[發明專利]訓練數據增強方法、網絡模型訓練方法、裝置和設備

在審

• 申請號: 202011228589.2
• 申請日: 2020-11-06
• 公開（公告）號: CN112418007A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 戚風亮
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 姜曉云

1.一種訓練數據增強方法，其特征在于，訓練數據用于機器學習，所述方法包括：

獲取初始訓練數據，并識別所述初始訓練數據中的至少兩個對象；

獲取每個所述對象對應的對象序列集，并從各所述對象序列集中確定對應對象的目標對象序列；

分別從每個所述對象對應的目標對象序列中獲取待交換圖像；

將所獲取的不同對象的待交換圖像進行交換，得到數據增強后的目標訓練數據。

2.根據權利要求1所述的方法，其特征在于，所述獲取初始訓練數據，并識別所述初始訓練數據中的至少兩個對象，包括：

對獲取的每個所述對象執行身份檢測，直到獲取到至少兩個不同身份的所述對象為止。

3.根據權利要求1所述的方法，其特征在于，所述目標對象序列包括其對應的所述對象的多幀圖像；

所述獲取每個所述對象對應的對象序列集，并從各所述對象序列集中確定對應對象的目標對象序列，包括：

從所述初始訓練數據中獲取第一對象對應的第一對象序列集，并從所述第一對象序列集中獲取第一目標對象序列；

從所述初始訓練數據中獲取第二對象對應的第二對象序列集，并從所述第二對象序列集中獲取第二目標對象序列；

其中，所述第一對象序列集中包括對應第一對象的k個第一對象序列，各所述第一對象序列中包括其對應的第一對象的m幀圖像，所述第二對象序列集中包括對應第二對象的f個第二對象序列，各所述第二對象序列中包括其對應的第二對象的n幀圖像。

4.根據權利要求3所述的方法，其特征在于，所述分別從每個所述對象對應的目標對象序列中獲取待交換圖像，包括：

從所述第一目標對象序列中獲取第一待交換圖像；

從所述第二目標對象序列中獲取第二待交換圖像；

所述將所獲取的不同對象的待交換圖像進行交換，得到數據增強后的目標訓練數據，包括：

將所獲取的所述第一待交換圖像和所述第二待交換圖像進行交換，得到數據增強后的所述目標訓練數據。

5.根據權利要求1至4任一項所述的方法，其特征在于，所述將所獲取的不同對象的待交換圖像進行交換，得到數據增強后的目標訓練數據，包括：

將所獲取的不同對象的待交換圖像進行交換，得到交換后的初始訓練數據；

對所述交換后的初始訓練數據進行通道轉換，生成預設通道數量的初始訓練數據；

對所述預設通道數量的初始訓練數據按照預設的數據存儲要求進行存儲，得到數據增強后的目標訓練數據。

6.一種網絡模型訓練方法，其特征在于，所述方法包括：

構建初始網絡模型；

獲取權利要求1至5任一項生成的目標訓練數據，并將所述目標訓練數據作為所述初始網絡模型的訓練集數據；

將所述訓練集數據輸入所述初始網絡模型，對所述初始網絡模型進行訓練，得到訓練完成的網絡模型；

所述將所述訓練數據作為所述初始網絡模型的訓練集數據，包括：

將所述目標訓練數據作為一個批次的訓練集數據；

所述將所述訓練集數據輸入所述初始網絡模型，對所述初始網絡模型進行訓練，得到訓練完成的網絡模型，包括：

通過所述一個批次的訓練集數據對所述初始網絡模型進行訓練，得到訓練后的初始網絡模型；

計算所述訓練后的初始網絡模型的損失值；

判定所述損失值是否大于或等于預設損失閾值；

當所述損失值大于或等于預設損失閾值時，則獲取下一批次的訓練集數據，并繼續對所述訓練后的初始網絡模型進行訓練，直至所述損失值小于所述預設損失閾值，得到訓練完成的網絡模型。