[发明专利]一种基于深度学习的样本生成方法、存储介质及电子设备

权利要求书

1.一种基于深度学习的样本生成方法，其特征在于，所述方法包括如下步骤：

获取由生成器生成的同一批次的多个初始图像样本的调权信息A₁，A₂，…，A_i，…，A_z，其中，A_i为该批次中第i个初始图像样本的调权信息，A_i＝(a_i，b_i)，a_i为用于表示A_i各个维度上的数据的信息向量，b_i为A_i的图像类别标签；z为该批次生成的初始图像样本的总数量；i＝1,2，…，z；

根据A₁，A₂，…，A_i，…，A_z中的多个信息向量，生成A_i对应的调整权重W_i；W_i满足如下条件：

其中，为b_i对应的图像类别的超参数；每一所述图像类别对应的超参数与同一批次的多个初始图像样本中属于每一图像类别的样本数量负相关；μ为本批次多个初始图像样本对应的样本均值；δ为本批次多个初始图像样本对应的样本方差；

根据每一所述初始图像样本对应的调整权重，确定每一所述初始图像样本对应的损失函数的调整loos值；L_i满足如下条件：

L_i＝W_i*l_i；其中，L_i为该批次中第i个初始图像样本对应的损失函数的调整loos值；l_i为该批次中第i个初始图像样本对应的损失函数的初始loos值；

根据每一所述初始图像样本对应的调整loos值，优化所述生成器，以生成目标图像样本。

2.根据权利要求1所述的方法，其特征在于，在生成A_i对应的调整权重W_i之后，所述方法还包括：

对同一批次中每一所述初始图像样本对应的调整权重进行归一化处理，生成每一所述初始图像样本对应的目标调整权重；其中，满足如下条件：

为该批次中第i个初始图像样本对应的目标调整权重。

3.根据权利要求1所述的方法，其特征在于，在生成目标图像样本之后，所述方法还包括：

使用目标图像样本进行模型优化处理；以提高目标分类模型的标注精度；

所述模型优化处理包括：

使用目标图像样本训练至少一种分类模型，生成每一种所述分类模型对应的分类准确率；

将分类准确率最高的所述分类模型，作为目标分类模型；

将多个待分类图像数据输入所述目标分类模型中，生成每一所述待分类图像数据的初始分类标签及置信度；

将置信度大于第一阈值的每一待分类图像数据，分别输入多种分类模型中，生成每一待分类图像数据的分类信息B₁，B₂，…，B_j，…，B_y；其中，B_j为第j个待分类图像数据的分类信息；B_j＝(B_j¹、B_j²、…、B_j^k、…、B_j^x)；B_j^k为第k种分类模型对第j个待分类图像数据的分类标签；x为分类模型的总数量；k＝1,2，…，x；y为待分类图像数据的总数量；j＝1,2，…，y；

当B_j中的所有分类标签均相同时，将初始分类标签作为第j个待分类图像数据的目标分类标签。

4.根据权利要求3所述的方法，其特征在于，在生成每一待分类图像数据的分类信息之后，所述模型优化处理还包括：

当B_j中的所有分类标签存在差异时，对第j个待分类图像数据进行重新分类标注，生成第j个待分类图像数据的目标分类标签；所述重新分类标注的精度大于所述目标分类模型的标注精度。