CN113269213B - 训练集的获取方法、装置及电子设备 - Google Patents
训练集的获取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113269213B CN113269213B CN202010095790.1A CN202010095790A CN113269213B CN 113269213 B CN113269213 B CN 113269213B CN 202010095790 A CN202010095790 A CN 202010095790A CN 113269213 B CN113269213 B CN 113269213B
- Authority
- CN
- China
- Prior art keywords
- training set
- training
- image
- model
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 498
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013508 migration Methods 0.000 claims abstract description 58
- 230000005012 migration Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000005065 mining Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 101100425597 Solanum lycopersicum Tm-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种训练集的获取方法及相关设备,涉及计算机技术领域中的地图技术。具体实现方案为:获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。这样,可以克服目前在基于卫星图的失效区域挖掘技术中存在的生成训练集的效率较低的问题,进而提升生成训练集的效率。
Description
技术领域
本申请涉及计算机技术领域中的地图技术,尤其涉及一种训练集的获取方法、装置及电子设备。
背景技术
在基于卫星图的失效区域挖掘技术中,是在现实世界中出现了大面积地形地貌变更(如区域拆迁等)情况下,采用卫星采集的图像,利用深度学习构建的神经网络模型进行图像识别分类,找到城市中已经变更的区域,把该区域所对应地图中的“失效区域”圈画出来,并将圈画出来的区域中包含的POI点进行下线处理。
其中,神经网络模型通常是需要通过包含大量的训练数据的训练集训练得到,而目前的训练集通常由人工采集数据生成,例如,在出现区域拆迁的情况下,通过人工标注的方法,把一部分卫星图像标记为“拆迁”、“非拆迁”两种类别,再采用复制、旋转、反转、加噪声等方式,构建成训练集合。但是,通过人工采集数据生成训练集,会存在生成训练集的效率较低的问题。
发明内容
本申请实施例提供一种训练集的获取方法及相关设备,以解决目前在基于卫星图的失效区域挖掘技术中存在的生成训练集的效率较低的问题。
为解决上述技术问题,本申请是这样实现的:
本申请第一方面提供一种训练集的获取方法,包括:
获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;
对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;
基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。
可选的,所述基于所述第一训练集和所述第二训练集,生成目标训练集,包括:
基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,得到满足预设条件的目标模型,其中,所述N为大于1的整数;第一次模型训练的训练集包括所述第一训练集中的部分数据,且第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本;
将训练得到所述目标模型的训练集作为目标训练集。
可选的,所述目标模型为第N-1次模型训练得到的深度神经网络模型;
所述预设条件为:所述目标模型的预测准确度高于第N-2次模型训练得到的深度神经网络模型的预测准确度,且高于第N次模型训练得到的深度神经网络模型的预测准确度。
可选的,所述对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,包括:
在原始风格图像集中确定至少一幅目标原始风格图像;
基于所述至少一幅目标原始风格图像和目标图像风格迁移模型,对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
可选的,所述在原始风格图像集中确定至少一幅目标原始风格图像,包括:
获取所述原始风格图像集中每一原始风格图像与第一训练集的画风相关度,其中,所述画风相关度由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到;
确定所述原始风格图像集中画风相关度小于或者等于预设阈值的至少一幅目标原始风格图像。
