申请/专利权人：北京工业大学

申请日：2021-12-07

公开（公告）日：2024-04-02

公开（公告）号：CN114219778B

主分类号：G06T7/00

分类号：G06T7/00;G06T5/50;G06N3/0464;G06N3/0475;G06N3/045;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.05.05#著录事项变更;2022.04.08#实质审查的生效;2022.03.22#公开

摘要：本发明公开了一种基于WGAN‑GP数据生成与泊松融合的数据深度增强方法，WGAN‑GP是具有梯度惩罚的生成对抗网络，是一种基于博弈思想的生成模型，该生成模型包含两个网络，分别为生成网络G和判别网络D。新的训练数据是通过将WGAN‑GP生成的路面病害图像插入到无病害的道路图像中合成的。插入图像时，要保证尽可能真实地插入图像，避免边缘突出，导致目标检测模型只学习物体的边缘特征而不是病害特征量。本发明利用WGAN‑GP数据生成技术与泊松融合技术对数据进行深度增强，相比传统数据增强方法，将生成图片带入路面病害检测模型的训练集中，提供足够的数据量使得检测模型去学习到可能的分布，提高了路面病害智能检测的精度。

主权项：1.一种基于WGAN-GP数据生成与泊松融合的数据深度增强方法，其特征在于，包括WGAN-GP数据生成和泊松融合两大部分，具体步骤如下：步骤一：WGAN-GP数据生成；首先，将道路病害边界框从原始道路图片中剪切出来作为WGAN-GP数据生成的输入图像，剪切图片是在不同光照条件下不同遮挡物下的坑槽；然后将剪切图片调整为80x80像素大小，生成HDF5数据存储文件，带入WGAN-GP对抗生成网络中；其次，WGAN-GP网络读入HDF5数据存储文件并设置网络训练参数，包括批训练Batch_size、图片像素大小、训练带数Epoch、判别器参数、鉴别器参数；接着，设置生成器和判别器网络结构；WGAN-GP生成网络G和判别网络D均设置为五层的卷积神经网络，生成网络由ConvTrans2d反卷积层、BN归一化层、Relu和Tanh激活函数组成，判别网络由Conv2d卷积层、IN归一化层、LeakyRelu激活函数组成；最后，判别器求出真实样本和生成样本之间的差值梯度M,设定Lipschitz约束不超过M，Loss损失约束最大可能接近M，通过迭代实现网络的不断更新优化；步骤二：泊松融合新的训练数据是通过将WGAN-GP生成的路面病害图像插入到无病害的道路图像中合成；基于泊松方程而引入的泊松融合求解像素最优值的方法，保留源图像梯度信息的同时，融合源图像与目标图像；该方法根据指定的边界条件求解一个泊松方程，实现梯度域上的连续，从而达到边界处的无缝融合。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于WGAN-GP数据生成与泊松融合的数据深度增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD