CN111783814A - 数据扩增方法、装置、设备和计算机可读介质 - Google Patents
数据扩增方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111783814A CN111783814A CN201911182846.0A CN201911182846A CN111783814A CN 111783814 A CN111783814 A CN 111783814A CN 201911182846 A CN201911182846 A CN 201911182846A CN 111783814 A CN111783814 A CN 111783814A
- Authority
- CN
- China
- Prior art keywords
- image
- length
- width
- article
- article image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003321 amplification Effects 0.000 title claims abstract description 34
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 70
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/053—Detail-in-context presentations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了数据扩增方法、装置、设备和计算机可读介质,涉及计算机技术领域。该方法的一具体实施方式包括:定位训练图像中的物品图像,并获知所述物品图像的长度和宽度;在所述训练图像中,基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,得到外扩图像;基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像;将所述分割图像作为训练模型的输入数据。该实施方式能够提高被训练模型的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据扩增方法、装置、设备和计算机可读介质。
背景技术
深度学习中训练模型需要大量的数据,而获取、标注数据是一个非常耗费人力和物力的工作。为了充分挖掘出数据的潜力,数据扩增就成为训练模型的重要手段。传统的图像数据扩增方法包括随机切块(crop)、旋转、调整亮度、饱和度、调整灰度直方图等。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:应用上述图像数据扩增方法影响训练模型的准确性。
发明内容
有鉴于此,本发明实施例提供一种数据扩增方法、装置、设备和计算机可读介质,能够提高被训练模型的准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种数据扩增方法,包括:
定位训练图像中的物品图像,并获知所述物品图像的长度和宽度;
在所述训练图像中,基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,得到外扩图像;
基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像;
将所述分割图像作为训练模型的输入数据。
所述基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像,包括:
基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,构建分割矩形;
在所述外扩图像中,以所述分割矩形覆盖所述物品图像,将所述分割矩形所在的区域,作为所述分割图像。
所述基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,构建分割矩形,包括:
将大于或等于所述物品图像的长度,且小于或等于所述外扩图像的长度的边长,作为所述分割矩形的长边;
将大于或等于所述物品图像的宽度,且小于或等于所述外扩图像的宽度的边长,作为所述分割矩形的短边;
由所述分割矩形的长边和所述分割矩形的短边,构建所述分割矩形。
所述基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,包括:
基于所述物品图像的长度,按照预设长度比例外扩所述物品图像的背景区域长度;
基于所述物品图像的宽度,按照预设宽度比例外扩所述物品图像的背景区域宽度。
所述预设长度比例与所述预设宽度比例相同。
所述将所述分割图像作为训练模型的输入数据,包括:
根据预设数学期望和预设标准差,生成符合高斯分布的预设角度;
所述分割图像旋转所述预设角度后,作为训练模型的输入数据。
所述长度和所述宽度,以所占用像素点衡量。