第二方面,本申请还提供一种训练集的获取装置,包括:
训练集获取模块,用于获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;
迁移处理模块,用于对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;
训练集生成模块,用于基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。
可选的,所述训练集生成模块,包括:
模型训练单元,用于基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,得到满足预设条件的目标模型,其中,所述N为大于1的整数;第一次模型训练的训练集包括所述第一训练集中的部分数据,且第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本;
训练集确定单元,用于将训练得到所述目标模型的训练集作为目标训练集。
可选的,所述目标模型为第N-1次模型训练得到的深度神经网络模型;
所述预设条件为:所述目标模型的预测准确度高于第N-2次模型训练得到的深度神经网络模型的预测准确度,且高于第N次模型训练得到的深度神经网络模型的预测准确度。
可选的,所述迁移处理模块,包括:
原始图像确定单元,用于在原始风格图像集中确定至少一幅目标原始风格图像;
迁移处理单元,用于基于所述至少一幅目标原始风格图像和目标图像风格迁移模型,对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
可选的,所述原始图像确定单元,包括:
相关度获取子单元,用于获取所述原始风格图像集中每一原始风格图像与第一训练集的画风相关度,其中,所述画风相关度由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到;
原始图像确定子单元,用于确定所述原始风格图像集中画风相关度小于或者等于预设阈值的至少一幅目标原始风格图像。
本申请第三方面提供一种服务器,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面所述的方法。
本申请第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
本申请第五方面提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面中的任一项方法。
上述申请中的一个实施例具有如下优点或有益效果:获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。因为采用对人工标记的第一训练集的样本进行图像迁移处理,得到第二训练集,并基于第一训练集和第二训练集生成目标训练集的技术手段,所以克服了目前在基于卫星图的失效区域挖掘技术中存在的生成训练集的效率较低的问题,进而提升生成训练集的效率。
另外,通过在进行N次模型训练过程中,可以对第N-2次、第N-1次以及第N次训练得到的神经网络模型的预测准确度进行比较,并在第N-1次训练得到的神经网络模型的准确度最高的情况下,将第N-1次训练得到的神经网络模型作为目标模型,从而可以减少模型训练的次数,更加快速地获取到目标模型,进一步提升获取到目标训练集的效率。
通过根据原始图像集中原始风格图像与第一训练集的画风相关度,将与第一训练集的画风相关度小于或者等于预设阈值的原始图像风格作为上述至少一幅目标原始风格图像,使得至少一幅原始风格图像中原始风格图像的画风与第一训练集中卫星图像样本的图像的画风具有较大的差异,从而可以使得第二训练集中的样本更丰富,且使操作更便捷。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图之一;
图3是根据本申请第二实施例的示意图之二;
图4是根据本申请第二实施例的示意图之三;
图5是根据本申请第二实施例的示意图之四;
图6是用来实现本申请实施例的训练集的获取方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
请参见图1,本申请实施例提供的一种训练集的获取方法,该方法可以应用于服务器等电子设备,如图1所示,所述训练集的获取方法包括如下步骤:
步骤101、获取第一训练集。
其中,第一训练集包括人工标记的卫星图像样本。
本申请中,上述获取第一训练集,可以理解为电子设备获取至少一个卫星图像数据,标记人员基于该至少一个卫星图像数据中每一卫星图像数据的图像中地形地貌变更情况,对卫星图像数据进行标记,形成具有标记的至少一个卫星图像样本,并将形成的至少一个卫星图像样本生成上述第一训练集。其中,上述地形地貌变更可以包括图像中区域拆迁等。
例如,可以是标记人员根据每一卫星图像数据的图像中是否存在区域拆迁,将每一卫星图像数据标记为“拆迁”或者“非拆迁”,并将标记“拆迁”或者“非拆迁”的卫星图像数据作为第一训练集中的样本。
当然,上述第一训练集也可以是其他电子设备根据标记人员对至少一个卫星图像数据的标记操作,形成至少一个卫星图像样本,并将形成的至少一个卫星图像样本传输至上述电子设备生成上述第一训练集。
步骤102、对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本。
本申请中,在上述步骤101中获取到第一训练集之后,电子设备可以对第一训练集中每一卫星图像样本进行图像风格迁移处理,从而基于第一训练集中每一卫星图像样本,可以生成与第一训练集中每一卫星图像样本的图像发生风格改变的卫星图像样本,并将图像风格迁移处理后得到的卫星图像样本生成上述第二训练集。
上述步骤102中,上述对第一训练集中卫星图像样本进行图像风格迁移处理,可以是电子设备通过预先设置的图像迁移模型或者算法对卫星图像样本进行图像风格迁移,生成与卫星图像样本发生图像风格改变的新的卫星图像样本。
具体地,上述步骤102,可以包括:
在原始风格图像集中确定至少一幅目标原始风格图像,以及获取目标图像风格迁移模型;
基于所述至少一幅目标原始风格图像和目标图像风格迁移模型,对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
这里,电子设备可以基于至少一幅目标原始风格图像和目标图像风格迁移模型,在第一训练集中每一卫星图像样本的基础上,对第一训练集中的卫星图像样本的图像风格迁移为至少一幅目标原始风格图像中每一幅目标原始风格图像的图像风格,从而可以更加快速地生成第二训练集,进一步提升生成目标训练集的效率。
本实施方式中,上述目标图像风格迁移模型可以是任何能够实现图像风格迁移的模型,如AdaIN模型,等等。
其中,上述生成与第一训练集中的卫星图像样本发生图像风格改变的新的卫星图像样本,可以是基于第一训练集中每一卫星图像样本对应生成一个新的卫星图像样本,或者也可以是基于第一训练集中每一卫星图像样本对应生成多个新的卫星图像样本,且生成的新的卫星图像样本的数量与上述至少一幅目标原始风格图像中图像的数量相同。
需要说明的是,经过图像风格迁移处理后生成的新的卫星图像样本,与其对应的第一训练集中的卫星图像样本仅仅是图像风格上发生变化,新的卫星图像样本与其对应的第一训练集中的卫星图像具有相同的标记。
例如,电子设备可以是在15幅古典名画(即原始风格图像集)中选择5幅古典名画(上述至少一幅目标原始风格图像),并将5幅古典名画中每一幅古典名画和上述第一训练集中的每一卫星图像样本输入至AdaIN模型,生成新的卫星图像样本,且第一训练集中的每一卫星图像样本可以对应生成5个新的卫星图像样本,以及每一新的卫星图像样本的标记与其对应的第一训练集中的卫星图像的标记相同,如若第一训练集中的卫星图像样本的标记为“拆迁”,则该卫星图像样本图像风格迁移后生成的新的卫星图像样本的标记也为“拆迁”,从而得到上述第二训练集。
本实施方式中,上述原始风格图像集可以是电子设备中预设的包括一定数量的原始风格图像的图像集。
另外,上述在原始风格图像集中确定至少一幅目标原始风格图像,可以是在原始风格图像集中随机选择至少一幅目标原始风格图像,或者,也可以是根据操作人员的操作在原始风格图像集中确定上述至少一幅目标原始风格图像。
在一些实施方式中,所述在原始风格图像集中确定至少一幅目标原始风格图像,包括:
获取所述原始风格图像集中每一原始风格图像与第一训练集的画风相关度,其中,所述画风相关度为:由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到;
确定所述原始风格图像集中画风相关度小于或者等于预设阈值的至少一幅目标原始风格图像。
这里,电子设备可以根据原始图像集中原始风格图像与第一训练集的画风相关度,将与第一训练集的画风相关度小于或者等于预设阈值的原始图像风格作为上述至少一幅目标原始风格图像,使得至少一幅原始风格图像中原始风格图像的画风与第一训练集中卫星图像样本的图像的画风具有较大的差异,从而可以使得第二训练集中的样本更丰富,且使操作更便捷。
本实施方式中,上述画风相关度由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到,可以是通过图像处理处理技术提取每一原始风格图像与第一训练集中每一卫星图像样本中图像的风格特征,再根据提取的风格特征计算每一原始风格图像与第一训练集中每一卫星图像样本的相似度,最后对计算得到的每一相似度进行归一化处理,得到上述画风相关度。
步骤103、基于所述第一训练集和所述第二训练集,生成目标训练集。
其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。
本申请中,在步骤102中生成第二训练集中,电子设备可以基于第一训练集和第二训练集,生成新的训练集(即目标训练集)。
其中,上述基于第一训练集和第二训练集,生成目标训练集,可以是在第一训练集和第二训练集中分别选取部分卫星图像样本组合形成上述目标训练集,例如,可以是在第一训练集和第二训练集中随机挑选或者按照一定规则挑选部分卫星图像样本组合形成上述目标训练集。
在一些实施方式中,上述步骤103,可以包括:
基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,得到满足预设条件的目标模型,其中,所述N为大于1的整数;第一次模型训练的训练集包括所述第一训练集中的部分数据,且第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本;
将训练得到所述目标模型的训练集作为目标训练集。
这里,电子设备可以基于第一训练集和第二训练集进行N次模型训练,并将N次模型训练中满足预设条件的目标模型所对应的训练集作为上述目标训练集,从而使获取的目标训练集更合适。
