一种多尺度纹理随机化的数据增强方法技术

本发明专利技术公开一种多尺度纹理随机化的数据增强方法，本方法将随机4个训练样本拼接形成一个输出样本，输出样本保留了4个训练样本的特征，可以增加样本特征，防止训练时的过拟合；随机增加纹理掩码框，比较纹理掩码框与样本标记框自检的重叠区域，如果重叠区域小于设定阈值，则保留该掩码框，样本标记框为重叠区域标记框的话，则实现了重叠区域的处理。本发明专利技术通过对训练样本进行多尺度纹理随机化的数据增强，可以提高目标检测任务训练数据预处理的效果，提高识别检测效果。

【技术实现步骤摘要】
一种多尺度纹理随机化的数据增强方法
本专利技术涉及人工智能领域，尤其涉及计算机视觉典型目标检测任务训练数据预处理阶段，具体地说，是一种多尺度纹理随机化的数据增强方法。
技术介绍
在现实的应用场景中，往往会大量存在遮挡问题。在目标检测任务的训练样本当中，就存在大量标记目标重叠的情况，这就会导致被遮挡的目标，在训练过程中存在部分其他目标的特征，从而影响其识别检测效果。论文《ImprovedRegularizationofConvolutionalNeuralNetworkswithCutout》（https://arxiv.org/abs/1708.04552）中提出了一种数据增强的方法，在图像上进行随机位置和一定大小的区域进行裁剪。该方法是在尽可能的在训练中添加遮挡的样本，却无法很好处理训练样本中自身存在大量遮挡样本的情况。论文《mixup:BeyondEmpiricalRiskMinimizatio》（https://arxiv.org/abs/1710.09412）中提出了一种数据增强的方法，随机挑选两张图片进行叠加。在目标检本文档来自技高网...

【技术保护点】
1.一种多尺度纹理随机化的数据增强方法，其特征在于：包括以下步骤：/nS01）、选取N个训练样本P={P

【技术特征摘要】
1.一种多尺度纹理随机化的数据增强方法，其特征在于：包括以下步骤：
S01）、选取N个训练样本P={P0,P1,…,Pn-1}以及与N个训练样本相对应的标记框信息T={[X0,Y0,W0,H0,L0],[X1,Y1,W1,H1,L1],…,[Xn-1,Yn-1,Wn-1,Hn-1,Ln-1]}；
其中P包含图像信息，如P0包含（img0，img_w0，img_h0）,img0表示图像P0，img_w0表示图像P0的宽，img_h0表示图像P0的高，P1、…、Pn-1与之相同；
T包含图像的标记信息，[X,Y,W,H,C]表示为一组标记框信息，分别代表标记框的左上角点（X，Y），W是宽，H是高，L是该框的类别；
S02）、随机从训练样本集中挑选4个样本及4个样本对应的标记框信息，4个样本记为Ptl、Ptr、Pbl、Pbr，4个样本对应的标记框信息记为[Xtl,Ytl,Wtl,Htl,Ltl],[Xtr,Ytr,Wtr,Htr,Ltr],[Xbl,Ybl,Wbl,Hbl,Lbl],[Xbr,Ybr,Wbr,Hbr,Lbr]；
S03）、随机生成4个尺度缩放因子，即生成S=[s0,s1,s2,s3],其中s的范围在[0.5,1.0]之间；
S04）、设数据增强后的样本为Pout,设置Pout的图像信息为（img，img_w，img_h），其中img表示数据增强后的图像Pout，img_w表示图像Pout的宽度，img_h表示图像Pout的高度；
S05）、设数据增强后的样本Pout中心点坐标为（xc,yc），则
xc=img_w/2+b（1），
yc=img_h/2+b（2），
其中b∈[-(img_w+img_h)/16,(img_w+img_h)/16]；
S06）、当输入样本为Ptl时，图像imgtl乘以尺度缩放因子s0，改变其图像尺度，输出图像记为Ptl0，同理另外三个输入样本，经过尺度缩放得到输出图像记为Ptr1、Pbl2、Pbr3，输出样本Pout为Ptl0、Ptr1、Pbl2、Pbr3不同尺度的拼接，并且将对应的标记框信息进行变换，记为Tout；
S07）、随机生成n个不同大小、不同形状、不同颜色的纹理掩码框，记为Mask=[m0,m1,…,mn-1]；
S08）、计算每个生成的掩码框与输出样本标记框的重叠区域，重叠区域记为Overlap=[o0,o1,…,on-1]；
S09）、假设随机生成掩码框mi与输出样本中某个标记框tj重叠，重叠区域的面积为areai，则oi=areai/（wj*hj），其中标记框tj的位置信息为[xj,yj,wj,hj];
S10）、当重叠区域的值oi大于阈值ost，则删除该掩码...

【专利技术属性】
技术研发人员：井焜，陈英鹏，许野平，刘辰飞，
申请(专利权)人：神思电子技术股份有限公司，
类型：发明
国别省市：山东;37