[發明專利]基于深度學習的樣本圖像生成方法及其系統

在審

• 申請號: 202110162777.8
• 申請日: 2021-02-05
• 公開（公告）號: CN112836755A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 范小龍;葉錦;喬宇
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳智趣知識產權代理事務所(普通合伙) 44486
• 代理人: 王策

1.一種基于深度學習的樣本圖像生成方法，其特征在于，包括，

圖像獲取：獲取原始圖像集合，所述原始圖像集合包含多個類別的圖像；

圖像分類：對所述原始圖像集合進行主題類別計算，獲取各個類別的主題圖像集合；

模型構建：基于所述主題圖像集合構建各個類別的圖像生成模型；

圖像生成：對各個類別的所述圖像生成模型進行聯合訓練學習，獲取各個類別的生成圖像集合。

2.根據權利要求1所述的方法，其特征在于，所述圖像分類具體包括：

在所述原始圖像集合中選取預設比例的圖像進行標注獲取第一標簽圖像，根據所述第一標簽圖像構建品類圖像集合，結合深度卷積模型構建初始分類模型；

通過所述初始分類模型對所述原始圖像集合中除所述第一標簽圖像以外的圖像進行分類，將分類結果正確的圖像作為第二標簽圖像，并將所述第二標簽圖像劃分到所述品類圖像集合；

根據所述品類圖像集合對所述初始分類模型進行迭代訓練，直至滿足迭代停止條件，將迭代停止后的初始分類模型作為第一分類模型；

通過所述第一分類模型對所述原始圖像集合進行分類，獲取各個類別的主題圖像集合，通過計算圖像之間的相似度獲取各個類別的相似圖像閾值。

3.根據權利要求2所述的方法，其特征在于，所述圖像生成具體包括：

每個類別的所述圖像生成模型根據所述相似圖像閾值，選擇其它類別的所述主題圖像集合進行聯合訓練學習；

每個類別的所述圖像生成模型根據該類別的所述主題圖像集合進行訓練；

各個類別的所述圖像生成模型生成圖像，獲取各個類別的生成圖像集合。

4.根據權利要求2所述的方法，其特征在于，在所述圖像生成之后，還包括：

將所述生成圖像集合作為第三標簽圖像，并將所述第三標簽圖像劃分至所述品類圖像集合，所述初始分類模型根據所述品類圖像集合進行迭代訓練；

在訓練初期，根據所述第一標簽圖像對所述初始分類模型進行微調；

在訓練中期，根據所述第二標簽圖像對所述初始分類模型進行泛化性處理；

在訓練后期，根據所述第三標簽圖像對所述初始分類模型進行精度提升。

5.根據權利要求4所述的方法，其特征在于，所述主題類別計算的誤差表達式為：

L＝a₀L_labeled+a₁L_gan+a₂L_unlabeled

其中，L為總誤差，L_labeled為所述第一標簽圖像的誤差，a₀為L_labeled的權重因子，L_gan為所述第二標簽圖像的誤差，a₁為L_gan的權重因子，L_unlabeled為所述第三標簽圖像的誤差，a₂為L_unlabeled的權重因子。

6.根據權利要求1所述的方法，其特征在于，在所述模型構建和所述圖像生成中，基于MUNIT算法構建所述圖像生成模型，通過內容編碼器和樣式編碼器進行圖像多模態的學習，實現對所述圖像生成模型的訓練。

7.根據權利要求6所述的方法，其特征在于，在所述圖像分類之后、所述模型構建之前，還包括：對所述主題圖像集合進行邊緣提取，將RGB圖像轉為邊緣圖像。

8.根據權利要求1所述的方法，其特征在于，在所述圖像生成之后，還包括：

對所述生成圖像集合進行圖像校驗，所述圖像校驗包括對圖像進行顏色直方圖、清晰度、分類類別、圖像細節的評估指標計算。