[发明专利]一种样本扩充方法、系统、存储介质及电子设备

权利要求书

1.一种样本扩充方法，其特征在于，包括：

获取实测的雷达图像样本；

以所述实测的雷达图像样本为输入，对生成对抗神经网络模型进行训练，得到训练好的模型；

采用所述训练好的模型进行雷达图像样本的扩充，得到合成的雷达图像样本。

2.根据权利要求1所述的样本扩充方法，其特征在于，在所述得到合成的雷达图像样本之后，所述方法还包括：

采用平滑标签标注方法，对所述合成的雷达图像样本进行标注，得到标注好的扩充样本。

3.根据权利要求2所述的样本扩充方法，其特征在于，在得到标注好的扩充样本之后，所述方法还包括：

将所述标注好的扩充样本和所述实测的雷达图像样本作为待处理雷达图像样本；所述待处理雷达图像样本用于目标分类或目标检测。

4.根据权利要求1所述的样本扩充方法，其特征在于，在所述获取实测的雷达图像样本之后，所述方法还包括：

采用反距离加权插值方法，对所述实测的雷达图像样本进行处理，得到处理后的雷达图像样本；

将所述处理后的雷达图像样本的每个像素值映射到预设区间范围内，得到归一化后的雷达图像样本。

5.根据权利要求1所述的样本扩充方法，其特征在于，所述以所述实测的雷达图像样本为输入，对生成对抗神经网络模型进行训练，得到训练好的模型，具体包括：

获取第一随机向量；所述第一随机向量为符合正态分布的向量；

将所述第一随机向量输入所述生成对抗神经网络模型中的生成网络模型中，得到第一合成样本；

将所述第一合成样本和所述实测的雷达图像样本输入所述生成对抗神经网络模型中的判别网络模型中，得到所述第一合成样本的置信度；

根据所述第一合成样本的置信度和所述判别网络模型的损失函数，在所述生产网络模型参数不变的条件下，对所述判别网络模型的参数采用梯度下降法进行优化，得到优化后的判别网络模型参数；

在所述优化后的判别网络模型参数不变的条件下，根据所述生成网络模型的损失函数，对所述生成网络模型的参数采用梯度下降法进行优化，得到优化后的生成网络模型参数；

判断是否满足迭代终止条件；在不满足迭代终止条件时，更换所述第一合成样本和所述实测的雷达图像样本，然后返回步骤″将所述第一合成样本和所述实测的雷达图像样本输入所述生成对抗神经网络模型中的判别网络模型中，得到所述第一合成样本的置信度″；在满足迭代终止条件时，得到训练好的模型。

6.根据权利要求1所述的样本扩充方法，其特征在于，所述采用所述训练好的模型进行雷达图像样本的扩充，得到合成的雷达图像样本，具体包括：

获取第二随机向量；所述第二随机向量为符合正态分布的向量；

将所述第二随机向量输入所述训练好的模型中进行雷达图像样本的扩充，得到合成的雷达图像样本。

7.一种样本扩充系统，其特征在于，包括：

实测样本获取模块，用于获取实测的雷达图像样本；

模型训练模块，用于以所述实测的雷达图像样本为输入，对生成对抗神经网络模型进行训练，得到训练好的模型；

样本扩充模块，用于采用所述训练好的模型进行雷达图像样本的扩充，得到合成的雷达图像样本；所述合成的雷达图像样本为所述实测的雷达图像样本的扩充样本。

8.根据权利要求7所述的样本扩充系统，其特征在于，还包括：

标注模块，用于采用平滑标签标注方法，对所述合成的雷达图像样本进行标注，得到标注好的扩充样本。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时实现权利要求1-6任一项所述的样本扩充方法。

10.一种电子设备，其特征在于，包括：

至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；

所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行权利要求1-6任一项所述的样本扩充方法。