【技术实现步骤摘要】
样本图像分类训练方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种样本图像分类训练方法、装置、计算机设备和存储介质。
技术介绍
随着机器学习和深度学习技术的发展，越来越多的用户使用深度学习技术对图像进行检测。在人工智能领域中,机器学习和深度学习需要通过学习大量的样本案例,改善机器判断的精准度。尤其在机器视觉领域的特定图像分类中,需要把图片对应的分类标记出来,对图像分类的样本进行大量的训练，从而使得训练模型具备可以同时识别多种分类图片的能力。特别在实际训练过程中，图像样本的准备阶段起着至关重要的作用。然而，在目前样本图像分类训练方式中，采用随机抽取的方法，随机抽取随机条目的数据进行复制，再将上述随机抽取的数据加入到原始样本中，极易造成训练模型过拟合的问题，存在学习样本不平衡的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够解决学习样本不平衡问题的样本图像分类训练方法、装置、计算机设备和存储介质。一种样本图像分类训练方法，所述方法包括：获取视频...
【技术保护点】
1.一种样本图像分类训练方法，所述方法包括：/n获取视频流数据，所述视频流数据包括多帧图像；/n利用分类识别模型对所述多帧图像进行筛选，得到多个不同类别的样本图像集；/n计算所述多个不同类别的样本图像集对应的样本比例数据，得到对应的第一样本比例数据集；/n当所述第一样本比例数据满足第一阈值条件时，对所述第一样本比例数据对应的样本图像集进行增强处理，得到新增样本图像集；/n根据所述新增样本图像集对所述样本图像集进行更新；/n根据预设自定义阈值，动态调整更新后的样本图像集，得到多个自定义样本图像集；/n对所述自定义样本图像集进行训练，直至所确定的损失值达到训练停止条件。/n
【技术特征摘要】 【专利技术属性】
1.一种样本图像分类训练方法，所述方法包括：
获取视频流数据，所述视频流数据包括多帧图像；
利用分类识别模型对所述多帧图像进行筛选，得到多个不同类别的样本图像集；
计算所述多个不同类别的样本图像集对应的样本比例数据，得到对应的第一样本比例数据集；
当所述第一样本比例数据满足第一阈值条件时，对所述第一样本比例数据对应的样本图像集进行增强处理，得到新增样本图像集；
根据所述新增样本图像集对所述样本图像集进行更新；
根据预设自定义阈值，动态调整更新后的样本图像集，得到多个自定义样本图像集；
对所述自定义样本图像集进行训练，直至所确定的损失值达到训练停止条件。
2.根据权利要求1所述的方法，其特征在于，所述当所述第一样本比例数据满足第一阈值条件时，对所述第一样本比例数据对应的样本图像集进行增强处理，得到新增样本图像集，包括：
对所述多个不同类别的样本图像集中的样本图像进行随机抽取，得到随机抽取的原样本图像；
对所述原样本图像的亮度和对比度进行随机调整，得到新增样本图像。
3.根据权利要求1所述的方法，其特征在于，所述根据预设自定义阈值，动态调整更新后的样本图像集，得到多个自定义样本图像集，包括：
计算所述更新后的样本图像集对应的样本比例数据，得到对应的第二样本比例数据集；
当所述第二样本比例数据大于预设自定义阈值时，对所述第二样本比例数据对应的样本图像集进行裁剪，将裁剪后的样本图像集标记为自定义样本图像集；
当所述第二样本比例数据小于预设自定义阈值时，则将所述第二样本比例数据对应的样本图像集标记为自定义样本图像集。
4.根据权利要求3所述的方法，其特征在于，所述当所述第二样本比例数据大于预设自定义阈值时，对所述第二样本比例数据对应的样本图像集进行裁剪之前，所述方法还包括：
获取所述更新后的样本图像集中最小样本数量，将所述最小样本数量标记为标准单位量；
将剩余样本图像集的样本数量，按照所述标准单位量进行等分，得到对应的多个标准单位量样本图像集。
5.根据权利要求1所述的方法，其特征在于，所述对所述自定义样本图像集进行训练包括：
技术研发人员：岑俊毅，李立赛，傅东生，
申请(专利权)人：深圳奇迹智慧网络有限公司，
类型：发明
国别省市：广东;44
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。