用于实例分割的数据增强方法技术

本发明专利技术公开了一种用于实例分割的数据增强方法，涉及实例分割技术领域，解决了实例分割模型的实例分割效果较差的技术问题，其技术方案要点是通过非感兴趣区域去除算法对所述第一图片的非感兴趣区域进行去除，得到非感兴趣区域去除图片，再根据全局自然平均亮度对所述第二图片中的非感兴趣区域进行亮度填充，得到增强图片，将该增强图片加入到原来的训练集训练实例分割模型，从而得到实例分割效果提高、泛化性能提升的实例分割模型。泛化性能提升的实例分割模型。泛化性能提升的实例分割模型。

【技术实现步骤摘要】
用于实例分割的数据增强方法


[0001]本公开涉及实例分割
，尤其涉及一种用于实例分割的数据增强方法。

技术介绍

[0002]深度学习近几年得到迅速发展，深度神经网络在图像识别、物体检测、实例分割、关键点检测任务上取得了显著的效果。为了提高深度学习模型的鲁棒性和泛化能力，需要大量的数据对神经网络模型进行训练。然而在现实情况下，一方面很难获取大量的数据，另一方面，对于像实例分割、关键点检测等密集预测任务，数据集的标注成本极其昂贵；所以在资源有限的情况下，数据增强技术非常重要。利用数据增强技术能够扩充训练数据，提高模型的泛化能力，实例分割是从一幅图像和一段视频中分割出我们所关心的物体，实例分割不仅能分割出不同类别的物体，也能分割出同种类别的每个物体。
[0003]目前，市场上用于实例分割的数据增强方法主要包括：基于图像变换的传统增强方法和基于生成对抗网络的增强方法。“基于图像变换的传统增强方法”是直接对数据集中已有的数据进行水平翻转、裁剪、颜色空间变换，其计算量较小；而“基于生成对抗网络的数据增强方法”旨在生成一批数据分布和原数据集一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于实例分割的数据增强方法，其特征在于，包括：S1:读取训练集中的第一图片及其对应的标注信息，所述标注信息包括物体分割信息和类别信息；S2:计算所述第一图片的R通道、G通道、B通道各自的全局自然平均亮度；其中，所述R通道表示红色通道，所述G通道表示绿色通道，所述B通道表示蓝色通道；S3:通过非感兴趣区域去除算法对所述第一图片的非感兴趣区域进行去除，得到非感兴趣区域去除图片即第二图片；S4:根据所述全局自然平均亮度对所述第二图片中的非感兴趣区域进行亮度填充，得到增强图片即第三图片；S5:根据所述第一图片的标注信息得到所述第三图片的标注信息；S6:将所述第三图片及其标注信息加入到所述训练集中用于训练实例分割模型。2.如权利要求1所述的方法，其特征在于，所述步骤S2包括：S21：将维度为W
×
H
×
3的所述第一图片分离成三个维度为W
×
H
×
1的R通道图片、G通道图片和B通道图片；S22：通过以下式(1)计算R通道、G通道、B通道各自的全局自然平均亮度：其中，N表示所述训练集中所述第一图片的数量，L(x,y)表示单通道图片在位置坐标为(x,y)处的自然平均亮度值，δ＝0.000001。3.如权利要求1所述的方法，其特征在于，所述步骤S3包括：S31：根据所述标注信息提取每个所述第一图片中的已标注的每个实例的掩码矩阵；所述掩码矩阵为二值矩阵，掩码矩阵中的每个元素与第一图...

【专利技术属性】
技术研发人员：路通，许聪，王文海，
申请(专利权)人：南京大学，
类型：发明
国别省市：