[發明專利]一種圖像數據的增廣策略選取方法及系統

在審

• 申請號: 202010095784.6
• 申請日: 2020-02-17
• 公開（公告）號: CN111275129A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 王俊;高鵬;謝國彤;楊蘇輝
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京匯思誠業知識產權代理有限公司 11444
• 代理人: 馮曉平

本發明實施例提供了一種圖像數據的增廣策略選取方法及系統，本發明涉及人工智能技術領域，方法包括：從增廣策略集合中選取多個待定策略子集對預設的樣本訓練集進行樣本增廣，得到多個增廣后的樣本訓練集；利用每個增廣后的樣本訓練集訓練初始化的分類模型，得到多個訓練后的分類模型；將預設的樣本驗證集輸入每個訓練后的分類模型，得到訓練好的分類模型對應的分類準確度；利用貝葉斯優化算法基于每個訓練好的分類模型對應的分類準確度，從多個待定策略子集中確定最優策略子集。本發明實施例提供的技術方案能夠解決難以確定哪種增廣策略對當前類型的圖像樣本最有效的問題。

【技術領域】

本發明涉及基架運維技術領域，尤其涉及一種圖像數據的增廣策略選取方法及系統。

【背景技術】

深度學習在計算機視覺領域的成功一定程度歸功于擁有大量帶標記的訓練數據，因為模型的性能通常會隨著訓練數據質量、多樣性和數量的增加而相應提高。然而，要收集足夠多的高質量數據來訓練模型以使其具有良好的性能，往往非常困難和成本昂貴。

目前常用一些數據增廣策略去增加數據量，用以訓練計算機視覺模型，如平移、旋轉和翻轉等通過隨機“擴充”來增加訓練樣本的數量和多樣性。

然而，目前現有的增廣策略各式各樣，在面對不同的數據集的時候表現不一，難以確定哪種增廣策略對當前類型的圖像數據集最有效。

【發明內容】

有鑒于此，本發明實施例提供了一種圖像數據的增廣策略選取方法及裝置，用以解決現有技術中難以確定哪種增廣策略對當前類型的圖像數據集最有效的問題。

為了實現上述目的，根據本發明的一個方面，提供了一種圖像數據的增廣策略選取方法，所述方法包括：從增廣策略集合中選取多個待定策略子集對預設的樣本訓練集進行樣本增廣，得到多個增廣后的樣本訓練集，其中，每個所述待定策略子集由所述增廣策略集合中至少一個增廣策略組成；利用每個所述增廣后的樣本訓練集訓練初始化的分類模型，得到多個訓練后的分類模型；將預設的樣本驗證集輸入每個所述訓練后的分類模型，得到訓練好的所述分類模型對應的分類準確度；利用貝葉斯優化算法基于每個所述訓練好的分類模型對應的分類準確度，從多個待定策略子集中確定最優策略子集。

可選地，所述利用貝葉斯優化算法基于每個所述訓練好的分類模型對應的分類準確度，從多個待定策略子集中確定最優策略子集的步驟，包括：基于多個樣本點構建高斯過程的回歸模型，其中，每個樣本點包括所述訓練好的分類模型的分類準確度及訓練所述分類模型所采用的待定策略子集；根據所述回歸模型確定貝葉斯優化算法的獲取函數；通過對所述獲取函數的最大優化，從多個所述待定策略子集中確定最優策略子集，其中，利用所述最優策略子集增廣后的樣本訓練集訓練得到的分類模型的分類準確度最高。

可選地，所述將預設的樣本驗證集輸入每個所述訓練后的分類模型，得到訓練好的所述分類模型對應的分類準確度，包括：

將預設的樣本驗證集輸入每個所述訓練后的分類模型；獲取所述分類模型輸出的訓練精度及驗證精度；根據所述訓練精度和所述驗證精度判斷所述分類模型是否擬合良好；將擬合良好的所述分類模型確定為訓練好的分類模型，并將所述訓練好的分類模型的驗證精度作為所述分類模型的分類準確度。

可選地，所述利用每個所述增廣后的樣本訓練集訓練初始化的分類模型，得到多個訓練后的分類模型，包括：利用卷積神經網絡提取輸入分類模型的所述增廣后的樣本訓練集中的每個樣本的特征圖；根據所述特征圖，對所述增廣后的樣本訓練集中的對應一個樣本進行分類預測，得到分類結果；獲取所述分類結果集合與所述樣本訓練集中的所有樣本的標簽集合的均方誤差的損失函數；通過反向傳播對所述卷積神經網絡進行優化，以使得所述損失函數的值收斂，得到優化訓練后的所述分類模型。

可選地，在所述將預設的樣本驗證集輸入每個所述訓練后的分類模型，得到訓練好的所述分類模型對應的分類準確度之前，所述方法還包括：從所述預設的樣本驗證集隨機抽取多個驗證子集；將所述多個驗證子集分別輸入每個所述訓練后的分類模型。