[发明专利]一种小样本图像识别方法及相关设备

说明书

本发明实施例公开了一种小样本图像识别方法及相关设备，所述方法包括：获取待识别图像，并将所述待识别图像输入预设识别模型，得到所述待识别图像的Xception特征和所述待识别图像的dense特征，所述预设识别模型基于Xception模型以及dense模型构建；将所述Xception特征和所述dense特征进行融合，得到融合特征；将所述预设识别模型预测分数最高的特征的特征类型作为第一特征类型，并根据所述第一特征类型在所述融合特征中筛选出目标特征，以完成所述待识别图像的识别过程。只需要找到相似图像内在联系的部分参数，而不是直接将问题聚焦到需要解决的任务，进而不需要在相似或者同类图像上进行预训练，减少了模型训练所需要的样本量。

技术领域

本发明涉及一种图像识别技术领域，尤其涉及一种小样本图像识别方法及相关设备。

背景技术

医疗图像的有效识别是诊断疾病的重要基础，对选取适宜的治疗手段起着至关重要的作用，尤其是像急性淋巴白血病(ALL)这种重症疾病，其分型快速且准确识别对于早期对症治疗十分有意义。对于ALL分型的识别，大致分为机器学习和神经网络两种方法。对于机器学习方法而言，往往依赖于图像手工特征的有效提取，而医疗图像往往复杂多样，于ALL而言，其分型特征则表现得更加特异，因而很难从成熟淋巴细胞之中区分开，同时也要对该类图像或者说疾病的特点表现特别了解，才能捕捉到有效且完善的特征以供模型训练，而这也需要扎实的专业技能。医疗图像的标注，往往需要专业人员才能实施，通常是费时费力且代价昂贵。因此对于ALL分型这类小样本图像数据而言，有效识别有着很大的需求。

深度神经网络在图像识别时需要依赖大数据样本，面对ALL分型这类小样本图像数据时，存在准确率不足，识别误差过大的问题。

发明内容

有鉴于此，本发明提供了一种小样本图像识别方法及相关设备，用于解决现有技术中针对小样本图像数据的图像识别存在成本高，不准确的问题。为达上述之一或部分或全部目的或是其他目的，本发明提出一种小样本图像识别方法，包括：获取待识别图像，并将所述待识别图像输入预设识别模型，得到所述待识别图像的Xception特征和所述待识别图像的dense特征，所述预设识别模型基于Xception模型以及dense模型构建；

将所述Xception特征和所述dense特征进行融合，得到融合特征；

将所述预设识别模型预测分数最高的特征的特征类型作为第一特征类型，并根据所述第一特征类型在所述融合特征中筛选出目标特征，以完成所述待识别图像的识别过程。

可选的，在所述将所述待识别图像输入预设识别模型的步骤之前，还包括：

调用所述Xception模型中至少两层重复的普通卷积与至少一个深度可分离卷积块作为Xception网络；

调用所述dense模型中的block块作为dense网络，被调用的所述block块的数量大于零，且小于所述dense模型中block块的固定值；

基于所述Xception网络和所述dense网络构建初始预设识别模型；

对所述初始预设识别模型进行训练，得到训练后的预设识别模型。

可选的，所述对所述初始预设识别模型进行训练，得到训练后的预设识别模型的步骤，包括：

将训练图像按相同尺寸分别输入所述初始预设识别模型中的所述Xception网络和所述dense网络，得到所述训练图像不同维度的第一特征和第二特征；

将所述第一特征和所述第二特征进行拼接，得到所述训练图像的融合特征；

基于所述训练图像的融合特征采用Adam优化器完成对所述初始预设识别模型的训练，得到训练后的预设识别模型。

可选的，在所述将所述预设识别模型预测分数最高的特征的特征类型作为第一特征类型的步骤之前，还包括：