CN113762422A - 一种图像训练集合成方法及系统 - Google Patents

一种图像训练集合成方法及系统 Download PDF

Info

Publication number
CN113762422A
CN113762422A CN202111316748.9A CN202111316748A CN113762422A CN 113762422 A CN113762422 A CN 113762422A CN 202111316748 A CN202111316748 A CN 202111316748A CN 113762422 A CN113762422 A CN 113762422A
Authority
CN
China
Prior art keywords
foreground
picture
preset
background
added
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.)
Granted
Application number
CN202111316748.9A
Other languages
English (en)
Other versions
CN113762422B (zh
Inventor
吴家豪
李青原
方堉欣
王羽嗣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Side Medical Technology Co ltd
Original Assignee
Guangzhou Side Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Side Medical Technology Co ltd filed Critical Guangzhou Side Medical Technology Co ltd
Priority to CN202111316748.9A priority Critical patent/CN113762422B/zh
Publication of CN113762422A publication Critical patent/CN113762422A/zh
Application granted granted Critical
Publication of CN113762422B publication Critical patent/CN113762422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像训练集合成方法及系统，包括：获取背景图片和前景图片；基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。本发明针对构建图像训练集时，在训练数据较少的情形下，通过使用少量的前景图片和大量的背景图片，合成大量所需要的前景图片，解决数据不平衡问题，提高网络训练效果，并减少人工合成图片的工作量。

