CN113989916B 基于元学习对图像进行分类的分类装置、方法及相关产品 （北京鹰瞳科技发展股份有限公司）

本公开提供一种用于基于元学习对图像进装置包括用于提取待分类的图像的共享特征的主分类任务相关的主特征数据并且基于所述主特征数据来执行主分类任务以实现图像分类的分类任务相关的辅特征数据以执行针对所述图务用于在所述元学习中对所述共享特征提取器实现共享特征提取器和主分类器对来自不同域2从所述共享特征数据中提取与辅分类任务相关的辅特基于所述辅特征数据执行针对所述图像的辅分类任务，其中所述述元学习中对所述共享特征提取器的参数执行微调；所述共享特征提取器、所述主分类器和辅分类器整体通过基于针对至少一个所述特定域，所述辅分类器用于在所述元学习的测试阶段执行辅分类任务，以便对所述共享特征提取器的参数执行用于适配于至少一个所述特定域的3.根据权利要求2所述的分类装置，其中所述训练过程中利用总损失函数来执行参数关联的辅损失函数用于对所述共享特征提取器的参数执行所述微调。5.根据权利要求2所述的分类装置，其中所述特定域与获得所述图像的图像采集设备6.根据权利要求5所述的分类装置，其中不同特定域下获得的图像和图像标签形成用7.根据权利要求1_6的任意一项所述的分类装置，其中所述辅分类器用于执行针对所9.一种使用基于元学习的分类装置来执行图像使用所述主分类器和所述辅分类器来分别执行主分3接收所述共享特征数据；从所述共享特征数据中提取与辅分类任务相关的辅特征数其中在所述元学习中，所述方法还包括使用辅分类任务来行微调；所述共享特征提取器、所述主分类器和辅分类器整体通过基于针对至少一个所述特定域，在所述元学习的测试阶段使用所述辅在元学习的训练过程中利用所述分类装置的总损失函数损失函数等于所述主分类任务关联的主损失函数与所述辅分类任务关联的辅损失函数的在所述元学习的测试阶段，利用与所述辅分类任务关联征提取器的参数执行所述微调。14.根据权利要求11所述的分类方法，其中所述特定域与获得所述图像的图像采集设15.根据权利要求14所述的分类方法，其中不同特定域下获得的图像和图像标签形成使得所述共享特征提取器、主分类器和辅分类器利用训练域16.根据权利要求9_15的任意一项所述的分类方法，其中所述辅分类任务包括角度分使用所述辅分类器来执行针对所述图像的旋4以深度学习为代表的机器学习技术在图像分类[0006]在第一方面中，本公开提供了一种用于基于元学习对图对所述共享特征提取器的参数执行微调。5共享特征提取器的参数执行用于适配于至少一个所述特定域的述分类装置的总损失函数等于所述主分类任务关联的主损失函数与所述辅分类任务关联失函数用于对所述共享特征提取器的参数执行所述任务关联的辅损失函数来对所述共享特征提取器的参数执行所述6自于不同域的眼底图像的准确分类，从而可以有效确定眼底图像所对应的眼部疾患或病[0028]通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目[0030]图2是示出根据本公开实施例的用于基于元学习对图像进行分类的分类装置的示7络)来构建分类模型并且借助于元学习的训练机制，本公开的分类方案可以经微调而快速拍摄时间点(或傍晚拍和白天拍)或不同的拍摄光线所获得的图像都可以认为是来自于不是观察视网膜和诊断眼底疾病的一种重要影像手段。鉴于此，本公开通过分类装置和设备8更新后的参数适配于所述特定域，由此可以促进主分类器适应于特定域的图像分类任务，[0049]为了更好理解本公开的方案，下面将结合图3并且以域为拍摄图像的相机型号为[0050]如图3中所示，为了实现高效的训练过程以便得到最佳的基于元学习的多任务分9像，具体如眼底图像)，并将这批图片分为支撑集[0055]上文结合图3对建立本公开基于元学习的分类装置的训练数据集进行了描述，下文将结合图4所示出的网络架构框图来描述本公开方案的分类装置的训练过程，其中涉及公开多任务分类网络模型中的辅任务(例如如前所述的自监督的旋转角度预测任务)的损以理解的是，此处的分类方法500可以由通用处理器或专用处理器(例如人工智能处理器)2图4所描述的分类装置来进行分类，因此前文关于本公开分类装置的描述同样也适用于的测试阶段使用所述辅分类器执行辅分类任务，以对所述共享特征提取器进行参数微调，[0075]图7是示出根据本公开实施例的用于对图像进行分类的系统700的框图。如图7中网络。可以理解的是，此处的设备701是上文结合图6所描述的设备600的一种具体实施方[0077]进一步，设备701还包括其他的硬件平台或组件，例如示出的张量处理单元[0078]本公开的设备701还可以包括通信接口7018，从而可以通过该通信接口7018连接到局域网/无线局域网(LAN/WLAN)705，进而可以通过LAN/WLAN连接到本地服务器706或连7018基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第3代(“3G”)、第4代需要访问外部网络的服务器708以及可能的数据库709，以便获得各种已知的神经网络模和/或一个或多个视觉显示器，其配置用于对本公开设备的运算过程或者最终分类结果进传输接口704也可以接收来自于图像采集设备的各类图像数据，并且向图像采集设备发送数据传输接口704接收训练数据或待分类的图像数据，并调取存储于存储器7012中的计算包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介程序指令适于由处理器加载并执行本公开结合图5所描述的方法及其多强动态随机存取存储器EDRAM(EnhancedDynamicRandomAccessMemory)、高带宽内存可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令[0086]虽然本公开的实施方式如上，但所述内容只是为便于理解本公开