基于数据增强的模型训练方法、装置、设备及存储介质制造方法及图纸

本申请涉及AI技术领域，并公开了一种基于数据增强的模型训练方法，包括：对原始图像数据进行随机增强处理，得到第一图像数据；对所述第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图；基于所述热力图，确定用于表示所述第一图像数据的像素值对目标模型的精度判断具有影响作用的权重矩阵；根据所述权重矩阵对所述第一图像数据的各像素值进行增强处理，得到第二图像数据；根据所述第二图像数据对所述目标模型进行训练，得到训练完成的模型。能够基于较少的训练数据得到高精度的目标模型。数据得到高精度的目标模型。数据得到高精度的目标模型。

【技术实现步骤摘要】
基于数据增强的模型训练方法、装置、设备及存储介质


[0001]本申请涉及AI
，尤其涉及一种基于数据增强的模型训练方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能技术的发展和应用，为了在有效的训练样本下训练出高精度的大数据模型，数据增强技术得到了广泛的应用。数据增强也叫数据扩增，是指在不增加数据的情况下，训练出等价于由更多数据训练得到的模型。
[0003]现有的数据增强方式主要包括几何变换类和颜色变换类。其中，几何变换类是对图像像素进行随机的翻转、旋转、裁剪、变形和缩放等各类几何操作，没有改变图像本身的内容，对模型训练过程中精度的影响不明显；颜色变换类包括噪声、模糊、颜色变换、擦除和填充等，虽然能够在原来图像的基础上，随机叠加一些噪声，但是仍不能保证增强后的结果有利于模型训练的精度。

