一种针对小尺度目标的数据增强方法技术

本发明专利技术提供了一种针对小尺度目标的数据增强方法，利用复制粘贴的方式，采用三重线性插值的方法提高插入图像质量，解决了小尺度目标在神经神经网络中样本不均衡的问题，实现了提升基于深度学习技术下的小尺度目标检测和语义分割的模型性能的功能。本发明专利技术在不改变图像基本结构(如纹理、对象、上下文语义环境等)的前提下，有效增加小尺度目标在训练数据集中的比例，提升小尺度数据集在深度神经网络训练中的权重，缓和了样本不均衡的问题。本发明专利技术用于临床医学中病灶的检测，军事上空中可疑目标的发现和追踪等实际场景中的数据集的建立和增强，提升了小尺度目标的检测和分割的整体性能，帮助后面的模型训练取得更好的成绩，增强模型的鲁棒性。模型的鲁棒性。模型的鲁棒性。

【技术实现步骤摘要】
一种针对小尺度目标的数据增强方法


[0001]本专利技术属于深度学习
，具体涉及一种针对小尺度目标的数据增强方法。

技术介绍

[0002]目标检测是计算机视觉领域中的一个重要研究方向，也是其他复杂视觉任务的基础。近些年来，伴随着深度学习快速发展(网络结构如Alexnet，ENet，UNet， FastSCNN等)和一些数据增强方法的使用，目标检测在准确度和速度上都取得了巨大的成功。
[0003]然而，对比常规尺寸的目标，小目标检测长期以来是目标检测中的一个难点，小尺度目标检测存在的问题有可用特征少，在现有数据集中占比少，样本不均衡等问题。这也就导致了在一些公共检测数据集如MS COCO上，小尺度的目标检测性能通常不到大目标的一半。目前流行的数据增强方法是对图像做旋转、放缩、颜色变换、翻转等，然而这些数据增强的方法是从整个图片的角度出发，而不是从目标的层面出发，导致这些方法在小尺度目标分隔精度的表现不佳。
[0004]传统的数据增强方式，如旋转、缩放和翻转等，这些方式不会增加小尺度样本的数量，传统数据增强方法的缺陷使得他们无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对小尺度目标的数据增强方法，其特征在于：包括以下步骤：S1：定义和采集小尺度目标，转换小尺度目标的图片格式并通过缩放获取更高分辨率的小尺度目标图片；S2：选择小尺度目标的映射区域，得到符合先验的公知常识的合成图像；S3：复制和增强小尺度目标，生成小尺度目标增强数据集；S4：评估小尺度目标增强数据集的性能。2.根据权利要求1所述的一种针对小尺度目标的数据增强方法，其特征在于：所述的步骤S1中，具体步骤为：S11：定义小尺度为数据集中各目标的像素与总像素的占比，根据定义确定并采集小尺度目标；S12：根据预设需求选择小尺度目标作为复制的对象；将采集的小尺度目标转化为标准的图片格式；S13：对采集的小尺度目标进行放缩操作以增加小尺度目标的鲁棒性；同时利用三重线性插值的方式生成放缩后的小尺度目标，获取更高分辨率的小尺度目标图片，保证小尺度目标的清晰度，提高小尺度目标的图片质量。3.根据权利要求2所述的一种针对小尺度目标的数据增强方法，其特征在于：所述的步骤S12中，选择的小尺度目标的语义信息保存完整。4.根据权利要求1所述的一种针对小尺度目标的数据增强方法，其特征在于：所述的步骤S2中，具体步骤为：S21：根据步骤S12选取的小尺度目标，基于上下文...

【专利技术属性】
技术研发人员：徐国平，张炫，廖文涛，吴兴隆，陈壹林，黄青，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：