根据本发明实施例的第二方面,提供了一种数据扩增装置,包括:
定位模块,用于定位训练图像中的物品图像,并获知所述物品图像的长度和宽度;
外扩模块,用于在所述训练图像中,基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,得到外扩图像;
切分模块,用于基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像;
输出模块,用于将所述分割图像作为训练模型的输入数据。
根据本发明实施例的第三方面,提供了一种数据扩增电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的方法。
根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为定位训练图像中的物品图像,并获知物品图像的长度和宽度;在训练图像中,基于物品图像的长度外扩物品图像的背景区域长度,基于物品图像的宽度外扩物品图像的背景区域宽度,得到外扩图像;基于物品图像的长度,外扩图像的长度,物品图像的宽度,以及外扩图像的宽度,切分外扩图像得到分割图像;将分割图像作为训练模型的输入数据。由于分割图像所包括物品图像,与实际采集的物品图像一致,以分割图像作为训练模型的输入数据,能够提高被训练模型的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的数据扩增方法的主要流程的示意图;
图2是根据本发明实施例的训练图像的示意图;
图3是根据本发明实施例的外扩图像的示意图;
图4是根据本发明实施例的另一个外扩图像的示意图;
图5是根据本发明实施例的又一个外扩图像的示意图;
图6是根据本发明实施例的分割图像的流程的示意图;
图7是根据本发明实施例的分割图像的示意图;
图8是根据本发明实施例的数据扩增装置的主要结构的示意图;
图9是本发明实施例可以应用于其中的示例性系统架构图;
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在识别物品图像的过程中,为了提高训练模型识别物品的能力,可以利用预设模型去掉除物品之外的背景,仅保留物品的物品图像作为训练数据。一般保留物品的物品图像随机切块以扩增数据。随机切块会产生大量物品的局部图像,缺少物品的完整图像,进而导致物品视觉外观的表征特性出现偏差。以大量物品的局部图像训练模型,会影响训练模型识别物品的准确性。
为了解决影响训练模型识别物品准确性的技术问题,可以采用以下本发明实施例中的技术方案。
参见图1,图1是根据本发明实施例的数据扩增方法主要流程的示意图,在物品图像的基础上获得外扩图像,切分外扩图像得到分割图像。如图1所示,具体包括以下步骤:
S101、定位训练图像中的物品图像,并获知物品图像的长度和宽度。
训练图像中包括物品图像和背景。基于图像识别可以定位在训练图像中的物品图像。作为一个示例,图像识别具体可以包括:图像预处理、特征提取和图像识别。
参见图2,图2是根据本发明实施例的训练图像的示意图。可以理解的是,训练图像中包括物品图像。也就是说,物品图像是训练图像的一部分,训练图像包括物品图像和背景。
在训练图像中,定位物品图像进而获知物品图像的具体坐标。示例性的,可以根据物品图像最高点的纵坐标,以及物品图像最低点的纵坐标之间的差,获知物品图像的长度;根据物品图像最右侧点的横坐标,以及物品图像最左侧点的横坐标之间的差,获知物品图像的宽度。
可以理解的是,物品图像的坐标可以像素点的位置衡量。作为一个示例,物品图像最高点的纵坐标为120像素,物品图像最低点的纵坐标为20像素,物品图像的长度为100像素。同样的,也适用于物品图像的宽度。换言之,长度和宽度可以以所占用像素点衡量。
S102、在训练图像中,基于物品图像的长度外扩物品图像的背景区域长度,基于物品图像的宽度外扩物品图像的背景区域宽度,得到外扩图像。
由于需要获得包括完成的物品图像训练图像,那么可以在物品图像的基础上分别外扩物品图像的背景区域长度,以及外扩物品图像的背景区域宽度,进而得到外扩图像。基于物品图像外扩背景区域,显然外扩图像中包括完整的物品图像。
可以理解的是,外扩图像是在物品图像的基础上,外扩物品图像的背景区域得到的图像。外扩图像是训练图像的一部分。
参见图3,图3是根据本发明实施例的外扩图像的示意图,其中虚线部分即外扩图像。从图3中可以获知,物品图像保持不变,训练图像保持不变。外扩图像包括完整物品图像,还有部分物品图像的背景区域。可以理解的是,在训练图像中,保持物品图像位置处于原位,然后增大背景区域,进而得到外扩图像。
增大背景区域的有多种方式。在本发明的一个实施例中,考虑到物品图像的长度和宽度,可以基于物品图像的长度,按照预设长度比例外扩物品图像的背景区域长度。以及,基于物品图像的宽度,按照预设宽度比例外扩物品图像的背景区域宽度。这样,就可以通过预设长度比例和预设宽度比例,控制生成外扩图像的数量。
