CN107908641B - 一种获取图片标注数据的方法和系统 - Google Patents
一种获取图片标注数据的方法和系统 Download PDFInfo
- Publication number
- CN107908641B CN107908641B CN201710890130.0A CN201710890130A CN107908641B CN 107908641 B CN107908641 B CN 107908641B CN 201710890130 A CN201710890130 A CN 201710890130A CN 107908641 B CN107908641 B CN 107908641B
- Authority
- CN
- China
- Prior art keywords
- picture
- labeled
- user
- word
- interface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本申请提供一种获取图片标注数据的方法和系统，所述方法包括：获取待标注的图片的识别结果；将待标注图片与候选字符显示于猜词界面，所述候选字符至少包括所述识别结果被拆分后得到的各字符；利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据。本申请所述获取图片标注数据的方法和系统，通过将待标注图片以猜词游戏的方式呈现给用户，用户通过猜词完成对该图片的标注；无需占用大量计算资源，且无需招募专业标注或外包人员，降低了图片标注数据的获取成本；由于用户进行游戏是根据自身意愿，并且每次标定的任务都能获得积分奖励，提高了用户进行游戏的成就感和积极性，基本消除了作弊可能，从而在一定程度上提高了准确性。
Description
【技术领域】
本申请涉及计算机处理技术领域，尤其涉及一种获取图片标注数据的方法和系统。
【背景技术】
在互联网产生和存储的海量信息中，图片是一种重要的信息载体，在互联网信息提供和信息检索服务中，对图片信息进行的处理也显得越来越重要。
图片标注是计算机视觉领域训练数据准备的一项很重要的工作，通常需要大量人工标注的图片作为机器学习和计算机视觉的进一步数据处理和数据挖掘的初始训练数据集。现有获得图片人工标注数据的方法主要通过专门的标注人员、外包或众包的方式，人工对图片进行标注。
但是，由于图片标注是一项枯燥、简单重复的劳动，长时间标注无论对标注人员的生理还是心理都有伤害，人力成本较高。
另外，当需要人工标注的图片的数量较多时，还会出现作弊的可能，可能会有部分标注人员为了尽快完成标注任务额度，在标注的过程中胡乱标注一些图片。
【发明内容】
本申请的多个方面提供一种获取图片标注数据的方法和系统，用于降低图片标注数据的获取成本。
本申请的一方面，提供一种获取图片标注数据的方法，包括：
获取待标注的图片的识别结果；
将待标注图片与候选字符显示于猜词界面，所述候选字符至少包括所述识别结果被拆分后得到的各字符；
利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取待标注的图片的识别结果包括：通过机器学习获取待标注的图片的识别结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述候选字符还包括：
随机产生的干扰字符。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将待标注图片与候选字符显示于猜词界面还包括：
在所述猜词界面中，提供更换待标注图片的组件；
当点击所述组件时，在所述猜词界面更换下一张待标注图片与候选字符。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述用户在猜词界面对所述候选字符的选择包括：
用户根据待标注图片的内容选择一个候选字符，或者按顺序选择多个候选字符组成词或短语。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据还包括：
记录多个用户对同一个待标注图片对应的候选字符的选择，如果超过设定比例的用户选择相同，则将对所述候选字符的选择结果确定为所述待标注图片的标注数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：将待标注图片与所述标注数据作为样本数据用于机器学习的识别模型的训练。
本申请的另一方面，提供一种获取图片标注数据的系统，包括：
识别单元，用于获取待标注的图片的识别结果；
显示单元，用于将待标注图片与候选字符显示于猜词界面；
标注识别单元，用于利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述识别单元具体用于：通过机器学习获取待标注的图片的识别结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述候选字符还包括：
随机产生的干扰字符。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述显示单元还用于：
在所述猜词界面中，提供更换待标注图片的组件；
