CN114677564A - 训练样本的生成方法、深度学习模型的训练方法和装置 - Google Patents
训练样本的生成方法、深度学习模型的训练方法和装置 Download PDFInfo
- Publication number
- CN114677564A CN114677564A CN202210371576.3A CN202210371576A CN114677564A CN 114677564 A CN114677564 A CN 114677564A CN 202210371576 A CN202210371576 A CN 202210371576A CN 114677564 A CN114677564 A CN 114677564A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- base
- training
- deep learning
- 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.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种训练样本的生成方法、深度学习模型的训练方法、目标检测方法、装置、设备、介质和产品,涉及人工智能技术领域,具体为深度学习、计算机视觉、图像处理等技术领域。训练样本的生成方法包括:从图像集合中确定第一图像和第二图像,其中,第一图像包括至少一个对象,至少一个对象包括目标对象,第二图像包括参考对象;从第一图像和第二图像中选择基底图像;基于基底图像,从至少一个对象中确定候选对象,其中,基底图像和候选对象中的至少一个包括目标对象;以基底图像作为图像融合的基底,将候选对象所在的图像区域和参考对象所在的图像区域进行融合,生成样本图像。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、计算机视觉、图像处理等技术领域,更具体地,涉及一种训练样本的生成方法、深度学习模型的训练方法、目标检测方法、装置、电子设备、介质和程序产品。
背景技术
在训练深度学习模型时,通常需要大量的训练样本进行模型训练。但是,由于训练样本的数量有限,导致模型的训练精度较低,从而影响模型的使用效果。
发明内容
本公开提供了一种训练样本的生成方法、深度学习模型的训练方法、目标检测方法、装置、电子设备、存储介质和程序产品。
根据本公开的一方面,提供了一种训练样本的生成方法,包括:从图像集合中确定第一图像和第二图像,其中,所述第一图像包括至少一个对象,所述至少一个对象包括目标对象,所述第二图像包括参考对象;从所述第一图像和所述第二图像中选择基底图像;基于所述基底图像,从所述至少一个对象中确定候选对象,其中,所述基底图像和所述候选对象中的至少一个包括所述目标对象;以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像。
根据本公开的另一方面,提供了一种深度学习模型的训练方法,包括:将样本图像输入待训练深度学习模型,得到输出值;根据所述输出值与所述样本图像的标签之间的差异值,训练所述待训练深度学习模型,其中,所述样本图像是利用如上所述的训练样本的生成方法生成的。
根据本公开的另一方面,提供了一种深度学习模型的训练方法,包括:获取第一样本集合和第二样本集合,其中,所述第二样本集合中的样本包括目标对象;利用所述第一样本集合中的样本训练待训练深度学习模型,得到预训练深度学习模型;将所述第一样本集合和所述第二样本集合确定为图像集合;利用所述图像集合中的至少部分图像以及样本图像中的至少部分图像来训练所述预训练深度学习模型,其中,所述样本图像是利用如上所述的训练样本的生成方法生成的。
根据本公开的另一方面,提供了一种目标检测方法,包括:获取待检测图像;利用经训练深度学习模型对所述待检测图像进行检测,得到所述待检测图像中的目标对象,其中,所述经训练深度学习模型是利用如上所述的深度学习模型的训练方法训练得到的。
根据本公开的另一方面,提供了一种训练样本的生成装置,包括:第一确定模块、选择模块、第二确定模块和生成模块。第一确定模块,用于从图像集合中确定第一图像和第二图像,其中,所述第一图像包括至少一个对象,所述至少一个对象包括目标对象,所述第二图像包括参考对象;选择模块,用于从所述第一图像和所述第二图像中选择基底图像;第二确定模块,用于基于所述基底图像,从所述至少一个对象中确定候选对象,其中,所述基底图像和所述候选对象中的至少一个包括所述目标对象;生成模块,用于以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像。
根据本公开的另一方面,提供了一种深度学习模型的训练装置,包括:输入模块和训练模块。输入模块,用于将样本图像输入待训练深度学习模型,得到输出值;训练模块,用于根据所述输出值与所述样本图像的标签之间的差异值,训练所述待训练深度学习模型,其中,所述样本图像是利用如上所述的训练样本的生成装置生成的。
根据本公开的另一方面,提供了一种深度学习模型的训练装置,包括:获取模块、第一训练模块、确定模块和第二训练模块。获取模块,用于获取第一样本集合和第二样本集合,其中,所述第二样本集合中的样本包括目标对象;第一训练模块,用于利用所述第一样本集合中的样本训练待训练深度学习模型,得到预训练深度学习模型;确定模块,用于将所述第一样本集合和所述第二样本集合确定为图像集合;第二训练模块,用于利用所述图像集合中的至少部分图像以及样本图像中的至少部分图像来训练所述预训练深度学习模型,其中,所述样本图像是利用如上所述的训练样本的生成装置生成的。
根据本公开的另一方面,提供了一种目标检测装置,包括:获取模块和检测模块。获取模块,用于获取待检测图像;检测模块,用于利用经训练深度学习模型对所述待检测图像进行检测,得到所述待检测图像中的目标对象,其中,所述经训练深度学习模型是利用如上所述的深度学习模型的训练装置训练得到的。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和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的训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个。