参见图4,图4是根据本发明实施例的另一个外扩图像的示意图。其中,预设长度比例和预设宽度比例不同,生成虚线部分的外扩图像。上述情况下,所生成外扩图像包括完整的物品图像。
参见图5,图5是根据本发明实施例的又一个外扩图像的示意图。其中,预设长度比例和预设宽度比例相同,生成虚线部分的外扩图像。上述情况下,所生成外扩图像包括完整的物品图像。在预设长度比例和预设宽度比例相同情况下生成的外扩图像,较符合实际中的物品图像。这样因为,拍摄图像一般会在物品图像周围保留比例相同的背景。
作为一个示例,预设长度比例=预设宽度比例=P%。其中,外扩是指在物品图像的长度或宽度的基础上,向两端分别外扩原有尺寸的P%。
对于物品图像的长度=M,物品图像的宽度=N,外扩图像的长度=(1+2*P%)M,外扩图像的宽度=(1+2*P%)N。
S103、基于物品图像的长度,外扩图像的长度,物品图像的宽度,以及外扩图像的宽度,切分外扩图像得到分割图像。
可以将物品图像的长度作为长度最小值,将外扩图像的长度作为长度最大值,以及将物品图像的宽度作为宽度最小值,将外扩图像的宽度作为宽度最大值,切分外扩图像。
参见图6,图6是根据本发明实施例的分割图像的流程的示意图,具体包括以下步骤:
S601、基于物品图像的长度,外扩图像的长度,物品图像的宽度,以及外扩图像的宽度,构建分割矩形。
可以在物品图像的长度,外扩图像的长度,物品图像的宽度,以及外扩图像的宽度的基础上,构建分割矩形。
具体来说,将大于或等于物品图像的长度,且小于或等于外扩图像的长度的边长,作为分割矩形的长边。将大于或等于物品图像的宽度,且小于或等于外扩图像的宽度的边长,作为分割矩形的短边。
在确定分割矩形的长边和分割矩形的短边之后,能够构建分割矩形。
构建分割矩形的目的在于,分割外扩图像。基于物品图像的和外扩图像的边长,设置多个在上述两个边长之间的中间值,则可以构建多个分割矩形。
S602、在外扩图像中,以分割矩形覆盖物品图像,将分割矩形所在的区域,作为分割图像。
分割矩形的面积可以大于物品图像的面积,为了确保大部分分割图像包括完整的物品图像,则可以以分割矩形覆盖物品图像,将分割矩形所在的区域作为分割图像。
参见图7,图7是根据本发明实施例的分割图像的示意图,其中,虚线矩形内的区域是外扩图像。格子区域即为分割图像。分割图像在外扩图像内部,且覆盖物品图像。
需要说明的是,按照上述步骤切分外扩图像得到分割图像,大部分分割图像中包括完整物品图像,极少部分分割图像包括部分物品图像。其原因在于,在训练图像中定位物品图像的过程中,定位存在误差,有可能导致物品图像并非包括完整物品。因此,切分得到的分割图像包括完整的物品图像的可能性较大,分割图像包括部分的物品图像的可能性较小。
S104、将分割图像作为训练模型的输入数据。
由于大部分分割图像包括完整的物品图像,可以利用分割图像训练模块,即将分割图像作为训练模型的输入数据。
模型召回率(Recall Rate)是找到训练图像中所有物品图像的能力。也就是,正确判断为物品图像占实际所有物品图像的比例。在应用本发明实施例,模型召回率由采用已有技术中的48.3%,提升到采用本发明实施例方案的49.8%。
在上述实施例中,主要是应用在训练识别物品的模型中。与已有逐步缩小训练图像边缘以构建训练图像方式相比较,本发明实施例是在包括物品图像的基础上,通过外扩物品图像的背景区域构建训练图像。逐步缩小训练图像边缘构建训练图像,这样做的目的在于:确保大部分分割图像包括完整物品图像。
可以理解的是,分割图像中即包括完整物品图像,也包括不完整物品图像。其中,完整物品图像的比例远远大于不完整物品图像的比例。这是因为,即使实际采集的物品图像,也包括不完整物品图像。采用本发明实施例中的技术方案,由于完整物品图像的比例远大于不完整物品图像的比例,从上述模型召回率可以获知,本发明实施例中少量不完整物品图像并不会影响模型的正常训练。
在物品图像的基础上外扩背景区域,得到外扩图像。按照物品图像切分外扩图像,获得包括完成物品图像的分割图像。以分割图像作为训练模型的输入数据,进而能够提高模型识别物品的准确性。
在本发明的一个实施例中,构建训练图像过程中,还需要考虑物品图像的旋转角度。以保证物品上文字的可读性,较少出现上下颠倒的情况。
已有技术中随机确定物品图像的旋转角度,即采用传统的旋转扩增方法,顺/逆时针最大旋转角度之间进行均匀采样。但实际物品图像旋转角度也会随着旋转角度的增大而变少。
那么,可以根据预设数学期望μ和预设标准差σ,生成符合高斯分布的预设角度β。
可以理解的是,角度β分布在(μ-σ,μ+σ)之间的概率为0.6526;分布在(μ-2σ,μ+2σ)之间的概率为0.9544;分布在(μ-3σ,μ+3σ)之间的概率为0.9974。示例性的,μ设置为0。
然后,按照角度β旋转分割图像后,将该图像作为训练模型的输入数据。
在应用本发明实施例,采用已有旋转扩增方法,分别旋转物品图像0度、45度和90度,分别计算对应的模型召回率。
表1
0度旋转 | 45度旋转 | 90度旋转 | |
方案一:最大10度 | 0.3829 | 0.2336 | 0.1542 |
方案二:最大30度 | 0.3747 | 0.2607 | 0.162 |
