The invention discloses a method for generating accumulation training samples by generating antagonistic network, which includes the following steps: creating one-to-one corresponding training sets of accumulation and points; training GAN models by discriminators and generators; generating random distribution sets of points in a plane by random generators; generating more samples by generated random points; and using generated samples to carry out GAN models. Optimize. The method of the invention can obtain a more robust model, which can increase the number and quality of rare samples, reduce the cost of data acquisition, further make the traffic road detection model more accurate and robust, and better serve the traffic road detection.
【技术实现步骤摘要】
一种利用生成对抗网络生成堆积物训练样本的方法
本专利技术属于根据现有的路政执法与养护的训练样本(比如白色垃圾、堆积物)随机生成更多的训练数据的计算机图像处理
，具体涉及一种利用生成对抗网络生成堆积物训练样本的方法。
技术介绍
首个神经网络模型在1960年前后就被提出，期间经过众多学者的不断努力，神经网络也不断被优化，但由于缺乏大量的数据以及计算机的计算能力限制，神经网络算法一直没有发挥出其应有的潜力。直至2006年深度学习及其理论的提出，结合互联网的海量数据以及高效的计算能力，深度学习获得了极大的重视与发展。在目前深度学习的研究和应用快速发展的热潮下，生成对抗网络(GenerativeAdversarialNets，GAN)的提出更是满足了许多领域的研究和应用需求，为深度学习注入了新的发展活力。现在，GAN已经成为深度学习领域的一个重点研究方向，以至于著名学者YannLeCun将其称为“过去十年里机器学习领域中最让人兴奋的想法”。目前，GAN在图像和视觉领域研究和应用最为广泛，已经可以精准的生成手写体数字、人脸等目标对象，还可以构建各种逼真的生活场景，从低分...
【技术保护点】
1.一种利用生成对抗网络生成堆积物训练样本的方法，其特征在于：包括以下步骤：S1：创造堆积物和点的一一对应训练集；S2：利用判别器和生成器训练GAN模型；S3：随机生成器生成平面的点的随机分布集合；S4：利用生成的随机的点生成更多的样本；S5：利用生成的样本对GAN模型进行优化。
【技术特征摘要】
1.一种利用生成对抗网络生成堆积物训练样本的方法，其特征在于：包括以下步骤：S1：创造堆积物和点的一一对应训练集；S2：利用判别器和生成器训练GAN模型；S3：随机生成器生成平面的点的随机分布集合；S4：利用生成的随机的点生成更多的样本；S5：利用生成的样本对GAN模型进行优化。2.根据权利要求1所述的一种利用生成对抗网络生成堆积物训练样本的方法，其特征在于：步骤S1具体包括：手动标注不同的堆积物的样本，形成堆积物和样本一一对应的数据对；在同一个几何平面上标注随机点，进行随机的分布，生产更多不同纹理的只是堆积物形成标注和样本一一对应的数据对。3.根据权利要求1所述的一种利用生成对抗网络生成堆积物训练样本的方法，其特征在于：步骤S2所述...
【专利技术属性】
技术研发人员：周敏，朱志超，王勇，杨健，曾元，图尔荪艾力，
申请(专利权)人：南京中设航空科技发展有限公司，
类型：发明
国别省市：江苏,32
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。