(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 202210609664.2 (22)申请日 2022.05.31 (71)申请人 中冶赛迪技 术研究中心有限公司 地址 401122 重庆市渝北区北部新区汇金 路11号1幢 申请人 重庆爱尔麦 格眼科医院有限公司 (72)发明人 马明勋　陈敏　张波　陈谙谱　 池晨　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 专利代理师 唐勇 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 40/18(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种目标图像的分类方法、 装置、 电子设备 及介质 (57)摘要 本发明适用于人工智能技术领域， 提供了一 种目标图像的分类方法、 装置、 电子设备及介质， 其中， 方法包括： 获取三维样本角膜图像， 将其映 射为若干个通道的二维样本深度图， 并形成样本 数据集； 构建初始图像分类模型， 采用 样本数据 集训练初始图像 分类模型， 获取用于角膜图像分 类的目标图像 分类模型， 初始图像 分类模型包括 用于特征提取的第一组件、 用于特征融合的第二 组件和用于特征分类的第三组件； 获取三维目标 角膜图像， 将其输入目标图像分类模型， 输出目 标分类结果； 解决了现有技术中图像 分类模型的 分类精度低的问题。 权利要求书3页 说明书10页 附图2页 CN 114842270 A 2022.08.02 CN 114842270 A 1.一种目标图像的分类方法， 其特 征在于， 包括： 获取三维样本角膜图像， 将其映射为若干个通道的二维样本深度图， 并形成样本数据 集； 构建初始图像分类模型， 采用所述样本数据集训练所述初始图像分类模型， 获取用于 角膜图像分类的目标图像分类模型， 所述初始图像分类模型包括用于特征提取的第一组 件、 用于特 征融合的第二组件和用于特 征分类的第三组件； 获取三维目标角膜图像， 将其映射为若干个通道的二维目标深度图， 并将所述二维目 标深度图输入所述目标图像分类模型， 输出目标分类结果。 2.根据权利要求1所述的目标图像的分类方法， 其特征在于， 所述采用所述样本数据集 训练所述初始图像分类模型， 获取用于角膜图像分类的目标图像分类模型， 包括： 对二维样本深度图进行通道拼接， 采用所述第 一组件对所述通道拼接后的二维样本深 度图进行 特征提取， 得到样本特 征； 基于所述第二组件， 采用自注意力机制对所述样本特征进行跨通道特征融合， 得到融 合特征； 采用所述第三组件 对融合特 征进行分类， 得到分类结果； 采用交叉熵损失函数获取所述分类结果与 预设结果的分类误差， 并采用所述分类误差 反向传播更新所述初始图像分类模型， 获取目标图像分类模型。 3.根据权利要求2所述的目标图像的分类方法， 其特征在于， 所述基于所述第二组件， 采用自注意力机制对所述样本特 征进行跨 通道特征融合， 得到融合特 征， 包括： 获取所述样本特 征的位置信息， 得到位置特 征； 根据自注意力 机制和所述位置特征对所述样本特征进行跨通道特征融合， 得到 融合特 征。 4.根据权利要求2所述的目标图像的分类方法， 其特征在于， 所述样本特征由多维矩阵 组成， 所述采用自注意力机制对所述样本特 征进行跨 通道特征融合， 得到融合特 征， 包括： 根据预设拆分规则将所述样本特 征拆分为若干个矩阵， 得到 子样本特 征； 分别获取两个子样本特 征之间的关联 特征； 根据注意力机制和关联 特征确定目标子样本特 征； 对所述目标子样本特 征进行跨 通道特征融合， 得到融合特 征。 5.根据权利要求4所述的目标图像的分类方法， 其特征在于， 所述目标子样本特征zi的 数学表达为： 其中， zi为第i个目标子样本特征， i为目标子样本特征的标号， x为样本特征， x＝(x1， x2， ...， xn)， x1为第一个子样本特征， x2为第二个子样本特征， xn为第n个子样本特征， n为子 样本特征的总数， j为子样本特征的标号， xj为第j子样本特征， xi为第i子样本特征， αij为子 样本特征xi与子样本特征xj的关联特征， V 为自注意力机制的输入矩阵， Wv为V所对应的权重 矩阵； 子样本特 征xi与子样本特 征xj的关联特征的数学表达为： 权　利　要　求　书 1/3 页 2 CN 114842270 A 2其中， eij为子样本 特征xi与子样本 特征xk的关联数据， eik为子样本特征xi与子样本 特征 xk的关联数据； eij的数学表达为： eij＝(xiWQ)(xjWK)T； 其中， Q、 K均为自注意力机制的输入矩阵， WQ为Q所对应的权重矩阵， WK为K所对应的权重 矩阵， T为矩阵的转置 。 6.根据权利要求3或5任一项所述的目标图像的分类方法， 其特征在于， 所述采用自注 意力机制对所述样本特 征进行跨 通道特征融合， 得到融合特 征包括： 根据所述 位置特征对目标子样本特 征、 关联特征和关联 数据进行 更新； 更新后的目标子样本特 征的数学表达为： 其中， zi’为更新后的第i个目标子样本特征， a ′ij为更新后的子样本特征xi与子样本特 征的关联特征， 为V所对应的子样本特征xi与子样本特征xj的位置特征权重， e ’ij为更新 后的子样本特 征xi与子样本特 征xk的关联数据； 更新后的子样本特 征xi与子样本特 征xj的关联特征的数学表达为： 其中， e’ij为更新后的子样本特征xi与子样本特征xj的关联数据， e ’ik为更新后的子样 本特征xi与子样本特 征xk的关联数据； e’ij的数学表达为： 其中， 为K所对应的子样本特 征xi与子样本特 征xj的位置特 征权重。 7.根据权利要求1所述的目标图像的分类方法， 其特征在于， 所述第 一组件包括卷积神 经网络模型， 所述第二组件 包括transformer模型， 所述第三组件 包括softmax分类模型。 8.一种目标图像的分类装置， 其特 征在于， 包括： 数据获取模块， 用于获取三维样本角膜图像， 将其映射为若干个通道的二维样本深度 图， 并形成样本数据集； 模型训练模块， 用于构建初始图像分类模型， 采用所述样本数据集训练所述初始图像 分类模型， 获取用于角膜图像分类的目标图像分类模型， 所述初始图像分类模型包括用于 特征提取的第一组件、 用于特 征融合的第二组件和用于特 征分类的第三组件； 图像分类模块， 用于获取三维目标角膜图像， 将其映射为若干个通道的二维目标深度 图， 并将所述二 维目标深度图输入所述目标图像分类模型， 输出目标分类结果， 所述数据获 取模块、 所述模型训练模块和所述图像分类模块相连接 。 9.一种电子设备， 其特 征在于， 包括处 理器、 存储器和通信总线； 所述通信总线用于将所述处 理器和存 储器连接； 所述处理器用于执行所述存储器中存储的计算机程序， 以实现如权利要求1 ‑7中任一 项所述的目标图像的分类方法。权　利　要　求　书 2/3 页 3 CN 114842270 A 3