方案三:最大90度 | 0.3682 | 0.2594 | 0.1827 |
方案四:σ=20度 | 0.3813 | 0.2609 | 0.1829 |
表1是采用不同技术方案训练模型,模型召回率的示意图。其中,方案一、方案二和方案三均是已有技术。方式一最大旋转角度为10度;方式一最大旋转角度为30度;方式一最大旋转角度为90度。
方案四采用本发明实施例中的技术方案,确定预设角度,其中,σ为20度,μ为0。
从表1中可知,采用本发明实施例中的技术方案,可以有效提高模型召回率。
参见图8,8是根据本发明实施例的数据扩增装置的主要结构的示意图,数据扩增装置可以实现数据扩增方法,如图8所示,数据扩增装置具体包括:
定位模块801,用于定位训练图像中的物品图像,并获知物品图像的长度和宽度。
外扩模块802,用于在训练图像中,基于物品图像的长度外扩物品图像的背景区域长度,基于物品图像的宽度外扩物品图像的背景区域宽度,得到外扩图像。
切分模块803,用于基于物品图像的长度,所述外扩图像的长度,物品图像的宽度,以及外扩图像的宽度,切分外扩图像得到分割图像。
输出模块804,用于将分割图像作为训练模型的输入数据。
在本发明的一个实施例中,切分模块803,具体用于基于物品图像的长度,外扩图像的长度,物品图像的宽度,以及外扩图像的宽度,构建分割矩形;
在外扩图像中,以分割矩形覆盖所述物品图像,将分割矩形所在的区域,作为分割图像。
在本发明的一个实施例中,切分模块803,具体用于将大于或等于物品图像的长度,且小于或等于外扩图像的长度的边长,作为分割矩形的长边;
将大于或等于物品图像的宽度,且小于或等于外扩图像的宽度的边长,作为分割矩形的短边;
由分割矩形的长边和分割矩形的短边,构建分割矩形。
在本发明的一个实施例中,外扩模块802,具体用于基于物品图像的长度,按照预设长度比例外扩物品图像的背景区域长度;
基于物品图像的宽度,按照预设宽度比例外扩物品图像的背景区域宽度。
在本发明的一个实施例中,预设长度比例与预设宽度比例相同。
在本发明的一个实施例中,输出模块804,具体用于根据预设数学期望和预设标准差,生成符合高斯分布的预设角度;
分割图像旋转预设角度后,作为训练模型的输入数据。
在本发明的一个实施例中,上述长度和上述宽度,以所占用像素点衡量。
图9示出了可以应用本发明实施例的数据扩增方法或数据扩增装置的示例性系统架构900。
如图9所示,系统架构900可以包括终端设备901、902、903,网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互,以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器,例如对用户利用终端设备901、902、903所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的数据扩增方法一般由服务器905执行,相应地,数据扩增装置一般设置于服务器905中。
应该理解,图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图10,其示出了适于用来实现本发明实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
定位训练图像中的物品图像,并获知所述物品图像的长度和宽度;
在所述训练图像中,基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,得到外扩图像;
基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像;
将所述分割图像作为训练模型的输入数据。
根据本发明实施例的技术方案,因为定位训练图像中的物品图像,并获知物品图像的长度和宽度;在训练图像中,基于物品图像的长度外扩物品图像的背景区域长度,基于物品图像的宽度外扩物品图像的背景区域宽度,得到外扩图像;基于物品图像的长度,外扩图像的长度,物品图像的宽度,以及外扩图像的宽度,切分外扩图像得到分割图像;将分割图像作为训练模型的输入数据。由于分割图像所包括物品图像,与实际采集的物品图像一致,以分割图像作为训练模型的输入数据,能够提高被训练模型的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种数据扩增方法,其特征在于,包括:
定位训练图像中的物品图像,并获知所述物品图像的长度和宽度;
在所述训练图像中,基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,得到外扩图像;
基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像;
将所述分割图像作为训练模型的输入数据。
2.根据权利要求1所述数据扩增方法,其特征在于,所述基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像,包括:
