[發明專利]一種訓練樣本的生成方法及生成裝置

有效

• 申請號: 202110791909.3
• 申請日: 2021-07-13
• 公開（公告）號: CN113408482B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 陳曉;張偉;謝思敏
• 申請（專利權）人: 杭州聯吉技術有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V20/62;G06V10/774;G06V10/764;G06V10/82;G06N3/084
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 梁立耀

本申請適用于圖像處理的技術領域，提供一種訓練樣本的生成方法及生成裝置，所述生成方法包括：獲取多個車輛樣本圖像各自對應的原始標簽集合；在原始標簽集合中保留單個目標車輛信息對應的第一標簽，并將其余車輛信息對應的第二標簽替換為預設參數，得到原始標簽集合對應的第一標簽集合；循環執行所述按照不同所述目標車輛信息的預設順序，在多個所述第一標簽集合中獲取每個所述預設順序對應的一個目標第一標簽集合，形成第一標簽集合組的步驟，得到目標訓練樣本集合。由于在循環排列后，不同目標車輛信息的第一標簽的數量均勻且分布具有循環性，故可保證不同目標車輛信息的第一標簽的均勻分布。

技術領域

本申請屬于圖像處理的技術領域，尤其涉及一種訓練樣本的生成方法及生成裝置。

背景技術

多分類模型是圖像處理領域中常用的識別手段，可應用于不同的場景，例如：應用于車輛識別場景，以實現對車輛類型、車輛顏色、車輛品牌以及朝向等不同車輛信息對應的標簽進行識別。其中，對于車輛識別場景而言，往往需要同時識別車輛樣本圖像中的多個車輛信息對應的標簽。故多分類模型在訓練階段需要獲取具有多個標簽的訓練樣本(訓練樣本包括車輛樣本圖像以及車輛樣本圖像對應的多個標簽)，并通過訓練樣本對多分類模型進行訓練。

然而，訓練樣本在采集過程中往往由于車輛樣本圖像過于模糊、主體缺失或屬性稀缺性等原因，無法獲取車輛樣本圖像對應車輛信息的所有標簽。導致訓練樣本集合中每種車輛信息的標簽分布不均勻，進而導致根據訓練樣本集合訓練得到的多分類模型的分類效果不佳。故，如何保證訓練樣本集合中各類標簽的均勻分布，成了一個亟需解決的技術問題。

發明內容

有鑒于此，本申請實施例提供了一種訓練樣本的生成方法、生成裝置、終端設備以及計算機可讀存儲介質，可以解決訓練樣本集合中每種標簽的數據分布不均勻的技術問題。

本申請實施例的第一方面提供了一種訓練樣本的生成方法，所述生成方法包括：

獲取多個車輛樣本圖像各自對應的原始標簽集合；所述原始標簽集合包括由不同的車輛信息各自對應標簽構成的集合；

在所述原始標簽集合中保留單個目標車輛信息對應的第一標簽，并將其余車輛信息對應的第二標簽替換為預設參數，得到所述原始標簽集合對應的第一標簽集合；所述預設參數用于暫停所述其余車輛信息對多分類模型的訓練操作或測試操作；所述第一標簽用于訓練或測試所述多分類模型；

按照不同目標車輛信息的預設順序，在多個所述第一標簽集合中獲取每個所述預設順序對應的一個目標第一標簽集合，形成第一標簽集合組；所述目標第一標簽集合是指包括所述預設順序對應的所述目標車輛信息的第一標簽集合；

循環執行所述按照不同所述目標車輛信息的預設順序，在多個所述第一標簽集合中獲取每個所述預設順序對應的一個目標第一標簽集合，形成第一標簽集合組的步驟，并將各個所述第一標簽集合組以及各個所述第一標簽集合組對應的車輛樣本圖像作為目標訓練樣本集合；所述目標訓練樣本集合用于訓練所述多分類模型。

本申請實施例的第二方面提供了一種訓練樣本的生成裝置，所述生成裝置包括：

獲取單元，用于獲取多個車輛樣本圖像各自對應的原始標簽集合；所述原始標簽集合包括由不同的車輛信息各自對應標簽構成的集合；

處理單元，用于在所述原始標簽集合中保留單個目標車輛信息對應的第一標簽，并將其余車輛信息對應的第二標簽替換為預設參數，得到所述原始標簽集合對應的第一標簽集合；所述預設參數用于暫停所述其余車輛信息對多分類模型的訓練操作或測試操作；所述第一標簽用于訓練或測試所述多分類模型；

排列單元，用于按照不同目標車輛信息的預設順序，在多個所述第一標簽集合中獲取每個所述預設順序對應的一個目標第一標簽集合，形成第一標簽集合組；所述目標第一標簽集合是指包括所述預設順序對應的所述目標車輛信息的第一標簽集合；