【技术实现步骤摘要】
一种生成器的训练方法、装置与存储介质
本申请涉及模型训练
，尤其涉及一种生成器的训练方法、装置与存储介质。
技术介绍
物体检测是指对于给定的图片或者视频流，利用一些手段自动识别出其中已知的物体，具体的，识别该物体在图片/视频中的位置以及该物体的类别。物体检测是计算机视觉领域中很重要的问题。而深度学习在计算机视觉中应用广泛，基于深度学习的物体检测方法在大量数据集上取得了很好的效果。但是，对于图像中尺寸较小的物体(面积小于预设阈值，可以称为目标物体，对应为小物体)，目前的检测方法准确率都不高。一些检测网络在检测过程中，会对包含目标物体的原始图像进行处理，以增加该图像的分辨率，方便后续进行检测。例如，采用图像金字塔等多尺度方法，或放大图像尺寸来实现图像分辨率的提高。但是由于原始图像的分辨率较低，通过这些方法放大后的图像缺乏高频信息，还是比较模糊，因而会影响检测网络的检测效果。
技术实现思路
基于此，有必要针对上述技术问题，提供一种生成器的训练方法、装置与存储介质，训练得到一种生成器，通过该生成器对...
【技术保护点】
1.一种生成器的训练方法，其特征在于，所述方法包括：/n获取待训练的第一样本图像，所述第一样本图像属于高分辨率类别图像，其中，所述第一样本图像包含目标物体，所述目标物体的尺寸小于预设阈值；/n对所述第一样本图像进行处理，获得第二样本图像，所述第二样本图像属于低分辨率类别图像；/n将所述第一样本图像和所述第二样本图像输入生成对抗网络中的生成器进行转换处理，获得待判别图像；/n通过所述生成对抗网络中的判别器对所述第一样本图像和所述待判别图像进行判别处理，获得目标概率，所述目标概率的大小用于指示输入所述判别器的图像是所述第一样本图像的概率大小；/n基于所述目标概率，对所述生成对抗...
【技术特征摘要】
1.一种生成器的训练方法，其特征在于，所述方法包括：
获取待训练的第一样本图像，所述第一样本图像属于高分辨率类别图像，其中，所述第一样本图像包含目标物体，所述目标物体的尺寸小于预设阈值；
对所述第一样本图像进行处理，获得第二样本图像，所述第二样本图像属于低分辨率类别图像；
将所述第一样本图像和所述第二样本图像输入生成对抗网络中的生成器进行转换处理，获得待判别图像；
通过所述生成对抗网络中的判别器对所述第一样本图像和所述待判别图像进行判别处理，获得目标概率，所述目标概率的大小用于指示输入所述判别器的图像是所述第一样本图像的概率大小；
基于所述目标概率，对所述生成对抗网络进行训练，并获取训练后的生成对抗网络中的生成器，所述训练后的生成对抗网络中的生成器用于根据低分辨率类别图像获得高分辨率类别图像。
2.如权利要求1所述的方法，其特征在于，所述基于所述目标概率，对所述生成对抗网络进行训练，并获取训练后的生成对抗网络中的生成器，包括：
基于所述目标概率计算所述生成对抗网络的损失函数；
基于所述损失函数对所述生成对抗网络进行对抗训练，并在所述损失函数收敛的情况下，获取训练后的生成对抗网络中的生成器。
3.如权利要求2所述的方法，其特征在于，所述对所述第一样本图像进行处理，获得第二样本图像，包括：
对所述第一样本图像进行下采样，获得所述第二样本图像。
4.如权利要求3所述的方法，其特征在于，所述对所述第一样本图像进行下采样，包括：
采用双线性插值法对所述第一样本图像进行下采样；
或者，采用双三次插值法对所述第一样本图像进行下采样。
5.如权利要求4所述的方法，其特征在于，所述将所述第一样本图像和所述第二样本图像输入生成对抗网络中的生成器进行转换处理，获得待判别图像，包括：
对所述第二样本图像进行上采样，获得和所述第一样本图像尺寸相同的中间图像；
将所述中间图像输入所述生成器中的卷积层，获得第一特征图，并将所述第一样本图像输入所述卷积层，获得第二特征图；
从所述第一特征图中确定第一区域，获取所述第二特征图中第二区域的第二像素值，将所述第一特征图中第一区域的第一像素值替换为所述第二像素值，获得第三特征图，其中，所述第二区域在所述第二特征图中的位置和所述第一区域在所述第一特征图中的位置满足预设关系；
将所述第三特征图输入所述生成器中的反卷积层，获得所述待判...
【专利技术属性】
技术研发人员：谢雨洋，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
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。