[發明專利]一種水上圖像數據集擴展方法

有效

• 申請號: 202011179545.5
• 申請日: 2020-10-29
• 公開（公告）號: CN112257627B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 張衛東;任相璇;楊子恒;胡智煥;何星
• 申請（專利權）人: 上海交通大學;上海交通大學煙臺信息技術研究院
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/82;G06T3/40;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

本發明涉及一種水上圖像數據集擴展方法，該方法包括如下步驟：S1、獲取已有水上圖像數據集，作為第一數據子集；S2、對已有水上圖像數據集中的圖像數據進行擴充處理得到第二數據子集；S3、構建并訓練生成式對抗網絡，采用生成式對抗網絡生成水上仿真圖像數據得到第三數據子集；S4、將第一數據子集、第二數據子集和第三數據子集進行標準化處理后組合成水上圖像數據擴展數據集。與現有技術相比，本發明可有效增加水上圖像數據集的覆蓋范圍，使數據集擁有更大數量及更廣泛場景的圖像，降低構建數據集的成本。

技術領域

本發明涉及一種圖像處理技術領域，尤其是涉及一種水上圖像數據集擴展方法。

背景技術

近年來，深度學習得到迅猛的發展，被廣泛應用于大大小小的各個領域中，深度學習中所構建模型的模型質量與數據集的大小密切相關。大數量且高質量的數據集可以解決網絡訓練中過擬合等一系列問題，其精度也高度依賴于數據集的大小與質量。然而獲取一個數量大且質量好的數據集需要大量的人力及財力成本，在很多背景中制約了深度學習的有效應用。

在與水上相關的目標檢測和自動駕駛等領域中，深度學習技術得到了廣泛應用。相較于一般場景的深度學習模型數據較容易獲取，如ImageNet、CIFAR-100、VOC等開源公共數據集，水上圖像數據往往更難以獲取，很難找到開源的滿足要求的數據用于模型訓練。且現有的水上圖像數據數量遠遠少于其它生活圖像數據數量，這也給水上數據集的生成增加了難度。

在海上自動駕駛領域，海上天氣變化速度快，較難預測，所以海上自動駕駛等技術必須考慮天氣對圖片質量的影響，而現有數據集關于極端天氣情況下的數據量太少，不能滿足模型進行有效訓練。同時，長期作業下的水上設備鏡頭容易出現裂痕，或者受到污染但是不能及時的進行維修，這使采集到的圖像數據不夠清晰，也會使圖片質量受到嚴重影響，使模型在實際應用中出現問題。因此，相關領域深度學習中水上圖像數據集不足的問題成為當前亟待解決的技術問題。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種水上圖像數據集擴展方法。

本發明的目的可以通過以下技術方案來實現：

一種水上圖像數據集擴展方法，該方法包括如下步驟：

S1、獲取已有水上圖像數據集，作為第一數據子集；

S2、對已有水上圖像數據集中的圖像數據進行擴充處理得到第二數據子集；

S3、構建并訓練生成式對抗網絡，采用生成式對抗網絡生成水上仿真圖像數據得到第三數據子集；

S4、將第一數據子集、第二數據子集和第三數據子集進行標準化處理后組合成水上圖像數據擴展數據集。

優選地，該方法還包括水上圖像數據擴展數據集的更新，具體方法為：將水上圖像數據擴展數據集用于水上設備應用模型的訓練，采集水上圖像實時數據，將水上圖像實時數據輸入至應用模型，根據應用模型的輸出誤差判定是否需要更新訓練該應用模型的水上圖像數據擴展數據集，若需要，則定期將采集到的水上圖像實時數據添加至水上圖像數據擴展數據集中完成更新。

優選地，將水上圖像實時數據添加至水上圖像數據擴展數據集時對水上圖像實時數據進行分類，并添加至水上圖像數據擴展數據集的對應類別中。

優選地，步驟S2中擴充處理的方式包括將圖像數據處理為不同天氣下的圖像、將圖像數據處理為不同拍攝鏡頭影響因素下的圖像。

優選地，所述的不同天氣包括大霧、陰天、大雨。

優選地，所述的不同拍攝鏡頭影響因素包括不同鏡頭裂縫、鏡頭污染。

優選地，所述的生成式對抗網絡包括：

第一生成式對抗網絡：用于根據隨機輸入噪聲自動生成水上仿真圖像數據；