[发明专利]一种数据增广对深度学习模型性能影响评估方法及系统

说明书

本发明涉及一种数据增广对深度学习模型性能影响评估方法及系统，其特方法包括：获取深度学习模型的原始数据集；基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集；分别利用每个增广数据集训练所述深度学习模型，对每个训练后的深度学习模型进行测试和评估。本发明通过初始数据集对深度学习网络进行训练和测试得到基准的测评指标，便于后续的基于对抗网络数据增广的模型训练测试指标做比对分析。

技术领域

本发明属于深度学习与视觉识别技术领域，具体涉及一种数据增广对深度学习模型性能影响评估方法及系统。

背景技术

数据增广是深度学习中常用的技巧之一，主要用于增加训练数据集，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力。目前数据增广主要包括：水平/垂直翻转、旋转、缩放、裁剪、剪切，平移、对比度、色彩抖动和噪声等，这些变化的前提是不改变图像的标签，并且只能局限在图像领域，这些传统的数据增广算法对于深度学习模型性能影响较小，并没有从根本上解决数据不足的难题。

最近兴起的一些生成式对抗网络模型，由于其出色的性能引起了人们的广泛关注，这种基于网络合成的方法相比于传统的数据增强技术，虽然过程更加复杂，但是生成的样本更加多样性。

发明内容

为解决增广数据对模型的影响，验证和确定最佳的数据增广方式的问题，在本发明的第一方面提供了一种数据增广对深度学习模型性能影响评估方法，包括：获取深度学习模型的原始数据集；基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集；分别利用每个增广数据集训练所述深度学习模型，对每个训练后的深度学习模型进行测试和评估。

在本发明的一些实施例中，所述基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集包括：基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移，得到第一增广数据集；基于生成式对抗网络，对原始数据集中的一张或多张图像进行目标替换，得到第二增广数据集；基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移或目标替换，得到第三增广数据集。

进一步的，所述基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移，得到第一增广数据集包括：将原始数据集中的一张或多张图像作为目标图像；利用生成式对抗网络将非原始数据集中的图像的风格迁移到目标图像中，得到一张或多张增广图像。

进一步的，所述基于生成式对抗网络，对原始数据集中的一张或多张图像进行目标替换，得到第二增广数据集包括：将原始数据集中的一张或多张图像作为目标图像；利用生成式对抗网络将非原始数据集中的图像中一个或多个目标替换掉目标图像中的对应目标，得到一张或多张增广图像。

进一步的，所述基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移或目标替换，得到第三增广数据集包括：将第一增广数据集和第二增广数据集中的图像进行融合，得到第三增广数据集。

在上述的实施例中，所述生成式对抗网络为MSGAN。

本发明的第二方面，提供了一种数据增广对深度学习模型性能影响评估系统，包括：获取模块，用于获取深度学习模型的原始数据集；增广模块，用于基于生成式对抗网络通过不同的增广方式，对所述原始数据集进行增广，得到多个增广数据集；评估模块，用于分别利用每个增广数据集训练所述深度学习模型，对每个训练后的深度学习模型进行测试和评估。

进一步的，所述增广模块包括：第一增广单元，用于基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移，得到第一增广数据集；第二增广单元，用于基于生成式对抗网络，对原始数据集中的一张或多张图像进行目标替换，得到第二增广数据集；第三增广单元，用于基于生成式对抗网络，对原始数据集中的一张或多张图像进行风格迁移或目标替换，得到第三增广数据集。