[发明专利]一种针对监督学习应用的图像增强方法及其应用

说明书

本发明涉及一种针对监督学习应用的图像增强方法及其应用，所述增强方法包括以下步骤：1)获取待增强的原数据集；2)根据监督学习应用任务，设定数据增强参数；3)分别对原数据集中的图像数据和标签数据进行数据增强处理；4)筛选增强后的图像和标注信息；5)将筛选后的图像和标注信息存储入原数据集中。与现有技术相比，本发明具有能够有效获得符合监督学习数据集数据分布的数据、提高神经网络训练精度等优点。

技术领域

本发明涉及深度学习技术领域，尤其是涉及一种针对监督学习应用的图像增强方法及其应用。

背景技术

随着多媒体技术与计算机网络的广泛应用，电子设备上和网络上出现大量图像数据。为了能够有效地管理或搜索这些图像文件，为用户提供更好的体验服务，对这些图片进行识别和分割等进而获得图片信息越来越重要。

监督学习是机器学习方法和深度学习算法领域重要的学习方法之一。监督学习是通过已有的训练样本(即已知数据以及其对应的输出)来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。监督学习中只要输入样本集，机器就可以从中推演出制定目标变量的可能结果。通过对训练集进行监督学习，并对测试集进行预测，从而达到预测的目的。监督学习在训练过程中，为了让神经网络更好学习训练数据的特征以提升模型效果，需要将大量的训练数据输入。这就存在下述两个问题：其一，如果是要对神经网络模型进行有监督的学习，那么在将训练数据输入神经网络之前，就需要人工对每一个训练数据标注相应的标签；一旦训练数据的量较大，需要付出的人工成本也就会比较大；其二，在现实情况中，经常会存在训练数据不足的情况。

为了解决上述问题，目前通常使用对训练数据进行数据增强的方法以实现对训练数据量的扩充。但是当前的数据增强方法中，存在下述两个问题，其一，一般都是对于图片进行数据增强，没有对训练数据标注的标签做与数据增强同等的变换；其二，在使用对训练数据执行数据增强操作后所形成的增强数据训练神经网络模型时，往往神经网络模型的精度较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种针对监督学习应用的图像增强方法及其应用，能够在对监督学习数据集进行数据增强操作的时候，更好地生成出一些符合监督学习数据集数据分布的数据。

本发明的目的可以通过以下技术方案来实现：

一种针对监督学习应用的图像增强方法，该方法包括以下步骤：

1)获取待增强的原数据集；

2)根据监督学习应用任务，设定数据增强参数；

3)分别对原数据集中的图像数据和标签数据进行数据增强处理；

4)筛选增强后的图像和标注信息；

5)将筛选后的图像和标注信息存储入原数据集中。

进一步地，所述步骤2)中，数据增强参数包括数据增强种类、各数据增强应用概率和数据增强阈值。

进一步地，所述数据增强种类包括一种数据增强或多种数据增强的组合。

进一步地，对每种数据增强，所述数据增强阈值在设定范围内随机。

进一步地，所述步骤3)中，对图像数据的数据增强处理包括像素颜色变换和空间几何变换；

对标签数据的数据增强处理仅包括空间几何变换。

进一步地，所述步骤4)中，根据增强后的标签数据在图中的像素数和标签数据增强后的像素数与增强前的像素数之比进行筛选。

进一步地，所述步骤4)中，筛选增强后的图像和标注信息包括：