【技术实现步骤摘要】
本专利技术涉及机器学习数据增强领域，具体涉及一种基于生成对抗式的隐蔽管线图像数据增强方法。
技术介绍
1、由于隐蔽管线通常埋藏在地下或深埋在建筑结构内，因此获取大量能够用于机器学习模型训练的隐蔽管线图像数据集相对困难。此外，管线图像中可能存在各种干扰因素，如光照变化、阴影、遮挡等，使得数据集的多样性和质量难以保障。传统的数据增强方法在应对这些挑战时往往表现不佳，因为它们难以模拟真实世界中管线图像的复杂场景。
2、在这一背景下，生成对抗网络(generative adversarial network,gan)的引入为隐蔽管线图像数据增强提供了一种创新的解决方案。gan是一种深度学习模型，由生成器和判别器组成，通过对抗训练的方式能够生成逼真的新样本。通过训练生成器，可以生成更具多样性和真实感的隐蔽管线图像，从而弥补原始数据集的不足。gan的优势在于能够学习并生成复杂的管线场景，包括各种干扰和变化，从而提高数据增强的效果，并为隐蔽管线检测等任务提供更具泛化性能的模型训练数据。因此，使用gan对隐蔽管线图像进行数据增强不仅能够解决...
【技术保护点】
1.一种基于生成对抗式的隐蔽管线图像数据增强方法包括以下步骤：
2.根据权利要求1所述的一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第1步所述对传统的生成对抗网络模型进行改进，构造适用于隐蔽管线图像数据增强的扩展生成对抗模型，并将真实的隐蔽管线图像数据输入，得到增强后的隐蔽管线图像数据，具体步骤如下：
3.根据权利要求1所述一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第2步、构造模糊最小最大神经网络作为分类器，将扩展生成对抗网络的输出通过特征提取后作为模糊最小最大神经网络的输入，完成整个基于模糊最小最大神经网络和扩展...
【技术特征摘要】
1.一种基于生成对抗式的隐蔽管线图像数据增强方法包括以下步骤：
2.根据权利要求1所述的一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第1步所述对传统的生成对抗网络模型进行改进，构造适用于隐蔽管线图像数据增强的扩展生成对抗模型，并将真实的隐蔽管线图像数据输入，得到增强后的隐蔽管线图像数据，具体步骤如下：
3.根据权利要求1所述一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第2步、构造模糊最小最大神经网络作为分类器，将扩展生成对抗网络的输出通过特征提取后作为模糊最小最大神经网络的输入，完成整个基于模糊最小...
【专利技术属性】
技术研发人员：徐志磊，侯越晨，黄玮，赵丰年，
申请(专利权)人：北京理工大学，
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。