根据本公开的另一方面,提供了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的训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序序/指令,所述计算机程序序/指令被处理器执行时实现上述训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了一种示例的训练深度学习模型的应用场景;
图2示意性示出了根据本公开一实施例的训练样本的生成方法的流程图;
图3示意性示出了根据本公开一实施例的训练样本的生成方法的示意图;
图4示意性示出了根据本公开另一实施例的训练样本的生成方法的示意图;
图5示意性示出了根据本公开另一实施例的训练样本的生成方法的示意图;
图6示意性示出了根据本公开一实施例的深度学习模型的训练方法的流程图;
图7示意性示出了根据本公开另一实施例的深度学习模型的训练方法的流程图;
图8示意性示出了根据本公开一实施例的目标检测方法的流程图;
图9示意性示出了根据本公开一实施例的训练样本的生成装置的框图;
图10示意性示出了根据本公开一实施例的深度学习模型的训练装置的框图;
图11示意性示出了根据本公开另一实施例的深度学习模型的训练装置的框图;
图12示意性示出了根据本公开一实施例的目标检测装置的框图;以及
图13是用来实现本公开实施例的用于执行训练样本的生成、深度学习模型的训练、目标检测的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
图1示意性示出了一种示例的训练深度学习模型的应用场景。
如图1所示,根据本公开实施例的应用场景100,例如利用第一样本集合111和第二样本集合121训练深度学习模型。深度学习模型例如包括目标检测模型。
示例性地,第一样本集合111中例如包括大量的样本,样本中通常包括参考对象,参考对象例如也称为base对象。利用第一样本集合111训练待训练深度学习模型110,得到预训练深度学习模型120。预训练深度学习模型120具有检测参考对象的能力。
第二样本集合121通常包括较少量的样本,样本中例如包括目标对象,目标对象例如也称为novel对象。
在一些情况下,通常需要利用深度学习模型检测目标对象。但是,由于预训练深度学习模型120对目标对象的检测能力不足,因此,需要利用第二样本集合121继续训练预训练深度学习模型120,得到经训练深度学习模型130。经训练深度学习模型130具有检测目标对象的能力。利用第二样本集合121训练预训练深度学习模型120包括利用第二样本集合121对预训练深度学习模型120的模型参数进行微调。
通常,在训练小样本目标检测模型时,具有novel对象的可训练图像数量有限,如何利用数量有限的具有novel对象的图像来较好地训练模型是一个亟待解决的问题。
在一种示例中,针对小样本目标检测模型的训练,由于包含base对象的图像的数量通常较大,因此一般利用包含base对象的图像训练出一个预训练深度学习模型,然后使用数量较少的包含novel对象的图像对预训练深度学习模型进行微调,使得经训练深度学习模型具有识别novel对象的能力。base对象例如包括卡车、轿车、行人等。如果模型的任务是检测novel对象(例如油罐车),仅使用包含base对象的图像进行模型训练不够准确,因此,需要使用包含novel对象的图像进行模型训练。
为了提高模型的训练精度,需要使用数量较大的包含novel对象的图像进行模型训练,因此,本公开实施例可以基于第一样本集合111和第二样本集合121进行样本扩充,以便得到大量具有目标对象(novel对象)的扩充样本,利用扩充样本对预训练深度学习模型120的模型参数进行微调,以此提高模型对目标对象(novel对象)的检测精度。
有鉴于此,本公开的实施例提出了一种优化的训练样本的生成方法、深度学习模型的训练方法和目标检测方法。下面参考图2~图8来描述根据本公开示例性实施方式的训练样本的生成方法、深度学习模型的训练方法和目标检测方法。
图2示意性示出了根据本公开一实施例的训练样本的生成方法的流程图。
如图2所示,本公开实施例的训练样本的生成方法200例如可以包括操作S210~操作S240。
在操作S210,从图像集合中确定第一图像和第二图像,第一图像包括至少一个对象,至少一个对象包括目标对象,第二图像包括参考对象。
在操作S220,从第一图像和第二图像中选择基底图像。
在操作S230,基于基底图像,从至少一个对象中确定候选对象,基底图像和候选对象中的至少一个包括目标对象。
在操作S240,以基底图像作为图像融合的基底,将候选对象所在的图像区域和参考对象所在的图像区域进行融合,生成样本图像。
示例性地,图像集合中包括多个图像,图像集合中的图像可以作为训练样本训练深度学习模型。从图像集合中获取第一图像和第二图像,第一图像至少包括目标对象,还可以包括其他对象。第二图像包括参考对象,当然,第二图像也可以包括目标对象,本公开实施例对第二图像是否包括目标对象不作限制。
在获得第一图像和第二图像之后,可以选择第一图像或第二图像作为基底图像,用于作为后续图像融合的基底。
接下来,基于基底图像从第一图像的至少一个对象中确定候选对象。例如,当基底图像为第一图像时,候选对象可以是至少一个对象中的任意一个或多个;当基底图像为第二图像时,从至少一个对象中选择目标对象作为候选对象。可见,基底图像和候选对象中的至少一个包括目标对象,便于后续进行图像融合后得到的样本图像中包括目标对象。
在选择基底图像以及确定候选对象之后,以基底图像作为图像融合的基底进行图像融合,例如,将候选对象所在的图像区域和参考对象所在的图像区域进行融合,生成样本图像。
