【技术实现步骤摘要】
一种基于GAN生成的三维图像扩增方法
[0001]本专利技术属于软件工程领域,使用深度学习方法实现图像数据扩增
。
针对三维的图像数据使用生成对抗网络实现图像生成,扩充深度学习模型数据集,解决样本分布不均的问题
。
技术介绍
[0002]近年来,人工智能领域发展迅猛,众多深度学习模型的准确度与鲁棒性都有着出色表现,因此也在生活生产的各个领域得到了广泛应用
。
同时,广泛的实际应用也相应的启发和促进着领域化模型的算法研究,研究者们有针对性地对于不同领域和不同场景提出了一系列的深度学习网络
。
但在实际应用当中,深度学习模型存在的不足也被一一暴露出来
。
一些高精度领域往往对模型的质量与性能有着较为苛刻的要求,但模型受样本数量与质量影响较大,一些领域的样本数量少质量低,深度学习模型的质量提升遭遇瓶颈,难以满足高精度要求
。
深度学习模型质量与数据及质量密切相关,只有保证模型用充足的
、
高质量的数据进行学习,才能够得到质量高的优秀模型
。
因此,有效样本匮乏的问题亟待解决
。
数据扩增是深度学习解决样本缺少问题的常用方法
。
[0003]随着技术的发展,三维图像展示
、
重建
、
识别技术逐步应用到现实场景中
。
三维图像相较于二维图像更加直观和立体,同时包含三个视角的信息,便于观察和信息的整合
。
以三维图 ...
【技术保护点】
【技术特征摘要】
1.
一种基于
GAN
生成的三维图像扩增方法,其特征是针对三维的图像数据使用生成对抗网络实现图像生成,扩充深度学习模型数据集,解决样本分布不均的问题,首先,基于领域样本信息的原始三维图像进行数据预处理,进行原始数据集获取,三维图像标注信息规范化处理,进行生成对抗模型数据集获取;然后,基于生成对抗网络进行三维图像生成,实现生成对抗网络结构
3D
‑
DCGAN
,使用样本进行
3D
‑
DCGAN
训练,直到损失函数趋于平衡;最后将随机噪声传入生成器生成三维图像样本,其具体步骤如下:1)进行原始三维图像数据预处理:首先,进行原始数据集获取;其次,结合数据集数据格式和存储形式,进行三维图像标注信息规范化处理,获取数据集文件中的标注信息,使用
xml/csv
文件进行信息存储;然后结合规范化标注信息和数据集影像进行关键样本区域的提取和转换,进行领域图像数据类型转换和关键样本区域提取,实现生成对抗模型数据集获取;2)生成对抗网络生成三维图像:首先,实现生成对抗网络结构
3D
‑
DCGA...
【专利技术属性】
技术研发人员:陈振宇,侯韵晗,刘佳玮,黄欢,
申请(专利权)人:南京大学深圳研究院,
类型:发明
国别省市:
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。