【技术实现步骤摘要】
本专利技术涉及图像生成，特别是指一种基于分布校准的少样本图像增强方法及装置。
技术介绍
1、在处理少样本的任务中，经常面临样本数量不足的问题。由于某些领域获取训练图像成本高昂，以及获取训练图像环境复杂，使得获取大量具有代表性的图像样本变得非常困难。这导致了在使用深度学习模型进行图像检测、分类或预测时，模型训练的样本不足，进而影响模型的泛化能力和准确性。
2、在这个背景下，少样本学习的研究日益受到关注，研究者们探索了多种少样本学习技术，以解决在有限样本条件下训练模型的难题。但传统的少样本学习方法，如数据增强、元学习、迁移学习以及基于度量的学习，都面临着一系列挑战和局限性，存在难以学习样本复杂分布、依赖源域数据集等问题。
技术实现思路
1、针对上述问题，本专利技术的目的在于提供一种基于分布校准的少样本图像增强方法及装置，以解决现有少样本学习方法难以学习样本复杂分布、依赖源域数据集的问题。本专利技术使用分布校准方法融入生成模型，能够提高生成样本的质量与多样性。
2、为解决...
【技术保护点】
1.一种基于分布校准的少样本图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤S1中，所述图像相关数据包括与图像内容相关的：标签、关键词、文本描述、语义标注；
3.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤S2具体包括：
4.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤S3具体包括：
5.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤S4具体包括：
6...
【技术特征摘要】
1.一种基于分布校准的少样本图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤s1中，所述图像相关数据包括与图像内容相关的：标签、关键词、文本描述、语义标注；
3.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤s3具体包括：
5.根据权利要求1所述的基于分布校准的少样本图像增强方法，其特征在于，所述步骤s4具体包括：
6.根据权利要求1所述的基于分布校准...
【专利技术属性】
技术研发人员：时鹏，姚力煊，章立军，张卫冬，于士豪，
申请(专利权)人：北京科技大学，
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。