技术实现思路

[0004]本申请提供了一种基于数据增强的模型训练方法、装置、设备及存储介质，通过利用图像数据的热力图确定图像像素值对模型精度的影响权重，来提高图像对目标模型精度的影响，进而实现基于较少的训练数据得到高精度的目标模型的目的。
[0005]第一方面，本申请提供了一种基于数据增强的模型训练方法，所述方法包括：
[0006]对原始图像数据进行随机增强处理，得到第一图像数据；
[0007]对所述第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图；
[0008]基于所述热力图，确定用于表示所述第一图像数据的像素值对目标模型的精度判断具有影响作用的权重矩阵；
[0009]根据所述权重矩阵对所述第一图像数据的各像素值进行增强处理，得到第二图像数据；
[0010]根据所述第二图像数据对所述目标模型进行训练，得到训练完成的模型。
[0011]第二方面，本申请还提供了一种基于数据增强的模型训练装置，包括：
[0012]第一处理模块，用于对原始图像数据进行随机增强处理，得到第一图像数据；
[0013]分析模块，用于对所述第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图；
[0014]确定模块，用于基于所述热力图，确定用于表示所述第一图像数据的像素值对目标模型的精度判断具有影响作用的权重矩阵；
[0015]第二处理模块，用于根据所述权重矩阵对所述第一图像数据的各像素值进行增强处理，得到第二图像数据；
[0016]训练模块，用于根据所述第二图像数据对所述目标模型进行训练，得到训练完成
的模型。
[0017]第三方面，本申请还提供了一种基于数据增强的模型训练设备，包括：
[0018]存储器和处理器；
[0019]所述存储器用于存储计算机程序；
[0020]所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上第一方面所述的基于数据增强的模型训练方法的步骤。
[0021]第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上第一方面所述的基于数据增强的模型训练方法的步骤。
[0022]本申请公开了一种基于数据增强的模型训练方法、装置、设备及存储介质，首先通过对原始图像数据进行随机增强处理，并对增强处理之后的第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图；然后，基于所述热力图，确定用于表示所述第一图像数据的像素值对目标模型的精度判断具有影响作用的权重矩阵；再根据所述权重矩阵对所述第一图像数据的各像素值进行增强处理，得到第二图像数据；最后，根据所述第二图像数据对所述目标模型进行训练，得到训练完成的模型。通过利用图像数据的热力图确定图像像素值对模型精度的影响权重，来提高图像对目标模型精度的影响，进而实现基于较少的训练数据得到高精度的目标模型的目的。
附图说明
[0023]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本申请一实施例提供的基于数据增强的模型训练方法的实现流程图；
[0025]图2是图1中S102的具体实现流程图；
[0026]图3是图1中S103的具体实现流程图；
[0027]图4是本申请实施例提供的基于数据增强的模型训练装置的结构示意图；
[0028]图5是本申请实施例提供的基于数据增强的模型训练设备的结构示意性框图。
具体实施方式
[0029]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0030]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0031]应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0032]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0033]本申请的实施例提供了一种基于数据增强的模型训练方法、装置、设备及存储介质。本申请实施例提供的基于数据增强的模型训练方法，首先通过对原始图像数据进行随机增强处理，并对增强处理之后的第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图；然后，基于所述热力图，得到所述第一图像数据的像素值对目标模型精度影响的权重矩阵；再根据所述权重矩阵对所述第一图像数据的各像素值进行增强处理，得到第二图像数据；最后，根据所述第二图像数据对所述目标模型进行训练，得到训练完成的模型。通过利用图像数据的热力图确定图像像素值对模型精度的影响权重，来提高图像对目标模型精度的影响，进而实现基于较少的训练数据得到高精度的目标模型的目的。
[0034]下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0035]请参阅图1，图1是本申请一实施例提供的基于数据增强的模型训练方法的示意流程图。该基于数据增强的模型训练方法可以由服务器或者终端实现，所述服务器可以是单个服务器或者服务器集群。所述终端可以是手持终端、笔记本电脑、可穿戴设备或者机器人等。
[0036]如图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强的模型训练方法，其特征在于，所述方法包括：对原始图像数据进行随机增强处理，得到第一图像数据；对所述第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图；基于所述热力图，确定用于表示所述第一图像数据的像素值对目标模型的精度判断具有影响作用的权重矩阵；根据所述权重矩阵对所述第一图像数据的各像素值进行增强处理，得到第二图像数据；根据所述第二图像数据对所述目标模型进行训练，得到训练完成的模型。2.根据权利要求1所述的基于数据增强的模型训练方法，其特征在于，所述对所述第一图像数据基于预设的二维特征网络进行分析，得到所述第一图像数据的热力图，包括：将所述第一图像数据输入所述预设的二维特征网络，利用所述预设的二维特征网络对所述第一图像数据进行类激活，得到类激活图像；将所述类激活图像输入目标模型进行渲染处理，得到所述第一图像数据的热力图。3.根据权利要求2所述的基于数据增强的模型训练方法，其特征在于，所述预设的二维特征网络包括神经网络层和末尾卷积激活输出层；所述将所述第一图像数据输入所述预设的二维特征网络，利用所述预设的二维特征网络对所述第一图像数据进行类激活，得到类激活图像，包括：将所述第一图像数据输入所述神经网络层进行处理，所述末尾卷积激活输出层根据所述神经网络层的决策分类过程，确定所述第一图像数据中各像素点对所述神经网络层决策分类的影响权重；将所述第一图像数据中各像素点对所述神经网络层决策分类的影响权重和所述第一图像数据进行重叠，得到所述类激活图像。4.根据权利要求1至3任一项所述的基于数据增强的模型训练方法，其特征在于，所述基于所述热力图，确定用于表示所述第一图像数据的像素值对目标模型的精度判断具有影响作用的权重矩阵，包括：根据所述热力图中每个像素位置的热力值，计算所述第一图像数据中各个像素点的权重值；根据所述第一图像数据中各个像素点的权重值，生成所述第一图像数据的像素值对目标模型精度判断具有影响作用的权重矩阵。5.根据权利要求4所述的基于数据增强的模型训练方法，其特征在于，所述根据所述热力图中每个像素位置的热力值，计算所述第一图像数据中各个像素点的权重值，包括：分别基于预设的归一化公式，对所述热力图中每个像素位置的热力值进行归一化处理，得到所述热力图中每个像素...

【专利技术属性】
技术研发人员：郑喜民，苏杭，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：