[发明专利]一种基于缩略图的数据增强方法

说明书

本发明公开了一种基于缩略图的数据增强方法，包括以下步骤：S1：对训练样本进行下采样，得到缩略图；S2：将缩略图贴在其对应的一批样本中；S3：重复步骤S1‑S2，对每一批样本的所有图片进行贴图处理，并输入深度网络模型中进行训练，完成基于缩略图的数据增强。本发明通过在训练样本上随机粘贴该样本或其它样本的缩略图，不用改变原来网络的训练方法，在几乎零成本的条件下，可以增强网络对样本全局信息的学习能力，从而极大幅提升深度网络的性能，在各种分类任务和目标检测任务上都取得了最优的结果。

技术领域

本发明属于深度学习的图像处理技术领域，具体涉及一种基于缩略图的数据增强方法。

背景技术

深度学习作为人工智能方向上的一个重要领域，已应用在社会生活实践的各个方面，比如人脸识别和目标检测等等。数据增强作为有效提升深度网络性能的一个重要技术手段，也越来越受到相关研究和工程人员的重视。数据增强通常是指在深度网络的训练阶段，对输入图片进行改变，达到提升网络学习数据特征的能力以及增强网络泛化性的一种技术手段。然而，深度网络的一个重要缺陷，目前的数据增强方法没有办法解决。那就是深度网络倾向于学习样本的细节特征，而缺乏对样本形状和轮廓的捕捉能力。

发明内容

本发明的目的是为了解决深度学习缺乏对样本形状和轮廓捕捉能力的问题，提出了一种基于缩略图的数据增强方法。

本发明的技术方案是：一种基于缩略图的数据增强方法包括以下步骤：

S1：对训练样本进行下采样，得到缩略图；

S2：将缩略图贴在其对应的一批样本中；

S3：重复步骤S1-S2，对每一批样本的所有图片进行贴图处理，并输入深度网络模型中进行训练，完成基于缩略图的数据增强。

本发明的有益效果是：本发明通过在训练样本上随机粘贴该样本或其它样本的缩略图，不用改变原来网络的训练方法，在几乎零成本的条件下，可以增强网络对样本全局信息(比如形状和轮廓)的学习能力，从而极大幅提升深度网络的性能，在各种分类任务和目标检测任务上都取得了最优的结果。

进一步地，步骤S1包括以下子步骤：

S11：在数据集中随机抽取一批样本；

S12：调用深度网络框架中的下采样算法包，对一批样本中的每一个训练样本进行下采样，得到缩略图。

上述进一步方案的有益效果是：在本发明中，对样本进行下采样得到的缩略图可以增强对样本全局信息的学习能力。无论缩放图像(下采样)还是放大图像(上采样)，采样方式有很多种。如最近邻插值，双线性插值，均值插值和中值插值等方法。

进一步地，步骤S12中，若训练样本的图像尺寸为M*N，对其进行s倍下采样，得到尺寸为(M/s)*(N/s)的分辨率图像，其中，s为M和N的公倍数；

若训练样本的图像为矩阵形式，则将原始图像s*s窗口内的图像下采样为一个像素，其像素点的值为窗口内所有像素的均值。

进一步地，步骤S2中，采用随机贴图或不随机贴图将缩略图贴在其对应的一批样本中；

若采用随机贴图，则不考虑贴图位置；

若采用不随机贴图，则避开训练样本的目标对象。

进一步地，步骤S2中，若采用随机贴图，则随机选取的区域大小和缩略图相同，将该区域的矩阵元素值按照对应缩略图的矩阵元素值进行赋值。

上述进一步方案的有益效果是：在本发明中，通过缩略图数据增强策略让网络更加容易的学习到训练样本的全局特征。

进一步地，步骤S3包括以下子步骤：

S31：将完成贴图处理后的图片划分为训练集和测试集；