当点击所述组件时，在所述猜词界面更换下一张待标注图片与候选字符。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述用户在猜词界面对所述候选字符的选择包括：
用户根据待标注图片的内容选择一个候选字符，或者按顺序选择多个候选字符组成词或短语。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述标注识别单元还用于，
记录多个用户对同一个待标注图片对应的候选字符的选择，如果超过设定比例的用户选择相同，则将对所述候选字符的选择结果确定为所述待标注图片的标注数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述系统还包括训练单元，用于将待标注图片与所述标注数据作为样本数据用于机器学习的识别模型的训练。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，
本申请的另一方面，提供一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一上述的方法。
本申请的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现任一上述的方法。
由所述技术方案可知，采用本实施例提供的技术方案，通过将待标注图片以猜词游戏的方式呈现给用户，用户通过猜词完成对该图片的标注。
1)无需占用大量计算资源，且无需招募专业标注或外包人员，降低了图片标注数据的获取成本。
2)由于用户进行游戏是根据自身意愿，并且每次标定的任务都能获得积分奖励，提高了用户进行游戏的成就感和积极性，基本消除了作弊可能，从而在一定程度上提高了准确性。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的获取图片标注数据的方法的流程示意图；
图2位本申请一实施例提供的猜词界面的实例图；
图3为本申请另一实施例提供的获取图片标注数据的系统的结构示意图；
图4为适于用来实现本发明实施例的示例性计算机系统/服务器的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
另外，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请一实施例提供的获取图片标注数据的方法的流程图，如图1所示，包括以下步骤：
步骤101、获取待标注的图片的识别结果；
优选地，服务器获取待标注图片，通过机器学习对待标注图片进行识别而得到待标注图片对应的目标对象的标识信息以及置信度参数。
在本实施例中，置信度参数可以用于表征在对待标注图片进行识别时，待标注图片为所述目标对象的概率，即待标注图片与目标对象的样本数据的相似度。置信度参数的数值越高，则待标注图片为目标对象的概率越大。
在本实施例中，机器学习的常用模型可以包括但不限于：自动编码器(AutoEncoder)、稀疏编码(Sparse Coding)、深信度网络(Deep Belief Networks)、卷积神经网络(Convolutional Neural Networks)。上述机器学习方式也可称之为深度学习。
在本实施例中，可以首先建立与识别待标注图片使用的机器学习识别方式对应的识别模型，然后，利用识别模型对待标注图片进行识别。利用机器学习方式对应的识别模型对待标注图片进行识别的原理概述如下：在利用识别模型(例如卷积神经网络模型)对待标注图片进行识别时，可以将待标注图片中的待识别对象用一些特征(例如尺度不变特征变换特征点)进行表示，生成输入向量，在经过识别模型对待标注图片进行识别后，可以得到表征待标注图片对应的目标对象的输出向量，识别模型可以用于指示输入向量到输出向量的映射关系，然后可以基于该映射关系，对待标注图片进行识别。
在本实施例中，在利用识别模型对待标注图片进行识别时，可以利用一些特征(例如尺度不变特征变换特征点)来表征待标注图片中的待识别对象，可以将待识别对象(例如玫瑰对象)在待标注图片中的特征与目标对象(例如玫瑰对象的样本数据)进行匹配，得到表征待标注图片为目标对象概率的置信度参数。
优选地，识别模型得到待标注图片对应的一个或多个目标对象的标识信息以及置信度参数。
例如，当待标注图片的内容为玫瑰时，识别模型得到的目标对象的标识信息可以包括：玫瑰、花朵、月季等。
在本实施例中，可以根据待标注图片的类型，预先设置与待标注图片的类型对应的样本数据，然后利用样本数据对识别模型进行训练。例如，可以预先获取一些常见的应用场景的图片和以及对图片的标注信息作为训练数据。
步骤102、将待标注图片与候选字符显示于猜词界面，所述候选字符至少包括所述识别结果被拆分后得到的各字符；
优选地，服务器向猜词游戏的用户推送猜词界面；以猜词游戏的方式将待标注图片与从识别模型得到的待标注图片对应的一个或多个目标对象的标识信息拆分后得到的各字符显示于猜词界面。
优选地，从识别模型得到的待标注图片对应的一个或多个目标对象的标识信息以及置信度参数中，选择置信度参数高于置信度阈值的目标对象的标识信息。
在本实施例中，在向用户展示待标注图片的同时，提供猜词选择区，所述猜词选择区用于显示候选字符供用户进行选择，所述候选字符至少包括所述一个或多个目标对象的标识信息被拆分所得到的各字符。所述候选字符可以设计成组件的形式，供用户进行点击。其中，所述候选字符为乱序显示。例如，当待标注图片的内容为玫瑰时，将识别模型得到的目标对象的标识信息，如玫瑰、花朵、月季等拆分得到字符。
