终检评审通过 创新训练 520计算机科学技术 智能制造市级

深度学习目前已广泛应用在图像分类、目标检测、语义分割等计算机视觉任务上。在实际应用场景中，由于实际图像与训练模型使用的图像在拍摄设备、环境条件、滤镜风格等方面有差异，常导致模型在实际场景中预测性能大幅下降。如果对实际图像重新标注并训练模型，则带来巨大的标注成本。传统的数据增强方法多基于事先设定好的规则，可以加强训练集图像的多样性，对模型的泛化性能提升有帮助。但这类方法未考虑面向实际图像有针对性地进行数据增强。而基于风格迁移技术将训练集图像的风格迁移至实际图像风格，保留标注标签不变，则会产生针对特定实际图像集合的风格接近的有标注结果的训练集，基于迁移后的数据集训练模型或对已有模型进行微调，将有助于提升模型在特定实际场景的预测性能。本项目研究基于风格迁移的数据增强方法，并通过实验评估其在图像分类、目标检测、语义分割等计算机视觉任务上对模型预测性能的提升效果。本项目研究成果在智能制造、智能交通、机器人等领域均具有重要的理论和应用价值。