例如,当基底图像为第一图像时,将来自第二图像的参考对象所在区域融合至基底图像中的候选对象所在区域。当基底图像为第二图像时,将来自第一图像的候选对象所在区域融合至基底图像中参考对象所在区域。
示例性地,第一图像中候选对象所在的图像区域,可以为第一图像中的部分区域或全部区域,只需该图像区域包括候选对象即可。第二图像中参考对象所在的图像区域,可以为第二图像中的部分区域或全部区域,只需该图像区域包括参考对象即可。
根据本公开的实施例,为了生成训练样本,从第一图像和第二图像中选择基底图像,根据基底图像从第一图像中确定候选对象,以便将候选对象所在区域和第二图像中参考对象所在区域进行融合,生成的样本图像中包括目标对象,样本图像还可以包括参考对象。由此,通过图像融合的方式,将少量的训练样本扩充得到大量的训练样本,提高样本的多样性,进而提高模型训练的精度。
在本公开的另一示例中,以基底图像作为图像融合的基底,将候选对象所在的图像区域和参考对象所在的图像区域进行融合,得到融合图像。然后,对融合图像中的候选对象和参考对象中的至少一个添加标签,生成样本图像。当基底图像中的其他未发生融合的区域存在对象时,该对象原来就具有标签,因此可以仅对发生融合的对象添加标签。
图3示意性示出了根据本公开一实施例的训练样本的生成方法的示意图。
如图3所示,针对第一图像310和第二图像320。第一图像310例如包括至少一个对象,至少一个对象包括目标对象311,目标对象311例如以检测框标出,检测框对应的标签例如表征了检测框中的对象为目标对象。第二图像320例如包括参考对象321、322,参考对象321、322例如分别以检测框标出,检测框对应的标签例如表征了检测框中的对象为参考对象。
示例性地,以第二图像320作为基底图像,从第一图像310的至少一个对象中选择的候选对象包括目标对象311。从第一图像310中提取目标对象311所在的图像区域,从第二图像320(基底图像)中确定参考对象所在的图像区域,例如确定参考对象322所在的图像区域,然后将目标对象311所在的图像区域融合至第二图像320(基底图像)中,即,将目标对象311所在的图像区域融合至第二图像320(基底图像)中参考对象322所在的图像区域,得到融合后的第二图像330。基于融合后的第二图像330得到样本图像,例如将融合后的第二图像330作为样本图像。
示例性地,在将目标对象311所在的图像区域融合至第二图像320(基底图像)中参考对象322所在的图像区域之后,融合后的第二图像330中至少包括目标对象311的信息和参考对象322的信息,换言之,目标对象311和参考对象322同时存在于融合后的第二图像330中。
在一示例中,可以调节目标对象311所在的图像区域的图像透明度和参考对象322所在的图像区域的图像透明度,使得融合后的第二图像330中的目标对象311和参考对象322同时显示。
根据本公开的实施例,通过将第二图像作为基底图像,从第一图像提取目标对象,将目标对象融合至基底图像中生成样本图像,提高了样本图像的多样化,实现了扩充样本图像的效果。
示例性地,由于基底图像(第二图像)中原有的参考对象均具有标签,因此可以对融合图像中新添加的目标对象添加标签,将添加标签后的融合图像作为样本图像。
图4示意性示出了根据本公开另一实施例的训练样本的生成方法的示意图。
如图4所示,针对第一图像410和第二图像420。第一图像410例如包括至少一个对象411、412,至少一个对象411、412包括目标对象412,至少一个对象411、412例如分别以检测框标出,检测框对应的标签例如表征了检测框中的对象是否为目标对象。第二图像420中例如包括参考对象421,参考对象421例如以检测框标出,检测框对应的标签例如表征了检测框中的对象为参考对象。
示例性地,以第一图像410作为基底图像,从第一图像410的至少一个对象中选择候选对象,候选对象可以是对象411,也可以是目标对象412。从第二图像420中提取参考对象421所在的图像区域,然后将参考对象421所在的图像区域融合至第一图像410(基底图像)中,即,将参考对象421所在的图像区域融合至第一图像410(基底图像)中候选对象(对象411或目标对象412)所在的图像区域,得到融合后的第一图像。例如,将参考对象421所在的图像区域融合至第一图像410(基底图像)中目标对象412所在的图像区域,得到融合后的第一图像430A。或者,将参考对象421所在的图像区域融合至第一图像410(基底图像)中对象411所在的图像区域,得到融合后的第一图像430B。
基于融合后的第一图像430A、430B得到样本图像,例如将融合后的第一图像430A、430B作为样本图像。
示例性地,在将参考对象421所在的图像区域融合至第一图像410(基底图像)中候选对象所在的图像区域之后,融合后的第一图像430A、430B中至少包括目标对象412的信息和参考对象421的信息,换言之,目标对象412和参考对象421同时存在于融合后的第一图像430A、430B中。
在一示例中,可以调节候选对象所在的图像区域的图像透明度和参考对象421所在的图像区域的图像透明度,使得融合后的第一图像430A、430B中的目标对象412和参考对象421同时显示。
根据本公开的实施例,通过将第一图像作为基底图像,从第二图像提取参考对象,将参考对象融合至基底图像中生成样本图像,提高了样本图像的多样化,实现了扩充样本图像的效果。
示例性地,由于基底图像(第一图像)中原有的对象均具有标签,因此可以对融合图像中新添加的参考对象添加标签,将添加标签后的融合图像作为样本图像。
图5示意性示出了根据本公开另一实施例的训练样本的生成方法的示意图。
如图5所示,针对第一图像510和第二图像520。第一图像510例如包括至少一个对象511、512,至少一个对象511、512包括目标对象512,至少一个对象511、512例如分别以检测框标出,检测框对应的标签例如表征了检测框中的对象是否为目标对象。第二图像520例如包括参考对象521、522,参考对象521、522例如分别以检测框标出,检测框对应的标签例如表征了检测框中的对象为参考对象。
