数据生成方法、装置、电子设备和计算机存储介质与流程

数据生成方法、装置、电子设备和计算机存储介质
1.相关申请的交叉引用
2.本技术要求申请号为10202113724q、申请日为2021年12月10日的标题为“数据生成方法、装置、电子设备和计算机存储介质”新加坡专利申请的优先权，该新加坡专利申请的全部内容引入本文作为参考。
技术领域
3.本公开涉及计算机视觉处理技术，涉及但不限于一种数据生成方法、装置、电子设备和计算机存储介质。


背景技术：

4.目标检测是智能视频分析系统的重要一环，例如，在游戏场景中，可以通过在图像采集系统来获取游戏平台图像，从而对游戏平台图像中的目标物体(例如，游戏币)进行高准确率的检测。
5.相关技术中，为了让检测模型在各个场景和各个游戏平台下有较好的检测效果，传统的优化方式需要在各个场景和各个游戏平台下采集大量的图像数据；然而，使用此类方法有以下两个问题：1)考虑到每个场景和每个游戏平台下的数据量的差异，如果数据量差异较大，可能会导致检测模型泛化能力变差；例如，在第一场景的数据量远远大于第二场景的数据量的情况下，通过第二场景的数据量对检测模型进行训练，会降低检测模型在第二场景下的检测性能；2)每个场景和每个游戏平台下均需要人工进行大量重复的采集和标注工作，造成人力成本和资源成本的浪费。


技术实现要素：

6.本公开实施例期望提供数据生成方法、装置、电子设备和计算机存储介质，能够在提高检测模型泛化能力的同时，减少人力成本和资源成本的浪费。
7.本公开实施例提供了一种数据生成方法，所述方法包括：
8.获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；
9.将所述第一图像样本和第二图像样本输入至循环一致性生成对抗网络(cycle-consistent generative adversarial networks，cyclegan)模型中进行训练，得到所述cyclegan模型的损失；基于所述cyclegan模型的损失，对所述cyclegan模型的参数进行调整，直至所述cyclegan模型训练完成；
10.利用训练完成的cyclegan模型，扩充所述游戏平台图像样本集。
11.本公开实施例还提供了一种数据生成装置，所述装置包括：
12.获取模块，用于获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；
13.训练模块，用于将所述第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到所述cyclegan模型的损失；基于所述cyclegan模型的损失，对所述cyclegan模型的参数进行调整，直至所述cyclegan模型训练完成；
14.扩充模块，用于利用训练完成的cyclegan模型，扩充所述游戏平台图像样本集。
15.本公开实施例还提供了一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
16.所述处理器用于运行所述计算机程序以执行上述任意一种数据生成方法。
17.本公开实施例还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种数据生成方法。
18.本公开实施例还提供了一种计算机程序产品，包括处理器可读指令，当所述处理器可读指令被处理器执行时用于实现如上任意一项所述数据生成方法。本公开实施例提出的数据生成方法、装置、电子设备和计算机存储介质中，获取预先标注的游戏平台图像样本集；所述游戏平台图像样本集包括第一图像样本和第二图像样本，所述第一图像样本和第二图像样本中的目标物体相同，图像背景不同；将所述第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到所述cyclegan模型的损失；基于所述cyclegan模型的损失，对所述cyclegan模型的参数进行调整，直至所述cyclegan模型训练完成；利用训练完成的cyclegan模型，扩充所述游戏平台图像样本集。
19.可以看出，在本公开实施例中，在对cyclegan模型训练完成后，只需获取额外标注的少量游戏平台图像，并将其输入至训练完成的cyclegan模型，便可得到扩充后的包括大量图像在内的游戏平台图像样本集；即，不需要通过人工重复采集和标注大量图像，可以节省大量的人工成本。此外，针对不同场景的每个游戏平台，均可以通过本公开实施例得到对应场景下每个游戏平台的扩充后的游戏平台图像样本集，使得不同场景的每个游戏平台对应的游戏平台图像样本集中的数据量基本相同；即，能够精确控制不同场景的每个游戏平台的数据比例，提高后续检测模型的泛化能力，将扩充后的游戏平台图像样本集用于后续检测模型的训练，可以提高检测性能。
20.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
22.图1a为本公开实施例的数据生成方法的流程图；
23.图1b为本公开实施例的确定第一图像生成网络的损失的流程图；
24.图1c为本公开实施例的确定第二图像生成网络的损失的流程图；
25.图2a为本公开实施例的cyclegan模型中生成器的输入的结果示意图；
26.图2b为本公开实施例的cyclegan模型中生成器的输出的结果示意图；
27.图3为本公开实施例的数据生成装置的组成结构示意图；
28.图4为本公开实施例的电子设备的结构示意图。
具体实施方式
29.以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本公开，并不用于限定本公开。另外，以下所提供的实施例是用于实施本公开的部分实施例，而非提供实施本公开的全部实施例，在不冲突的情况下，本公开实施例记载的技术方案可以任意组合的方式实施。
30.需要说明的是，在本公开实施例中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其他要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
31.例如，本公开实施例提供的数据生成方法包含了一系列的步骤，但是本公开实施例提供的数据生成方法不限于所记载的步骤，同样地，本公开实施例提供的数据生成装置包括了一系列模块，但是本公开实施例提供的装置不限于包括所明确记载的模块，还可以包括为获取相关信息、或基于信息进行处理时所需要设置的模块。
32.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
33.本公开实施例可以应用于游戏场景的边缘计算设备中，并可以与众多其它通用或专用计算系统环境或配置一起操作。这里，边缘计算设备可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统，等等。
34.边缘计算设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
35.在相关技术中，在游戏场景中，为了让检测模型在各个场景和各个游戏平台下有较好的检测效果，传统的优化方式需要在各个场景和各个游戏平台下采集大量的图像数据，使用此类方法会有两个不可避免的问题：一，考虑每个场景和每个游戏平台下的数据量的差异，如果差异较大可能会导致检测模型泛化能力变差，需要人为控制各个场景和各个游戏平台的数据比例；二，每个场景和每个游戏平台下均需要人工采集和标注大量图像数据，在部署到新的场景和游戏平台上需要花费很多人力，造成人力成本和资源成本的浪费。
36.针对上述技术问题，在本公开的一些实施例中，提出了一种数据生成的技术方案，可以应用于游戏场景。
37.下面对本公开实施例的应用场景进行示例性说明。
38.在游戏场景中，可以通过计算机视觉处理技术对各种游戏的运行状态进行获取，
这里，每种游戏的运行均与游戏币、标志牌等目标物体相关。
39.在一些实施例中，游戏场景中的游戏可以是游戏平台上的扑克牌游戏或其它游戏，本公开实施例对此并不进行限制。
40.本公开实施例中，计算机视觉(computer vision)是一门研究如何使机器“看”的科学，是指用摄影机和计算机代替人眼对目标进行检测、识别和测量，并进一步做目标检测。在游戏过程中可以使用至少一个摄像头来检测游戏平台上发生的事情，已进行进一步分析；游戏平台可以是实体的桌面平台或其它实体平台。
41.图1a为本公开实施例的数据生成方法的流程图，如图1a所示，该流程可以包括：
42.步骤100：获取预先标注的游戏平台图像样本集；游戏平台图像样本集包括第一图像样本和第二图像样本，第一图像样本和第二图像样本中的目标物体相同，图像背景不同。
43.这里，游戏平台图像样本集表示少量的例如任意两种游戏平台对应的游戏平台图像样本的集合；示例性地，如果其中一种游戏平台对应的游戏平台图像样本为第一图像样本，则另一种游戏平台对应的游戏平台图像样本为第二图像样本。
44.示例性地，在游戏场景中的游戏是扑克牌游戏的情况下，目标物体可以包括：游戏币、扑克牌、或标志牌等至少一项与游戏相关的物体。
45.本公开实施例中，第一图像样本和第二图像样本中的目标物体相同；也就是说，在第一图像样本中的目标物体为游戏币的情况下，第二图像样本中的目标物体也为游戏币。
46.这里，图像背景表示第一图像样本和第二图像样本中除目标物体外的剩余区域；其中，第一图像样本和第二图像样本的图像背景不同，可以是两者的背景颜色、背景图案等至少一项信息不同。
47.可以看出，本公开实施例中，通过将包括上述游戏币、扑克牌、或标志牌等至少一项目标物体的游戏平台图像样本集作为后续对cyclegan模型进行训练的样本集，可以扩大cyclegan模型在游戏场景中的使用范围。
48.在一些实施例中，获取预先标注的游戏平台图像样本集，可以包括：对采集到的多帧游戏平台图像进行标注，得到标注后的多帧游戏平台图像；按照设定尺寸，对标注后的多帧游戏平台图像进行裁剪处理，得到预先标注的游戏平台图像样本集。
49.本公开实施例中，可以利用至少一个摄像头拍摄游戏平台，得到视频数据或图像数据，然后从视频数据或图像数据中采集多帧游戏平台图像；接着，对对采集到的多帧游戏平台图像进行标注，得到标注后的多帧游戏平台图像。
50.在一些实施例中，拍摄游戏平台的摄像头可以是位于游戏平台正上方用于拍摄游戏平台俯视图的摄像头，也可以是从其它角度拍摄游戏平台的摄像头；相应地，多帧游戏平台图像中的每帧游戏平台图像可以是俯视图或其它视角的游戏平台图像，还可以是将俯视图和它视角的游戏平台图像进行融合处理得到的图像。
51.示例性地，对采集到的多帧游戏平台图像进行标注，可以是对多帧游戏平台图像中目标对象的类型、位置、数量等至少一项信息进行标注。
52.示例性地，在得到标注后的多帧游戏平台图像后，可以按照设定尺寸进行裁剪处理；得到裁剪处理后的多帧游戏平台图像，即，预先标注的游戏平台图像样本集。
53.这里，设定尺寸的大小只要大于游戏平台图像中目标物体的尺寸，并小于游戏平台图像的原始尺寸即可；示例性地，在某帧游戏平台图像的原始尺寸为15cm
×
15cm的情况
下，假设目标物体的尺寸为5cm
×
5cm，则设定尺寸的大小可以是6cm
×
6cm，也可以是8cm
×
10cm。
54.可以理解地，对于直接采集的游戏平台图像，一方面由于其尺寸较大，若后续直接输入至cyclegan模型进行训练，会增加内存爆炸的风险；另一方面由于实际场景或游戏平台周围的边界信息差异较大且不确定，直接将包括周围所有区域的游戏平台图像输入至cyclegan模型进行训练，会导致模型效果变差；在本公开实施例中，通过对获取的游戏平台图像进行裁剪处理，不仅可以降低内存爆炸的风险，还可以提高模型效果。
55.步骤101：将第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到cyclegan模型的损失；基于cyclegan模型的损失，对cyclegan模型的参数进行调整，直至cyclegan模型训练完成。
56.在一些实施例中，cyclegan模型包括第一图像生成网络和第二图像生成网络；其中，第一图像生成网络包括第一生成器和第一鉴别器，第二图像生成网络包括第二生成器和第二鉴别器。
57.示例性地，将第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到cyclegan模型的损失，可以包括：根据第一图像样本、第一生成器、第一鉴别器和第二鉴别器，确定第一图像生成网络的损失；根据第二图像样本、第二生成器、第一鉴别器和第二鉴别器，确定第二图像生成网络的损失；根据第一图像样本、第二图像样本、第一生成器和第二生成器，确定循环一致性损失；根据第一图像生成网络的损失、第二图像生成网络的损失和循环一致性损失，得到cyclegan模型的损失。
58.示例性地，在对cyclegan模型的训练过程中，对第一图像生成网络和第二图像生成网络的训练是同时进行的，即，对第一图像生成网络的损失、第二图像生成网络的损失和循环一致性损失的确定也是同时进行的。
59.本公开实施例中，在每次得到cyclegan模型的损失后，将该损失与设定值进行比较，如果确定该损失小于设定值，则说明cyclegan模型训练完成；反之，如果确定该损失大于设定值，则需要继续对cyclegan模型的参数进行调整，得到cyclegan模型的下次损失，直到确定cyclegan模型的损失小于设定值，此时，则说明cyclegan模型训练完成。这里，在cyclegan模型训练完成后，可以利用该模型扩充游戏平台图像样本集。
60.可以看出，本公开实施例中，在对cyclegan模型的训练过程中，通过第一图像生成网络的损失、第二图像生成网络的损失和循环一致性损失共同确定cyclegan模型的损失，并利用该损失对cyclegan模型的参数进行调整，可以提高模型训练的准确性。
61.在一些实施例中，图1b为本公开实施例的确定第一图像生成网络的损失的流程图，如图1b所示，该流程可以包括：将第一图像样本输入第一生成器，生成第一图像；利用第一鉴别器对第一图像样本进行鉴别，得到第一鉴别结果；利用第二鉴别器对第一图像进行鉴别，得到第二鉴别结果；根据第一鉴别结果和第二鉴别结果，确定第一图像生成网络的损失。
62.这里，第一鉴别结果表示第一图像样本为真实图像的概率，第二鉴别结果表示第一生成器生成的第一图像为真实图像的概率；示例性地，如果概率为1，则说明是真实图像，如果概率为0，则说明不是真实图像。
63.示例性地，在对cyclegan模型的训练过程中，最理想的状态是第二鉴别结果为
0.5，即，对于第二鉴别器来说，它难以判定第一生成器生成的第一图像究竟是不是真实的，此时，第一图像生成网络的损失最小。
64.可以看出，本公开实施例中，在利用第一鉴别器对第一生成器的输入进行鉴别的同时，利用第二鉴别器对第一生成器的输出进行鉴别；即，通过对第一生成器的输入和输出均进行鉴别，可以较为准确地确定cyclegan模型中第一图像生成网络的损失。
65.在一些实施例中，图1c为本公开实施例的确定第二图像生成网络的损失的流程图，如图1c所示，该流程可以包括：将第二图像样本输入第二生成器，生成第二图像；利用第二鉴别器对第二图像样本进行鉴别，得到第三鉴别结果；利用第一鉴别器对第二图像进行鉴别，得到第四鉴别结果；根据第三鉴别结果和第四鉴别结果，确定第二图像生成网络的损失。
66.这里，确定第二图像生成网络的损失与上述确定第一图像生成网络的损失的实现方式类似，此处不再赘述。
67.可以看出，本公开实施例中，在利用第二鉴别器对第二生成器的输入进行鉴别的同时，利用第一鉴别器对第二生成器的输出进行鉴别；即，通过对第二生成器的输入和输出均进行鉴别，可以较为准确地确定cyclegan模型中第二图像生成网络的损失。
68.在一些实施例中，结合图1b和图1c，可以看出，确定循环一致性损失，可以包括：将第一图像样本输入第一生成器，生成第一图像；将第一图像输入第二生成器，生成第三图像；将第二图像样本输入第二生成器，生成第二图像；将第二图像输入第一生成器，生成第四图像；根据第一图像样本和第三图像的差异、以及第二图像样本和第四图像的差异，确定循环一致性损失。
69.可以看出，本公开实施例中，在确定第一图像生成网络的损失和第二图像生成网络的损失的基础上，进一步确定cyclegan模型的循环一致性损失，可以较为准确地得出模型损失，提高模型训练的准确性。
70.步骤102：利用训练完成的cyclegan模型，扩充游戏平台图像样本集。
71.本公开实施例中，在经过上述步骤，得到训练完成的cyclegan模型后，利用训练完成的cyclegan模型，扩充游戏平台图像样本集。
72.在一些实施例中，利用训练完成的cyclegan模型，扩充游戏平台图像样本集，可以包括：获取额外标注的游戏平台图像；将额外标注的游戏平台图像输入至训练完成的第一生成器或第二生成器，生成新的游戏平台图像；利用新的游戏平台图像，扩充游戏平台图像样本集。
73.示例性地，额外标注的游戏平台图像可以是与游戏平台图像样本集中第一图像样本类似的图像；也可以是与游戏平台图像样本集中第二图像样本类似的图像。
74.这里，两种图像之间类似可以说明这两种图像中的目标物体以及与图像背景相关的某些信息相同，例如，背景颜色、背景图案等。
75.示例性地，在确定额外标注的游戏平台图像是与第一图像样本类似的情况下，若将额外标注的游戏平台图像输入至训练完成的第一生成器，则可以生成大量新的游戏平台图像，实现对游戏平台图像样本集的扩充。
76.示例性地，在确定额外标注的游戏平台图像是与第二图像样本类似的情况下，若将额外标注的游戏平台图像输入至训练完成的第二生成器，则可以生成大量新的游戏平台
图像，进一步实现对游戏平台图像样本集的扩充。
77.示例性地，可以通过用户确定额外标注的游戏平台图像是与第一图像样本类似、还是与第二图像样本类似，也可以通过其它方式，本公开实施例对此不做限定。
78.可以看出，本公开实施例中，在得到训练完成的cyclegan模型后，只需要输入少量标注的游戏平台图像，便可得到包括大量图像的游戏平台图像样本集；即，不需要通过人工重复采集和标注大量图像，可以节省大量的人工成本。
79.进一步地，本公开实施例不仅可以应用于扑克牌游戏场景，还可以复用在其它各种游戏场景中。
80.可见，本公开实施例中，通过训练完成的cyclegan模型能够进行不同游戏场景下的背景数据增广，使得新游戏场景的数据达到与原先各个游戏场景的量级；即，在少量样本数据的情况下，也可完成目标物体在不同场景和不同游戏平台的迁移，能够精确控制不同场景和不同游戏平台上数据量的比例，从而达到优化检测模型的效果。
81.本公开实施例提出的数据生成方法、装置、电子设备和计算机存储介质中，获取预先标注的游戏平台图像样本集；游戏平台图像样本集包括第一图像样本和第二图像样本，第一图像样本和第二图像样本中的目标物体相同，图像背景不同；将第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到cyclegan模型的损失；基于cyclegan模型的损失，对cyclegan模型的参数进行调整，直至cyclegan模型训练完成；利用训练完成的cyclegan模型，扩充游戏平台图像样本集。可以看出，在本公开实施例中，在对cyclegan模型训练完成后，只需获取额外标注的少量游戏平台图像，并将其输入至训练完成的cyclegan模型，便可得到扩充后的包括大量图像在内的游戏平台图像样本集；即，不需要通过人工重复采集和标注大量图像，可以节省大量的人工成本。此外，针对不同场景的每个游戏平台，均可以通过本公开实施例得到对应场景下每个游戏平台的扩充后的游戏平台图像样本集，使得不同场景的每个游戏平台对应的游戏平台图像样本集中的数据量基本相同；即，能够精确控制不同场景的每个游戏平台的数据比例，提高后续检测模型的泛化能力，将扩充后的游戏平台图像样本集用于后续检测模型的训练，可以提高检测性能。
82.在实际应用中，步骤100至步骤102可以利用电子设备中的处理器实现，上述处理器可以为特定用途集成电路(application specific integrated circuit，asic)、数字信号处理器(digital signal processor，dsp)、数字信号处理装置(digital signal processing device，dspd)、可编程逻辑装置(programmable logic device，pld)、现场可编程门阵列(field－programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器中的至少一种。
83.下面结合一个应用场景对本公开实施例进行示例性说明，在该应用场景中，游戏场景为智慧游戏场景，游戏平台为游戏桌，游戏币为筹码；智慧游戏场景可以是扑克牌游戏。
84.在智慧游戏中，存在不同的场景和游戏桌桌型，尤其在算法推广到新场景时，如果希望模型保持较高的检测性能，传统方案需要耗费大量的人力，采集和标注大量的图像数据；如果采取本公开实施例的方法，在少量(几百张)采集的图像数据上，即可完成不同桌型背景的迁移，达到与传统方案相同的性能和精度，节省大量的成本。
85.示例性地，可以由摄像头采集多帧游戏桌图像，然后对采集的多帧游戏桌图像进
行标注。从标注后的多帧游戏平台图像中任意取其中两个游戏桌桌型的数据作为源数据source和目标数据target。
86.示例性地，在源数据source和目标数据target上裁剪筹码所在的局部区域作为cyclegan模型的训练数据。
87.参见图1b和图1c，cyclegan模型一共由两个生成器和两个鉴别器组成；示例性地，可以是场景a到场景b的单向gan加上场景b到场景a的单向gan，cyclegan模型中的第一图像生成网络和第二图像生成网络共享两个生成器(generator)，即，上述第一生成器和第二生成器。第一生成器(generator a2b)实现场景a到场景b的迁移，第二生成器(generator b2a)实现场景b到场景a的迁移，第一鉴别器(discriminator a)判别生成的场景a数据和真实的场景a数据，第二鉴别器(discriminator b)判别生成的场景b数据和真实的场景b数据。
88.图2a和图2b分别为本公开实施例的cyclegan模型中生成器的输入和输出的结果示意图，其中，图2a所示的图像为真实图像，图2b所示的图像为生成器生成的图像。
89.示例性地，在将cyclegan模型部署到新场景时，利用cyclegan模型中的两个生成器，可以将原场景数据中的目标物体所在的背景局部区域转为新场景的背景，即可完成模型相应的迁移学习。
90.可见，本公开实施例通过cyclegan模型进行目标物体背景的迁移，减少大量的人力和资源成本；即，在少量的样本数据上，达到与大量数据相媲美的性能。
91.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
92.在前述实施例提出的数据生成方法的基础上，本公开实施例提出了一种数据生成装置。
93.图3为本公开实施例的数据生成装置的组成结构示意图，如图3所示，该装置可以包括：
94.获取模块300，用于获取预先标注的游戏平台图像样本集；游戏平台图像样本集包括第一图像样本和第二图像样本，第一图像样本和第二图像样本中的目标物体相同，图像背景不同；
95.训练模块301，用于将第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到cyclegan模型的损失；基于cyclegan模型的损失，对cyclegan模型的参数进行调整，直至cyclegan模型训练完成；
96.扩充模块302，用于利用训练完成的cyclegan模型，扩充游戏平台图像样本集。
97.在一些实施例中，cyclegan模型包括第一图像生成网络和第二图像生成网络，第一图像生成网络包括第一生成器和第一鉴别器，第二图像生成网络包括第二生成器和第二鉴别器，训练模块301，用于将第一图像样本和第二图像样本输入至cyclegan模型中进行训练，得到cyclegan模型的损失，包括：
98.根据第一图像样本、第一生成器、第一鉴别器和第二鉴别器，确定第一图像生成网络的损失；
99.根据第二图像样本、第二生成器、第一鉴别器和第二鉴别器，确定第二图像生成网
络的损失；
100.根据第一图像样本、第二图像样本、第一生成器和第二生成器，确定循环一致性损失；
101.根据第一图像生成网络的损失、第二图像生成网络的损失和循环一致性损失，得到cyclegan模型的损失。
102.在一些实施例中，训练模块301，用于根据第一图像样本、第一生成器、第一鉴别器和第二鉴别器，确定第一图像生成网络的损失，包括：
103.将第一图像样本输入第一生成器，生成第一图像；
104.利用第一鉴别器对第一图像样本进行鉴别，得到第一鉴别结果；利用第二鉴别器对第一图像进行鉴别，得到第二鉴别结果；
105.根据第一鉴别结果和第二鉴别结果，确定第一图像生成网络的损失。
106.在一些实施例中，训练模块301，用于根据第二图像样本、第二生成器、第一鉴别器和第二鉴别器，确定第二图像生成网络的损失，包括：
107.将第二图像样本输入第二生成器，生成第二图像；
108.利用第二鉴别器对第二图像样本进行鉴别，得到第三鉴别结果；利用第一鉴别器对第二图像进行鉴别，得到第四鉴别结果；根据第三鉴别结果和第四鉴别结果，确定第二图像生成网络的损失。
109.在一些实施例中，训练模块301，用于根据第一图像样本、第二图像样本、第一生成器和第二生成器，确定循环一致性损失，包括：
110.将第一图像样本输入第一生成器，生成第一图像；将第一图像输入第二生成器，生成第三图像；
111.将第二图像样本输入第二生成器，生成第二图像；将第二图像输入第一生成器，生成第四图像；
112.根据第一图像样本和第三图像的差异、以及第二图像样本和第四图像的差异，确定循环一致性损失。
113.在一些实施例中，扩充模块302，用于利用训练完成的cyclegan模型，扩充游戏平台图像样本集，包括：
114.获取额外标注的游戏平台图像；
115.将额外标注的游戏平台图像输入至训练完成的第一生成器或第二生成器，生成新的游戏平台图像；
116.利用新的游戏平台图像，扩充游戏平台图像样本集。
117.在一些实施例中，获取模块300，用于获取预先标注的游戏平台图像样本集，包括：
118.对采集到的多帧游戏平台图像进行标注，得到标注后的多帧游戏平台图像；
119.按照设定尺寸，对标注后的多帧游戏平台图像进行裁剪处理，得到预先标注的游戏平台图像样本集。
120.在一些实施例中，目标物体包括以下至少一项：游戏币、扑克牌、标志牌。
121.实际应用中，获取模块300、训练模块301和扩充模块302均可以利用电子设备中的处理器实现，上述处理器可以为asic、dsp、dspd、pld、fpga、cpu、控制器、微控制器、微处理器中的至少一种。
122.另外，在本实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
123.集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
124.具体来讲，本实施例中的一种数据生成方法对应的计算机程序指令可以被存储在光盘，硬盘，u盘等存储介质上，当存储介质中的与一种数据生成方法对应的计算机程序指令被一电子设备读取或被执行时，实现前述实施例的任意一种数据生成方法。
125.基于前述实施例相同的技术构思，参见图4，其示出了本公开实施例提供的一种电子设备4，可以包括：存储器401和处理器402；其中，
126.存储器401，用于存储计算机程序和数据；
127.处理器402，用于执行存储器中存储的计算机程序，以实现前述实施例的任意一种数据生成方法。
128.在实际应用中，上述存储器401可以是易失性存储器(volatile memory)，例如ram；或者非易失性存储器(non-volatile memory)，例如rom，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者上述种类的存储器的组合，并向处理器402提供指令和数据。
129.上述处理器402可以为asic、dsp、dspd、pld、fpga、cpu、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本公开实施例不作具体限定。
130.本公开实施例提供了一种计算机程序产品，包括处理器可读指令，所述指令被执行时使得计算机执行上述任一实施例提供的数据生成方法的操作。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
131.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
132.上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述
133.本技术所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
134.本技术所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组
合，得到新的产品实施例。
135.本技术所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
136.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。
137.上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。