[发明专利]一种数据增广对深度学习模型性能影响评估方法及系统

权利要求书

1.一种数据增广对深度学习模型性能影响评估方法，其特征在于，包括：

获取深度学习模型的原始数据集；

基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集；

分别利用每个增广数据集训练所述深度学习模型，对每个训练后的深度学习模型进行测试和评估。

2.根据权利要求1所述的数据增广对深度学习模型性能影响评估方法，其特征在于，所述基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集包括：

基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移，得到第一增广数据集；

基于生成式对抗网络，对原始数据集中的一张或多张图像进行目标替换，得到第二增广数据集；

基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移或目标替换，得到第三增广数据集。

3.根据权利要求2所述的数据增广对深度学习模型性能影响评估方法，其特征在于，所述基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移，得到第一增广数据集包括：

将原始数据集中的一张或多张图像作为目标图像；

利用生成式对抗网络将非原始数据集中的图像的风格迁移到目标图像中，得到一张或多张增广图像。

4.根据权利要求2所述的数据增广对深度学习模型性能影响评估方法，其特征在于，所述基于生成式对抗网络，对原始数据集中的一张或多张图像进行目标替换，得到第二增广数据集包括：

将原始数据集中的一张或多张图像作为目标图像；

利用生成式对抗网络将非原始数据集中的图像中一个或多个目标替换掉目标图像中的对应目标，得到一张或多张增广图像。

5.根据权利要求2所述的数据增广对深度学习模型性能影响评估方法，其特征在于，所述基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移或目标替换，得到第三增广数据集包括：

将第一增广数据集和第二增广数据集中的图像进行融合，得到第三增广数据集。

6.根据权利要求1至5任一项所述的数据增广对深度学习模型性能影响评估方法，其特征在于，所述生成式对抗网络为MSGAN。

7.一种数据增广对深度学习模型性能影响评估系统，其特征在于，包括：

获取模块，用于获取深度学习模型的原始数据集；

增广模块，用于基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集；

评估模块，用于分别利用每个增广数据集训练所述深度学习模型，对每个训练后的深度学习模型进行测试和评估。

8.根据权利要求7所述的数据增广对深度学习模型性能影响评估系统，其特征在于，所述增广模块包括：

第一增广单元，用于基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移，得到第一增广数据集；

第二增广单元，用于基于生成式对抗网络，对原始数据集中的一张或多张图像进行目标替换，得到第二增广数据集；

第三增广单元，用于基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移或目标替换，得到第三增广数据集。

9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6任一项所述的数据增广对深度学习模型性能影响评估方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的数据增广对深度学习模型性能影响评估方法。