[发明专利]基于递进式学习的靶标数据融合增强方法、系统及装置

权利要求书

1.一种基于递进式学习的靶标数据融合增强方法，其特征在于包括：

获取原图的初始数据；从初始数据选取部分进行标注，得到训练集；

对训练集通过卷积神经网络进行训练学习，得到数量满足的训练集；所述训练集中包括经过训练后的原图对应生成的标签文件；

从经过训练的数据当中提出目标数据信息；

将目标数据与多源图像进行融合，得到新图像；

通过图像增强对新图像进行多样性泛化；

将目标数据的类别、坐标变换到新图像坐标系，得到每一个新图像对应的标签文件；

前述原图对应生成的标签文件和新图像对应的标签文件一起组成标靶数据。

2.根据权利要求1所述基于递进式学习的靶标数据融合增强方法，其特征在于：所述通过卷积神经网络进行训练学习，包括如下过程：

将训练集通过卷积神经网络进行训练，得到训练权重；

利用上一次训练得到的训练权重处理新数据，输出类别、坐标和置信度；

根据置信度进行数据清洗，将清洗后的数据作为前述训练集的补充，得到扩充的训练集；

将上一次的训练权重作为本次训练的预训练权重，将扩充的训练集通过神经网络继续训练；

重复上述训练学习过程，直至得到数量满足的训练集。

3.根据权利要求2所述基于递进式学习的靶标数据融合增强方法，其特征在于：所述多样性泛化包括对新图像进行亮度和色调和饱和度的变换。

4.根据权利要求3所述基于递进式学习的靶标数据融合增强方法，其特征在于：所述多样性泛化包括对新图像进行随机旋转。

5.根据权利要求4所述基于递进式学习的靶标数据融合增强方法，其特征在于：所述标签包括检测类别、中心点坐标、标注框尺寸和目标置信度。

6.一种基于递进式学习的靶标数据融合增强系统，其特征在于包括：

扩充训练模块，用于获取原图的初始数据；从初始数据选取部分进行标注，得到训练集；对训练集通过卷积神经网络进行训练学习，得到数量满足的训练集；所述训练集中包括经过训练后的原图对应生成的标签文件；

目标提取模块，用于从经过训练的数据当中提出目标数据信息；

图像融合模块，用于将目标数据与多源图像进行融合，得到新图像；

图像增强模块，通过图像增强对新图像进行多样性泛化；将目标数据的类别、坐标变换到新图像坐标系，得到每一个新图像对应的标签文件；

前述原图对应生成的标签文件和新图像对应的标签文件一起组成标靶数据。

7.根据权利要求6所述基于递进式学习的靶标数据融合增强系统，其特征在于：所述通过卷积神经网络进行训练学习，包括如下过程：

将训练集通过卷积神经网络进行训练，得到训练权重；

利用上一次训练得到的训练权重处理新数据，输出类别、坐标和置信度；

根据置信度进行数据清洗，将清洗后的数据作为前述训练集的补充，得到扩充的训练集；

将上一次的训练权重作为本次训练的预训练权重，将扩充的训练集通过神经网络继续训练；

重复上述训练学习过程，直至得到数量满足的训练集。

8.根据权利要求7所述基于递进式学习的靶标数据融合增强方法，其特征在于：所述多样性泛化包括对新图像进行亮度和色调和饱和度的变换。

9.根据权利要求8所述基于递进式学习的靶标数据融合增强方法，其特征在于：所述多样性泛化包括对新图像进行随机旋转。

10.一种基于递进式学习的靶标数据融合增强装置，包括相电连接的处理器和存储器；所述存储器上存储有计算机程序；其特征在于：所述计算机程序被处理器执行时可实现权利要求1-5任一项所述的基于递进式学习的靶标数据融合增强方法。