System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像识别的,特别涉及一种针对细粒度图像分类的数据增强方法及系统。
技术介绍
1、当在训练图像分类模型时,有时会遇到难以搜集到足够的标注数据。在这种情况下,一般会使用数据增强方法扩充数据,但是传统的数据增强方式,在细粒度图片分类模型的训练效果上不够显著,主要原因是传统常用的数据增强方法,围绕这图片进行变换时,图片的特征部分被变化过程中被裁剪,扭曲掉了。
2、这些图片中物体本身最能体现特征的部分往往集中在图片边缘,且相对整张图片来说,不够鲜明,容易被忽略,所以需要在数据增强时针对这些图片的特征表达进行强化。
技术实现思路
1、专利技术目的:为了解决针对图片中特征不够明显,特征没有集中在图片中心部分的图片进行数据增强时,体现该物体特征的部分像素容易被裁剪掉或掩盖掉的问题,通过经过改良的数据增强方式,保留最能体现图像特征的部分。
2、技术方案:一种针对细粒度图像分类的数据增强方法,包括以下步骤:
3、步骤一、基于物体获取需要训练的图片;
4、步骤二、将步骤一中的图片进行关键特征区域标注,判断关键特征区域的独立性:若关键特征区域为独立特征,则执行步骤三;反之,执行步骤四;
5、步骤三、对步骤二中的关键特征区域使用传统数据增强方式进行数据扩充,得到预处理后的关键特征区域;
6、步骤四、基于所述预处理后的关键特征区域,使用改进后的数据增强方式结合对应图片进行扩展性数据增强,得到处理图片;
7、步骤五
8、在进一步的实施中,所述步骤二中的关键特征区域标注流程如下:
9、通过画框的形式,将图片中能够区分该物体与其他物体的关键特征部分框出来,使特征边缘与选定的画框的边缘相贴合;
10、若关键特征部分为至少两个时,则进一步判断关键特征部分相互之间是否存在关联性:若存在,则使用一个具有相同标签的画框进行框选;若不存即为独立特征,则针对独立的键特征部分使用不同的标签的画框进行框选。
11、在进一步的实施中,所述步骤三中对关键特征区域使用传统数据增强方式进行数据扩充的具体流程如下:
12、获取关键特征区域在对应图片中像素占比,若占比大于20%,则进行旋转、翻转、裁剪和添加噪点对关键特征区域进行数据增强处理;其中,裁剪遵循预先设置的规则。
13、在进一步的实施中,所述步骤四中基于所述预处理后的关键特征区域,使用改进后的数据增强方式结合对应图片进行扩展性数据增强的具体步骤如下:
14、关键特征区域为独立特征时,基于标注出来的关键特征区域,在其对应的图片上进行图片生长,生成一张从图片中裁剪得到的包含关键特征区域的放大图片。
15、在进一步的实施中,所述预处理规则进一步为:被裁剪部分仅为画框外部,保留画框内的特征部分。
16、在进一步的实施中,关键特征区域为非独立特征时,即存在多个关联特征,以一个能过够框定多个关联特征的最小框为整张特征部分进行生长。
17、一种针对细粒度图像分类的数据增强系统,用于实现如上所述的数据增强方法,包括:
18、图片搜集模块,针对需要分类物体搜集图片;
19、图片标注模块,针对需要分类物体图片的特征打标;
20、打标部分数据增强模块,针对图片的特征部分进行数据增强;
21、全图数据增强模块,在打标的基础上针对全图进行数据增强;
22、整合训练模块,整合上述数据进行模型训练。
23、本专利技术的有益效果:通过手工标注的方式提示图片中最能凸显物体特征的部分。搜集到的少量图片中,经常存在各种干扰,使得图片中存在一些与目标物体本身无关的各种信息。而且目标物体本身的特征部分也没有出现在图像的主要语义部分中,模型容易混淆或者没能注意到关键部分,因此,采用标注画框的方式,将需要关注的部分手动框出来,并根据特征情况,对标注框进行分类,将该物体的特征标注出来。
24、针对特征部分的数据增强,来使模型习得特征的主要内容。通过对图片进行旋转,反转等方式,使模型针对该特征部分有较为细致的学习,了解该物体特征的主要部分。在针对特征部分强化是,裁剪,旋转,增加噪点等操作,需要设定一定约束,以防某些过度的操作使特征内容被消除,但是相对于针对传统的针对整张图片的操作,这些特征更容易被保留。
25、在特征部分的基础上进行生长,来使模型了解物体的全局特征。识别物体并不是完全由特征组成,模型依旧需要了解物体的全貌或特征以外的部分,因此,在特征的基础上在整张图片上进行生长。从选定的特征部分的边缘,向外进行随机延伸,但延伸过程中,尽量保证特征部分所占衍生完成后图片的一定比例以上,来保证特征部分不会被忽视。
本文档来自技高网...【技术保护点】
1.一种针对细粒度图像分类的数据增强方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述步骤二中的关键特征区域标注流程如下:
3.根据权利要求1所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述步骤三中对关键特征区域使用传统数据增强方式进行数据扩充的具体流程如下:
4.根据权利要求1所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述步骤四中基于所述预处理后的关键特征区域,使用改进后的数据增强方式结合对应图片进行扩展性数据增强的具体步骤如下:
5.根据权利要求3所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述预处理规则进一步为:被裁剪部分仅为画框外部,保留画框内的特征部分。
6.根据权利要求4所述的一种针对细粒度图像分类的数据增强方法,其特征在于,关键特征区域为非独立特征时,即存在多个关联特征,以一个能过够框定多个关联特征的最小框为整张特征部分进行生长。
7.一种针对细粒度图像分类的数据增强系统,用于实现如权利要求1至6
...【技术特征摘要】
1.一种针对细粒度图像分类的数据增强方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述步骤二中的关键特征区域标注流程如下:
3.根据权利要求1所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述步骤三中对关键特征区域使用传统数据增强方式进行数据扩充的具体流程如下:
4.根据权利要求1所述的一种针对细粒度图像分类的数据增强方法,其特征在于,所述步骤四中基于所述预处理后的关键特征区域,使用改进后的数据增强方式结合对应...
【专利技术属性】
技术研发人员:杨珂,王海荣,吕晓宝,王元兵,冯凯,
申请(专利权)人:中科曙光南京计算技术有限公司,
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。