本实施方式中,上述基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,可以是电子设备将第一训练集中的部分卫星图像样本作为第一次模型训练的训练集,并通过第一次模型训练的训练集对深度神经网络模型进行训练,得到第一训练模型;将第一次模型训练的训练集的卫星图像样本和第二训练集中的部分卫星图像样本作为第二次模型训练的训练集,并通过第二次模型训练的训练集对第一训练模型进行训练,得到第二训练模型;……;将第N-1次模型训练的训练集的卫星图像样本和第二训练集中的部分卫星图像样本作为第N次模型训练的训练集,并通过第N次模型训练的训练集对第N-1训练模型进行训练,得到第N训练模型。
其中,在上述电子设备进行N次模型训练得到N个训练模型之后,电子设备可以根据预设条件,在N个训练模型中确定一个训练模型作为上述目标模型,并将训练得到该目标模型的训练集作为上述目标训练集。
需要说明的是,上述电子设备每一次进行模型训练,可以是将该次模型训练的训练集的卫星图像样本喂入待训练的神经网络模型中,对神经网络模型进行迭代,通过预设的验证样本集验证迭代过程是否停止,并将迭代停止输出的神经网络模型作为本次训练得到的训练模型。由于训练中的模型迭代过程为本领域熟知,在此并不赘述。
另外,上述验证样本集可以是是预设的包括一定数量的人工标记的卫星图像样本的样本集,具体地,该验证样本集可以是由上述第一训练集中的部分卫星图像样本组成。
本实施方式中,上述预设条件可以是任何预设的且用于确定上述目标模型的条件,例如,上述预设条件可以是模型训练的次数,具体地,可以是预设对神经网络模型进行10次(即N次)训练时停止,并将第10次训练得到的神经网络模型作为上述目标模型。
或者,上述预设条件也可以是:选择N次模型训练得到的深度神经网络模型中具有最高预测准确度的模型作为上述目标模型。
例如,电子设备在经过10次模型训练得到10个训练模型之后,可以通过预设的测试样本集验证10个训练模型中每一训练模型的预测准确度,并选择预测准确度最高的训练模型作为上述目标模型,如选择第6次模型训练得到的训练模型作为上述目标模型,等等。
需要说明的是,上述测试样本集可以是预设的包括一定数量的人工标记的卫星图像样本的样本集,具体地,该测试样本集可以是由上述第一训练集中的部分卫星图像样本组成。
在一些实施方式中,所述目标模型为第N-1次模型训练得到的深度神经网络模型;
所述预设条件为:所述目标模型的预测准确度高于第N-2次模型训练得到的深度神经网络模型的预测准确度,且高于第N次模型训练得到的深度神经网络模型的预测准确度。
这里,电子设备在进行N次模型训练过程中,可以对第N-2次、第N-1次以及第N次训练得到的神经网络模型的预测准确度进行比较,并在第N-1次训练得到的神经网络模型的准确度最高的情况下,将第N-1次训练得到的神经网络模型作为目标模型,从而可以减少模型训练的次数,更加快速地获取到目标模型,进一步提升获取到目标训练集的效率。
另外,上述第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本,可以是电子设备将第二训练集中一定比例的卫星图像样本以及第N-1次模型训练的训练集的卫星图像样本作为第N次模型训练的训练集。例如,可以是从第二训练集中抽取第N-1次模型训练的训练集中三分之一的样本数量的样本,以及第N-1次模型训练的训练集的卫星图像样本构成第N次模型训练的训练集。
为便于对本申请中通过N次模型训练得到目标训练集的过程的理解,在此以实际应用过程进行说明,具体如下:
在电子设备得到第二训练集之后,电子设备可以将第一训练集按照第一比例(如8:1:1等)划分为训练集A1、验证集(即上述验证样本集)和测试集(即上述测试样本集),并用训练集A1训练初始的深度神经网络模型,得到训练模型T1;
按照训练集A1中样本的数量的第二比例(如0.5倍),从第二训练集中抽取样本,得到训练集B1,并用训练集A2(A2=A1+B1)训练T1得到训练模型T2;……
按照训练集Am中样本的数量的第二比例(如0.5倍),从第二训练集中抽取样本,得到训练集Bm,并用训练集Am+1(Am+1=Am+Bm)训练得到训练模型Tm+1;
其中,每次模型训练完成时用测试集验证本次训练得到训练模型的预测准确度,若Tm+1的预测准确度低于Tm的预测准确度,且Tm-1的预测准确度也低于Tm的预测准确度,则确定Tm为目标模型,如2次训练得到的训练模型T2的准确度均高于第3次训练得到的训练模型T3和第1次训练得到的训练模型T1的预测准确度,则将T2确定为目标模型,并将训练集A2作为上述目标训练集。
本申请中,获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。这样,可以通过对人工标记的第一训练集的样本进行图像迁移处理,得到第二训练集,并基于第一训练集和第二训练集生成目标训练集,从而提升对人工标记的第一训练集的样本进行图像迁移处理,得到第二训练集,并基于第一训练集和第二训练集生成目标训练集生成训练集的效率。
请参见图2,本申请实施例提供一种训练集的获取装置,如图2所示,训练集的获取装置200包括:
训练集获取模块201,用于获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;