示例性地,可以从至少一个对象511、512中选择任意一个或多个作为候选对象。
示例性地,可以以第一图像510或者第二图像520为基底进行图像融合。例如,将第一图像510作为基底,将第一图像510整体作为候选对象所在的图像区域,将第二图像520整体作为参考对象所在的图像区域,将第二图像520融合至第一图像510,生成样本图像530。或者,将第二图像520作为基底,将第一图像510整体作为候选对象所在的图像区域,将第二图像520整体作为参考对象所在的图像区域,将第一图像510融合至第二图像520,生成样本图像530。
可以理解,样本图像530中至少包含目标对象的信息和参考对象的信息,换言之,目标对象和参考对象同时存在于样本图像中。例如,可以调节第一图像510和第二图像520的透明度,使得样本图像530中的目标对象的信息和参考对象同时显示。
根据本公开的实施例,通过将第一图像和第二图像进行融合得到样本图像,提高了样本图像的多样化,实现了扩充样本图像的效果。
图6示意性示出了根据本公开一实施例的深度学习模型的训练方法的流程图。
如图6所示,本公开实施例的训练样本的生成方法600例如可以包括操作S610~操作S620。
在操作S610,将样本图像输入待训练深度学习模型,得到输出值。
在操作S620,根据输出值与样本图像的标签之间的差异值,训练待训练深度学习模型。
例如,样本图像包括目标对象和针对目标对象的标签,将样本图像输入待训练的深度学习模型中,模型的输出值表征了对目标对象的检测结果。基于输出值与样本图像的标签之间的差异值(损失函数值)反向调节模型参数,从而训练得到深度学习模型。
示例性地,样本图像例如是利用上文提及的训练样本生成方法生成的。
可以理解,利用上文的训练样本生成方法可以生成丰富的训练样本,利用丰富的训练样本来训练模型,提高了模型的训练效果和模型检测准确性。
图7示意性示出了根据本公开另一实施例的深度学习模型的训练方法的流程图。
如图7所示,本公开实施例的训练样本的生成方法700例如可以包括操作S710~操作S740。
在操作S710,获取第一样本集合和第二样本集合,第二样本集合中的样本包括目标对象。
在操作S720,利用第一样本集合中的样本训练待训练深度学习模型,得到预训练深度学习模型。
在操作S730,将第一样本集合和第二样本集合确定为图像集合。
在操作S740,利用图像集合中的至少部分图像以及样本图像中的至少部分图像来训练预训练深度学习模型。
示例性地,第一样本集合中例如包括大量的样本,样本中通常包括参考对象。利用第一样本集合训练待训练深度学习模型,得到预训练深度学习模型。预训练深度学习模型具有检测参考对象的能力。
为了提高预训练深度学习模型对目标对象的检测能力,基于图像集合进行样本扩充,得到较丰富的样本图像,利用图像集合中的至少部分图像以及样本图像中的至少部分图像来对预训练深度学习模型进行训练(微调),由此提高深度学习模型对目标对象的检测能力。
示例性地,样本图像例如是利用上文提及的训练样本生成方法生成的。生成的样本图像例如被划分为第三样本集合和第四样本集合。
第三样本集合中的样本图像例如是将第一图像中候选对象所在图像区域或第二图像中的参考对象所在的图像区域融合至基底图像中得到的。第四样本集合例如是将第一图像和第二图像进行整体融合得到的。
在训练预训练深度学习模型时,可以一次将一个批次的样本输入预训练深度学习模型中进行训练。一个批次的样本可以从第一样本集合、第二样本集合、第三样本集合、第四样本集合中采样得到。例如,当一个批次的样本为64,可以分别从第一样本集合、第二样本集合、第三样本集合、第四样本集合中分别获取16个样本。
可以理解,从不同集合中获取不同的样本来训练预训练深度学习模型,提高了样本的丰富性,从而提高模型训练的精度。
根据本公开的实施例,利用上文生成的训练样本进行小样本目标检测模型的训练,提高目标检测结果的精度。在生成训练样本时,对图像进行区域级别的融合或图像整体级别的融合,提高了样本的多样性。然后,对生成的训练样本和原有的图像集合进行采样来训练模型,以此提高目标检测模型的检测精度和泛化能力。
图8示意性示出了根据本公开一实施例的目标检测方法的流程图。
如图8所示,本公开实施例的目标检测方法800例如可以包括操作S810~操作S820。
在操作S810,获取待检测图像。
在操作S820,利用经训练深度学习模型对待检测图像进行检测,得到待检测图像中的目标对象。
示例性地,经训练深度学习模型是利用上文提及的深度学习模型训练方法训练得到的。经训练深度学习模型包括目标检测模型。
可以理解,本公开的实施例通过图像融合的方式,将少量的训练样本扩充得到大量的训练样本,利用扩充的训练样本训练模型,得到精度较高的模型,利用训练得到的模型进行目标检测,提高了模型对目标对象的检测精度。
图9示意性示出了根据本公开一实施例的训练样本的生成装置的框图。
如图9所示,本公开实施例的训练样本的生成装置900例如包括第一确定模块910、选择模块920、第二确定模块930和生成模块940。
第一确定模块910可以用于从图像集合中确定第一图像和第二图像,其中,第一图像包括至少一个对象,至少一个对象包括目标对象,第二图像包括参考对象。根据本公开实施例,第一确定模块910例如可以执行上文参考图2描述的操作S210,在此不再赘述。
选择模块920可以用于从第一图像和第二图像中选择基底图像。根据本公开实施例,选择模块920例如可以执行上文参考图2描述的操作S220,在此不再赘述。
第二确定模块930可以用于基于基底图像,从至少一个对象中确定候选对象,其中,基底图像和候选对象中的至少一个包括目标对象。根据本公开实施例,第二确定模块930例如可以执行上文参考图2描述的操作S230,在此不再赘述。
生成模块940可以用于以基底图像作为图像融合的基底,将候选对象所在的图像区域和参考对象所在的图像区域进行融合,生成样本图像。根据本公开实施例,生成模块940例如可以执行上文参考图2描述的操作S240,在此不再赘述。
