CN118736374A 用于训练生成式对抗网络和使用经训练的生成式对抗网络的系统和方法 （科斯默人工智能-Ai有限公司）

201980052903.52019.06.11用于训练生成式对抗网络和使用经训练的本公开涉及用于训练并使用生成式对抗网像包括感兴趣特征的表示以及感兴趣特征的位关于多个检测对真阳性和假阳性的手动设置的21.一种使用图像帧训练生成式对抗网络的方法，所述图像帧包括感兴趣特征的表示，通过输入设备从所述操作者接收用于所述第一多个图像帧中的至少一个区域的第一使用第一训练集训练鉴别器网络，所述第一训练集包括将经训练的鉴别器网络应用于所述第二多个图像帧，以产生用于所使用第二训练集训练生成式对抗网络，所述第二训练集包括所网络以将所述感兴趣特征的所述伪表示与所述感兴趣特征的真表至少一者是随机地或者使用一种或多种模式从311.一种包括指令的非瞬时性计算机可读介质，所述指令被配置为使至少一个处理器通过输入设备从所述操作者接收用于所述第一多个图像帧中的至少一个区域的第一使用第一训练集训练鉴别器网络，所述第一训练集包括将经训练的鉴别器网络应用于所述第二多个图像帧，以产生用于所络以将所述感兴趣特征的所述伪表示与所述感兴趣特征的真表示13.根据权利要求11所述的非瞬时性计算机可读介质，其中，所述感兴趣特征包括异一种类型的细胞到另一种类型的细胞的变化、人体组织从预期人体组织的位置处的缺失、述第二多个图像帧中的至少一者是随机地或者使用一种或多种模式从所述数据库中提取17.根据权利要求11所述的非瞬时性计算机可读介质，其中，训练所述鉴别器网络包4使用对所述真阳性和所述假阳性的验证对所述经训练的5[0002]本公开总体上涉及神经网络领域以及涉及这种网络用于图像分析和对象检测的络是基于边界框(例如YOLO(YouOnlyLookOnce)架构、单镜头检测器(singleshot[0005]此外，基于神经网络的对象检测器通常将由神经网络识别的特征馈送到检测器6常或感兴趣对象)及其位置的对象检测器网络，以及区分真阳性和假阳性的对抗网络。此述第一多个图像包括所述感兴趣特征的表示以及所述第一多个图像的图像中的所述感兴及利用至少另一组图像和所述感兴趣特征的检测以及关于所述感兴趣特征的进一步检测对真阳性和假阳性的进一步手动设置的验证来重新训练生多个图像中的感兴趣特征的遗漏的检测(misseddetection)的假阴性的验证来重新训练7伪表示(artificialrepresentation)。所述多个伪表示可以是通过残差学习(residual个视频的所述第二子集的帧中的所述异常的伪表示与所述异常的真表示之间的差异指示[0026]在一个实施例中，一种用于检测人体器官的图像中的感兴趣特征的系统可以包括：存储指令的至少一个存储器以及被配置成执行所述指令以进行操作的至少一个处理产生感兴趣特征的至少一个检测；在其中一个帧上生成所述至少一个检测的位置的指示8[0030]图1是根据本公开的实施例的用于在视频馈送上叠加对象检测的示例性计算机实[0031]图2是根据本公开的实施例的用于对象检测网络的示例性两阶段训练循环[0033]图4是根据本公开的实施例的具有鉴别器网络和生成式网络的示例性对象检测器[0034]图5是根据本公开的实施例的用于利用鉴别器网络和生成器网络来检测感兴趣特[0035]图6是根据本公开的实施例的利用对象检测器网络的计算机实现的系统的示意性[0036]图7是根据本公开的实施例的用于利用对象检测器网络在视频源上叠加对象指示[0037]图8A是根据本公开的实施例的具有用于视频中的对象检测的叠加物(overlay)的[0038]图8B是根据本公开的实施例的具有用于视频中的对象检测的叠加物的显示的另[0039]图8C是根据本公开的实施例的具有用于视频中的对象检测的叠加物的显示的示[0040]所公开的实施例涉及用于训练生成