(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 202211015295.0 (22)申请日 2022.08.23 (71)申请人 抖音视界有限公司 地址 100041 北京市石景山区实兴大街3 0 号院3号楼 2层B-0035房间 (72)发明人 王杰祥　张志诚　边成　李永会　 (74)专利代理 机构 北京英创嘉友知识产权代理 事务所(普通 合伙) 11447 专利代理师 曹寒梅 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 息肉检测模 型的训练方法、 检测方法、 装置、 介质及设备 (57)摘要 本公开涉及一种息肉检测模 型的训练方法、 检测方法、 装置、 介质及设备， 包括： 基于息肉检 测模型对源域数据集中的源域图像和目标域数 据集中的目标域图像进行前背景特征提取， 获得 第一源域特征和第一目标域特征； 基于第一源域 特征和第一目标域特征， 确定源域前景节点和目 标域前景节 点； 确定每一源域前景节 点和每一目 标域前景节 点之间的相关性参数； 根据相关性参 数分别对第一源域特征和第一目标域特征进行 更新， 获得第二源域特征和第二目标域特征； 根 据第二源域特征获得源域图像对应的预测结果； 根据源域图像对应的预测结果和息肉标签、 以及 第二源域特征和第二目标域特征， 确定息肉检测 模型的目标损失， 并根据目标损失对息肉检测模 型进行训练。 权利要求书3页 说明书16页 附图2页 CN 115375655 A 2022.11.22 CN 115375655 A 1.一种息肉检测模型的训练方法， 其特 征在于， 所述方法包括： 基于息肉检测模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行 前背景特征提取， 获得第一源域特征和 第一目标域特征， 其中， 所述源域数据集中的图像标 注有息肉标签， 所述 目标域数据集中的图像未标注标签， 所述源域数据集与所述 目标域数 据集的数据分布不同； 基于所述第 一源域特征和所述第 一目标域特征， 确定所述源域图像中的源域前景节点 和所述目标域图像中的目标域前 景节点； 根据所述源域前景节点和所述目标域前景节点， 确定每一所述源域前景节点和每一所 述目标域前 景节点之间的相关性 参数； 根据所述相关性参数分别对所述第 一源域特征和所述第 一目标域特征进行更新， 获得 第二源域特 征和第二目标域特 征； 根据所述第二源域特 征获得所述源域图像对应的预测结果； 根据所述源域图像对应的预测结果和所述息肉标签、 以及所述第 二源域特征和所述第 二目标域特征， 确定息肉检测模型 的目标损失， 并根据所述 目标损失对所述息肉检测模型 进行训练。 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 一源域特征和所述第 一目 标域特征， 确定所述源域图像中的源域前景节点和所述 目标域图像中的目标域前景节点， 包括： 根据所述息肉标签确定所述第一源域特 征对应的候选前 景节点集合； 针对所述候选前景节点集合中的每一所述候选前景节点， 确定所述第 一目标域特征中 与所述候选前景节点对应的目标域匹配前景节点， 并确定所述目标域匹配前景节点在所述 第一源域特 征中的源域匹配前 景节点； 若所述源域匹配前景节点属于所述候选前景节点集合， 将所述候选前景节点确定为所 述源域前 景节点， 并将所述目标域匹配前 景节点确定为所述目标域前 景节点。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述源域前景节点和所述目标域 前景节点， 确定每一所述源域前景节点和每一所述 目标域前景节点之间的相关性参数， 包 括： 通过以下公式确定第i个源域前景节点和第j个目标域前景节点之间的相关性参数 其中， 用于表示源域图像s中的第i个源域前 景节点对应的第一源域特 征； 用于表示目标域图像t中的第j个目标域前 景节点对应的第一目标域特 征； σ用于表示调节超参数。 4.根据权利要求1所述的方法， 其特征在于， 根据 所述相关性参数分别对所述第 一源域 特征和所述第一目标域特 征进行更新， 获得第二源域特 征和第二目标域特 征， 包括：权　利　要　求　书 1/3 页 2 CN 115375655 A 2基于所述相关性参数， 对所述第一源域特征进行多层卷积特征提取， 获得所述第二源 域特征； 基于所述相关性参数， 对所述第一目标域特征进行多层卷积特征提取， 获得所述第二 目标域特征， 其中， 所述第一源域特征和所述第一 目标域特征对应的卷积特征提取 的层数 相同。 5.根据权利要求4所述的方法， 其特征在于， 通过以下公式基于所述相关性参数， 对所 述第一源域特 征进行多层卷积特 征提取， 获得 所述第二源域特 征： A'＝Ast+I， 其中， Ast用于源域图像s的源域前景节点和目标域图像t中的目标域前景节点之间的相 关性参数的矩阵； I用于表示单位矩阵； D'用于表示Ast的度矩阵， 其中， D'ii＝∑jA'ij； H(l)用于表示第l层对应的卷积特 征， 其中第0层对应的卷积特 征为所述第一源域特 征； Hl+1用于表示第l+1层对应的卷积特 征； W(l)用于表示第l层对应的权 重参数； η()用于表示非线性激活函数。 6.根据权利要求1所述的方法， 其特征在于， 所述基于息肉检测模型对源域数据集中的 源域图像和目标域数据集中的目标域图像进 行前背景特征提取， 获得第一源域特征和 第一 目标域特 征， 包括： 针对目标图像， 基于所述息肉检测模型中的主干网络对所述目标图像进行特征提取， 获得图像特 征， 其中， 所述目标图像包括所述源域图像和所述目标域图像； 对所述图像特 征进行感兴趣区域特 征提取， 获得感兴趣区域特 征； 将所述图像特征和所述感兴趣区域特征进行特征融合， 获得第一域特征， 其中， 所述第 一域特征包括与所述源域图像对应的所述第一源域特征、 以及与所述目标域图像对应的所 述第一目标域特 征。 7.根据权利要求1所述的方法， 其特 征在于， 所述息肉标签包括 位置标签和分类标签； 所述根据 所述源域图像对应的预测结果和所述息肉标签、 以及所述第 二源域特征和所 述第二目标域特 征， 确定息肉检测模型的目标损失， 包括： 根据所述预测结果中的预测位置信息和所述 位置标签， 确定回归损失； 根据所述预测结果中的预测分类信息和所述分类标签， 确定分类损失； 根据所述第二源域特 征和所述第二目标域特 征， 确定特 征损失； 根据所述回归损失、 所述分类损失和所述特 征损失， 确定所述目标损失。 8.根据权利要求7所述的方法， 其特征在于， 通过以下公式根据 所述第二源域特征和所 述第二目标域特 征， 确定特 征损失： 其中， Lcst用于表示所述特 征损失；权　利　要　求　书 2/3 页 3 CN 115375655 A 3