根据本公开的实施例,基底图像包括第二图像,候选对象包括目标对象;生成模块940包括:第一提取子模块、确定子模块、第一融合子模块和第一获得子模块。第一提取子模块,用于从第一图像中提取目标对象所在的图像区域;确定子模块,用于从第二图像中确定参考对象所在的图像区域;第一融合子模块,用于将目标对象所在的图像区域融合至第二图像中参考对象所在的图像区域,得到融合后的第二图像;第一获得子模块,用于基于融合后的第二图像,得到样本图像。
根据本公开的实施例,基底图像包括第一图像;生成模块940包括:第二提取子模块、第二融合子模块和第二获得子模块。第二提取子模块,用于从第二图像中提取参考对象所在的图像区域;第二融合子模块,用于将参考对象所在的图像区域融合至第一图像中候选对象所在的图像区域,得到融合后的第一图像;第二获得子模块,用于基于融合后的第一图像,得到样本图像。
根据本公开的实施例,生成模块940包括:第一生成子模块和第二生成子模块中的至少一个,第一生成子模块,用于响应于基底图像包括第一图像,以第一图像作为图像融合的基底,将第一图像作为候选对象所在的图像区域,将第二图像作为参考对象所在的图像区域,将第二图像融合至第一图像,生成样本图像;第二生成子模块,用于响应于基底图像包括第二图像,以第二图像作为图像融合的基底,将第一图像作为候选对象所在的图像区域,将第二图像作为参考对象所在的图像区域,将第一图像融合至第二图像,生成样本图像。
根据本公开的实施例,生成模块940包括:第三融合子模块和第三生成子模块。第三融合子模块,用于以基底图像作为图像融合的基底,将候选对象所在的图像区域和参考对象所在的图像区域进行融合,得到融合图像;第三生成子模块,用于对融合图像中的候选对象和参考对象中的至少一个添加标签,生成样本图像。
根据本公开的实施例,基底图像包括第二图像,候选对象包括目标对象;第三生成子模块还用于:对融合图像中的目标对象添加标签,生成样本图像。
根据本公开的实施例,基底图像包括第一图像;第三生成子模块还用于:对融合图像中的参考对象添加标签,生成样本图像。
图10示意性示出了根据本公开一实施例的深度学习模型的训练装置的框图。
如图10所示,本公开实施例的深度学习模型的训练装置1000例如包括输入模块1010和训练模块1020。
输入模块1010可以用于将样本图像输入待训练深度学习模型,得到输出值。根据本公开实施例,输入模块1010例如可以执行上文参考图6描述的操作S610,在此不再赘述。
训练模块1020可以用于根据输出值与样本图像的标签之间的差异值,训练待训练深度学习模型。根据本公开实施例,训练模块1020例如可以执行上文参考图6描述的操作S620,在此不再赘述。
图11示意性示出了根据本公开另一实施例的深度学习模型的训练装置的框图。
如图11所示,本公开实施例的深度学习模型的训练装置1100例如包括获取模块1110、第一训练模块1120、确定模块1130和第二训练模块1140。
获取模块1110可以用于获取第一样本集合和第二样本集合,其中,第二样本集合中的样本包括目标对象。根据本公开实施例,获取模块1110例如可以执行上文参考图7描述的操作S710,在此不再赘述。
第一训练模块1120可以用于利用第一样本集合中的样本训练待训练深度学习模型,得到预训练深度学习模型。根据本公开实施例,第一训练模块1120例如可以执行上文参考图7描述的操作S720,在此不再赘述。
确定模块1130可以用于将第一样本集合和第二样本集合确定为图像集合。根据本公开实施例,确定模块1130例如可以执行上文参考图7描述的操作S730,在此不再赘述。
第二训练模块1140可以用于利用图像集合中的至少部分图像以及样本图像中的至少部分图像来训练预训练深度学习模型。根据本公开实施例,第二训练模块1140例如可以执行上文参考图7描述的操作S740,在此不再赘述。
图12示意性示出了根据本公开一实施例的目标检测装置的框图。
如图12所示,本公开实施例的目标检测装置1200例如包括获取模块1210和检测模块1220。
获取模块1210可以用于获取待检测图像。根据本公开实施例,获取模块1210例如可以执行上文参考图8描述的操作S810,在此不再赘述。
检测模块1220可以用于利用经训练深度学习模型对待检测图像进行检测,得到待检测图像中的目标对象。根据本公开实施例,检测模块1220例如可以执行上文参考图8描述的操作S820,在此不再赘述。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开实施例,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上文所描述的训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个。
根据本公开实施例,提供了一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时实现上文所描述的训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个。
图13是用来实现本公开实施例的用于执行训练样本的生成、深度学习模型的训练、目标检测的电子设备的框图。
图13示出了可以用来实施本公开实施例的示例电子设备1300的示意性框图。电子设备1300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/或者要求的本公开的实现。
