数据增强方法、装置、设备及存储介质制造方法及图纸

本申请适用于数据处理技术领域，提供一种数据增强方法、装置、设备及存储介质，其中，数据增强方法包括：分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量；对所述目标数据特征向量和所述训练数据特征向量进行区别特征融合，得到融合特征向量；根据所述融合特征向量，生成与所述融合特征向量对应的融合图像数据；将所述训练数据集中的图像数据更新为所述融合图像数据。本申请能够将目标数据集中出现的个别差异数据的区别特征融合到训练数据集中的图像数据，使得增强后的训练数据集中的图像数据也能够覆盖到这些个别差异数据。像数据也能够覆盖到这些个别差异数据。像数据也能够覆盖到这些个别差异数据。

【技术实现步骤摘要】
数据增强方法、装置、设备及存储介质


[0001]本申请属于数据处理
，尤其涉及一种数据增强方法、装置、设备及存储介质。

技术介绍

[0002]在通过深度学习模型进行面部图像识别的过程中，由于采集到的面部图像数据具有多样性，深度学习模型的训练数据集不可能囊括所有类型的面部图像数据。通过训练数据集训练出的深度学习模型在应用时，会遇到少量具有区别特征的差异数据，在训练数据集缺少这些数据时，容易造成深度学习模型识别错误。为解决此问题，需要对训练数据集进行数据增强，通常的方法是在训练数据集上进行随机方向的数据增强，但是这种方法很难覆盖到可能出现的个别差异数据。

技术实现思路

[0003]本申请实施例提供了一种数据增强方法、装置、设备及存储介质，可以解决现有技术存在的训练数据增强方向随机，很难覆盖到可能出现的个别差异数据的问题。
[0004]本申请实施例的第一方面提供一种数据增强方法，包括：
[0005]分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量；
[0006]对所述目标数据特征向量和所述训练数据特征向量进行区别特征融合，得到融合特征向量；
[0007]根据所述融合特征向量，生成与所述融合特征向量对应的融合图像数据；
[0008]将所述训练数据集中的图像数据更新为所述融合图像数据。
[0009]本申请实施例的第二方面提供一种数据增强装置，包括：
[0010]特征提取模块，用于分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量；
[0011]特征融合模块，用于对所述目标数据特征向量和所述训练数据特征向量进行区别特征融合，得到融合特征向量；
[0012]图像生成模块，用于根据所述融合特征向量，生成与所述融合特征向量对应的融合图像数据；
[0013]数据更新模块，用于将所述训练数据集中的图像数据更新为所述融合图像数据。
[0014]本申请实施例的第三方面提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述的数据增强方法。
[0015]本申请实施例的第四方面提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上所述的数据增强方法。
[0016]本申请实施例的第一方面提供的数据增强方法，通过对目标数据集提取的目标数
据特征向量和训练数据集提取的训练数据特征向量进行区别特征融合，得到融合特征向量，并根据融合特征向量生成对应的融合图像数据，将训练数据集中的图像数据更新为融合图像数据，训练数据集的数据增强方向并不是随机的，当目标数据集中的图像数据出现个别差异数据时，能够将这些个别差异数据的区别特征融合到训练数据集中的图像数据，使得增强后的训练数据集中的图像数据也能够覆盖到这些个别差异数据。
[0017]可以理解的是，上述第二方面、第三方面和第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
[0018]为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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方式，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。
[0019]图1为本申请实施例提供的数据增强方法的第一种流程示意图；
[0020]图2为本申请实施例提供的数据增强方法的第二种流程示意图；
[0021]图3为本申请实施例提供的数据增强方法的整体框架图；
[0022]图4为本申请实施例提供的数据增强装置的结构示意图；
[0023]图5为本申请实施例提供的终端设备的结构示意图。
具体实施方式
[0024]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、设备、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0025]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0026]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。
[0027]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0028]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是
所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。“多个”表示“两个或两个以上”。
[0030]实施例一
[0031]本申请实施例一提供一种数据增强方法，可以由终端设备的处理器在运行相应的计算机程序时执行，用于实现对目标数据集提取的目标数据特征向量和训练数据集提取的训练数据特征向量进行区别特征融合，得到融合特征向量，并根据融合特征向量生成对应的融合图像数据，将训练数据集中的图像数据更新为融合图像数据，能够将目标数据集中出现的个别差异数据的区别特征融合到训练数据集中的图像数据，使得增强后的训练数据集中的图像数据也能够覆盖到这些个别差异数据。
[0032]如图1所示，本实施例提供的数据增强方法包括如下步骤S11至S14：
[0033]S11、分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量。
[0034]在应用中，上述目标数据集可以是在需要进行面部识别的目标场景中对目标对象的面部图像进行采集而得到的一个面部图像数据集，上述训练数据集可以是预先构建的用于训练深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据增强方法，其特征在于，包括：分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量；对所述目标数据特征向量和所述训练数据特征向量进行区别特征融合，得到融合特征向量；根据所述融合特征向量，生成与所述融合特征向量对应的融合图像数据；将所述训练数据集中的图像数据更新为所述融合图像数据。2.如权利要求1所述的数据增强方法，其特征在于，所述分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量，包括：通过特征提取网络，分别对目标数据集和训练数据集中的图像数据进行特征提取，得到目标数据特征向量和训练数据特征向量。3.如权利要求1所述的数据增强方法，其特征在于，所述对所述目标数据特征向量和所述训练数据特征向量进行区别特征融合，得到融合特征向量，包括：通过正交基子空间，对所述目标数据特征向量和所述训练数据特征向量进行区别特征融合，得到融合特征向量。4.如权利要求1所述的数据增强方法，其特征在于，所述根据所述融合特征向量，生成与所述融合特征向量对应的融合图像数据，包括：根据所述融合特征向量，通过生成网络生成与所述融合特征向量对应的融合图像数据。5.如权利要求1至4任一项所述的数据增强方法，其特征在于，所述将所述训练数据集中的图像数据更新为所述融合图像数据，包括：根据所述融合图像数据，计算所述融合图像数据对应的损失；在所述融合图像数据对应的损失小于预设阈值时，将所述训练数据集中的图像数据更新为所述融合图像数据。6.如权利要求5所述的数据增...

【专利技术属性】
技术研发人员：闫瑞海，
申请(专利权)人：大连熵基科技有限公司，
类型：发明
国别省市：