痘痘类别的预测方法、装置、电子设备及存储介质与流程

技术特征：
1.一种痘痘类别的预测方法，其特征在于，包括：获取图像数据集，其中，所述图像数据集包括多种类别的痘痘的图像；基于所述图像数据集，对预设的多个教师模型进行训练，其中，所述教师模型包括多种不同的网络结构；通过多个所述教师模型对预设的学生模型进行知识蒸馏，以训练所述学生模型，得到训练后的学生模型；根据所述训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的所述目标图像的痘痘类别。2.根据权利要求1所述的方法，其特征在于，所述训练所述学生模型，包括：构建多层损失函数，并基于所述多层损失函数对所述学生模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述多层损失函数包括：相似度损失函数、类别损失函数以及交叉熵损失函数中的至少一个。4.根据权利要求3所述的方法，其特征在于，所述多层损失函数为：其中，loss为多层损失函数，l
l1-sim
为相似度损失函数，l
kd
为类别损失函数，l
s
为交叉熵损失函数，i为痘痘的类别，c为特征图的大小，为教师模型的特征图，为学生模型的特征图，n为痘痘类别的数量，为教师模型预测的第i类别痘痘的概率值，为学生模型预测的第i类别痘痘的概率值，y
i
为真实痘痘类别。5.根据权利要求1所述的方法，其特征在于，所述通过多个所述教师模型对预设的学生模型进行知识蒸馏，包括：根据训练后的多个教师模型，对所述图像数据集中的图像进行特征提取，以确定多个第一特征图，其中，每一教师模型对应一个第一特征图；在每次迭代中，确定第二特征图，并随机选择一个教师模型对所述学生模型进行知识蒸馏，其中，所述第二特征图与所述第一特征图的大小相同。6.根据权利要求2所述的方法，其特征在于，所述基于所述多层损失函数对所述学生模型进行训练，包括：基于所述多层损失函数对所述学生模型进行迭代训练；若迭代次数大于第一次数阈值，或者，所述学生模型的损失小于第一损失阈值，则停止迭代训练。7.根据权利要求1-6任一项所述的方法，其特征在于，所述痘痘类别包括粉刺、逗后红斑、炎症性丘疹、脓包、结节和囊肿中的至少一种。8.一种痘痘类别的预测装置，其特征在于，包括：数据集获取单元，用于获取图像数据集，其中，所述图像数据集包括多种类别的痘痘的图像；教师模型训练单元，用于基于所述图像数据集，对预设的多个教师模型进行训练，其
中，所述教师模型包括多种不同的网络结构；学生模型训练单元，用于通过多个所述教师模型对预设的学生模型进行知识蒸馏，以训练所述学生模型，得到训练后的学生模型；痘痘类别预测单元，用于根据所述训练后的学生模型，对包含痘痘的目标图像进行预测，以得到预测的所述目标图像的痘痘类别。9.一种电子设备，其特征在于，包括：存储器以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述一个或多个处理器在执行所述一个或多个计算机程序时，使得所述电子设备实现如权利要求1-7任一项所述的方法。10.一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计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。

技术总结
本申请实施例涉及图像处理技术领域，公开了一种痘痘类别的预测方法、装置、电子设备及存储介质，该痘痘类别的预测方法，一方面，通过包括多种类别的痘痘的图像的数据集对多个教师模型进行训练，使得多个教师模型能够学习到多种类别的痘痘的特征；另一方面，通过多个教师模型对预设的学生模型进行知识蒸馏，以训练学生模型，得到训练后的学生模型，使得学生模型能够更好地提炼出教师模型中学习到的知识，从而提升学生模型的鲁棒性和准确度，进而使本申请能够提高预测痘痘类别的准确率。申请能够提高预测痘痘类别的准确率。申请能够提高预测痘痘类别的准确率。


技术研发人员：陈仿雄
受保护的技术使用者：深圳数联天下智能科技有限公司
技术研发日：2021.12.24
技术公布日：2022/4/1