如图13所示,设备1300包括计算单元1301,其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序,来执行各种适当的动作和处理。在RAM 1303中,还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305,包括:输入单元1306,例如键盘、鼠标等;输出单元1307,例如各种类型的显示器、扬声器等;存储单元1308,例如磁盘、光盘等;以及通信单元1309,例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理,例如训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个。例如,在一些实施例中,训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时,可以执行上文描述的训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个的一个或多个步骤。备选地,在其他实施例中,计算单元1301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行训练样本的生成方法、深度学习模型的训练方法、目标检测方法中的任意一个或多个。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程训练样本的生成装置、深度学习模型的训练装置、目标检测装置中的任意一个或多个的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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训练样本的生成装置、深度学习模型的训练装置、目标检测装置中的任意一个或多个(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,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、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***可以包括客户端和服务器。客户端和服务器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-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种训练样本的生成方法,包括:
从图像集合中确定第一图像和第二图像,其中,所述第一图像包括至少一个对象,所述至少一个对象包括目标对象,所述第二图像包括参考对象;
从所述第一图像和所述第二图像中选择基底图像;
基于所述基底图像,从所述至少一个对象中确定候选对象,其中,所述基底图像和所述候选对象中的至少一个包括所述目标对象;以及
以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像。
2.根据权利要求1所述的方法,其中,所述基底图像包括所述第二图像,所述候选对象包括所述目标对象;所述以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像包括:
从所述第一图像中提取所述目标对象所在的图像区域;
从所述第二图像中确定所述参考对象所在的图像区域;
将所述目标对象所在的图像区域融合至所述第二图像中参考对象所在的图像区域,得到融合后的第二图像;以及
基于所述融合后的第二图像,得到所述样本图像。
3.根据权利要求1所述的方法,其中,所述基底图像包括所述第一图像;所述以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像包括:
从所述第二图像中提取所述参考对象所在的图像区域;
将所述参考对象所在的图像区域融合至所述第一图像中候选对象所在的图像区域,得到融合后的第一图像;以及
基于所述融合后的第一图像,得到所述样本图像。
4.根据权利要求1所述的方法,其中,所述以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像包括以下至少一项:
响应于所述基底图像包括所述第一图像,以所述第一图像作为图像融合的基底,将所述第一图像作为所述候选对象所在的图像区域,将所述第二图像作为所述参考对象所在的图像区域,将所述第二图像融合至所述第一图像,生成所述样本图像;
响应于所述基底图像包括所述第二图像,以所述第二图像作为图像融合的基底,将所述第一图像作为所述候选对象所在的图像区域,将所述第二图像作为所述参考对象所在的图像区域,将所述第一图像融合至所述第二图像,生成所述样本图像。
5.根据权利要求1-4中任意一项所述的方法,其中,所述以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像包括:
以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,得到融合图像;以及
对所述融合图像中的所述候选对象和所述参考对象中的至少一个添加标签,生成所述样本图像。
6.根据权利要求5所述的方法,其中,所述基底图像包括所述第二图像,所述候选对象包括所述目标对象;所述对所述融合图像中的所述候选对象和所述参考对象中的至少一个添加标签,生成所述样本图像包括:
对所述融合图像中的所述目标对象添加标签,生成所述样本图像。
7.根据权利要求5所述的方法,其中,所述基底图像包括所述第一图像;所述对所述融合图像中的所述候选对象和所述参考对象中的至少一个添加标签,生成样本图像包括:
对所述融合图像中的所述参考对象添加标签,生成所述样本图像。
8.一种深度学习模型的训练方法,包括:
将样本图像输入待训练深度学习模型,得到输出值;以及
根据所述输出值与所述样本图像的标签之间的差异值,训练所述待训练深度学习模型,
其中,所述样本图像是利用根据权利要求1-7中任意一项所述的方法生成的。
9.一种深度学习模型的训练方法,包括:
获取第一样本集合和第二样本集合,其中,所述第二样本集合中的样本包括目标对象;
利用所述第一样本集合中的样本训练待训练深度学习模型,得到预训练深度学习模型;
将所述第一样本集合和所述第二样本集合确定为图像集合;以及
利用所述图像集合中的至少部分图像以及样本图像中的至少部分图像来训练所述预训练深度学习模型,
其中,所述样本图像是利用根据权利要求1-7中任意一项所述的方法得到生成的。
10.一种目标检测方法,包括:
获取待检测图像;以及