式对抗网络以及使用该生成式对抗网络的计9格式对该数字表示进行编码，所述格式例如为联合图像专家组(jointphotographic式、可缩放矢量图形(scalablevectorgraphics，SVG)格式、封装的PostScript人体组织从一种类型的细胞到另一种类型的细胞的变化、和/或人体组织从预期人体组织[0047]对于检测到的异常，锯齿状病变可以包括无蒂锯齿状腺瘤(sessileserrated[0048]所述异常或感兴趣特征的位置的指示符可以包括点(例如坐标)或区域(例如矩[0049]系统的一个或多个处理器可以使用第一多个图像和感兴趣特征的指示符来训练[0050]训练所述对象检测网络可以包括调整网络的一个或多个节点的权重和/或调整网者执行对一个或多个节点的一个或多个模型的任[0051]一个或多个处理器系统还可以提供包括感兴趣特征的表示的第二多个图像。例一多个图像的相同的一个或多个数据库还是一个或多个不同的数据库。额外地或可替代[0055]一个或多个系统处理器还可以提供关于第一多个检测对真阳性和假阳性的手动[0056]一个或多个系统处理器可以使用关于第一多个检测对真阳性和假阳性的验证来训练生成式对抗网络。例如，可以训练网络的生成式分支来生成感兴趣特征的伪表示[0059]类似于生成式分支，训练对抗分支可以包括调整网络的一个或多个节点的权重[0061]一个或多个系统处理器可以利用至少另一组图像和感兴趣特征的检测以及关于感兴趣特征的进一步检测对真阳性和假阳性的进一步手动设置的验证来重新训练生成式储第一多个图像和/或第二多个图像的相同的一个或多个数据库还是是一个或多个不同的论是用于提取第一多个图像和/或第二多个图像的相同的视频还是一个或多个不同的视整和/或对网络的一个或多个节点的激活(或转移)函数的进点的一个或多个模型与一个或多个节点的输入重新训练感知分支可以包括：调整网络的一个或多个节点的权重和/或调整网络的一个或[0076]在一些实施例中，一个或多个系统处理器还可以将一个或多个附加的分类器和/络系统可以进一步输出所检测到的感兴趣特征是[0077]一个或多个系统处理器可以在一个帧上生成至少一个检测的位置的指示符。例definitionmultimediainterface，HDMI)端口、数字可视化接口(digitalvisual总线可以包括PCIExpress(外围组件互连Express)总线、通用串行总线(universal[0082]所述系统可以包括至少一个处理器，该处理器被配置成从第一总线接收实时视检测到至少一个对象时，一个或多个处理器可以向一个或多个扬声器发送命令以产生声具有叠加的边界的视频从处理器输出至外部显示器[0092]一个或多个系统处理器可以响应于所述灵敏度设置来调整所述经训练的神经网地，可以响应于所述灵敏度设置来增加或减少网络的输出层的一个或多个阈值和/或应用人员。成像设备103可以包括医学成像设备，例如X射线机、计算机断层扫面(computed产生人体或一部分人体的视频或一个或多个图像的其他医学成像设备。操作者101可以通过控制装置103的捕获率和/或控制装置103的移动(例如穿过人体或相对于人体移动)来控步示出的，叠加设备105还可以被配置成将来自成像设备103的视频直接地转发至显示器钮和/或经由诸如键盘等的输入设备来接收[0096]图2是符合本公开的实施例的用于对象检测网络的两阶段训练循环200的示意性或帧的子集203。一个或多个处理器可以随机地或者至少部分地利用一种或多种模式来选[0099]子集203连同特征指示符205包括训练集207。一个或多个处理器可以利用训练集上面所进一步解释的，训练所述鉴别器网络可以包括调整网络的一个或多个节点的权重转移)函数，以改善一个或多个节点的一个或多个模型与一个或多个节点的输入之间的拟211可以包括来自一个或多个相同视频的相邻帧或其他帧。