数据生成方法、装置、电子设备和计算机存储介质制造方法及图纸

本公开实施例提出了一种数据生成方法、装置、电子设备和计算机存储介质，该方法包括：获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；将所述第一图像样本和第二图像样本输入至CycleGAN模型中进行训练，得到所述CycleGAN模型的损失；基于所述CycleGAN模型的损失，对所述CycleGAN模型的参数进行调整，直至所述CycleGAN模型训练完成；利用训练完成的CycleGAN模型，扩充所述游戏平台图像样本集。台图像样本集。台图像样本集。

【技术实现步骤摘要】
【国外来华专利技术】数据生成方法、装置、电子设备和计算机存储介质
[0001]相关申请的交叉引用
[0002]本申请要求申请号为10202113724Q、申请日为2021年12月10日的标题为“数据生成方法、装置、电子设备和计算机存储介质”新加坡专利申请的优先权，该新加坡专利申请的全部内容引入本文作为参考。


[0003]本公开涉及计算机视觉处理技术，涉及但不限于一种数据生成方法、装置、电子设备和计算机存储介质。

技术介绍

[0004]目标检测是智能视频分析系统的重要一环，例如，在游戏场景中，可以通过在图像采集系统来获取游戏平台图像，从而对游戏平台图像中的目标物体(例如，游戏币)进行高准确率的检测。
[0005]相关技术中，为了让检测模型在各个场景和各个游戏平台下有较好的检测效果，传统的优化方式需要在各个场景和各个游戏平台下采集大量的图像数据；然而，使用此类方法有以下两个问题：1)考虑到每个场景和每个游戏平台下的数据量的差异，如果数据量差异较大，可能会导致检测模型泛化能力变差；例如，在第一场景的数据量远远大于第二场景的数据量的情况下，通过第二场景的数据量对检测模型进行训练，会降低检测模型在第二场景下的检测性能；2)每个场景和每个游戏平台下均需要人工进行大量重复的采集和标注工作，造成人力成本和资源成本的浪费。