迁移处理模块202,用于对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;
训练集生成模块203,用于基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。
可选的,如图3所示,所述训练集生成模块203,包括:
模型训练单元2031,用于基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,得到满足预设条件的目标模型,其中,所述N为大于1的整数;第一次模型训练的训练集包括所述第一训练集中的部分数据,且第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本;
训练集确定单元2032,用于将训练得到所述目标模型的训练集作为目标训练集。
可选的,所述目标模型为第N-1次模型训练得到的深度神经网络模型;
所述预设条件为:所述目标模型的预测准确度高于第N-2次模型训练得到的深度神经网络模型的预测准确度,且高于第N次模型训练得到的深度神经网络模型的预测准确度。
可选的,如图4所示,所述迁移处理模块202,包括:
原始图像确定单元2021,用于在原始风格图像集中确定至少一幅目标原始风格图像;
迁移处理单元2022,用于基于所述至少一幅目标原始风格图像和目标图像风格迁移模型,对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
可选的,如图5所示,所述原始图像确定单元2021,包括:
相关度获取子单元20211,用于获取所述原始风格图像集中每一原始风格图像与第一训练集的画风相关度,其中,所述画风相关度由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到;
原始图像确定子单元20212,用于确定所述原始风格图像集中画风相关度小于或者等于预设阈值的至少一幅目标原始风格图像。
需要说明的是,训练集的获取装置200能够实现本申请图1方法实施例中电子设备实现的各个过程,以及达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的训练集的获取方法(如图1所示的训练集的获取方法)的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的训练集的获取方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的训练集的获取方法(如图1所示的训练集的获取方法)。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的训练集的获取方法对应的程序指令/模块(例如,附图2所示的训练集获取模块201、迁移处理模块202以及训练集生成模块203)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述图1所示的方法实施例中的训练集的获取方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据小程序处理的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至小程序处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
训练集的获取方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与小程序处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据电子设备)、或者包括中间件部件的计算***(例如,应用电子设备)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和电子设备。客户端和电子设备一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-电子设备关系的计算机程序来产生客户端和电子设备的关系。
根据本申请实施例的技术方案,获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本。因为采用对人工标记的第一训练集的样本进行图像迁移处理,得到第二训练集,并基于第一训练集和第二训练集生成目标训练集的技术手段,所以克服了目前在基于卫星图的失效区域挖掘技术中存在的生成训练集的效率较低的问题,进而提升生成训练集的效率。
另外,通过在进行N次模型训练过程中,可以对第N-2次、第N-1次以及第N次训练得到的神经网络模型的预测准确度进行比较,并在第N-1次训练得到的神经网络模型的准确度最高的情况下,将第N-1次训练得到的神经网络模型作为目标模型,从而可以减少模型训练的次数,更加快速地获取到目标模型,进一步提升获取到目标训练集的效率。
通过根据原始图像集中原始风格图像与第一训练集的画风相关度,将与第一训练集的画风相关度小于或者等于预设阈值的原始图像风格作为上述至少一幅目标原始风格图像,使得至少一幅原始风格图像中原始风格图像的画风与第一训练集中卫星图像样本的图像的画风具有较大的差异,从而可以使得第二训练集中的样本更丰富,且使操作更便捷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (8)
