(19)中华 人民共和国 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 202111235867.1 (22)申请日 2021.10.2 2 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 张闻华　张军　韩骁　 (74)专利代理 机构 北京三高永信知识产权代理 有限责任公司 1 1138 代理人 孙晓丽 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06N 20/00(2019.01) (54)发明名称 图像分类模型的训练方法、 图像分类方法、 装置及设备 (57)摘要 本申请提供了一种图像分类模型的训练方 法、 图像分类方法、 装置及设备， 属于人工智能技 术领域。 方法包括： 获取第一样本数据集； 获取第 二样本数据集； 基于第一样本数据集， 采用自监 督的方式对图像 分类模型进行预训练， 得到第一 图像分类模型； 基于第二样本数据集， 对第一图 像分类模型进行训练， 得到目标图像分类模型。 上述技术方案， 通过在预训练时引入图像类型标 签和染色固定标签， 使 得第一图像 分类模型能够 学习到样 本染色图像本身的特征， 该第一图像分 类模型能够对细胞进行较为精确的分类， 再基于 样本细胞图像和细胞标签对该第一图像分类模 型进行训练， 能够进一步的提高模型的分类精 度， 使得训练得到的目标图像分类模 型具有较高 的分类精度。 权利要求书3页 说明书19页 附图8页 CN 114299322 A 2022.04.08 CN 114299322 A 1.一种图像分类模型的训练方法， 其特 征在于， 所述方法包括： 获取第一样本数据集， 所述第一样本数据集包括多个样本染色图像、 所述样本染色图 像的图像类型标签以及染色固定标签， 所述样本染色图像包括经过染色的多个细胞， 所述 染色固定标签用于指示对应样本染色图像的染色固定方式； 获取第二样本数据集， 所述第 二样本数据集包括多个样本细胞图像以及所述样本细胞 图像的细胞类型 标签； 基于所述第一样本数据集， 采用自监督的方式对图像分类模型进行预训练， 得到第一 图像分类模型； 基于所述第二样本数据集， 对所述第一图像分类模型进行训练， 得到目标图像分类模 型， 所述目标图像分类模型用于确定 输入的细胞图像对应的细胞类型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述第一样本数据集， 采用自监 督的方式对图像分类模型进行 预训练， 得到第一图像分类模型， 包括： 对于第i轮迭代输入的样本染色图像， 基于所述第i轮迭代的图像分类模型， 对所述样 本染色图像进 行图像采样和图像增强， 得到第一增强图像、 第二增强图像和第三增强图像， i为大于1的正整数； 基于所述第 一增强图像、 所述第 二增强图像和所述第 三增强图像， 对所述第 i轮迭代的 图像分类模型进行训练； 响应于满足训练结束条件， 得到所述第一图像分类模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述第一增强图像、 所述第二增 强图像和所述第三增强图像， 对所述第i轮迭代的图像分类模型进行训练， 包括： 基于第i‑1轮迭代的图像分类模型和所述第i轮迭代的图像分类模型， 对所述第一增强 图像和所述第二增强图像进行特征对比， 得到所述第i轮迭代的第一损失， 所述第一损失用 于指示所述图像分类模型 更新前后的差异； 基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类的结果、 所述样本 染色图像的图像类型标签以及所述样本染色图像的染色固定标签， 确定所述第i轮迭代的 第二损失， 所述第二损失用于指示所述图像分类模型的分类损失； 基于所述第 i轮迭代的图像分类模型， 对锚图像、 正样本图像以及负样本图像进行特征 对比， 得到所述第i轮迭代的第三损失， 所述锚图像为所述第二增强 图像， 所述正样本图像 为所述第三增强图像， 所述负样本图像基于所述锚图像对所述样本染色图像随机采样得 到， 所述第三损失为三元组损失， 所述第三损失用于指示所述样本染色图像的增强 图像之 间的差异； 基于所述第 一损失、 所述第 二损失和所述第三损失， 调 整所述第i轮迭代的图像分类模 型的模型参数。 