【技术实现步骤摘要】
本专利技术属于数据处理，尤其涉及一种烹饪动作序列数据集的增强方法。
技术介绍
1、近年来，基于高效的计算设备、强大的算法和大量的数据，深度学习在许多领域取得了显著的进步，但是深度学习模型通常需要大量数据才能达到更高的性能，并适应更多的应用场景；数据增强对于克服数据样本，尤其是数据集的局限性非常重要；数据增强方法在小样本问题中被广泛应用，生成一批和原始数据不同但分布相似的数据，通过增加训练数据量达到提高模型预测精度的目的。
2、利用数据集进行模型训练时，数据集的大小、分布都会对结果造成很大影响。通过合理的方式增强、扩充数据集可以提高模型的性能。传统的数据增强方式更强调单个数据的增强而忽视了时域信息上的特征，而主流的时序数据增强缺乏对具有相关特性的数据进行有效扩充、主流的时间序列数据集并未根据数据的语义信息设置合理的采集频率。
3、烹饪动作序列中存在复杂的时空关系，其中每个动作的执行时间和次序都对最终结果产生重要影响。烹饪动作可能存在层次结构和相互关联的情况；例如，某个步骤的执行可能影响到后续多个步骤。时序信息在深度学习模型中对于烹饪动作识别和理解有关键性影响。传统的数据增强方法未能充分考虑时序信息。
技术实现思路
1、本专利技术目的在于提供一种烹饪动作序列数据集的增强方法,以解决现有技术中时序数据增强缺乏对具有相关特性的数据进行有效扩充及未充分考虑时序信息的技术问题。
2、为解决上述技术问题，本专利技术提出的一种时间序列数据集的增强方法，应用于烹饪
3、步骤s1：根据语义信息设置不同的降采样系数。
4、步骤s2：对数据集进行特征分类，获得对应特性的数据族，根据动作的时序逻辑特征将动作序列数据集分为周期性数据、自反性数据、互斥性数据和无特性数据的四类数据。
5、步骤s3：对周期性数据进行周期性分割获得子数据。
6、步骤s4：对自反性数据进行区间倒序排序获得同义数据。
7、步骤s5：对互斥性数据进行区间倒序排序获得反义数据。
8、步骤s6：对周期性数据、自反性数据及互斥性数据进行额外标注，无特性数据不做特殊处理，获得增强后的数据集。
9、进一步地，完成对数据集的增强后，还包括如下步骤：
10、步骤s7：将增强后的数据集用于训练模型。
11、本专利技术具有以下有益技术效果：
12、1）数据增强：通过对具有周期性、自反性和互斥性的数据进行分割和倒排，扩充了数据集的数量。
13、2）语义信息全覆盖：通过根据动作的语义信息定义不同的降采样系数，实现了时间序列数据的全面覆盖，从而来获取更多的信息。
14、3）模型效果提升：通过使用重新标注的数据集进行模型训练，提高了模型对时间序列数据的理解和识别能力。
15、4）根据数据的时序特性将旧的数据、标签映射为新的数据、标签。
本文档来自技高网...【技术保护点】
1.一种烹饪动作序列数据集的增强方法，应用于烹饪场景中，其特征在于，包括以下步骤：
2.根据权利要求1所述的烹饪动作序列数据集的增强方法，其特征在于，完成对数据集的增强后，还包括如下步骤：
3.根据权利要求1所述的烹饪动作序列数据集的增强方法，其特征在于，数据集增强的实现过程通过映射关系体现，映射关系如下：
4.根据权利要求3所述的烹饪动作序列数据集的增强方法，其特征在于，根据语义信息需要检测的动作集合包括擦拭、掀锅盖、盖锅盖、翻炒、加料、移入锅具、移出锅具、拧旋钮8项操作；掀锅盖、盖锅盖的降采样系数为3，覆盖帧数为16*3=48帧；擦拭、翻炒、加料的降采样系数为4，覆盖帧数为16*4=64帧；移入锅具、移出锅具、拧旋钮的降采样系数为2，覆盖帧数为16*2=32帧。
5.根据权利要求4所述的烹饪动作序列数据集的增强方法，其特征在于，周期性数据为擦拭，自反性数据为翻炒，互斥性数据为掀锅盖和盖锅盖，移入锅具和移出锅具；无特性数据为加料，拧旋钮。
6.根据权利要求5所述的烹饪动作序列数据集的增强方法，其特征在于，将翻炒的图像帧
7.根据权利要求5所述的烹饪动作序列数据集的增强方法，其特征在于，将掀锅盖和盖锅盖，移入锅具和移出锅具的图像帧进行倒序排列，新的图像序列的帧数下标和原来的序列下标相反，掀锅盖的标签变为盖锅盖，盖锅盖的标签变为掀锅盖；移入锅具的标签变为移出锅具，移出锅具的标签变为移入锅具。
...【技术特征摘要】
1.一种烹饪动作序列数据集的增强方法，应用于烹饪场景中，其特征在于，包括以下步骤：
2.根据权利要求1所述的烹饪动作序列数据集的增强方法，其特征在于，完成对数据集的增强后，还包括如下步骤：
3.根据权利要求1所述的烹饪动作序列数据集的增强方法，其特征在于，数据集增强的实现过程通过映射关系体现，映射关系如下：
4.根据权利要求3所述的烹饪动作序列数据集的增强方法，其特征在于，根据语义信息需要检测的动作集合包括擦拭、掀锅盖、盖锅盖、翻炒、加料、移入锅具、移出锅具、拧旋钮8项操作；掀锅盖、盖锅盖的降采样系数为3，覆盖帧数为16*3=48帧；擦拭、翻炒、加料的降采样系数为4，覆盖帧数为16*4=64帧；移入锅具、移出锅具、拧旋钮的降采样系数为2，覆盖...
【专利技术属性】
技术研发人员：俞贵涛，王沛竣，张榆平，鲍捷，
申请(专利权)人：电子科技大学，
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。