[發(fā)明專利]訓練樣本的擴展方法、裝置、存儲介質(zhì)及設(shè)備

在審

• 申請?zhí)枺?/td>: 202110266600.2
• 申請日: 2021-03-11
• 公開（公告）號: CN112966757A
• 公開（公告）日: 2021-06-15
• 發(fā)明（設(shè)計）人: 王堃
• 申請（專利權(quán)）人: 江蘇禹空間科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06N3/04
• 代理公司: 北京德崇智捷知識產(chǎn)權(quán)代理有限公司 11467
• 代理人: 黃雪

1.一種訓練樣本的擴展方法，其特征在于，所述方法包括：

獲取數(shù)據(jù)集中的訓練集，所述訓練集中包括多個原始樣本；

對所述訓練集中的每個原始樣本進行擴展，得到擴展樣本；

將所述擴展樣本添加到所述訓練集中；

當所述訓練集中存在類不平衡現(xiàn)象時，采用高斯模糊算法對所述訓練集中的各個樣本進行修正，所述樣本包括所述原始樣本和所述擴展樣本。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述訓練集中的每個原始樣本進行擴展，得到擴展樣本，包括：

當對所述訓練集中的一個原始樣本進行一次擴展時，從四種處理方式中隨機選擇n種處理方式，所述四種處理方式包括對圖像添加高斯噪聲、使用拉普拉斯算子對圖像進行銳化、對圖像進行隨機裁剪、對圖像的亮度和對比度進行調(diào)整，n≥1；

當n=1時，按照選擇的處理方式對所述原始樣本進行處理，得到一個擴展樣本；

當n≥2時，對所述n種處理方式進行隨機排序，按照排序后的n種處理方式依次對所述原始樣本進行處理，得到一個擴展樣本。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采用高斯模糊算法對所述訓練集中的各個樣本進行修正，包括：

獲取預(yù)設(shè)的權(quán)值矩陣，所述權(quán)值矩陣中包括m×m個像素點的權(quán)值，m≥2；

當所述訓練集中的樣本為灰度圖像時，對于所述樣本中的每個像素點，計算以所述像素點為中心的m×m個像素點的灰度值與所述權(quán)值矩陣的加權(quán)平均值，利用所述加權(quán)平均值更新所述像素點的灰度值；

將灰度值更新后的樣本確定為修正后的樣本。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采用高斯模糊算法對所述訓練集中的各個樣本進行修正，包括：

獲取預(yù)設(shè)的權(quán)值矩陣，所述權(quán)值矩陣中包括m×m個像素點的權(quán)值，m≥2；

當所述訓練集中的樣本為彩色圖像時，對于所述樣本中的每個像素點，在RGB三個通道中的每個通道中，分別計算以所述像素點為中心的m×m個像素點的灰度值與所述權(quán)值矩陣的加權(quán)平均值，利用所述加權(quán)平均值更新所述像素點的灰度值；

將灰度值更新后的樣本確定為修正后的樣本。

5.根據(jù)權(quán)利要求1至4中任一項所述的方法，其特征在于，所述方法還包括：

根據(jù)修正后的訓練集對目標檢測模型進行訓練。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述方法還包括：

在訓練所述目標檢測模型之前，對所述擴展樣本的標簽進行標注。

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)修正后的訓練集對目標檢測模型進行訓練，包括：

采用聚類算法對所述修正后的訓練集進行聚類，得到錨框；

根據(jù)所述修正后的數(shù)據(jù)集和所述錨框?qū)λ瞿繕藱z測模型進行訓練。

8.一種訓練樣本的擴展裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取數(shù)據(jù)集中的訓練集，所述訓練集中包括多個原始樣本；

擴展模塊，用于對所述訓練集中的每個原始樣本進行擴展，得到擴展樣本；

添加模塊，用于將所述擴展樣本添加到所述訓練集中；

修正模塊，用于當所述訓練集中存在類不平衡現(xiàn)象時，采用高斯模糊算法對所述訓練集中的各個樣本進行修正，所述樣本包括所述原始樣本和所述擴展樣本。

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)中存儲有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1至7任一所述的訓練樣本的擴展方法。

10.一種計算機設(shè)備，其特征在于，所述計算機設(shè)備包括處理器和存儲器，所述存儲器中存儲有至少一條指令，所述指令由所述處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1至7任一所述的訓練樣本的擴展方法。