1.一种训练集的获取方法,其特征在于,包括:
获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;
对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;
基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本;
所述基于所述第一训练集和所述第二训练集,生成目标训练集,包括:
基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,得到满足预设条件的目标模型,其中,所述N为大于1的整数;第一次模型训练的训练集包括所述第一训练集中的部分数据,且第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本;
将训练得到所述目标模型的训练集作为目标训练集;
其中,所述目标模型为第N-1次模型训练得到的深度神经网络模型;
所述预设条件为:所述目标模型的预测准确度高于第N-2次模型训练得到的深度神经网络模型的预测准确度,且高于第N次模型训练得到的深度神经网络模型的预测准确度。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,包括:
在原始风格图像集中确定至少一幅目标原始风格图像;
基于所述至少一幅目标原始风格图像和目标图像风格迁移模型,对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
3.根据权利要求2所述的方法,其特征在于,所述在原始风格图像集中确定至少一幅目标原始风格图像,包括:
获取所述原始风格图像集中每一原始风格图像与第一训练集的画风相关度,其中,所述画风相关度由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到;
确定所述原始风格图像集中画风相关度小于或者等于预设阈值的至少一幅目标原始风格图像。
4.一种训练集的获取装置,其特征在于,包括:
训练集获取模块,用于获取第一训练集,其中,第一训练集包括人工标记的卫星图像样本;
迁移处理模块,用于对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集,其中,所述第二训练集包括所述第一训练集中的卫星图像样本进行图像风格迁移处理后得到的卫星图像样本;
训练集生成模块,用于基于所述第一训练集和所述第二训练集,生成目标训练集,其中,所述目标训练集包括:所述第一训练集的部分或者全部卫星图像样本,以及所述第二训练集的部分或者全部卫星图像样本;
所述训练集生成模块,包括:
模型训练单元,用于基于所述第一训练集和所述第二训练集,对深度神经网络模型进行N次模型训练,得到满足预设条件的目标模型,其中,所述N为大于1的整数;第一次模型训练的训练集包括所述第一训练集中的部分数据,且第N次模型训练的训练集包括:第N-1次模型训练的训练集的卫星图像样本,以及所述第二训练集中的部分卫星图像样本;
训练集确定单元,用于将训练得到所述目标模型的训练集作为目标训练集;
其中,所述目标模型为第N-1次模型训练得到的深度神经网络模型;
所述预设条件为:所述目标模型的预测准确度高于第N-2次模型训练得到的深度神经网络模型的预测准确度,且高于第N次模型训练得到的深度神经网络模型的预测准确度。
5.根据权利要求4所述的装置,其特征在于,所述迁移处理模块,包括:
原始图像确定单元,用于在原始风格图像集中确定至少一幅目标原始风格图像;
迁移处理单元,用于基于所述至少一幅目标原始风格图像和目标图像风格迁移模型,对所述第一训练集中卫星图像样本进行图像风格迁移处理,生成第二训练集。
6.根据权利要求5所述的装置,其特征在于,所述原始图像确定单元,包括:
相关度获取子单元,用于获取所述原始风格图像集中每一原始风格图像与第一训练集的画风相关度,其中,所述画风相关度由所述原始风格图像与第一训练集中卫星图像样本之间的图像风格的相似度计算得到;
原始图像确定子单元,用于确定所述原始风格图像集中画风相关度小于或者等于预设阈值的至少一幅目标原始风格图像。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095790.1A CN113269213B (zh) | 2020-02-17 | 2020-02-17 | 训练集的获取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095790.1A CN113269213B (zh) | 2020-02-17 | 2020-02-17 | 训练集的获取方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269213A CN113269213A (zh) | 2021-08-17 |
CN113269213B true CN113269213B (zh) | 2023-06-30 |
Family
