[发明专利]一种基于深度学习网络全自动训练方法、装置及存储介质

权利要求书

1.一种基于深度学习网络全自动训练方法，其特征在于：包括如下步骤：

步骤1:采集图像数据O(i)和对应的目标分割标注图像数据D(i)；所述目标分割标注图像是通过GAN自动识别标注模块获得；

其中，所述GAN自动识别标注模块通过如下步骤实现：

步骤a：采集图像数据O(i)，包括正样本和负样本图像数据；

步骤b：将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i)；

其中，所述GAN自动训练模块，通过如下步骤实现：

步骤s1：采集正样本图像数据；

步骤s2：对正样本图像数据进行GAN网络训练得到GAN网络模型文件A；

步骤c：将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域，将轮廓区域自动标记为类别1，非轮廓区域标记为类别0，得到目标分割标注图像数据D(i)；

步骤2：将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。

2.如权利要求1所述的一种基于深度学习网络全自动训练方法，其特征在于：所述步骤2中的目标分割网络训练模型，包括：DeeplabV3plus网络模型。

3.如权利要求1所述的一种基于深度学习网络全自动训练方法，其特征在于：所述GAN网络，包括：WGAN网络模型。

4.如权利要求1所述的一种基于深度学习网络全自动训练方法，其特征在于：所述步骤c中的边缘检测算法，包括：Canny算法或Sobel算法。

5.一种基于深度学习网络全自动训练装置，其特征在于：包括：

采集图像数据模块，用于采集图像数据O(i)和对应的目标分割标注图像数据D(i)；所述目标分割标注图像是通过GAN自动识别标注模块获得；所述GAN自动识别标注模块，用于采集图像数据O(i)并使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i)，将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域，将轮廓区域自动标记为类别1，非轮廓区域标记为类别0，得到目标分割标注图像数据D(i)；其中，所述GAN自动训练模块，用于采集正样本图像数据，并对正样本图像数据进行GAN网络训练得到GAN网络模型文件A；

训练模块，用于将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。

6.如权利要求5所述的一种基于深度学习网络全自动训练装置，其特征在于：所述目标分割网络训练模型，包括：DeeplabV3plus网络模型。

7.如权利要求5所述的一种基于深度学习网络全自动训练装置，其特征在于：所述GAN网络，包括：WGAN网络模型。

8.如权利要求5所述的一种基于深度学习网络全自动训练装置，其特征在于：所述边缘检测算法，包括：Canny算法或Sobel算法。

9.一种存储介质，为计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的一种基于深度学习网络的全自动训练方法。