[发明专利]基于抠图的样本增强方法和训练方法及其系统和电子设备

说明书

一种基于抠图的样本增强方法和训练方法及其系统和电子设备。该基于抠图的样本增强方法，包括步骤：从包含目标对象的原始图像中扣取出目标对象信息；通过在背景图像上对该目标对象信息进行融合处理，得到融合图像；以及通过对该融合图像进行样本增强处理，获得含有目标对象的多个数据样本。

技术领域

本发明涉及深度学习技术领域，尤其是涉及基于抠图的样本增强方法和训练方法及其系统和电子设备。

背景技术

深度学习是一种基于数据样本的监督学习算法，由于样本量越丰富，则越可能接近实际场景下目标对象的分布状态，也就越有利于模型训练；因此，在搭建一套深度学习算法时，首先就需要收集充足的数据样本并标注，这需要较高的人力、物力成本。特别是在某些特殊场景(如森林火灾检测、机械故障等)中，很少或没有火灾或故障等发生时的样本图像，使得样本获取是很困难的。此时，就需要利用数据增强的方法来扩充数据样本。

目前，根据样本图像生成方式的不同，数据增强方法通常可以分为有监督的数据增强方法和无监督的数据增强方法。有监督的数据增强方法是指增强生成的图像是通过对已有图像进行简单几何变化、像素变化等预处理算法处理后得到的，例如空间几何变换类增强手段或像素颜色变换类增强手段。无监督的数据增强方法主要是通过模型学习数据的分布，随机生成与训练数据集分布一致的图像，例如生成对抗网络；或者通过模型学习出适合当前任务的数据增强方法，例如Auto Augment。

然而，一方面，在缺少原始样本图像的情况下，通过有监督的数据增强方法扩充数据将相当困难。另一方面，无监督的数据增强方法虽然在理论上可以在任意场景下获得充足的数据样本，但其网络不容易训练，很多时候训练该增强数据网络反而比实际任务要更困难复杂的多，并且在训练网络过程中也需要很多的数据样本。

发明内容

本发明的一优势在于提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，其能够较好地胜任模型训练的前期准备任务。

本发明的另一优势在于提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，其中，在本发明的一实施例中，所述基于抠图的样本增强方法能够利用少量含有目标对象的图像来生成符合应用场景需求的图像，以扩充数据样本。

本发明的另一优势在于提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，其中，在本发明的一实施例中，所述基于抠图的样本增强方法能够大幅地降低深度学习模型训练对于样本采集的要求，能够较好地模拟生成困难场景下的数据样本，以便容易地扩充样本分布。

本发明的另一优势在于提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，其中，在本发明的一实施例中，所述基于抠图的样本增强方法能够利用少量含有目标对象的图像和指定应用场景下的背景图像大批量生成符合实际应用场景需求的图像，融合点处过渡自然，图像逼真。

本发明的另一优势在于提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，其中，在本发明的一实施例中，所述基于抠图的样本增强方法特别适用于样本获取困难(如森林火灾、机械故障等)或获取成本高昂(如精密仪器缺陷检测等)，而背景图像容易获取且丰富的场景，为后续模型训练提供较好的数据样本集合。

本发明的另一优势在于提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，其中为了达到上述优势，在本发明中不需要采用复杂的结构和庞大的计算量，对软硬件要求低。因此，本发明成功和有效地提供一解决方案，不只提供一基于抠图的样本增强方法和训练方法及其系统和电子设备，同时还增加了所述基于抠图的样本增强方法和训练方法及其系统和电子设备的实用性和可靠性。

为了实现上述至少一优势或其他优势和目的，本发明提供了基于抠图的样本增强方法，包括步骤：

从包含目标对象的原始图像中扣取出目标对象信息；

通过在背景图像上对该目标对象信息进行融合处理，得到融合图像；以及