[發(fā)明專利]新場景適配方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202111324963.3
• 申請日: 2021-11-10
• 公開（公告）號: CN113902762A
• 公開（公告）日: 2022-01-07
• 發(fā)明（設(shè)計）人: 林楚然;王福泉;程力行;袁振華;賈東風(fēng)
• 申請（專利權(quán)）人: 奇酷軟件（深圳）有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/62;G06T5/50;G06K9/62;G06V10/80;G06V10/764;G06V10/774
• 代理公司: 深圳市恒程創(chuàng)新知識產(chǎn)權(quán)代理有限公司 44542
• 代理人: 王韜

本發(fā)明屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，公開了一種新場景適配方法、裝置、設(shè)備及存儲介質(zhì)。該方法包括：從舊數(shù)據(jù)集中選取目標(biāo)正樣本；獲取新場景圖像，從新場景圖像中截取目標(biāo)區(qū)域，得到目標(biāo)負(fù)樣本；將目標(biāo)正樣本與目標(biāo)負(fù)樣本進(jìn)行融合，得到新樣本；確定新樣本對應(yīng)的分類結(jié)果；根據(jù)新樣本和對應(yīng)的分類結(jié)果構(gòu)成新數(shù)據(jù)集；根據(jù)舊數(shù)據(jù)集和新數(shù)據(jù)集對預(yù)設(shè)分類模型進(jìn)行訓(xùn)練。通過上述方式，將現(xiàn)有舊數(shù)據(jù)集中的樣本數(shù)據(jù)作為正樣本，將場景圖像作為負(fù)樣本，融合生成新數(shù)據(jù)集，根據(jù)舊數(shù)據(jù)集和新數(shù)據(jù)集對預(yù)設(shè)分類模型進(jìn)行訓(xùn)練，使得預(yù)設(shè)分類模型快速適配新場景，無需采集大量的包含分類目標(biāo)的新場景樣本數(shù)據(jù)，縮短適配耗時，提高適配效率。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種新場景適配方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

現(xiàn)有的分類任務(wù)模型在面對新場景時，需要提前采集大量的新場景樣本數(shù)據(jù)，標(biāo)記出分類結(jié)果，根據(jù)樣本集對分類任務(wù)模型重新訓(xùn)練，例如，有用于車輛分類的分類任務(wù)模型，可以對室外場景的車輛進(jìn)行良好的分類，區(qū)分出小轎車、面包車以及其它車輛3個類別，但是當(dāng)存在新的場景需求，例如需要對地下停車場的車輛進(jìn)行分類時，分類任務(wù)模型的分類效果差。其中，新場景還可以是其它環(huán)境，比如山區(qū)、牧場、夜間、陰雨天等應(yīng)用場景。針對采用現(xiàn)有的(例如室外場景的)車輛分類的分類任務(wù)模型進(jìn)行地下停車場車輛分類效果差的問題，為了對新場景進(jìn)行分類，現(xiàn)有的方案中，通常收集大量的“地下停車場”的車輛樣本，重新訓(xùn)練分類任務(wù)模型。可見，現(xiàn)有技術(shù)存在以下缺點：每個新場景都需收集大量的數(shù)據(jù)，耗時長；無法快速適配新場景，適配效率低，無法凸顯原有場景樣本的效益。

上述內(nèi)容僅用于輔助理解本發(fā)明的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種新場景適配方法、裝置、設(shè)備及存儲介質(zhì)，旨在解決現(xiàn)有的分類任務(wù)模型在面對新場景時，需要采集大量的新場景樣本數(shù)據(jù)，耗時長，適配效率低的技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供了一種新場景適配方法，所述方法包括以下步驟：

從舊數(shù)據(jù)集中選取目標(biāo)正樣本；

獲取新場景圖像，從所述新場景圖像中截取目標(biāo)區(qū)域，得到目標(biāo)負(fù)樣本；

將所述目標(biāo)正樣本與所述目標(biāo)負(fù)樣本進(jìn)行融合，得到新樣本；

確定所述新樣本對應(yīng)的分類結(jié)果；

根據(jù)所述新樣本和對應(yīng)的分類結(jié)果構(gòu)成新數(shù)據(jù)集；

根據(jù)所述舊數(shù)據(jù)集和所述新數(shù)據(jù)集對預(yù)設(shè)分類模型進(jìn)行訓(xùn)練。

可選地，所述將所述目標(biāo)正樣本與所述目標(biāo)負(fù)樣本進(jìn)行融合，得到新樣本，包括：

隨機(jī)生成面積比例、起始位置以及長寬比；

根據(jù)所述面積比例和所述長寬比從所述目標(biāo)負(fù)樣本中截取待融合數(shù)據(jù)；

根據(jù)所述起始位置將所述待融合數(shù)據(jù)與所述目標(biāo)正樣本進(jìn)行融合，得到新樣本。

可選地，所述確定所述新樣本對應(yīng)的分類結(jié)果，包括：

獲取所述目標(biāo)正樣本對應(yīng)的初始分類結(jié)果；

根據(jù)所述面積比例和所述初始分類結(jié)果確定所述新樣本對應(yīng)的分類結(jié)果。

可選地，所述獲取所述目標(biāo)正樣本對應(yīng)的初始分類結(jié)果，包括：

獲取所述目標(biāo)正樣本對應(yīng)的目標(biāo)類別；

基于全部類別對所述目標(biāo)類別進(jìn)行一位有效編碼，得到所述目標(biāo)正樣本對應(yīng)的初始分類結(jié)果。

可選地，所述根據(jù)所述面積比例和所述長寬比從所述目標(biāo)負(fù)樣本中截取待融合數(shù)據(jù)之后，所述方法還包括：

隨機(jī)生成預(yù)設(shè)旋轉(zhuǎn)角度；