模型输出的所述待识别的目标3D图将所述目标训练样本输入到所述原始识别模型中，以对所述原始识别模型进行训练，获取所述原始识别模型对所述目标训练样本进行识别后输识别结果中包括所述目标训练样本中所述目标正方体的各种排序顺序与每一个所述目标在所述识别结果满足第一目标函数的概率大于第一阈值时，将所述第二识别模型的卷积块确定为所述第一识别模型的卷积第一训练样本包括第一3D图片与所述第一3D图获取3D样本图片，从所述3D样本图片中分割出N个目标正方体；3一识别模型用于对所述待识别的目标3D图片进行识别得到所述待识别的目标3D图片的图使用所述目标训练样本对原始识别模型进行第二获取单元，用于获取所述第一识别模型输出的所述待将原始三维图片数据转化为三维立方体训练样本，其中，所述三维立于提取所述原始三维图片数据中的特征，还用于识别所述原始三维图片数据中的数据结为所述预训练网络模型迁移与目标图片识别任务4从所述K种微立方体组合中确定出目标微立从所述目标微立方体组合中确定出所述第一对将所述第二对象微立方体与目标矩阵相乘，其中，所述目标矩阵为将所述目标训练样本输入所述原始网络模型进行训练，以得到所述预训练网络模型，将所述预训练网络模型的全连接层替换为所述目标全连接层，以得到5第一执行单元，用于对所述多个微立方体依次执行第一操作迁移单元，用于为所述预训练网络模型迁移与目标图片识别任务相输入单元，用于将待识别的目标三维图片数据输入到所述第一识别模型中，序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至6或7或10至17任一项6型输出的上述待识别的目标3D图片的第一述目标训练样本包括对从3D样本图片中获取的N个目标正方体进行旋转与排序后得到的正7标正方体中，旋转上述第一角度之后的上述第一目标正方体与其他目标正方体进行排序，标3D图片之前，获取上述原始识别模型对上述目标训练样本进行识别后输出的识别结果，8上述第三操作用于遮挡上述第二对象微立方体9型，上述目标训练样本包括对从3D样本图片中获取的N个目标正方体进行旋转与排序后得员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0054]Featuremap:图像和滤波器进行卷积后得到的特征图。Featuremap可以和滤波享津大学计算机视觉团队和GoogleDeepMind公司研究员一起研发的一种深明，在识别脑出血类型时，在获取到3D病症图片后(3D病症图片可以为MRI图片或者CT图[0069]在上述方法中，由于预先使用从3D图片中提取的正方体对第二识别模型进行训概率可能满足第一目标函数也可能不满足第一目标函数。第一目标函数可以为损失函数。态，分别是T1，T1Gd，T2，FLAIR，不同模态的数据均经过共同配准，每幅图像的大小为[0082]脑出血数据集包括1486个脑出血的脑部CT扫描图像，脑出始正方体并将原始正方体拆分为目标正方体。具体选择原始正方体的方法请参见上述示用了3DVGG网络。将所有子网络最后一个全连接层的输出特征图featuremap进行叠加然后输入到不同的分支中，分别用于目标正方体的空间重排任务和目标正方体旋转判断任标就是要判断输入序列属于这K个序列中的哪一个，因此对于目标正方体重排其损失函数[0088]上式中的lj表示序列的真实标签one_hot标签，表pj示网络输出的对于各个序列[0091]目标正方体通常均为立方体结构，如果让一个目标正方体在空间中自由的旋转，[0094]根据前面的定义，模型的的目标函数为排列损失函数和旋转损失函数的线性加[0096]其中a和b分别为两个损失函数的权重，控制了两个子任在实验中将两个权重值均设置成0.5能够使预训练达卷积层可以使用更小的学习率进行微调。效果带来的影响，使用了密集上采样卷积模块DenseUpsamplingConvolution(DUC)模块[0101]通过本实施例，由于预先使用从3D图片中提取的正方体对第二识别模型进行训样本图片对第二识别模型进行训练之后，并将第二卷积块用作第一识别模型的卷积块之出所述N个目标正方体，所述M为大于0且小于J_1的正整数，所述J为所述目标正方体的边应用到识别3D图片的类型的过程中，或者将新的识别模型应用到3D图片的分割等任务中，括对从3D样本图片中获取的N个目标正方体进行旋转与排序后得到的正方体，N为大于1的[0141](3)第二获取单元1106，用于获取所述第一识别模型输出的所述待识别的目标3D[0143]在上述方法中，由于预先使用从3D图片中提取的正方体对第二识别模型进行训概率可能满足第一目标函数也可能不满足第一目标函数。第一目标函数可以为损失函数。[0153]通过本实施例，由于预先使用从3D图片中提取的正方体对第二识别模型进行训样本图片对第二识别模型进行训练之后，并将第二卷积块用作第一识别模型的卷积块之[0174](2)第三确定单元，用于在所述识别结果满足第一目标函数的概率大于第一阈值应用到识别3D图片的类型的过程中，或者将新的识别模型应用到3D图片的分割等任务中，[0194]S1310，将待识别的目标三维图片数据输入到所述第一识别模型中，得到识别结于为本方案中的原始正方体，上述多个微立方体可以但不限于为本方案中的N个目标正方第一对象微立方体执行旋转操作即对第一目生成与第二对象微立方体具有相同魔方块大小的3D矩阵(Ran)，然后将第二对象微立方体络模型的全连接层中的目标函数的输出结果相邻的两个魔方块(目标正方体)之间留下间隙之后再对每个魔方块内的体素进行[[0224]本方案中的网络机构可以如图14所示。孪生网络中包括M个互相共享权重的子网预测任务可以用两个1×M向量(r)描述，它们分别表示每个立方体的水平和垂直旋转的可v[0233]根据前面的定义，模型的的目标函数为排列损失函数和旋转损失函数的线性加[0235]其中a和b和c分别为三个损失函数的权重，它们控制了三个子任务之间的互相影预训练网络的权重只能被迁移到全卷积神经网络(FCN)的编码器部分(下采样阶段)，例如果带来的影响，使用了密集上采样卷积模块DenseUpsamplingConvolution(DUC)模块来用于改变所述多个微立方体中的第一对象微立[0246](4)迁移单元1508，用于为所述预训练网络模型迁移与目标图片识别任务相匹配[0247](5)输入单元1510，用于将待识别的目标三维图片数据输入到所述第一识别模型以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备方法和装置对应的程序指令/模块，处理器1604通过运行存储在存储器1602内的软件程序以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备训练方法和装置对应的程序指令/模块，处理器1704通过运行存储在存储器1702内的软件可与互联网或局域网进行通讯。在一个实例中，传输装置1706为射频(RadioFrequency，以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备训练方法和装置对应的程序指令/模块，处理器1804通过运行存储在存储器1802内的软件可与互联网或局域网进行通讯。在一个实例中，传输装置1806为射频(RadioFrequency，[0297]上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连