[发明专利]一种训练数据的生成方法、装置和终端

说明书

本发明实施例涉及图像处理领域，公开了一种训练数据的生成方法、装置和终端。本发明中训练数据的生成方法，包括：获取原始图像；根据图像风格迁移模型和原始图像，确定迁移图像，图像风格迁移模型是通过最小化损失函数获得，损失函数是根据原始损失函数、背景损失函数以及前景损失函数确定；根据迁移图像，确定训练数据。本实施方式，使得生成的训练数据与目标图像差异小，从而提高使用该训练数据得到的训练模型的准确性。

技术领域

本发明实施例涉及图像处理领域，特别涉及一种训练数据的生成方法、装置和终端。

背景技术

随着人工智能技术的发展，出现了能够自动识别商品的智能货柜系统。该智能货柜系统通过货柜内设置的一个或多个摄像头拍摄货柜内商品的图像，并将拍摄的商品的图像传输至服务端，由服务端的识别算法实时识别和计算货柜内商品的种类和数量。

对商品的自动识别是基于深度学习的视觉识别技术实现的。而基于深度学习技术的精确识别需要包含有大量训练数据集做支撑，训练数据集中包含的用于训练的数据越多，训练结果就越准确。目前用于商品识别的数据集通常是通过人工拍照的方式获得，例如，人工更换物品在货柜上的摆放位置、角度后，拍摄包含有货柜和物品的图像。由于物品的种类繁多、没有数量的限制，且物品摆放角度以及遮挡关系，导致人工采集样本图像十分困难，采集到的样本数据的数量有限。为了解决训练数据集中样本数据不足的问题，采用了合成数据的方式获得样本数据，即由机器生成样本数据。

发明人发现现有技术中至少存在如下问题：由合成的样本数据组成训练数据集，虽然大大增大了训练数据集中的样本数据的数量，但是，合成的样本数据往往与真实采集的样本数据之间相差大，导致采用该合成的样本数据训练出的模型不准确，降低了对物品的识别能力。

发明内容

本发明实施方式的目的在于提供一种训练数据的生成方法、装置和终端，使得生成的训练数据与目标图像差异小，从而提高使用该训练数据得到的训练模型的准确性。

为解决上述技术问题，本发明的实施方式提供了一种训练数据的生成方法，包括：获取原始图像；根据图像风格迁移模型和原始图像，确定迁移图像，图像风格迁移模型是通过最小化损失函数获得，损失函数是根据原始损失函数、背景损失函数以及前景损失函数确定；根据迁移图像，确定训练数据；其中，原始损失函数用于指示迁移图像与目标图像之间的差异程度，背景损失函数用于指示迁移图像中的背景图像与目标图像中的背景图像之间的差异程度，前景损失函数用于指示迁移图像中的前景图像与目标图像中的前景图像之间的差异程度。

本发明的实施方式还提供了一种训练数据的生成装置，包括：获取模块、第一确定模块和第二确定模块；获取模块用于获取原始图像；第一确定模块用于根据图像风格迁移模型和原始图像，确定迁移图像，图像风格迁移模型是通过最小化损失函数获得，损失函数是根据原始损失函数、背景损失函数以及前景损失函数确定；第二确定模块用于根据迁移图像，确定训练数据；其中，原始损失函数用于指示迁移图像与目标图像之间的差异程度，背景损失函数用于指示迁移图像中的背景图像与目标图像中的背景图像之间的差异程度，前景损失函数用于指示迁移图像中的前景图像与目标图像中的前景图像之间的差异程度。

本发明的实施方式还提供了一种终端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的训练数据的生成方法。