利用经训练深度学习模型对所述待检测图像进行检测,得到所述待检测图像中的目标对象,
其中,所述经训练深度学习模型是利用根据权利要求8-9中任意一项所述的方法训练得到的。
11.一种训练样本的生成装置,包括:
第一确定模块,用于从图像集合中确定第一图像和第二图像,其中,所述第一图像包括至少一个对象,所述至少一个对象包括目标对象,所述第二图像包括参考对象;
选择模块,用于从所述第一图像和所述第二图像中选择基底图像;
第二确定模块,用于基于所述基底图像,从所述至少一个对象中确定候选对象,其中,所述基底图像和所述候选对象中的至少一个包括所述目标对象;以及
生成模块,用于以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,生成样本图像。
12.根据权利要求11所述的装置,其中,所述基底图像包括所述第二图像,所述候选对象包括所述目标对象;所述生成模块包括:
第一提取子模块,用于从所述第一图像中提取所述目标对象所在的图像区域;
确定子模块,用于从所述第二图像中确定所述参考对象所在的图像区域;
第一融合子模块,用于将所述目标对象所在的图像区域融合至所述第二图像中参考对象所在的图像区域,得到融合后的第二图像;以及
第一获得子模块,用于基于所述融合后的第二图像,得到所述样本图像。
13.根据权利要求11所述的装置,其中,所述基底图像包括所述第一图像;所述生成模块包括:
第二提取子模块,用于从所述第二图像中提取所述参考对象所在的图像区域;
第二融合子模块,用于将所述参考对象所在的图像区域融合至所述第一图像中候选对象所在的图像区域,得到融合后的第一图像;以及
第二获得子模块,用于基于所述融合后的第一图像,得到所述样本图像。
14.根据权利要求11所述的装置,其中,所述生成模块包括以下至少一个:
第一生成子模块,用于响应于所述基底图像包括所述第一图像,以所述第一图像作为图像融合的基底,将所述第一图像作为所述候选对象所在的图像区域,将所述第二图像作为所述参考对象所在的图像区域,将所述第二图像融合至所述第一图像,生成所述样本图像;
第二生成子模块,用于响应于所述基底图像包括所述第二图像,以所述第二图像作为图像融合的基底,将所述第一图像作为所述候选对象所在的图像区域,将所述第二图像作为所述参考对象所在的图像区域,将所述第一图像融合至所述第二图像,生成所述样本图像。
15.根据权利要求11-14中任意一项所述的装置,其中,所述生成模块包括:
第三融合子模块,用于以所述基底图像作为图像融合的基底,将所述候选对象所在的图像区域和所述参考对象所在的图像区域进行融合,得到融合图像;以及
第三生成子模块,用于对所述融合图像中的所述候选对象和所述参考对象中的至少一个添加标签,生成所述样本图像。
16.根据权利要求15所述的装置,其中,所述基底图像包括所述第二图像,所述候选对象包括所述目标对象;所述第三生成子模块还用于:
对所述融合图像中的所述目标对象添加标签,生成所述样本图像。
17.根据权利要求15所述的装置,其中,所述基底图像包括所述第一图像;所述第三生成子模块还用于:
对所述融合图像中的所述参考对象添加标签,生成所述样本图像。
18.一种深度学习模型的训练装置,包括:
输入模块,用于将样本图像输入待训练深度学习模型,得到输出值;以及
训练模块,用于根据所述输出值与所述样本图像的标签之间的差异值,训练所述待训练深度学习模型,
其中,所述样本图像时利用根据权利要求11-17中任意一项所述的装置生成的。
19.一种深度学习模型的训练装置,包括:
获取模块,用于获取第一样本集合和第二样本集合,其中,所述第二样本集合中的样本包括目标对象;
第一训练模块,用于利用所述第一样本集合中的样本训练待训练深度学习模型,得到预训练深度学习模型;
确定模块,用于将所述第一样本集合和所述第二样本集合确定为图像集合;以及
第二训练模块,用于利用所述图像集合中的至少部分图像以及样本图像中的至少部分图像来训练所述预训练深度学习模型,
其中,所述样本图像是利用根据权利要求11-17中任意一项所述的装置得到生成的。
20.一种目标检测装置,包括:
获取模块,用于获取待检测图像;以及
检测模块,用于利用经训练深度学习模型对所述待检测图像进行检测,得到所述待检测图像中的目标对象,
其中,所述经训练深度学习模型是利用根据权利要求18-19中任意一项所述的装置训练得到的。
21.一种电子设备,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1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现根据权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371576.3A CN114677564B (zh) | 2022-04-08 | 2022-04-08 | 训练样本的生成方法、深度学习模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371576.3A CN114677564B (zh) | 2022-04-08 | 2022-04-08 | 训练样本的生成方法、深度学习模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114677564A true CN114677564A (zh) | 2022-06-28 |
CN114677564B CN114677564B (zh) | 2023-10-13 |
Family
ID=82078094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210371576.3A Active CN114677564B (zh) | 2022-04-08 | 2022-04-08 | 训练样本的生成方法、深度学习模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677564B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348765A (zh) * | 2020-10-23 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 数据增强方法、装置、计算机可读存储介质及终端设备 |
