[发明专利]一种基于图片数据扩充的识别器处理方法

说明书

本发明公开一种基于图片数据扩充的识别器处理方法，属于机器学习领域，包括如下步骤：数据集准备：将已有的多种类型的图片数据制成数据集，并贴上标签；数据扩充：先将图片与标签组成的数据集输入网络，生成网络完成数据的扩充，将扩充后的数据集与原始数据一起送入，训练识别器的权重参数；反馈：根据识别器对原始数据的测试结果，反馈到数据扩充模块，动态调整数据扩充模块的权重参数；以一批数据全部训练完为一个周期，如此反复循环扩充，反馈步骤，直至达到预设的训练周期数。本发明利用数据扩充的方法，先对有限数量的样本扩充，再用原始数据与扩充后的数据一起训练识别器的权重参数；该方法提高了识别器在样本个数较少场景下的识别准确率。

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于图片数据扩充的识别器处理方法。

背景技术

深度学习方法作为机器学习中一个分支，是一种近些年来受到广泛关注的新型算法。图像识别是一个研究课题，相比传统的基于特征提取的识别方法，深度学习拥有更高的准确率与较快的识别速度。在深度学习中，数据量往往决定着深度学习网络的识别准确性，大批量数据训练的深度学习网络有着更好地泛化能力，网络的权重参数更加成熟，对未知数据类型的识别能力也较高。然而，在某些场合，获得的样本数量十分有限，如何用数量较少的训练样本训练出较好的网络是有着广泛研究前景的。另一方面，为了提取到更多的特征信息，深度学习网络的深度会增加，但随之而来的是“过拟合”问题，“过拟合”最直接的解决办法是增加训练数据集的大小。

常见的数据扩充算法有两种：基于生成对抗神经网络的数据再生与基于变分自编码机的数据扩充。生成对抗神经网络是站在博弈论的角度建立生成器与鉴别器，鉴别器要尽可能分辨出生成器生成的数据，生成器要生成鉴别器难以分辨真假的数据，两者互相对抗，协同优化。变分自编码机是站在概率的角度，提取原始数据的均值与方差，再合成新数据。两种方法都是建立在图像数据的基础上的，其主要目的是从生成数据的角度，产生接近原始数据但又不同的生成数据。目前，鉴别生成数据好坏的指标有两种：多样性和清晰度。多样性反映了生成图像之间差异性，是否生成了同样的数据。清晰度反映了生成图像的清晰程度。

发明内容

本发明的目的在于提供一种侧重于通过加入生成数据来训练识别器网络，提高识别器的泛化能力的基于图片数据扩充的识别器处理方法。

为实现上述目的，本发明采用的技术方案是：一种基于图片数据扩充的识别器处理方法，其创新点在于，包括以下步骤：

S1、数据集准备：将已有的多种类型的图片数据制成数据集，并贴上标签；

S2、数据扩充：先将图片与标签组成的数据集输入网络，生成网络完成数据的扩充，将扩充后的数据集与原始数据一起送入，训练识别器的权重参数；

S3、反馈结构：根据识别器对原始数据的测试结果，反馈到数据扩充模块，动态调整数据扩充模块的权重参数；以一批数据全部训练完为一个周期，如此反复循环扩充，反馈步骤，直至达到预设的训练周期数；

其中，数据扩充模块和识别器模块之间形成反馈结构。

进一步的，所述数据扩充模块采用深度学习方法，所述深度学习网络为差分条件变分自动编码器。

进一步的，所述识别器采用深度学习方法，所述深度学习网络为卷积神经网络。

进一步的，所述反馈结构是计算识别器的输出分布与数据标签分布之间的损失值，并将此损失值作为数据扩充模块损失函数的一部分。

进一步的，所述数据扩充模块包括编码单元与解码单元；所述编码单元是从原始数据的后验分布中采样得到中间变量，所述解码单元是从中间变量的分布中重建原始数据，得到扩充后的数据。

进一步的，所述解码单元与识别器之间形成反馈结构，调整解码单元的权重参数，优化解码器重建的生成数据。