[發明專利]一種虛擬樣本生成方法、裝置、存儲介質及電子設備

在審

• 申請號: 202111365555.2
• 申請日: 2021-11-17
• 公開（公告）號: CN114049536A
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 韋泰丞;劉雁兵;左少燕;王吉斌;陳浩;王金橋;朱優松;趙朝陽
• 申請（專利權）人: 廣西中煙工業有限責任公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06K9/62;G06N3/04;G06N3/08;G06T3/40;G06T5/00
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 李紅團

本發明公開了一種虛擬樣本生成方法、裝置、存儲介質及電子設備，該方法包括：獲取背景場景樣本和待檢測的數據樣本；根據數據樣本的信息構建樣本關系模型；將待檢測的數據樣本進行數據增強，得到增強后的數據樣本；根據樣本關系模型構建的排列規則對增強后的數據樣本進行排列后嵌入背景場景樣本，生成第一樣本；根據對抗式網絡對第一樣本進行風格遷移，得到虛擬樣本。通過實施本發明，在進行高質量虛擬樣本生成的過程中，通過引入關系建模，使得生成虛擬樣本中樣本排列更加符合實際應用場景，同時利用生成對抗式網絡對數據樣本進行風格遷移，從而使最終生成的樣本風格具有一致性，且使得樣本圖像能夠平滑的嵌入背景中，使圖像更加逼真。

技術領域

本發明涉及計算機視覺和模式識別技術領域，具體涉及一種虛擬樣本生成方法、裝置、存儲介質及電子設備。

背景技術

近年來人工智能技術在工業發展迅速，人們利用深度學習方法，進行圖像識別、目標檢測，幫助人們完成各種需求。其中利用神經網絡算法構建的分類與檢測模型在工業上取得了較好的效果。而圖像識別等技術需要依賴大數據的驅動，依靠大量的訓練數據對模型進行訓練學習后，才能達到較好的實際應用效果。

在實際應用場景下，常常遇到數據不足的情況，模型在少量數據下無法學習得到較好的表現，因此為了獲得更好的算法效果，需要通過人工的手段去獲得更多包含豐富特征的圖片。然而，樣本量越大，不僅會導致成本增加，同時，還會增加樣本獲取的難度。

發明內容

有鑒于此，本發明實施例提供了涉及一種虛擬樣本生成方法、裝置、存儲介質及電子設備，以解決現有技術中在對模型進行訓練學習時，訓練樣本少的技術問題。

本發明提出的技術方案如下：

本發明實施例第一方面提供一種虛擬樣本生成方法，包括：獲取背景場景樣本和待檢測的數據樣本；根據數據樣本的信息構建樣本關系模型；將待檢測的數據樣本進行數據增強，得到增強后的數據樣本；根據所述樣本關系模型構建的排列規則對增強后的數據樣本進行排列后嵌入所述背景場景樣本，生成第一樣本；根據對抗式網絡對第一樣本進行風格遷移，得到虛擬樣本。

可選地，數據增強的方式包括：尺度隨機抖動、基于HSV空間的數據增強、圖像銳度增強以及隨機翻轉與旋轉；將待檢測的數據樣本進行數據增強，包括：對每種數據擴增方式根據預設概率隨機對待檢測的數據樣本進行數據增強。

可選地，根據數據樣本的信息構建樣本關系模型，包括：獲取數據樣本的銷售信息；根據所述銷售信息確定數據樣本的品規信息；基于數據挖掘算法，根據所述銷售信息和品規信息計算每個數據樣本品牌銷售量與其他品牌銷售量的關聯性，得到相關性大于閾值的數據品規；根據數據樣本的品規信息和相關性大于閾值的數據品規構建樣本關系模型。

可選地，根據所述樣本關系模型構建的排列規則對增強后的數據樣本進行排列后嵌入所述背景場景樣本，生成第一樣本，包括：根據隨機擺放方式、品規信息或者相關性信息對數據樣本進行排列，得到排列后的數據樣本；將排列后的數據樣本嵌入所述背景場景樣本，生成第一樣本。

可選地，所述對抗式網絡的損失函數通過以下公式表示：

其中，表示對抗性損失，G表示生成器，D_Y表示判別器，表示循環一致性損失。

可選地，根據對抗式網絡對第一樣本進行風格遷移，得到虛擬樣本，包括：將第一樣本中的每個數據樣本圖像剪切后輸入至對抗式網絡進行風格遷移，得到遷移后的數據樣本圖像；將遷移后的數據樣本圖像嵌入會第一樣本中，得到虛擬樣本。

可選地，待檢測的數據樣本為卷煙小盒外包裝樣本。