Description

一种图像训练集合成方法及系统
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及一种图像训练集合成方法及系统。
背景技术
在医疗领域，胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。
现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，在训练完成之后，才可以使用模型对原始图片进行识别。其中的训练数据是目前机器学习网络训练中的重中之重，而数据量和数据质量在网络训练中更是其中的关键，在实际应用中，只使用自身收集的数据，其数据量难以达到训练需求。导致某些类别收集到的数量少，影响到最终的训练效果。
目前常用的处理方法是，第一种方法是对数量少的类别的图片做过采样处理、图片增广处理或对损失函数做分权处理，来增加训练图片数量或图片权重。第二种方法是采用photoshop技术或相似的图像处理算法，使用人工进行图片合成，增加训练图片数量。
上述两种方法，确实可以在一定程度上提高训练集中数量少类别的图片数量，但是对于第一种方法来说，只是对图片做过采样处理、图片增广处理或对损失函数做分权处理，虽然一定程度上提高了图片的数量及多样性，但是由于原来图片数量有限，一定程度上限制了这些方法的一个提升空间，对于数量本来就很少或者实际场景比较多样化的场景来说，这种方法起到的帮助效果不大；对于第二种方法来说，使用photoshop技术或相似的图像处理算法，使用人手进行图片合成，这样做确实能获取的更多的图片，在图片较少时，能对网络训练效果作一定的提升，但由于需要用人工来对图片做处理，需要消耗较大的人力资源，需要很大的资源投入才能得到对应的回报，也很难在实际生产中使用。
因此，如何避免上述缺陷，提高训练图片的处理效率，进而提高构建图像训练集的准确度，成为亟须解决的问题。
发明内容
本发明提供一种图像训练集合成方法及系统，用以解决现有技术中存在的缺陷。
第一方面，本发明提供一种图像训练集合成方法，包括：
获取背景图片和前景图片；
基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；
若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；
基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
在一个实施例中，所述获取背景图片和前景图片，包括：
所述背景图片为不包括预设训练目标的图片，所述前景图片为包括所述预设训练目标的图片。
在一个实施例中，所述基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域，包括：
将所述背景图片输入至所述预先训练好的语义分割网络，获得所述待添加前景区域的预测掩码图片。
在一个实施例中，所述若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片，包括：
在所述待添加前景区域中随机确定初始的前景添加位置；
若判断所述初始的前景添加位置包括预设添加前景空间，则确定所述预设添加前景空间，否则，重新确定所述初始的前景添加位置；
在所述预设添加前景空间内随机选取位置平均灰度，若判断所述位置平均灰度与所述前景图片的平均灰度的差值在预设阈值范围内，则基于所述预设参数调整所述前景图片，否则，预设参数调整所述前景图片；
基于所述位置平均灰度与所述前景图片的平均灰度的差值，调整所述前景图片，得到所述调整后的前景图片。
在一个实施例中，所述基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片，包括：
基于拉普拉斯金字塔融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到所述新的合成训练图片。
在一个实施例中，所述新的合成训练图片采用预设次数的步骤进行循环判断；
对应地，若超过所述预设次数，则进入下一个合成训练图片的合成步骤。
第二方面，本发明还提供一种图像训练集合成系统，包括：
获取模块，用于获取背景图片和前景图片；
确定模块，用于基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；
判断模块，用于若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；
融合模块，用于基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述图像训练集合成方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述图像训练集合成方法的步骤。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述图像训练集合成方法的步骤。
本发明提供的图像训练集合成方法及系统，针对构建图像训练集时，在训练数据较少的情形下，通过使用少量的前景图片和大量的背景图片，合成大量所需要的前景图片，解决数据不平衡问题，提高网络训练效果，并减少人工合成图片的工作量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的图像训练集合成方法的流程示意图之一；
图2是本发明提供的图像训练集合成方法的流程示意图之二；
图3是本发明提供的背景图片示例图；
图4是本发明提供的前景图片示例图
图5是本发明提供的网络预测可添加前景区域示例图；
图6是本发明提供的合成图片示例图；
图7是本发明提供的图像训练集合成系统的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对现有技术存在的缺陷，本发明提出一种图像训练集合成方法，图1是本发明提供的图像训练集合成方法的流程示意图之一，如图1所示，包括：
