CN115239675B 分类模型的训练方法、图像分类方法和装置、设备及介质 （平安科技（深圳）有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115239675B(45)授权公告日2025.07.08

(21)申请号202210908820.5

(22)申请日2022.07.29

(65)同一申请的已公布的文献号申请公布号CN115239675A

(43)申请公布日2022.10.25

(73)专利权人平安科技(深圳)有限公司

地址518000广东省深圳市福田区福田街

道福安社区益田路5033号平安金融中心23楼

(72)发明人李泽远王健宗

(74)专利代理机构广州嘉权专利商标事务所有限公司44205

专利代理师廖慧贤

(51)Int.CI.

GO6T7/00(2017.01)

GO6V10/44(2022.01)

GO6V10/764(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN114792139A,2022.07.26CN114694123A,2022.07.01

审查员古润优

权利要求书3页说明书16页附图6页

(54)发明名称

分类模型的训练方法、图像分类方法和装置、设备及介质

(57)摘要

CN115239675B本申请提供了一种分类模型的训练方法、图像分类方法和装置、设备及介质，属于人工智能技术领域。该方法应用于客户端，包括：获取样本医学图像；通过本地分类模型的卷积层对样本医学图像进行特征提取，得到样本图像特征；通过本地分类模型的交叉注意力机制和自注意力机制对样本图像特征进行注意力计算，得到目标融合图像特征；通过本地分类模型的预测层对目标融合图像特征进行损失计算，得到模型损失值，并根据模型损失值将本地分类模型接收到的原始模型参数更新为本地模型参数；将本地模型参数发送给服务器端；从服务器端下载目标模型参数；根据已下载的目标模型参数更新本地模型参

CN115239675B

获取样本医学图像

获取样本医学图像

通过本地分类模型的卷积层对样本医学图像进行特征提取，得到样本图像特征

通过本地分类模型的交叉注意力机制对样本图像特征进行特征融合，得到初始融合图像特征

S104

通过本地分类模型的自注意力机制对初始融合图像特征进行自注意力计算，得到目标融合图像特征

通过本地分类模型的预测层对目标融合图像特征进行

S105

地分类模型接收到的原始模型参数更新为本地模型参

数

将本地模型参数发送给服务器端

从服务器端下载目标模型参数

根据已下载的目标模型参数更新本地模型参数，以训练本地分类模型

S102

S106

S108

S101

S103

S107

CN115239675B权利要求书1/3页

2

1.一种分类模型的训练方法，其特征在于，应用于客户端，所述客户端存储有预先训练的本地分类模型，所述方法包括：

获取样本医学图像；

通过所述本地分类模型的卷积层对所述样本医学图像进行特征提取，得到样本图像特

征；

通过所述本地分类模型的交叉注意力机制对所述样本图像特征进行特征融合，得到初始融合图像特征；

通过所述本地分类模型的自注意力机制对所述初始融合图像特征进行自注意力计算，得到目标融合图像特征；

通过所述本地分类模型的预测层对所述目标融合图像特征进行损失计算，得到模型损失值，并根据所述模型损失值将所述本地分类模型接收到的原始模型参数更新为本地模型参数；

将所述本地模型参数发送给服务器端；

从所述服务器端下载目标模型参数；

根据已下载的所述目标模型参数更新所述本地模型参数，以训练所述本地分类模型；

所述样本图像特征包括第一图像特征和第二图像特征，所述通过所述本地分类模型的交叉注意力机制对所述样本图像特征进行特征融合，得到初始融合图像特征，包括：

对所述第一图像特征进行位置编码，得到第一编码特征向量；

根据预设的图像交叉关系，获取与所述第一图像特征对应的第二图像特征；

通过所述交叉注意力机制对所述第一编码特征向量进行嵌入处理，得到第一嵌入向量，并通过所述交叉注意力机制对所述第二图像特征进行嵌入处理，得到第二嵌入向量；

通过所述交叉注意力机制对所述第一嵌入向量和所述第二嵌入向量进行相似度计算