基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,构建分割矩形;
在所述外扩图像中,以所述分割矩形覆盖所述物品图像,将所述分割矩形所在的区域,作为所述分割图像。
3.根据权利要求2所述数据扩增方法,其特征在于,所述基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,构建分割矩形,包括:
将大于或等于所述物品图像的长度,且小于或等于所述外扩图像的长度的边长,作为所述分割矩形的长边;
将大于或等于所述物品图像的宽度,且小于或等于所述外扩图像的宽度的边长,作为所述分割矩形的短边;
由所述分割矩形的长边和所述分割矩形的短边,构建所述分割矩形。
4.根据权利要求1所述数据扩增方法,其特征在于,所述基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,包括:
基于所述物品图像的长度,按照预设长度比例外扩所述物品图像的背景区域长度;
基于所述物品图像的宽度,按照预设宽度比例外扩所述物品图像的背景区域宽度。
5.根据权利要求4所述数据扩增方法,其特征在于,所述预设长度比例与所述预设宽度比例相同。
6.根据权利要求1所述数据扩增方法,其特征在于,所述将所述分割图像作为训练模型的输入数据,包括:
根据预设数学期望和预设标准差,生成符合高斯分布的预设角度;
所述分割图像旋转所述预设角度后,作为训练模型的输入数据。
7.根据权利要求1所述数据扩增方法,其特征在于,所述长度和所述宽度,以所占用像素点衡量。
8.一种数据扩增装置,其特征在于,包括:
定位模块,用于定位训练图像中的物品图像,并获知所述物品图像的长度和宽度;
外扩模块,用于在所述训练图像中,基于所述物品图像的长度外扩所述物品图像的背景区域长度,基于所述物品图像的宽度外扩所述物品图像的背景区域宽度,得到外扩图像;
切分模块,用于基于所述物品图像的长度,所述外扩图像的长度,所述物品图像的宽度,以及所述外扩图像的宽度,切分所述外扩图像得到分割图像;
输出模块,用于将所述分割图像作为训练模型的输入数据。
9.一种数据扩增电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182846.0A CN111783814A (zh) | 2019-11-27 | 2019-11-27 | 数据扩增方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182846.0A CN111783814A (zh) | 2019-11-27 | 2019-11-27 | 数据扩增方法、装置、设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783814A true CN111783814A (zh) | 2020-10-16 |
Family
ID=72755768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911182846.0A Pending CN111783814A (zh) | 2019-11-27 | 2019-11-27 | 数据扩增方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783814A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364293A (zh) * | 2018-04-10 | 2018-08-03 | 复旦大学附属肿瘤医院 | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 |
CN108520518A (zh) * | 2018-04-10 | 2018-09-11 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤超声图像识别方法及其装置 |
CN109035167A (zh) * | 2018-07-17 | 2018-12-18 | 北京新唐思创教育科技有限公司 | 对图像中的多个人脸进行处理的方法、装置、设备和介质 |
US20190065891A1 (en) * | 2017-08-28 | 2019-02-28 | Boe Technology Group Co., Ltd. | Image detection method, system and non-volatile computer readable medium |
CN109829484A (zh) * | 2019-01-08 | 2019-05-31 | 深圳禾思众成科技有限公司 | 一种服饰分类方法、设备及计算机可读存储介质 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN110288614A (zh) * | 2019-06-24 | 2019-09-27 | 睿魔智能科技(杭州)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110503653A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 图像分割方法及装置 |
