(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210759888.1 (22)申请日 2022.06.30 (71)申请人 深圳大学 地址 518060 广东省深圳市南 山区南海大 道3688号 (72)发明人 倪东　陈超宇　杨鑫　周心睿　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 专利代理师 温宏梅　刘芙蓉 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/74(2022.01) G06V 10/778(2022.01) G06V 10/82(2022.01) (54)发明名称 图像回归模 型的训练方法、 图像回归分析方 法、 介质及终端 (57)摘要 本申请公开了一种图像回归模型的训练方 法、 图像回归分析方法、 介质及终端， 所述方法通 过预设网络模型对获取的训练样本集的样本图 像进行识别， 得到各样本图像的待测指标的预测 值； 再根据各样本图像的真实值以及预测值、 图 像相似度， 确定第一样本集和第二样本集； 然后 通过第一损失函数分别对第一样 本集、 对第二样 本集进行损失计算， 得到预设网络模 型的第一损 失值、 第二损失值； 基于第一损失值和第二损失 值， 对预设网络模型的模型参数进行修正以得到 图像回归模型。 由上述可知， 本申请可 以通过第 一损失值、 第二损失值对预设网络模型进行修 正， 以得到图像回归模型， 从而提高图像回归模 型的回归分析性能以及模型 预测的准确度。 权利要求书2页 说明书13页 附图5页 CN 115240029 A 2022.10.25 CN 115240029 A 1.一种图像回归 模型的训练方法， 其特 征在于， 所述方法包括： 获取训练样本集； 其中， 所述训练样本集包括:多个训练样本， 每个训练样本包括： 样本 图像、 以及预 先标注的所述样本图像的待测指标的真实值； 通过预设网络模型对所述样本图像进行识别， 得到各样本图像的待测指标的预测值； 根据各所述样本图像的真实值以及预测值， 确定第 一样本集； 其中， 所述第 一样本集由 所述训练样本集中的异常样本组成， 所述异常样本的样本图像的真实值与预测值的差值符 合第一预设条件； 以及 确定所述训练样本集中任意两个样本图像之间的图像相似度以及相应的第 一参考值； 所述第一 参考值为两个样本图像的真实值的比值； 根据所述图像相似度与相应的第 一参考值， 确定所述训练样本集中的第 一待排序样本 并确定第二样本集； 其中， 所述第二样本集由所述训练样 本集中的第一待排序样本组成； 第 一待排序样本为图像相似度与相应的第一 参考值的差值大于第一预设阈值的训练样本； 通过第一损 失函数分别对第一样本集、 对第二样本集进行损 失计算， 得到所述预设网 络模型的第一损失值、 第二损失值； 基于所述第一损失值和 第二损失值， 对所述预设网络模 型的模型参数进行修 正； 返回执行所述通过预设网络模型对所述样本图像进行识别， 得到各样本图像的预测值 的步骤， 直至修 正后的所述预设网络模型满足第二预设条件， 得到已训练的图像回归 模型。 2.根据权利要求1所述的图像回归 模型的训练方法， 其特 征在于， 所述方法还 包括： 根据所述样本图像的图像相似度与相应的第一参考值确定第二待排序样本并组成第 三样本集； 其中所述第二待排序样本的图像相似度与相应的第一参考值的差值小于或等于 第一预设阈值的训练样本； 从第三样本集中选取训练样本， 组成多个样本元组； 其中， 所述样本元组至少包括所述 第三样本集中的三个第二待排序样本， 且所述样本元组之 间的三个第二待排序样本不完全 相同； 在所述样本元组中任两个样本图像的图像相似度以及对应的第一参考值不符合预设 要求的情况 下， 确定所述样本元组为待排序元组； 通过第二损 失函数， 对所述待排序元组进行损 失计算， 得到所述预设网络模型的第三 损失值； 基于所述第三损 失值， 对所述预设网络模型的模型参数进行修正， 并返回执行所述通 过预设网络模型对所述样本图像进行识别， 得到各样本图像的预测值的步骤， 直至修正后 的所述预设网络模型满足第三预设条件， 得到已训练的图像回归 模型。 3.根据权利要求2所述的图像回归模型的训练方法， 其特征在于， 在所述根据 所述样本 元组中任两个样本图像的图像相似度以及 对应的第一参考值不符合预设要求的情况下， 确 定所述样本元组为待排序元组， 具体包括： 确定所述样本元组中的图像相似度之间的相似度差值， 以及对应的第一参考值的差 值， 并将第一 参考值的差值作为第二 参考值； 在所述相似度差值与第 二参考值的差值大于第 二预设阈值的情况下， 将其对应的样本 元组作为待排序元组。 4.根据权利要求1所述的图像回归模型的训练方法， 其特征在于， 所述确定所述训练样权　利　要　求　书 1/2 页 2 CN 115240029 A 2本集中任意两个样本图像之间的图像相似度， 具体包括： 通过所述预设网络模型对所述训练样本集中的各样本图像进行特征提取， 以得到各样 本图像的待测指标的特 征向量； 根据所述样本图像的特 征向量， 确定所述两个样本图像之间的图像相似度。 5.根据权利要求1所述的图像回归 模型的训练方法， 其特 征在于， 所述方法还 包括： 根据各所述样本图像的真实值以及预测值， 确定第四样本集； 其中， 所述第四样本集由 所述训练样本集中的正常样本组成， 所述正常样本的样本图像的真实值与预测值的差值不 符合第一预设条件； 通过第三损失函数对所述第四样本集进行损失计算， 以得到所述预设网络模型的第四 损失值； 基于所述第四损失值， 对所述预设网络模型的模型参数进行修 正； 返回执行所述通过预设网络模型对所述样本图像进行识别， 得到各样本图像的预测值 的步骤， 直至修 正后的所述预设网络模型满足第四预设条件， 得到已训练的图像回归 模型。 6.根据权利要求1所述的图像回归 模型的训练方法， 特 征在于， 所述方法还 包括： 针对所述训练样本集中的每个样本 图像， 进行归一化处理和数据增强处理， 得到预处 理图像， 并将所述预处 理图像作为样本图像。 7.根据权利要求1所述的图像回归模型的训练方法， 其特征在于， 所述样本图像为医学 图像。 8.一种图像回归分析方法， 其特征在于， 应用如权利要求1 ‑7任一所述的图像回归模型 的训练方法得到已训练的图像回归 模型， 所述图像回归分析 方法包括： 获取待识别图像， 并将所述待识别图像输入至所述已训练的图像回归 模型； 通过已训练的图像回归模型对所述待识别图像进行识别， 得到所述待识别图像的待测 指标的预测值。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有一个或者 多个程序， 所述一个或者多个程序可被一个或者多个处理器执行， 以实现如权利要求1～7 任意一项所述的图像回归模型 的训练方法中的步骤， 或者如权利要求8任意一项所述的图 像回归分析 方法中的步骤。 10.一种终端， 其特征在于， 包括： 处理器和存储器； 所述存储器上存储有可被所述处理 器执行的计算机可读程序； 所述处理器执行所述计算机可读程序时实现如权利要求 1～7任 意一项所述的图像回归模型 的训练方法中的步骤， 或者如权利要求8任意一项所述的图像 回归分析 方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115240029 A 3