4.根据权利要求3所述的方法， 其特征在于， 所述基于第i ‑1轮迭代的图像分类模型和 所述第i轮迭代的图像 分类模型， 对所述第一增强图像和所述第二增强图像进 行特征对比， 得到所述第i轮迭代的第一损失， 包括： 基于所述第 i‑1轮迭代的图像分类模型， 对所述第一增强图像进行特征提取， 得到第一 增强特征； 基于所述第 i轮迭代的图像分类模型， 对所述第 二增强图像进行特征提取， 得到第二增权　利　要　求　书 1/3 页 2 CN 114299322 A 2强特征； 基于所述第一增强特征和所述第二增强特征之间的差异， 确定所述第i轮迭代的第一 损失。 5.根据权利要求3所述的方法， 其特征在于， 所述基于所述第i轮迭代的图像分类模型 对所述第二增强图像进行分类的结果、 所述样本染色图像的图像类型标签以及所述样本染 色图像的染色固定标签， 确定所述第i轮迭代的第二损失， 包括： 基于所述第i轮迭代的图像分类模型对所述第二增强图像进行分类， 得到第一分类信 息和第二分类信息， 所述第一分类信息用于指示所述第二增强图像属于不同图像类型的概 率， 所述第二分类信息用于指示所述第二增强图像属于不同染色固定方式的概 率； 基于所述第一分类信息和所述样本染色图像的图像 类型标签， 确定第一分类损失； 基于所述第二分类信息和所述样本染色图像的染色固定标签， 确定第二分类损失； 对所述第一分类损失和所述第二分类损失求和， 得到所述第i轮迭代的第二损失。 6.根据权利要求3所述的方法， 其特征在于， 所述基于所述第 i轮迭代的图像分类模型， 对锚图像、 正样本图像以及负样本图像进行特征对比， 得到所述第i轮迭代的第三损失， 包 括： 基于所述第 i轮迭代的图像分类模型， 对所述锚图像、 所述正样本图像以及所述负样本 图像分别进行 特征提取， 得到第三增强特 征、 第四增强特 征以及第五增强特 征； 基于所述第三增强特征、 所述第 四增强特征以及所述第五增强特征之间的差异， 确定 所述第i轮迭代的第三损失。 7.根据权利要求3所述的方法， 其特征在于， 所述基于所述第一损 失、 所述第二损 失和 所述第三损失， 调整所述第i轮迭代的图像分类模型的模型参数， 包括： 对所述第一损失、 所述第二损失和所述第三损失进行加权求和， 得到第四损失； 基于所述第四损失， 调整所述第i轮迭代的图像分类模型的模型参数。 8.根据权利要求2所述的方法， 其特征在于， 所述对所述样本染色图像进行图像采样和 图像增强， 得到第一增强图像、 第二增强图像和第三增强图像， 包括： 对所述样本染色图像进行图像采样， 得到样本采样图像； 采用不同的图像增强方式对所述样本采样图像进行增强， 得到所述第一增强图像、 所 述第二增强图像和所述第三增强图像。 9.根据权利要求1所述的方法， 其特征在于， 所述基于所述第二样本数据集， 对所述第 一图像分类模型进行训练， 得到目标图像分类模型， 包括： 基于所述第一图像分类模型， 分别对所述第二样本数据集中的样本细胞图像进行分 类， 得到样本分类信息， 所述样本分类信息用于指示多个样本细胞图像属于不同细胞类型 的概率； 基于所述样本分类信 息和所述样本细胞图像的细胞类型标签， 确定所述目标图像分类 模型。 10.一种图像分类方法， 其特 征在于， 所述方法包括： 对待处理的染色图像进行细胞采样， 得到多个细胞图像， 所述染色图像包括经过染色 的多个细胞； 基于目标图像分类模型分别对所述多个细胞图像进行分类， 得到分类结果信息， 所述权　利　要　求　书 2/3 页 3 CN 114299322 A 3