S1，获取背景图片和前景图片；
S2，基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；
S3，若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；
S4，基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
具体地，本发明提出获取用于训练预设模型的训练集，需要说明的是，训练集中的原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：
胶囊内镜从口腔进入消化道，再从肛门自然排出体外。
胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。
胶囊内镜的每次活动都产生域内检查图片和域外检查图片。
域内检查图片是对消化道某一段所进行的拍摄结果。
域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。
全部图片均可自动识别，无需任何人工介入（包括图像预处理）。
识别图像后，将胶囊内镜拍摄的图片分为六个大类（125个小类），自动保存于125个图片文件夹中，其中，六个大类可以为：
第一大类：一类域外分类标签（10个类别）；
第二大类：二类域外分类标签（13个类别）；
第三大类：基于局部结构特征的第一目标图片分类标签（14个类别）；
第四大类：洞状结构第一目标图片分类标签（8个类别）；
第五大类：基于全局结构特征的第一目标图片分类标签（24个类别）；
第六大类：第二目标图片分类标签（56个类别）。
通过胶囊内镜，能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。
每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000~3000张，即胶囊内镜获取到的图片集中的图片数量。
可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片（JPG格式）。
为了高效快速得到数量足够多的图像训练集，首先获取一定数量的前景图片和背景图片，基于预先训练好的语义分割网络，在背景图片中确定待添加前景区域，如果判断该待添加前景区域存在合适的预设前景添加位置，则基于预设前景添加位置的预设参数调整前景图片，得到调整后的前景图片，最后通过预设融合算法，将所述背景图片和调整后的前景图片进行融合，得到新的合成训练图片。将得到的合成训练图片添加至图像训练集中。
本发明针对构建图像训练集时，在训练数据较少的情形下，通过使用少量的前景图片和大量的背景图片，合成大量所需要的前景图片，解决数据不平衡问题，提高网络训练效果，并减少人工合成图片的工作量。
基于上述实施例，该方法步骤S1包括：
所述背景图片为不包括预设训练目标的图片，所述前景图片为包括所述预设训练目标的图片。
需要说明的是，本发明所采用的背景图片为不包括需要的训练图片中的目标的图片，前景图片为包含所需要的训练图片中的目标的图片。
本发明通过明确划分前景图片和背景图片，便于后续更有针对性地合成图片，提高图片合成效率。在训练数据少的情况下，通过使用少量的前景图片和背景图片，合成大量所需要的的前景图片，解决训练数据不足问题。
基于上述任一实施例，该方法中步骤S2包括：
将所述背景图片输入至所述预先训练好的语义分割网络，获得所述待添加前景区域的预测掩码图片。
具体地，如图2所示，输入背景图片到预先训练好的语义分割网络中，将Unet网络作为分割网，获取背景图中合适添加前景的区域的预测mask图片。此处，合适添加前景的区域则是不会过暗或过亮且比较少结构的一些区域。
本发明通过使用深度学习中的语义分割网络来进行前景区域预测，从而避免在自动合成图片时，把前景放到一些过暗过亮或结构较多的区域，导致合成图片不自然的情况，使用网络预测合适添加前景的区域后，可以使合成图片效果更加自然，大大降低合成图片出错率。
基于上述任一实施例，该方法中步骤S3包括：
在所述待添加前景区域中随机确定初始的前景添加位置；
若判断所述初始的前景添加位置包括预设添加前景空间，则确定所述预设添加前景空间，否则，重新确定所述初始的前景添加位置；
在所述预设添加前景空间内随机选取位置平均灰度，若判断所述位置平均灰度与所述前景图片的平均灰度的差值在预设阈值范围内，则基于所述预设参数调整所述前景图片，否则，预设参数调整所述前景图片；
基于所述位置平均灰度与所述前景图片的平均灰度的差值，调整所述前景图片，得到所述调整后的前景图片。
具体地，如图2中的判断流程，分割网络预测的合适添加前景的区域内，随机选择一个位置作为添加前景的位置，判断在合适添加前景的区域内，随机选取的位置是否有足够的空间添加前景，如果空间不够，则返回重新进行选择；
判断在合适添加前景的区域内，随机选取的位置的平均灰度，与前景的平均灰度的差值是否在预定的阈值范围内，如果差值超出预定的阈值范围，则返回重新进行选择；
进一步地，根据随机位置的平均灰度与前景的平均灰度的差值，对前景的灰度进行调整，从而防止前景和背景图片灰度差异过大情况。
本发明在预测得到合适添加前景的区域后，在后续添加了一些逻辑判断，例如，选取的位置是否有足够的空间添加前景，选取的位置的平均灰度，与前景的平均灰度的差值是否在预定的阈值范围内等，确保随机选取位置在预测范围内的前景和背景灰度上差异不会太大，保证合成图片效果。
基于上述任一实施例，该方法步骤S4包括：
基于拉普拉斯金字塔融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到所述新的合成训练图片。
具体地，在得到灰度差异在合适范围内的前景图片和背景图片后，使用拉普拉斯金字塔融合算法，对前景和背景进行融合，得到新的前景图片，并将该图片添加至图像训练集中。
