[发明专利]基于深度学习的数据增广方法、系统、介质和计算设备

说明书

本发明的实施方式提供了一种基于深度学习的数据增广方法、系统、介质和计算设备。该方法包括：对获取到的基础数据进行分析，得到所述基础数据对应的帧图像数据和环境变化因子；基于所述帧图像数据和所述环境变化因子，实现对构建的对抗生成网络的训练；基于训练后的所述对抗生成网络，输出与所述帧图像数据对应的增广帧图像数据。本发明能够对采集到的基础数据进行分析得到对应的帧图像数据和环境变化因子，并且基于得到的基础数据对应的帧图像数据和环境变化因子实现对抗生成网络的训练，通过训练后的对抗生成网络能够生成丰富多样的增广帧图像数据集，从而使得基于增广帧图像数据训练得到的神经网络模型能够输出更加准确的结果。

技术领域

本发明的实施方式涉及深度学习技术领域，更具体地，本发明的实施方式涉及一种基于深度学习的数据增广方法、系统、介质和计算设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

近年来，随着神经网络技术的快速发展，越来越多的行业选择利用神经网络技术构建的模型来提升工作效率。为了构建出性能较好的神经网络模型，通常需要在对模型进行构建和训练的过程中使用大量在不同场景中获取到的数据集。然而，在实践中发现，在某些应用场景中，难以获取丰富多样的数据来训练神经网络模型，且在某些复杂多变的应用场景中获取到的数据集中的数据有限的情况下，会导致训练得到的神经网络模型输出的结果不够准确。

发明内容

在本上下文中，本发明的实施方式期望提供一种基于深度学习的数据增广方法、系统、介质和计算设备。

在本发明实施方式的第一方面中，提供了一种基于深度学习的数据增广方法，包括：

对获取到的基础数据进行分析，得到所述基础数据对应的帧图像数据和环境变化因子；

基于所述帧图像数据和所述环境变化因子，实现对构建的对抗生成网络的训练，所述对抗生成网络的训练目标至少包括学习环境变化因子对所述帧图像数据的影响，以便基于输入的帧图像数据生成多个不同环境的增广帧图像数据；

基于训练后的所述对抗生成网络，输出与所述帧图像数据对应的增广帧图像数据。

在本实施方式的一个实施例中，对获取到的基础数据进行分析，得到所述基础数据对应的帧图像数据和环境变化因子之前，所述方法还包括：

获取图像采集设备采集到的视频数据，所述视频数据中包含拍摄目标对象的至少一个拍摄场景；

将包含所述目标对象的视频数据确定为基础数据。

在本实施方式的一个实施例中，对获取到的基础数据进行分析，得到所述基础数据对应的帧图像数据和环境变化因子，包括：

对获取到的基础数据进行逐帧切分操作，得到所述基础数据对应的帧图像数据；

基于图像信息对所述帧图像数据进行分析，得到所述帧图像数据对应的环境变化因子。

在本实施方式的一个实施例中，基于图像信息对所述帧图像数据进行分析，得到所述帧图像数据对应的环境变化因子，包括：

从所述帧图像数据中获取图像信息，所述图像信息至少包括以下之一：图像亮度、图像对比度和旋转角度；

基于图像信息对所述帧图像数据进行分析，得到所述帧图像数据对应的环境变化因子。

在本实施方式的一个实施例中，基于所述帧图像数据和所述环境变化因子，实现对构建的对抗生成网络的训练之前，所述方法还包括：

基于神经网络模型构建包含生成器和判别器的对抗生成网络，其中，所述生成器用于对输入的所述帧图像数据和所述环境变化因子进行处理，得到增广数据，并向所述判别器输入所述增广数据。