一种样本生成方法、系统、设备及存储介质与流程

技术特征：
1.一种样本生成方法，其特征在于，包括：获取原始样本集，所述原始样本集中的样本为第一类型样本，所述第一类型样本中包含指定类型的对象；基于所述原始样本集对生成对抗网络进行训练，以供所述生成对抗网络中的对象生成器捕获所述原始样本集中指定类型的对象的特征分布信息；利用所述对象生成器生成符合所述特征分布信息的若干对象图像；为所述若干对象图像分别融合背景，以获得若干新的第一类型样本。2.根据权利要求1所述的方法，其特征在于，所述原始样本集中包含多个第一类型样本及对应的对象特征标注信息，所述基于所述原始样本集对生成对抗网络进行训练，包括：按照所述对象特征标注信息，分别从各第一类型样本中截取对象截图；基于所述多个对象截图对所述生成对抗网络进行训练。3.根据权利要求2所述的方法，其特征在于，所述基于所述多个对象截图对所述生成对抗网络进行训练，包括：若第一对象截图的形状符合预设要求，则将所述第一对象截图填充至指定形状，以获得填充后对象截图；基于所述第一对象截图对应的填充后对象截图，训练所述生成对抗网络；其中，所述第一对象截图为所述多个对象截图中的任意一个。4.根据权利要求3所述的方法，其特征在于，所述指定形状为正方形，所述预设要求包括长宽比值大于预设阈值。5.根据权利要求4所述的方法，其特征在于，所述将所述第一对象截图填充至指定形状，包括：以所述第一对象截图的短边作为横边，以所述第一对象截图的长边作为竖边；在所述第一对象截图的两条竖边外侧填充指定像素，直至将所述第一对象截图填充为正方形。6.根据权利要求2所述的方法，其特征在于，所述基于所述多个对象截图对所述生成对抗网络进行训练，包括：以所述多个对象截图作为训练集，输入所述生成对抗网络中的对象判别器，以供所述对象判别器从所述多个对象截图中学习所述指定类型的对象的特征分布信息，并传播至所述对象生成器。7.根据权利要求1所述的方法，其特征在于，所述生成对抗网络采用大规模对抗网络biggan、权重对抗网络wcgan、循环对抗网络cyclegan或星型对抗网络stargan。8.根据权利要求1所述的方法，其特征在于，所述利用所述对象生成器生成符合所述特征分布信息的若干对象图像，包括：基于所述指定类型的对象的特征分布信息进行多次高斯采样，以获得多组噪声向量；将所述多组噪声向量输入所述对象生成器；在所述对象生成器中，基于所述指定类型的对象的特征分布信息，为所述多组噪声向量分别生成对象图像。9.根据权利要求1所述的方法，其特征在于，所述为所述若干对象图像分别融合背景，包括：
利用掩码分割模型对所述若干对象图像分别进行掩码分割，以获得所述若干对象图像各自对应的掩码图；基于所述掩码图从对应的对象图像中提取所述指定类型的对象，作为前景主体，以至少一张第二类型图像作为背景图，采用泊松融合技术，分别为所述若干对象图像融合背景；其中，所述第二类型图像中不包含所述指定类型的对象。10.根据权利要求9所述的方法，其特征在于，所述基于所述掩码图从对应的对象图像中提取所述指定类型的对象，包括：对所述若干掩码图进行形态学膨胀；分别基于若干形态学膨胀后的掩码图从对象的对象图像中提取所述指定类型的对象。11.根据权利要求9所述的方法，其特征在于，对所述掩码分割模型进行训练的过程，包括：从所述原始样本集包含的各第一类型样本中，分别截取对象截图；获取各对象截图对应的掩码标注信息；将所述各对象截图及其对应的掩码标注信息，输入所述掩码分割模型，以训练所述掩码分割模型。12.根据权利要求11所述的方法，其特征在于，所述掩码分割模型采用全卷积分割网络fcn或金字塔场景解析网络pspnet。13.根据权利要求1所述的方法，其特征在于，所述指定类型的对象为瑕疵。14.一种样本生成方法，其特征在于，包括：响应于调用目标服务的请求，确定所述目标服务对应的处理资源，利用所述目标服务对应的处理资源执行如下步骤：获取原始样本集，所述原始样本集中的样本为第一类型样本，所述第一类型样本中包含指定类型的对象；基于所述原始样本集对生成对抗网络进行训练，以供所述生成对抗网络中的对象生成器捕获所述原始样本集中指定类型的对象的特征分布信息；利用所述对象生成器生成符合所述特征分布信息的若干对象图像；为所述若干对象图像分别融合背景，以获得若干新的第一类型样本。15.一种样本生成方法，其特征在于，包括：获取原始瑕疵样本集；基于所述原始瑕疵样本集对生成对抗网络进行训练，以供所述生成对抗网络中的瑕疵生成器捕获所述原始瑕疵样本集中的瑕疵特征分布信息；利用所述瑕疵生成器生成符合所述瑕疵特征分布信息的若干瑕疵图像；为所述若干瑕疵图像分别融合背景，以获得若干新的瑕疵样本。16.一种样本生成系统，其特征在于，包括生成对抗网络和融合单元，所述生成对抗网络包括对象生成器；所述对象生成器，用于获取原始样本集，所述原始样本集中的样本为第一类型样本，所述第一类型样本中包含指定类型的对象；并从所述原始样本集中捕获指定类型的对象的特征分布信息；基于所述指定类型的对象的特征分布信息，生成若干对象图像并提供给所述融合单元；
所述融合单元，用于为所述若干对象图像分别融合背景，以获得若干新的第一类型样本。17.根据权利要求16所述的系统，其特征在于，所述融合单元包括掩码分割模型和融合模型；所述掩码分割模型，用于对所述若干对象图像分别进行掩码分割，以获得所述若干对象图像各自对应的掩码图；所述融合模型，用于基于所述掩码图从对应的对象图像中提取所述指定类型的对象，作为前景主体，以至少一张第二类型图像作为背景图，采用泊松融合技术，分别为所述若干对象图像融合背景；其中，所述第二类型图像中不包含所述指定类型的对象。18.一种计算设备，其特征在于，包括存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：获取原始样本集，所述原始样本集中的样本为第一类型样本，所述第一类型样本中包含指定类型的对象；基于所述原始样本集对生成对抗网络进行训练，以供所述生成对抗网络中的对象生成器捕获所述原始样本集中指定类型的对象的特征分布信息；利用所述对象生成器生成符合所述特征分布信息的若干对象图像；为所述若干对象图像分别融合背景，以获得若干新的第一类型样本。19.一种存储计算机指令的计算机可读存储介质，其特征在于，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1
‑
15任一项所述的样本生成方法。

技术总结
本申请实施例提供一种样本生成方法、系统、设备及存储介质。在本申请实施例中，可通过生成对抗网络，从原始样本集包含的若干第一类型样本中，捕获指定类型的对象的特征分布信息，从而可利用生成对抗网络中的对象生成器衍生出若干符合指定类型的对象的特征分布信息的对象图像，在此基础上，可为衍生出的对象图像分别融合背景，从而获得若干新的第一类型样本。据此，本申请实施例中，可在有限数量的第一类型样本的基础上，衍生出更丰富的新的第一类型样本，这可为用于指定类型的对象检测的深度学习模型提供更多样、更大规模且高真实度的训练样本，从而可有效提高深度学习模型对指定类型的对象的检测性能。型的对象的检测性能。型的对象的检测性能。


技术研发人员：张鼎
受保护的技术使用者：阿里巴巴集团控股有限公司
技术研发日：2020.11.24
技术公布日：2021/10/18