图3为具体示例图片中选取的背景图片，图4为待合成的前景图片，图5为经过判断得到的网络预测可添加前景区域示例图，图6则为最终的合成图片效果图。
本发明根据前景和背景的灰度差值，对前景的灰度进行调整，且使用拉普拉斯金字塔融合算法，对前景背景图片进行融合，使其融合效果更自然。
下面对本发明提供的图像训练集合成系统进行描述，下文描述的图像训练集合成系统与上文描述的图像训练集合成方法可相互对应参照。
图7是本发明提供的图像训练集合成系统的结构示意图，如图7所示，包括：获取模块71、确定模块72、判断模块73和融合模块74，其中：
获取模块71用于获取背景图片和前景图片；确定模块72用于基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；判断模块73用于若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；融合模块74用于基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
本发明针对构建图像训练集时，在训练数据较少的情形下，通过使用少量的前景图片和大量的背景图片，合成大量所需要的前景图片，解决数据不平衡问题，提高网络训练效果，并减少人工合成图片的工作量。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行图像训练集合成方法，该方法包括：获取背景图片和前景图片；基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的图像训练集合成方法，该方法包括：获取背景图片和前景图片；基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的图像训练集合成方法，该方法包括：获取背景图片和前景图片；基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种图像训练集合成方法，其特征在于，包括：
获取背景图片和前景图片；
基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；
若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；
基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
2.根据权利要求1所述的图像训练集合成方法，其特征在于，所述获取背景图片和前景图片，包括：
所述背景图片为不包括预设训练目标的图片，所述前景图片为包括所述预设训练目标的图片。
3.根据权利要求1所述的图像训练集合成方法，其特征在于，所述基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域，包括：
将所述背景图片输入至所述预先训练好的语义分割网络，获得所述待添加前景区域的预测掩码图片。
4.根据权利要求1所述的图像训练集合成方法，其特征在于，所述若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片，包括：
在所述待添加前景区域中随机确定初始的前景添加位置；
若判断所述初始的前景添加位置包括预设添加前景空间，则确定所述预设添加前景空间，否则，重新确定所述初始的前景添加位置；
在所述预设添加前景空间内随机选取位置平均灰度，若判断所述位置平均灰度与所述前景图片的平均灰度的差值在预设阈值范围内，则基于所述预设参数调整所述前景图片，否则，预设参数调整所述前景图片；
基于所述位置平均灰度与所述前景图片的平均灰度的差值，调整所述前景图片，得到所述调整后的前景图片。
5.根据权利要求1所述的图像训练集合成方法，其特征在于，所述基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片，包括：
基于拉普拉斯金字塔融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到所述新的合成训练图片。
6.根据权利要求1至5中任一所述的图像训练集合成方法，其特征在于，所述新的合成训练图片采用预设次数的步骤进行循环判断；
对应地，若超过所述预设次数，则进入下一个合成训练图片的合成步骤。
7.一种图像训练集合成系统，其特征在于，包括：
获取模块，用于获取背景图片和前景图片；
确定模块，用于基于预先训练好的语义分割网络，确定所述背景图片中的待添加前景区域；
判断模块，用于若判断所述待添加前景区域包括预设前景添加位置，则基于所述预设前景添加位置的预设参数调整所述前景图片，得到调整后的前景图片；
融合模块，用于基于预设融合算法，对所述背景图片和所述调整后的前景图片进行融合，得到新的合成训练图片。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述图像训练集合成方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述图像训练集合成方法的步骤。
CN202111316748.9A 2021-11-09 2021-11-09 一种图像训练集合成方法及系统 Active CN113762422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316748.9A CN113762422B (zh) 2021-11-09 2021-11-09 一种图像训练集合成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316748.9A CN113762422B (zh) 2021-11-09 2021-11-09 一种图像训练集合成方法及系统