-
2019
- 2019-11-27 CN CN201911182846.0A patent/CN111783814A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065891A1 (en) * | 2017-08-28 | 2019-02-28 | Boe Technology Group Co., Ltd. | Image detection method, system and non-volatile computer readable medium |
CN108364293A (zh) * | 2018-04-10 | 2018-08-03 | 复旦大学附属肿瘤医院 | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 |
CN108520518A (zh) * | 2018-04-10 | 2018-09-11 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤超声图像识别方法及其装置 |
CN109035167A (zh) * | 2018-07-17 | 2018-12-18 | 北京新唐思创教育科技有限公司 | 对图像中的多个人脸进行处理的方法、装置、设备和介质 |
CN109829484A (zh) * | 2019-01-08 | 2019-05-31 | 深圳禾思众成科技有限公司 | 一种服饰分类方法、设备及计算机可读存储介质 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN110288614A (zh) * | 2019-06-24 | 2019-09-27 | 睿魔智能科技(杭州)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110503653A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 图像分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN109344762B (zh) | 图像处理方法和装置 | |
CN113808231B (zh) | 信息处理方法及装置、图像渲染方法及装置、电子设备 | |
CN109446442B (zh) | 用于处理信息的方法和装置 | |
US20200410213A1 (en) | Method and apparatus for processing mouth image | |
CN110288625B (zh) | 用于处理图像的方法和装置 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN107818323B (zh) | 用于处理图像的方法和装置 | |
CN108595211B (zh) | 用于输出数据的方法和装置 | |
US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
CN109272526B (zh) | 图像处理方法、系统及电子设备 | |
CN108921792B (zh) | 用于处理图片的方法和装置 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN110895699B (zh) | 用于处理图像的特征点的方法和装置 | |
CN112445394B (zh) | 一种截图方法和装置 | |
CN109523564B (zh) | 用于处理图像的方法和装置 | |
CN108664948B (zh) | 用于生成信息的方法和装置 | |
CN112667368A (zh) | 一种任务数据处理方法和装置 | |
CN111783814A (zh) | 数据扩增方法、装置、设备和计算机可读介质 | |
CN112149392A (zh) | 一种富文本编辑方法和装置 | |
CN114862720A (zh) | 画布还原方法、装置、电子设备和计算机可读介质 | |
CN111383293A (zh) | 一种图像要素矢量化的方法和装置 | |
CN114219731A (zh) | 图片优化方法、装置、设备以及存储介质 | |
CN110895550B (zh) | 一种处理采集数据的方法和装置 | |
CN109657523B (zh) | 一种可行驶区域检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |