[发明专利]新场景适配方法、装置、设备及存储介质

说明书

本发明属于深度学习技术领域，公开了一种新场景适配方法、装置、设备及存储介质。该方法包括：从旧数据集中选取目标正样本；获取新场景图像，从新场景图像中截取目标区域，得到目标负样本；将目标正样本与目标负样本进行融合，得到新样本；确定新样本对应的分类结果；根据新样本和对应的分类结果构成新数据集；根据旧数据集和新数据集对预设分类模型进行训练。通过上述方式，将现有旧数据集中的样本数据作为正样本，将场景图像作为负样本，融合生成新数据集，根据旧数据集和新数据集对预设分类模型进行训练，使得预设分类模型快速适配新场景，无需采集大量的包含分类目标的新场景样本数据，缩短适配耗时，提高适配效率。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种新场景适配方法、装置、设备及存储介质。

背景技术

现有的分类任务模型在面对新场景时，需要提前采集大量的新场景样本数据，标记出分类结果，根据样本集对分类任务模型重新训练，例如，有用于车辆分类的分类任务模型，可以对室外场景的车辆进行良好的分类，区分出小轿车、面包车以及其它车辆3个类别，但是当存在新的场景需求，例如需要对地下停车场的车辆进行分类时，分类任务模型的分类效果差。其中，新场景还可以是其它环境，比如山区、牧场、夜间、阴雨天等应用场景。针对采用现有的(例如室外场景的)车辆分类的分类任务模型进行地下停车场车辆分类效果差的问题，为了对新场景进行分类，现有的方案中，通常收集大量的“地下停车场”的车辆样本，重新训练分类任务模型。可见，现有技术存在以下缺点：每个新场景都需收集大量的数据，耗时长；无法快速适配新场景，适配效率低，无法凸显原有场景样本的效益。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种新场景适配方法、装置、设备及存储介质，旨在解决现有的分类任务模型在面对新场景时，需要采集大量的新场景样本数据，耗时长，适配效率低的技术问题。

为实现上述目的，本发明提供了一种新场景适配方法，所述方法包括以下步骤：

从旧数据集中选取目标正样本；

获取新场景图像，从所述新场景图像中截取目标区域，得到目标负样本；

将所述目标正样本与所述目标负样本进行融合，得到新样本；

确定所述新样本对应的分类结果；

根据所述新样本和对应的分类结果构成新数据集；

根据所述旧数据集和所述新数据集对预设分类模型进行训练。

可选地，所述将所述目标正样本与所述目标负样本进行融合，得到新样本，包括：

随机生成面积比例、起始位置以及长宽比；

根据所述面积比例和所述长宽比从所述目标负样本中截取待融合数据；

根据所述起始位置将所述待融合数据与所述目标正样本进行融合，得到新样本。

可选地，所述确定所述新样本对应的分类结果，包括：

获取所述目标正样本对应的初始分类结果；

根据所述面积比例和所述初始分类结果确定所述新样本对应的分类结果。

可选地，所述获取所述目标正样本对应的初始分类结果，包括：

获取所述目标正样本对应的目标类别；

基于全部类别对所述目标类别进行一位有效编码，得到所述目标正样本对应的初始分类结果。

可选地，所述根据所述面积比例和所述长宽比从所述目标负样本中截取待融合数据之后，所述方法还包括：

随机生成预设旋转角度；