Publications (2)

Publication Number Publication Date
CN113762422A true CN113762422A (zh) 2021-12-07
CN113762422B CN113762422B (zh) 2022-04-05

Family

ID=78784644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316748.9A Active CN113762422B (zh) 2021-11-09 2021-11-09 一种图像训练集合成方法及系统

Country Status (1)

Country Link
CN (1) CN113762422B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461986A (zh) * 2022-01-17 2022-05-10 北京快乐茄信息技术有限公司 一种训练识别标识模型的方法、图像识别的方法和装置
CN115311296A (zh) * 2022-10-12 2022-11-08 湖南视比特机器人有限公司 数据生成、图像识别方法及计算机存储介质和终端设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986185A (zh) * 2018-08-01 2018-12-11 浙江深眸科技有限公司 基于深度学习的图像数据扩增方法
CN110163285A (zh) * 2019-05-23 2019-08-23 阳光保险集团股份有限公司 票证识别训练样本合成方法和计算机存储介质
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
CN111091167A (zh) * 2020-03-25 2020-05-01 同盾控股有限公司 标志识别训练数据合成方法、装置、电子设备及存储介质
US20200160114A1 (en) * 2017-07-25 2020-05-21 Cloudminds (Shenzhen) Robotics Systems Co., Ltd. Method for generating training data, image semantic segmentation method and electronic device
CN111832615A (zh) * 2020-06-04 2020-10-27 中国科学院空天信息创新研究院 一种基于前景背景特征融合的样本扩充方法及系统
CN112016630A (zh) * 2020-09-03 2020-12-01 平安科技（深圳）有限公司 基于图像分类模型的训练方法、装置、设备及存储介质
US20210201077A1 (en) * 2019-12-31 2021-07-01 Plus One Robotics, Inc. Systems and methods for creating training data
CN113536960A (zh) * 2021-06-23 2021-10-22 浙江吉利控股集团有限公司 训练图像生成、定位检测网络训练、定位检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160114A1 (en) * 2017-07-25 2020-05-21 Cloudminds (Shenzhen) Robotics Systems Co., Ltd. Method for generating training data, image semantic segmentation method and electronic device
CN108986185A (zh) * 2018-08-01 2018-12-11 浙江深眸科技有限公司 基于深度学习的图像数据扩增方法
CN110163285A (zh) * 2019-05-23 2019-08-23 阳光保险集团股份有限公司 票证识别训练样本合成方法和计算机存储介质
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
US20210201077A1 (en) * 2019-12-31 2021-07-01 Plus One Robotics, Inc. Systems and methods for creating training data
CN111091167A (zh) * 2020-03-25 2020-05-01 同盾控股有限公司 标志识别训练数据合成方法、装置、电子设备及存储介质
CN111832615A (zh) * 2020-06-04 2020-10-27 中国科学院空天信息创新研究院 一种基于前景背景特征融合的样本扩充方法及系统
CN112016630A (zh) * 2020-09-03 2020-12-01 平安科技（深圳）有限公司 基于图像分类模型的训练方法、装置、设备及存储介质
WO2021189847A1 (zh) * 2020-09-03 2021-09-30 平安科技（深圳）有限公司 基于图像分类模型的训练方法、装置、设备及存储介质
CN113536960A (zh) * 2021-06-23 2021-10-22 浙江吉利控股集团有限公司 训练图像生成、定位检测网络训练、定位检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史晋涛 等: "基于样本扩充的Faster R-CNN电网异物监测技术", 《电网技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461986A (zh) * 2022-01-17 2022-05-10 北京快乐茄信息技术有限公司 一种训练识别标识模型的方法、图像识别的方法和装置
CN115311296A (zh) * 2022-10-12 2022-11-08 湖南视比特机器人有限公司 数据生成、图像识别方法及计算机存储介质和终端设备

Also Published As

Publication number Publication date
CN113762422B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN113762422B (zh) 一种图像训练集合成方法及系统
CN111656357B (zh) 眼科疾病分类模型的建模方法、装置及系统
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN113743384B (zh) 一种胃部图片识别方法及装置
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN110070540B (zh) 图像生成方法、装置、计算机设备及存储介质
CN108805789A (zh) 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质
CN108765392B (zh) 一种基于滑动窗口的消化道内镜病变检测和识别方法
CN110236483B (zh) 一种基于深度残差网络的糖尿病性视网膜病变检测的方法
CN112017185B (zh) 病灶分割方法、装置及存储介质
CN113139917A (zh) 图像处理方法、装置、电子设备及存储介质
CN110047075A (zh) 一种基于对抗网络的ct图像分割方法
JP6345332B1 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
Pishori et al. Detecting deepfake videos: An analysis of three techniques
CN113012249B (zh) 一种在ct图像上生成病灶的方法、装置及存储介质
CN112819689A (zh) 人脸属性编辑模型的训练方法、人脸属性编辑方法及设备
CN112634293A (zh) 一种基于由粗到细密集编解码网络的颞骨内耳骨腔结构自动分割方法
JPWO2019235335A1 (ja) 診断支援システム、診断支援方法及び診断支援プログラム
CN110110750A (zh) 一种原始图片的分类方法及装置
CN112487903B (zh) 基于对抗网络的步态数据生成方法及设备
CN114782969A (zh) 一种基于生成对抗网络的图像表格数据提取方法及装置
CN114119352A (zh) 一种图像训练集迁移生成方法及系统
CN111563839A (zh) 眼底图像转换方法及设备
CN110084277B (zh) 一种训练集的拆分方法及装置
CN112446893A (zh) 肝脏图像的轮廓分割方法和装置

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
GR01 Patent grant
GR01 Patent grant