[发明专利]训练样本的扩展方法、装置、存储介质及设备

说明书

本申请公开了一种训练样本的扩展方法、装置、存储介质及设备，属于图像处理技术领域。所述方法包括：获取数据集中的训练集，所述训练集中包括多个原始样本；对所述训练集中的每个原始样本进行扩展，得到扩展样本；将所述扩展样本添加到所述训练集中；当所述训练集中存在类不平衡现象时，采用高斯模糊算法对所述训练集中的各个样本进行修正，所述样本包括所述原始样本和所述扩展样本。本申请中可以对训练集中的样本进行扩展，从而扩大训练样本的数量，避免出现目标检测模型出现过度拟合现象；在训练集中存在类不平衡现象时，采用高斯模糊算法对训练集中的各个样本进行修正，从而提高目标检测模型的泛化能力。

技术领域

本申请实施例涉及图像处理技术领域，特别涉及一种训练样本的扩展方法、装置、存储介质及设备。

背景技术

近年来，目标检测模型已成为计算机视觉研究领域的重要研究热点。目标检测模型可以分为两类，一类基于区域推荐，这类目标检测模型先生成一系列候选目标区域，再提取目标候选区域的特征，最后用这些特征进行分类和目标边界的回归。另一类基于回归方法，这类目标检测模型直接将目标边框定位的问题转化为回归问题处理，在给定输入图像后，可以直接在图像的多个位置对该位置的目标边界和目标类别进行回归。

无论是哪种目标检测模型，在使用之前都需要先利用数据集对目标检测模型进行训练和测试。当前有很多公开的数据集，如COCO数据集，VOC数据集，MNIST数据集等等，这些数据集是消耗大量人工标注得出来的。其中，数据集中包括训练集和测试集，训练集中包括多个训练样本，以通过训练样本来训练目标检测模型，测试集中包括多个测试样本，以通过测试样本来测试目标检测模型的检测效果。然而，对于目标检测模型的训练而言，训练集中的训练样本的数量往往不足，这一限制会导致训练得到的目标检测模型的检测效果不好。

相关技术中可以通过增加注意力机制等来通过算法弥补训练样本不足的问题，训练得到的目标检测模型在训练集中的表现会很好，但在测试集中的表现却很差，这被称为过度拟合现象。

发明内容

本申请实施例提供了一种训练样本的扩展方法、装置、存储介质及设备，用于解决通过算法来弥补训练样本不足的问题时，目标检测模型出现过度拟合现象的问题。所述技术方案如下：

一方面，提供了一种训练样本的扩展方法，所述方法包括：

获取数据集中的训练集，所述训练集中包括多个原始样本；

对所述训练集中的每个原始样本进行扩展，得到扩展样本；

将所述扩展样本添加到所述训练集中；

当所述训练集中存在类不平衡现象时，采用高斯模糊算法对所述训练集中的各个样本进行修正，所述样本包括所述原始样本和所述扩展样本。

在一种可能的实现方式中，所述对所述训练集中的每个原始样本进行扩展，得到扩展样本，包括：

当对所述训练集中的一个原始样本进行一次扩展时，从四种处理方式中随机选择n种处理方式，所述四种处理方式包括对图像添加高斯噪声、使用拉普拉斯算子对图像进行锐化、对图像进行随机裁剪、对图像的亮度和对比度进行调整，n≥1；

当n＝1时，按照选择的处理方式对所述原始样本进行处理，得到一个扩展样本；

当n≥2时，对所述n种处理方式进行随机排序，按照排序后的n种处理方式依次对所述原始样本进行处理，得到一个扩展样本。

在一种可能的实现方式中，所述采用高斯模糊算法对所述训练集中的各个样本进行修正，包括：

获取预设的权值矩阵，所述权值矩阵中包括m×m个像素点的权值，m≥2；

当所述训练集中的样本为灰度图像时，对于所述样本中的每个像素点，计算以所述像素点为中心的m×m个像素点的灰度值与所述权值矩阵的加权平均值，利用所述加权平均值更新所述像素点的灰度值；