一种基于正样本图像的负样本图像生成方法，包括如下步骤：步骤S1：获取正样本图像；其中，所述正样本图像包含目标对象和背景；步骤S2：识别出所述目标对象的核心区域，所述正样本图像上所述核心区域以外的区域为非核心区域；步骤S3：对所述核心区域进行擦除或填充操作，生成第一负样本图像集；步骤S4：对所述非核心区域进行操作，并利用所述非核心区域的至少部分图像内容生成第二负样本图像集。本发明专利技术生成的图像在用于模型训练时，可以有效降低模型的错误通过率。
【技术实现步骤摘要】
所属的技术人员能够理解，本专利技术的各个方面可以实现为系统、方法或程序产品。因此，本专利技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。图9是本专利技术实施例中的一种基于正样本图像的负样本图像生成设备的结构示意图。下面参照图9来描述根据本专利技术的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例，不应对本专利技术实施例的功能和使用范围带来任何限制。如图9所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述一种基于正样本图像的负样本图像生成方法部分中描述的根据本专利技术各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图9中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。本专利技术实施例中还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的一种基于正样本图像的负样本图像生成方法的步骤。在一些可能的实施方式中，本专利技术的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述一种基于正样本图像的负样本图像生成方法部分中描述的根据本专利技术各种示例性实施方式的步骤。如上所示，本实施例在正样本的基础上，通过识别出目标对象的核心区域，对目标对象及背景的各类处理，生成多种类型的负样本，在用于模型训练时，可以有效降低模型的错误通过率。图10是本专利技术实施例中的计算机可读存储介质的结构示意图。参考图10所示，描述了根据本专利技术的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本专利技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本专利技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。本实施例在正样本的基础上，通过识别出目标对象的核心区域，对目标对象及背景的各类处理，生成多种类型的负样本，在用于模型训练时，可以有效降低模型的错误通过率。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本专利技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本专利技术的精神或范围的情况下，在其它实施例中实现。因此，本专利技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。以上对本专利技术的具体实施例进行了描述。需要理解的是，本专利技术并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本专利技术的实质内容。
技术介绍
1、在图像识别中，训练样本对于识别模型具有重要的意义。训练样本集的数量对于深度学习模型的学习非常重要。足够数量的训练样本集是一个深度学习模型能够有效识别的前提。而通过设备采集大量的图像用于训练却导致成本过高。
2、数据增广是深度学习中常用的技巧之一，主要用于增加训练数据集，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力。在实际应用中，不同的增广方式适用于不同的类型。目前数据增广主要包括：水平/垂直翻转，旋转，缩放，裁剪，剪切，平移，对比度，色彩抖动，噪声等。但目前的数据增广方案主要用于增加训练样本集的正样本，进而提高模型识别的通过率，本文档来自技高网...
【技术保护点】
1.一种基于正样本图像的负样本图像生成方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于正样本图像的负样本图像生成方法，其特征在于，步骤S2包括：
3.根据权利要求2所述的一种基于正样本图像的负样本图像生成方法，其特征在于，在步骤S21中，根据所述目标对象的特征点分布情况对目标对象进行分类。
4.根据权利要求3所述的一种基于正样本图像的负样本图像生成方法，其特征在于，如果所述特征点分布集中，则将所述目标对象分为第一类；如果所述特征点分布分散，则将所述目标对象分为第二类。
5.根据权利要求3所述的一种基于正样本图像的负样本图像生成方法，其特征在于，如果所述特征点分布不均匀且稀疏，则以特征点向外拓展固定像素组成的区域为核心区域，并将其标记为第一类。
6.根据权利要求1所述的一种基于正样本图像的负样本图像生成方法，其特征在于，步骤S3包括：
7.根据权利要求1所述的一种基于正样本图像的负样本图像生成方法，其特征在于，所述步骤S4包括：
8.一种基于正样本图像的负样本图像生成系统，用于实现权利要求1至7中任一项所述的基于正样本图像的负样本图像生成方法，其特征在于，包括：
9.一种基于正样本图像的负样本图像生成设备，其特征在于，包括：
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任意一项所述基于正样本图像的负样本图像生成方法的步骤。
...
【技术特征摘要】
1.一种基于正样本图像的负样本图像生成方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于正样本图像的负样本图像生成方法，其特征在于，步骤s2包括：
3.根据权利要求2所述的一种基于正样本图像的负样本图像生成方法，其特征在于，在步骤s21中，根据所述目标对象的特征点分布情况对目标对象进行分类。
4.根据权利要求3所述的一种基于正样本图像的负样本图像生成方法，其特征在于，如果所述特征点分布集中，则将所述目标对象分为第一类；如果所述特征点分布分散，则将所述目标对象分为第二类。
5.根据权利要求3所述的一种基于正样本图像的负样本图像生成方法，其特征在于，如果所述特征点分布不均匀且稀疏，则以特征...
【专利技术属性】
技术研发人员：段兴，兰兴增，陈晨，林威宇，吴陈涛，汪博，朱力，吕方璐，
申请(专利权)人：深圳市光鉴科技有限公司，
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。