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。任务要求。任务要求。
【技术实现步骤摘要】
基于递进式学习的靶标数据融合增强方法、系统及装置
[0001]本专利技术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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]本专利技术旨在解决上述问题，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。
[0005]第一方面，本专利技术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。
[0006]进一步，本专利技术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。
[0007]进一步，本专利技术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。
[0008]进一步，本专利技术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。
[0009]进一步，本专利技术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。
[0010]第二方面，本专利技术提供一种基于递进式学习的靶标数据融合增强系统，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。
[0011]进一步，本专利技术所述基于递进式学习的靶标数据融合增强系统，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。
[0012]进一步，本专利技术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。
[0013]进一步，本专利技术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。
[0014]第三方面，本专利技术提供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；所述计算机程序被处理器执行时可实现前述第一方面所述的基于递进式学习的靶标数据融合增强方法。
[0015]本专利技术所述基于递进式学习的靶标数据融合增强方法、系统及装置，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，针对优化场景单一、图片相似度高的情况，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；多源图像融合增强方法为递进补充学习方法进行兜底、泛化与数据增强、更深层次的扩充，简单可行，
迁移性强，同时可迭代可优化性高，而且多源性数据的补充降低了数据集的搜集获取难度和门槛。
附图说明
[0016]图1为本专利技术实施例一所述基于递进式学习的靶标数据融合增强方法流程示意图；图2为本专利技术实施例二所述胸环靶标注示意图；图3为本专利技术实施例二所述胸环靶数据进行推理检测效果示意图；图4为本专利技术实施例二所述对靶标进行提取流程示意图；图5为本专利技术实施例二所述目标提取效果示意图；图6为本专利技术实施例二所述多源图像融合流程示意图；图7为本专利技术实施例二所述标签投影转换示意图；图8为本专利技术实施例二所述数据融合效果原图；图9为本专利技术实施例二所述数据融合效果检测示意图；图10为本专利技术实施例三所述基于递进式学习的靶标数据融合增强系统结构示意图。
具体实施方式
[0017]下面通过附图及实施例对本专利技术所述基于递进式学习的靶标数据融合增强方法、系统及装置进行详细说明。
[0018]实施例一本公开实施例公开了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。
[0019]在本公开实例中，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本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：李明，黄勃学，郝磊，鱼群，
申请(专利权)人：中科星图空间技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。