【技术实现步骤摘要】
适用于深度学习图像分类的基于模型反馈的数据生成方法
[0001]本专利技术涉及图像分类
,尤其涉及一种适用于深度学习图像分类的基于模型反馈的数据生成方法
。
技术介绍
[0002]在近年的深度学习研究中,为了得到性能良好的图像分类模型,往往需要大量的标注数据对模型进行端到端的训练
。
实验证明,数据量的提升通常对模型性能的全面提升有着巨大的影响
。
然而,高质量数据的采集与标注往往需要大量的人力物力与财力
。
因此,为了减少这一部分的支出,一些图像的数据增强算法被提出用来生成虚拟数据,希望可以利用这些新的图像数据达到提升模型性能的目的
。
[0003]数据增强算法主要有两大类,一个是利用网络模型进行数据直接生成,包括利用对抗生成网络
(adversarial generative network,GAN)
和变分自编码器
(variational Auto
‑
Encoder,AVE)
等
。
另一类是利用已有的数据生成新的数据,包括一些数据增强算法:数据的翻转,旋转,镜像,颜色变换等,这些数据可以被认为是在某一个类的范围内的新数据
。
另外,数据增强也可以利用一个权重参数将两个或者多个类进行组合后得到新的数据,比如数据的凸组合,这些组合得到的新数据被认为是位于两个或多个类之间
。
[0004]目前,虽然有以上所提到的方法可以得到新的虚拟数据用来 ...
【技术保护点】
【技术特征摘要】
1.
一种适用于深度学习图像分类的基于模型反馈的数据生成方法,其特征在于:所述方法包括以下步骤:步骤1:数据的获取与整合;通过网络获取已经制作完成的图像数据集,通过8:2的比例将其划分为训练数据集和验证数据集;步骤2:权重生成器模型的设计;以卷积神经网络为基础设计权重生成器模型,其输入是需要组合的图像数据,其输出为一个与输入数据相同长宽的权重矩阵,该权重矩阵中每一个值都位于0到1之间;步骤3:新图像数据的生成;利用步骤2的权重矩阵对图像数据集中的原始图像数据进行组合得到新的图像数据;然后,将权重矩阵求平均后得到一个常数,利用该常数对原始图像数据的标签进行组合,得到新图像数据的标签;步骤4:模型参数优化;使用损失最大化算法优化权重生成器模型的参数,使用损失最小化算法优化深度学习分类模型的参数;权重生成器模型根据优化过程不断生成新的权重矩阵,并将由该新的权重矩阵得到的新图像数据作为训练数据,增加数据集数据的多样性,帮助深度学习分类模型更好的进行图像类别辨识
。2.
根据权利要求1所述的适用于深度学习图像分类的基于模型反馈的数据生成方法,其特征在于:所述步骤1的具体过程为:步骤
1.1
:从网上下载分类网络训练所需要的图像数据集;步骤
1.2
:将步骤
1.1
的图像数据根据8:2的比例划分成训练数据集和验证数据集;步骤
1.3
:对训练数据集进行数据预处理,包括填充
、
随机裁剪
、
水平翻转
、
归一化处理
。3.
根据权利要求2所述的适用于深度学习图像分类的基于模型反馈的数据生成方法,其特征在于:所述步骤2的具体方法为:以卷积神经网络为基础单元建立权重生成器
G
,包括三层卷积神经网络,其结构自上到下分别为:卷积核为3且步长为1的卷积层,批归一化层,
GELU
激活层,卷积核为3且步长为1的卷积层,批归一化层,
GELU
激活层,特征融合层,卷积核为1且步长为1的卷积层,标准化层,
sigmoid
激活层
。4.
根据权利要求3所述的适用于深度学习图像分类的基于模型反馈的数据生成方法,其特征在于:所述步骤3的具体方法为:步骤
3.1
:将两个采集自图像数据集的图像数据
x1、x2输入权重生成器模型
G
,经过生成器内部的卷积计算后得到一个权重矩阵
m
,即:
m
=
...
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。