ID=77227604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095790.1A Active CN113269213B (zh) | 2020-02-17 | 2020-02-17 | 训练集的获取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269213B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115658964B (zh) * | 2022-05-25 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 预训练模型以及体感画风识别模型的训练方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318889B2 (en) * | 2017-06-26 | 2019-06-11 | Konica Minolta Laboratory U.S.A., Inc. | Targeted data augmentation using neural style transfer |
CN109426858B (zh) * | 2017-08-29 | 2021-04-06 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
CN108470187A (zh) * | 2018-02-26 | 2018-08-31 | 华南理工大学 | 一种基于扩充训练数据集的类别不平衡问题分类方法 |
CN109522434B (zh) * | 2018-10-24 | 2021-08-03 | 武汉大学 | 基于深度学习图像检索的社交图像地理定位方法及*** |
CN109859096A (zh) * | 2018-12-28 | 2019-06-07 | 北京达佳互联信息技术有限公司 | 图像风格迁移方法、装置、电子设备及存储介质 |
CN109800697B (zh) * | 2019-01-09 | 2022-10-25 | 国网浙江省电力有限公司舟山供电公司 | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 |
CN109829849B (zh) * | 2019-01-29 | 2023-01-31 | 达闼机器人股份有限公司 | 一种训练数据的生成方法、装置和终端 |
-
2020
- 2020-02-17 CN CN202010095790.1A patent/CN113269213B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于风格迁移和薄板样条的扩充汉字样本方法;潘今一;王亚蒙;王伟;刘建烽;邢予权;;浙江工业大学学报;48(第01期);25-29 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269213A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753914B (zh) | 模型优化方法和装置、电子设备及存储介质 | |
CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
CN111222476B (zh) | 视频时序动作的检测方法、装置、电子设备及存储介质 | |
KR20210132578A (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
CN111259671A (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
JP7267379B2 (ja) | 画像処理方法、事前トレーニングモデルのトレーニング方法、装置及び電子機器 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN111127191B (zh) | 风险评估方法及装置 | |
CN111968203A (zh) | 动画驱动方法、装置、电子设备及存储介质 | |
CN111666771B (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
CN112529180A (zh) | 模型蒸馏的方法和装置 | |
CN112561056A (zh) | 神经网络模型的训练方法、装置、电子设备和存储介质 | |
CN111680600A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
CN113269213B (zh) | 训练集的获取方法、装置及电子设备 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN111680599A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN111582139A (zh) | 一种排污口识别方法、装置、电子设备和存储介质 | |
CN111563541A (zh) | 图像检测模型的训练方法和装置 | |
CN111324747B (zh) | 三元组的生成方法、装置及电子设备 | |
CN113313048B (zh) | 脸部表情识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |