一种通用的深度学习正样本自动均衡方法

摘要

本发明涉及一种通用的深度学习正样本自动均衡方法，包括S1、根据样本子集分布，确定遍历处理所有图片的先后顺序；S2、对图像进行最佳通道的选取；S3、在最佳通道上进行滑动窗口截图，计算截得的每一幅小图的属性，根据属性进行分类；S4、根据样本子集分布以及需要样本的总数量，确定在每一幅大图上截取小图的数量；S5、根据分类的数量占比，进行需求数量均衡；S6、按需求数量选择样本；S7、将得到的与需求数一致的样本送入神经网络进行训练送入神经网络进行训练。本发明解决了由于正样本选取分布不均，导致的训练出的网络过杀率高的问题，且本发明具有通用性、无需人工干预的特点，实现完全自动执行，并发挥作用。