【技术实现步骤摘要】
本专利技术涉及数据增强，具体而言，涉及一种数据增强方法、装置、设备及可读存储介质。
技术介绍
1、数据增强是一种重要的机器学习方法之一，是基于已有的训练样本数据来生成更多的训练数据，其目的就是为了使扩增的训练数据尽可能接近真实分布的数据，从而提高检测精度。此外，数据增强能够迫使模型学习到更多鲁棒性的特征，从而有效提高模型的泛化能力。常用的数据增强手段可以分为，基于几何变换的数据增强，其可以消除训练集和测试集的尺度、位置和视角差异等。例如，翻转、裁剪、平移和添加噪声等。基于颜色空间变换的数据增强，其可以消除训练集和测试集的光照、色彩和亮度差异等。例如，调整亮度、对比度、饱和度、通道分离和灰度图转换等。此外，还包括一些其他的数据增强方法等。例如，多样本数据增强、cut mix数据增强和mosaic数据增强等。
2、但是这些增强方式都是泛化和细粒化已有图像特征，不能对数据集外的特征进行泛化。
技术实现思路
1、本专利技术的目的在于提供一种数据增强方法、装置、设备及可读存储介质，以改善上述问题。
2、为了实现上述目的，本申请实施例提供了如下技术方案：
3、一方面，本申请实施例提供了一种数据增强方法，所述方法包括：
4、获取待处理图像；
5、将所述待处理图像输入sam分割模型中，得到分割后的区域图像；
6、对分割后的区域图像进行增噪处理，得到噪声图像；对所述噪声图像进行解码去噪，得到去噪后的图像；
7、将所述
8、优选的，将所述待处理图像输入sam分割模型中，得到分割后的图像，包括：
9、将所述待处理图像输入sam分割模型中，将所述sam分割模型输出的图像进行后处理，得到分割后的图像，所述后处理包括去噪或空洞填充。
10、优选的，对分割后的区域图像进行增噪处理，得到噪声图像；对所述噪声图像进行解码去噪，得到去噪后的图像，包括：
11、对分割后的图像不断添加高斯噪声，添加次数为n次，得到噪声图像；其中，在添加高斯噪声的过程中，后一次添加的高斯噪声的强度弱于前一次添加的高斯噪声的强度；
12、对所述噪声图像进行不断去噪，得到一个处理的噪声图像；将所述噪声图像减去所述处理的噪声图像，得到去噪后的图像。
13、优选的，将所述去噪后的图像输入判别器中进行得分计算，根据得分得到待处理图像对应的数据增强结果，包括：
14、将所述去噪后的图像输入判别器中，使用softmax函数产生得分，根据所述得分判断所述去噪后的图像是否符合要求，若符合要求则将所述去噪后的图像作为待处理图像对应的数据增强结果。
15、第二方面，本申请实施例提供了一种数据增强装置，所述装置包括获取模块、分割模块、处理模块和计算模块。
16、获取模块，用于获取待处理图像；
17、分割模块，用于将所述待处理图像输入sam分割模型中，得到分割后的区域图像；
18、处理模块，用于对分割后的区域图像进行增噪处理，得到噪声图像；对所述噪声图像进行解码去噪，得到去噪后的图像；
19、计算模块，用于将所述去噪后的图像输入判别器中进行得分计算，根据得分得到待处理图像对应的数据增强结果。
20、优选的，分割模块，包括：
21、分割单元，用于将所述待处理图像输入sam分割模型中，将所述sam分割模型输出的图像进行后处理，得到分割后的图像，所述后处理包括去噪或空洞填充。
22、优选的，处理模块，包括：
23、添加单元，用于对分割后的图像不断添加高斯噪声，添加次数为n次，得到噪声图像；其中，在添加高斯噪声的过程中，后一次添加的高斯噪声的强度弱于前一次添加的高斯噪声的强度；
24、去噪单元，用于对所述噪声图像进行不断去噪，得到一个处理的噪声图像；将所述噪声图像减去所述处理的噪声图像，得到去噪后的图像。
25、优选的，计算模块，包括：
26、计算单元，用于将所述去噪后的图像输入判别器中，使用softmax函数产生得分，根据所述得分判断所述去噪后的图像是否符合要求，若符合要求则将所述去噪后的图像作为待处理图像对应的数据增强结果。
27、第三方面，本申请实施例提供了一种数据增强设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述数据增强方法的步骤。
28、第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述数据增强方法的步骤。
29、本专利技术的有益效果为：
30、1、目前，数据增强技术主要分为以下几种：
31、flipping，翻转，是一种水平或者垂直翻转图像的数据增强技术，但是翻转在大多数情况下会导致目标歧义，如一个人翻转过来后就很不自然。
32、随机裁剪，该方法是通过裁剪图像的一部分并保留目标对象，产生多样化的训练数据，但是当目标对象的大小和位置关系较为复杂时，会对目标对象造成一定的影响，会出现难以检测的情况。
33、尺度变换，该方法是通过改变图像中目标对象的大小，模拟不同分辨率的输入，从而丰富数据集。该方法虽然可以提高模型的鲁棒性和泛化能力，但是也可能会引入一些不必要的噪声，影响模型性能。
34、mixup，该方法是将两个不同的样本进行线性插值，生成一个新的样本。但是此方法只适用于分类问题，并不适用于回归问题，对原始数据进行线性插值，会导致计算量和存储空间的增加，如果插值的样本过于相似，可能会导致模型出现过拟合现象。
35、而本专利技术采用稳定扩散的方式可以有效的控制数据增强的区域，同时保证了数据的完整性，保留了数据的有效特征，避免了上述问题的发生。针对性解决数据扩充问题，大大的降低了图像采集成本，缩短了整体的项目周期。
36、本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种数据增强方法，其特征在于，包括：
2.根据权利要求1所述的数据增强方法，其特征在于，将所述待处理图像输入SAM分割模型中，得到分割后的图像，包括：
3.根据权利要求1所述的数据增强方法，其特征在于，对分割后的区域图像进行增噪处理，得到噪声图像；对所述噪声图像进行解码去噪，得到去噪后的图像，包括：
4.根据权利要求1所述的数据增强方法，其特征在于，将所述去噪后的图像输入判别器中进行得分计算，根据得分得到待处理图像对应的数据增强结果，包括：
5.一种数据增强装置，其特征在于，包括：
6.根据权利要求5所述的数据增强装置，其特征在于，分割模块，包括：
7.根据权利要求5所述的数据增强装置，其特征在于，处理模块，包括：
8.根据权利要求5所述的数据增强装置，其特征在于，计算模块，包括：
9.一种数据增强设备，其特征在于，包括：
10.一种可读存储介质，其特征在于：
【技术特征摘要】
1.一种数据增强方法，其特征在于，包括：
2.根据权利要求1所述的数据增强方法，其特征在于，将所述待处理图像输入sam分割模型中，得到分割后的图像，包括：
3.根据权利要求1所述的数据增强方法，其特征在于，对分割后的区域图像进行增噪处理，得到噪声图像；对所述噪声图像进行解码去噪，得到去噪后的图像，包括：
4.根据权利要求1所述的数据增强方法，其特征在于，将所述去噪后的图像输入判别器中进行得分计算，根据得...
【专利技术属性】
技术研发人员：李石朋，桓朝，董冰，方赟，
申请(专利权)人：江苏星图智能科技有限公司，
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。