[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

说明书

一种基于递进式学习的靶标数据融合增强方法、系统及装置，属于图像信息处理领域，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；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；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。通过递进式学习的扩充数据的方法，极大程度上减少了人工标注作业难度和工作量；通过多源图像融合增强方法，提升了自制数据集的多源性、多样性和泛化性；递进补充式学习与多源图像融合增强相辅相成，递进补充式学习为多源图像融合增强提供原始感兴趣目标，最高程度地还原真实场景、贴近具体任务要求。

技术领域

本发明属于图像信息处理领域，尤其涉及一种基于递进式学习的靶标数据融合增强方法、系统及装置。

背景技术

现在人工智能对于各行各业的冲击巨大，利用目标检测算法与具体的工业场景需求结合已屡见不鲜。数据+算法的结合方式使得基于深度学习的目标检测在实际工业应用中取得了较好的效果，但是针对有些具体的任务需求，目前没有公开数据集，但是由于模型训练又需要大量甚至海量数据去支撑深度学习算法进行自主学习，因此无法满足对于初始数据的需求。

例如现代战争中对作战效率的高要求，并不断强调战争零伤亡，利用无人机(车)搭载带有AI算法的AGX嵌入式设备，通过对地面静止目标和运动目标进行识别、定位、跟踪，能够向无人机提供敌方目标的实时状态，为无人机完成对地面目标的精确打击打下坚实的基础，对于提高作战效率，降低作战代价具有重要作用。但是军事场景下的靶标不是公开数据集，也很难获取大量的训练数据集。在人工智能迅速发展的时代，某些行业数据集匮乏现状导致行业结合人工智能具体应用停滞不前，甚至形成了技术壁垒。

发明内容

本发明旨在解决上述问题，提供一种适用于数据集匮乏情况下基于递进式学习的靶标数据融合增强方法、系统及装置。

第一方面，本发明提供一种基于递进式学习的靶标数据融合增强方法，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。

进一步，本发明所述基于递进式学习的靶标数据融合增强方法，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。

进一步，本发明所述基于递进式学习的靶标数据融合增强方法，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。

进一步，本发明所述基于递进式学习的靶标数据融合增强方法，所述多样性泛化包括对新图像进行随机旋转。

进一步，本发明所述基于递进式学习的靶标数据融合增强方法，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。