CN112560698A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和介质 |
CN112801054A (zh) * | 2021-04-01 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 人脸识别模型的处理方法、人脸识别方法及装置 |
CN113012054A (zh) * | 2019-12-20 | 2021-06-22 | 舜宇光学(浙江)研究院有限公司 | 基于抠图的样本增强方法和训练方法及其***和电子设备 |
US11288596B1 (en) * | 2018-08-06 | 2022-03-29 | Hexagon Manufacturing Intelligence, Inc. | Virtual x-ray image (VXRI) stack as features sets for machine learning for virtual simulations |
-
2022
- 2022-04-08 CN CN202210371576.3A patent/CN114677564B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288596B1 (en) * | 2018-08-06 | 2022-03-29 | Hexagon Manufacturing Intelligence, Inc. | Virtual x-ray image (VXRI) stack as features sets for machine learning for virtual simulations |
CN113012054A (zh) * | 2019-12-20 | 2021-06-22 | 舜宇光学(浙江)研究院有限公司 | 基于抠图的样本增强方法和训练方法及其***和电子设备 |
CN112348765A (zh) * | 2020-10-23 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 数据增强方法、装置、计算机可读存储介质及终端设备 |
CN112560698A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和介质 |
CN112801054A (zh) * | 2021-04-01 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 人脸识别模型的处理方法、人脸识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114677564B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115880536B (zh) | 数据处理方法、训练方法、目标对象检测方法及装置 | |
CN114550177A (zh) | 图像处理的方法、文本识别方法及装置 | |
CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113901998A (zh) | 模型的训练方法、装置、设备、存储介质以及检测方法 | |
CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN113378857A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN116246287B (zh) | 目标对象识别方法、训练方法、装置以及存储介质 | |
CN116229211A (zh) | 样本生成方法、模型训练方法、对象检测方法及装置 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN114187488B (zh) | 图像处理方法、装置、设备、介质 | |
CN115719433A (zh) | 图像分类模型的训练方法、装置及电子设备 | |
CN114677564B (zh) | 训练样本的生成方法、深度学习模型的训练方法和装置 | |
CN115527069A (zh) | 物品识别和物品识别***构建方法及装置 | |
CN113887394A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN112749978A (zh) | 检测方法、装置、设备、存储介质以及程序产品 | |
CN114299522B (zh) | 图像识别方法装置、设备和存储介质 | |
CN113836291B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN114092874B (zh) | 目标检测模型的训练方法、目标检测方法及其相关设备 | |
CN114693995B (zh) | 应用于图像处理的模型训练方法、图像处理方法和设备 | |
CN114429475A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN117312849A (zh) | 文档版式检测模型的训练方法、装置及电子设备 | |
CN115510207A (zh) | 知识标签的识别、电网场景问答方法、装置、设备及介质 |
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 |