技术实现思路

[0006]本公开实施例期望提供数据生成方法、装置、电子设备和计算机存储介质，能够在提高检测模型泛化能力的同时，减少人力成本和资源成本的浪费。
[0007]本公开实施例提供了一种数据生成方法，所述方法包括：
[0008]获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；
[0009]将所述第一图像样本和第二图像样本输入至循环一致性生成对抗网络(Cycle
‑
Consistent Generative Adversarial Networks，CycleGAN)模型中进行训练，得到所述CycleGAN模型的损失；基于所述CycleGAN模型的损失，对所述CycleGAN模型的参数进行调整，直至所述CycleGAN模型训练完成；
[0010]利用训练完成的CycleGAN模型，扩充所述游戏平台图像样本集。
[0011]本公开实施例还提供了一种数据生成装置，所述装置包括：
[0012]获取模块，用于获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；
[0013]训练模块，用于将所述第一图像样本和第二图像样本输入至CycleGAN模型中进行训练，得到所述CycleGAN模型的损失；基于所述CycleGAN模型的损失，对所述CycleGAN模型的参数进行调整，直至所述CycleGAN模型训练完成；
[0014]扩充模块，用于利用训练完成的CycleGAN模型，扩充所述游戏平台图像样本集。
[0015]本公开实施例还提供了一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
[0016]所述处理器用于运行所述计算机程序以执行上述任意一种数据生成方法。
[0017]本公开实施例还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种数据生成方法。
[0018]本公开实施例还提供了一种计算机程序产品，包括处理器可读指令，当所述处理器可读指令被处理器执行时用于实现如上任意一项所述数据生成方法。本公开实施例提出的数据生成方法、装置、电子设备和计算机存储介质中，获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；将所述第一图像样本和第二图像样本输入至CycleGAN模型中进行训练，得到所述CycleGAN模型的损失；基于所述CycleGAN模型的损失，对所述CycleGAN模型的参数进行调整，直至所述CycleGAN模型训练完成；利用训练完成的CycleGAN模型，扩充所述游戏平台图像样本集。
[0019]可以看出，在本公开实施例中，在对CycleGAN模型训练完成后，只需获取额外标注的少量游戏平台图像，并将其输入至训练完成的CycleGAN模型，便可得到扩充后的包括大量图像在内的游戏平台图像样本集；即，不需要通过人工重复采集和标注大量图像，可以节省大量的人工成本。此外，针对不同场景的每个游戏平台，均可以通过本公开实施例得到对应场景下每个游戏平台的扩充后的游戏平台图像样本集，使得不同场景的每个游戏平台对应的游戏平台图像样本集中的数据量基本相同；即，能够精确控制不同场景的每个游戏平台的数据比例，提高后续检测模型的泛化能力，将扩充后的游戏平台图像样本集用于后续检测模型的训练，可以提高检测性能。
[0020]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
[0021]此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
[0022]图1A为本公开实施例的数据生成方法的流程图；
[0023]图1B为本公开实施例的确定第一图像生成网络的损失的流程图；
[0024]图1C为本公开实施例的确定第二图像生成网络的损失的流程图；
[0025]图2A为本公开实施例的CycleGAN模型中生成器的输入的结果示意图；
[0026]图2B为本公开实施例的CycleGAN模型中生成器的输出的结果示意图；
[0027]图3为本公开实施例的数据生成装置的组成结构示意图；
[0028]图4为本公开实施例的电子设备的结构示意图。
具体实施方式
[0029]以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本公开，并不用于限定本公开。另外，以下所提供的实施例是用于实施本公开的部分实施例，而非提供实施本公开的全部实施例，在不冲突的情况下，本公开实施例记载的技术方案可以任意组合的方式实施。
[0030]需要说明的是，在本公开实施例中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其他要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
[0031]例如，本公开实施例提供的数据生成方法包含了一系列的步骤，但是本公开实施例提供的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种数据生成方法，其特征在于，所述方法包括：获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；将所述第一图像样本和第二图像样本输入至循环一致性生成对抗网络CycleGAN模型中进行训练，得到所述CycleGAN模型的损失；基于所述CycleGAN模型的损失，对所述CycleGAN模型的参数进行调整，直至所述CycleGAN模型训练完成；利用训练完成的CycleGAN模型，扩充所述游戏平台图像样本集。2.根据权利要求1所述的方法，其特征在于，所述CycleGAN模型包括第一图像生成网络和第二图像生成网络，所述第一图像生成网络包括第一生成器和第一鉴别器，所述第二图像生成网络包括第二生成器和第二鉴别器，所述将所述第一图像样本和第二图像样本输入至CycleGAN模型中进行训练，得到所述CycleGAN模型的损失，包括：根据所述第一图像样本、所述第一生成器、所述第一鉴别器和所述第二鉴别器，确定所述第一图像生成网络的损失；根据所述第二图像样本、所述第二生成器、所述第一鉴别器和所述第二鉴别器，确定所述第二图像生成网络的损失；根据所述第一图像样本、所述第二图像样本、所述第一生成器和所述第二生成器，确定循环一致性损失；根据所述第一图像生成网络的损失、所述第二图像生成网络的损失和所述循环一致性损失，得到所述CycleGAN模型的损失。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一图像样本、所述第一生成器、所述第一鉴别器和所述第二鉴别器，确定所述第一图像生成网络的损失，包括：将所述第一图像样本输入所述第一生成器，生成第一图像；利用所述第一鉴别器对所述第一图像样本进行鉴别，得到第一鉴别结果；利用所述第二鉴别器对所述第一图像进行鉴别，得到第二鉴别结果；根据所述第一鉴别结果和所述第二鉴别结果，确定所述第一图像生成网络的损失。4.根据权利要求2所述的方法，其特征在于，所述根据所述第二图像样本、所述第二生成器、所述第一鉴别器和所述第二鉴别器，确定所述第二图像生成网络的损失，包括：将所述第二图像样本输入所述第二生成器，生成第二图像；利用所述第二鉴别器对所述第二图像样本进行鉴别，得到第三鉴别结果；利用所述第一鉴别器对所述第二图像进行鉴别，得到第四鉴别结果；根据所述第三鉴别结果和所述第四鉴别结果，确定所述第二图像生成网络的损失。5.根据权利要求2所述的方法，其特征在于，所述根据所述第一图像样本、所述第二图像样本、所述第一生成器和所述第二生成器，确定循环一致性损失，包括：将所述第一图像样本输入所述第一生成器，生成第一图像；将所述第一图像输入所述第二生成器，生成第三图像；将所述第二图像样本输入所述第二生成器，生成第二图像；将所述第二图像输入所述第一生成器，生成第四图像；根据所述第一图像样本和所述第三图像的差异、以及所述第二图像样本和所述第四图像的差异，确定所述循环一致性损失。
6.根据权利要求2所述的方法，其特征在于，所述利用训练完成的CycleGAN模型，扩充所述游戏平台图像样本集，包括：获取额外标注的游戏平台图像；将所述额外标注的游戏平台图像输入至训练完成的第一生成器或第二生成器，生成新的游戏平台图像；利用所述新的游戏平台图像，扩充所述游戏平台图像样本集。7.根据权利要求1所述的方法，其特征在于，所述获取预先标注的游戏平台图像样本集，包括：对采集到的多帧游戏平台图像进行标注，得到标注后的多帧游戏平台图像；按照设定尺寸，对所述标注后的多帧游戏平台图像进行裁剪处理，得到预先标注的游戏平台图像样本集。8.根据权利要求1至4任一项所述的方法，其特征在于，所述目标物体包括以下至少一项：游戏币、扑克牌、标志牌。9.一种数据生成装置，其特征在于，所述装置包括：获取模块，用于获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；训练模块，用于将所述第一图像样...

【专利技术属性】
技术研发人员：刘春亚，
申请(专利权)人：商汤国际私人有限公司，
类型：发明
国别省市：