[发明专利]增加难样本数据的方法、系统、计算机设备及存储介质

权利要求书

1.一种增加难样本数据的方法，其特征在于，包括：

获取具有多张简易样本图像和难样本图像的原始训练集，利用所述原始训练集对初始分割模型进行训练，得到目标分割模型；

对所述原始训练集进行筛选获取难样本图像，并利用所述难样本图像对所述目标分割模型进行训练，得到优化后的目标分割模型；

将目标图像输入至所述优化后的目标分割模型中进行识别，并判断识别结果是否为难样本图像；

若识别结果为难样本图像，则将所述目标图像作为新的难样本图像保存至所述原始训练集中。

2.根据权利要求1所述的增加难样本数据的方法，其特征在于，所述利用所述原始训练集对初始分割模型进行训练，得到目标分割模型，包括：

将所述原始训练集中的样本图像输入至语义估计模块进行卷积处理，并利用L2损失函数计算语义估计模块的损失，得到语义处理结果；

将所述原始训练集中的样本图像输入至细节预测模块进行编码-解码操作，并利用交叉熵损失函数计算损失，得到细节处理结果；

将所述语义处理结果和细节处理结果进行特征拼接，得到最终的分割结果，并利用L1损失函数对最终的分割结果进行计算，得到目标分割模型。

3.根据权利要求2所述的增加难样本数据的方法，其特征在于，所述将所述原始训练集中的样本图像输入至语义估计模块进行卷积处理，并利用L2损失函数计算语义估计模块的损失，得到语义处理结果，包括：

将所述原始训练集中的样本图像输入至多层连续的卷积层中进行卷积，得到每一层的卷积结果；

将最后一层的卷积结果输入至全局池化层进行池化处理，并将池化结果输入至两个连续的全连接层进行卷积，最后输入至sigmod层进行激活处理，得到第一特征图，并将所述第一特征图与最后一层的卷积结果进行特征相加，得到目标特征图；

将所述目标特征图与每一层的卷积结果进行特征相乘处理，并对特征相乘结果进行卷积处理，得到语义处理结果。

4.根据权利要求3所述的增加难样本数据的方法，其特征在于，所述将所述原始训练集中的样本图像输入至细节预测模块进行编码-解码操作，并利用交叉熵损失函数计算损失，得到细节处理结果，包括：

将所述原始训练集中的样本图像进行下采样处理，并将下采样结果与所述最后一层的卷积结果进行特征拼接，得到第一拼接结果；

将所述第一拼接结果输入至多个连续的编码层进行编码处理，得到编码特征图；

将所述语义处理结果进行上采样，并将上采样结果与所述编码特征图进行特征拼接，得到第二拼接结果并输入至多层连续的解码层进行特征解码，得到特征解码图；

将所述特征解码图与所述第一拼接结果输入至卷积层中进行卷积得到细节处理结果。

5.根据权利要求4所述的增加难样本数据的方法，其特征在于，所述将所述语义处理结果和细节处理结果进行拼接，得到最终的分割结果，包括：

将所述语义处理结果输入至卷积层中进行卷积处理，并将卷积结果进行上采样处理，将上采样结果与特征解码图进行特征拼接，得到第三拼接结果；

将所述第三拼接结果输入至连续的多层卷积层中进行卷积处理，得到最终的分割结果。

6.一种增加难样本数据的系统，其特征在于，包括：

目标分割模型获取单元，用于获取具有多张简易样本图像和难样本图像的原始训练集，利用所述原始训练集对初始分割模型进行训练，得到目标分割模型；

目标分割模型优化单元，用于对所述原始训练集进行筛选获取难样本图像，并利用所述难样本图像对所述目标分割模型进行训练，得到优化后的目标分割模型；

难样本图像识别单元，用于将目标图像输入至所述优化后的目标分割模型中进行识别，并判断识别结果是否为难样本图像；

原始训练集更新单元，用于若识别结果为难样本图像，则将所述目标图像作为新的难样本图像保存至所述原始训练集中。