子集211可以比子集203包括更[0101]一个或多个处理器可以向子集211应用鉴别器网络209’(其表示在完成第一阶段[0105]图3是用于训练对象检测网络的示例性方法300的流程图。方法300可以由一个或[0106]在步骤303：至少一个处理器可以利用第一多个图像和感兴趣特征的指示符来训[0107]在步骤305，所述至少一个处理器可以提供包括所述感兴趣特征的表示的第二多个图像，所述第二多个图像包括比所述第一多个图像中所包括的图像的数量更多的图像。地具有针对每个检测的一个或多个相关联的置信度[0109]在步骤309：至少一个处理器可以提供关于第一多个检测对真阳性和假阳性的手[0110]在步骤311：至少一个处理器可以利用关于第一多个检测对真阳性和假阳性的验性和假阳性的验证；以及利用关于所述进一步检测的验证来重新训练所述生成式对抗网403多至少100倍的视频。检测器400可以使用子集411和检测器413来训练生成式网络415。训练对抗分支409以区分伪表示417和子集411。因此，对抗分支409可以确定差异指示符向量或其他方面与其子集411之间的差异的减法和/或直到与生成器网络415相关联的损失函数和/或与对抗分支409相关联的损失函数达[0119]图5是用于利用鉴别器网络和生成器网络来检测感兴趣特征的示例性方法500的个处理器可以随机地进行选择和/或利用一种或多种模[0121]在步骤503：至少一个处理器可以将对象检测网络的感知分支应用于多个视频的少一个处理器可以随机地进行选择和/或利用一种或多种模式进行选择。利用来自所述多产生包括在多个视频的第二子集的帧中的异常的伪表示与异常的真表示之间的差异指示向量或其他方面与其帧之间的差异的减法向[0126]在步骤513：至少一个处理器可以基于差异指示符和第二多个检测来重新训练感从伪表示返回的无异常的空指示符或其他指示直到与生成式网络相关联的损失函数和/或与对抗分支相关联的损失函数器615可以用存储设备(未示出)或可通信地理器607可以发送命令或其它信号来启动第二总线[0132]如图6所示出的，第二总线613可以将接收到的视频从输入端口603直接地发送至实施的软件发生故障或者如果硬件叠加600的操作者决定在视频源的中间停止叠加，第二总线613也可以允许来自成像设备601的视频[0133]图7是符合本公开的实施例的用于利用对象检测器网络在视频源上叠加对象指示可以包括当边界被修改时向一个或多个扬声器发送命令以产生声音，和/或当边界被修改[0137]图8A示出了符合本公开的实施例的用于视频中的对象检测的示例性叠加物801。[0138]叠加物801表示被用作在视频中检测到的异常或感兴趣特征的指示符的图形边界兴趣特征。图像800b包括图形化叠加物801并且对应于在顺序上比图像800a更靠后的帧或[0141]图8B示出了根据本公开的实施例的具有用于视频中的对象检测的叠加物的显示的另一示例。图8B描绘了图像810a(类似于图像800a)以及利用指示符811叠加的后续图像810b(类似于图像800b)。在图8B的示例中，叠加物811包括在所有侧上具有实线的矩形边叠加物811被放置在视频中检测到的异常或感兴趣特征上。叠加物811出现在视频帧810b[0142]图8C示出了根据本公开的实施例的具有用于视频中的对象检测的叠加物的显示的另一示例。图8C描绘了图像820a(类似于图像800a)以及利用指示符821叠加的后续图像820b(类似于图像800b)。在图8C的示例中，叠加物821包括在所有侧上具有虚线的矩形边放置在视频中检测到的异常或感兴趣特征上。叠加物821出现在视频帧820b中，该视频帧820a和图像820b之间的特定数量的帧和/或秒)来修改图案的边界的图案和/或颜色。额外络的感知分支)检测，从而产生指示符，但随后由如上所述的对抗分支或网络确定为假阳