优选地，所述一个或多个目标对象的标识信息被拆分所得到的字符的数量如果不足以填充整个猜词选择区，例如，将玫瑰、花朵、月季等拆分为候选字符，但是，猜词选择区可以显示21个候选字符供用户选择，为了增加游戏难度，所述猜词选择区还显示随机产生的干扰字符，由用户从猜词选择区选择候选字符组成其所判断的待标识图片的内容。
优选地，所述候选字符可以是包括所述一个或多个目标对象的标识信息被拆分所得到的各字符的语句。
例如，如附图图2所示，在猜词界面的上方显示待标注图片供用户进行判断；在猜词界面的下方显示猜词选择区，显示候选字符；在猜词界面的中央显示猜词结果区，显示用户对所述候选字符的选择结果。
优选地，猜词选择区中，用户对所选择的候选字符进行点击后，所选择的候选字符可以改变颜色用于标示用户已经对所述候选字符进行了点击。
由于待标注图片的内容可能是一个字，也可能是一个词或短语，所以所述用户在猜词界面对所述候选字符的选择包括：用户根据待标注图片的内容选择一个候选字符，或者按顺序选择多个候选字符组成词或短语。
在所述猜词界面中，可以提供更换待标注图片的组件，用户可以点击所述更换待标注图片的组件，更换下一张待标注图片进行猜词。
优选地，当用户无法从所显示的候选字符中选择出待标注图片对应的内容时，可以直接点击所述更换待标注图片的组件，跳过该待标注图片，更换下一张待标注图片。在这种情况下，认为用户的选择为无法判断。
优选地，可以设定待标注图片与候选字符显示于猜词界面的时间，超过设定时间后自动更换下一张待标注图片进行猜词。
为了增加猜词游戏的趣味性，对用户每次的标注都给予积分奖励。另外，在游戏中设定用户的生命数，用户每跳过一次，则生命数减一。
步骤103、利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据。
用户根据待标注图片的内容选择一个候选字符，或者按顺序选择多个候选字符组成词或短语。用户点击所述更换待标注图片的组件，或待标注图片与候选字符显示于猜词界面的时间超过设定时间后。服务器将用户选择的候选字符或多个候选字符组成的词或短语作为用户对待标注图片的标注数据，并将待标注图片与所述标注数据进行关联存储。
优选地，可以将同一个待标注图片显示于多个用户的猜词界面；记录多个用户所述候选字符的选择，如果超过设定比例的用户选择相同，则将对所述候选字符的选择确定为所述待标注图片的标注数据，并将待标注图片与所述标注数据进行关联存储。例如将图2所示的猜词界面展现给了100个用户，如果其中超过90％的用户均选择了“玫瑰”，则可以将“玫瑰”作为待标注图片的标注数据。可以理解的是，上述比例可以根据实际的准确性需求灵活设定。
优选地，由于多个用户的选择结果可能包括同一意思的多种表示，例如，针对内容为玫瑰的待标注图片，用户的选择结果可以是玫瑰，也可以是玫瑰花，还可以是红色玫瑰花。对用户在猜词界面的选择结果进行聚类，如果超过设定比例的用户选择相同，则将所述聚类结果所包括的对所述候选字符的选择确定为所述待标注图片的标注数据，并将待标注图片与所述标注数据进行关联存储。
优选地，将待标注图片与所述标注数据作为样本数据对机器学习的识别模型进行训练，从而提高识别模型的训练效果，进而在后续的对待识别图片的识别中，提升识别准确率。进一步提高用户在标注中的效率。
在本实施例中，可以将待标注图片与所述标注数据作为样本数据用于机器学习的识别模型的训练。以识别模型为卷积神经网络为例，可以将待标注图片的特征(例如尺度不变特征变换特征点)作为卷积神经网络的输入向量，将标注数据作为卷积神经网络的理想输出向量，由输入向量与输出向量组成向量对来对卷积神经网络进行训练，从而可以利用正确的识别结果即经过本方法通过人工方式对待标注图片进行标注后获取的标注数据，对识别模型进行训练，从而提高识别模型的训练效果，进而在后续的对待标注图片的识别中，提升识别准确率。
图3为本申请一实施例提供的获取图片标注数据的系统的结构图，如图3所示，包括：
识别单元31，用于获取待标注的图片的识别结果；
优选地，识别单元31通过机器学习对待标注图片进行识别而得到待标注图片对应的目标对象的标识信息以及置信度参数。
在本实施例中，置信度参数可以用于表征在对待标注图片进行识别时，待标注图片为所述目标对象的概率，即待标注图片与目标对象的样本数据的相似度。置信度参数的数值越高，则待标注图片为目标对象的概率越大。
在本实施例中，机器学习的常用模型可以包括但不限于：自动编码器(AutoEncoder)、稀疏编码(Sparse Coding)、深信度网络(Deep Belief Networks)、卷积神经网络(Convolutional Neural Networks)。上述机器学习方式也可称之为深度学习。
在本实施例中，可以首先建立与识别待标注图片使用的机器学习识别方式对应的识别模型，然后，利用识别模型对待标注图片进行识别。利用机器学习方式对应的识别模型对待标注图片进行识别的原理概述如下：在利用识别模型(例如卷积神经网络模型)对待标注图片进行识别时，可以将待标注图片中的待识别对象用一些特征(例如尺度不变特征变换特征点)进行表示，生成输入向量，在经过识别模型对待标注图片进行识别后，可以得到表征待标注图片对应的目标对象的输出向量，识别模型可以用于指示输入向量到输出向量的映射关系，然后可以基于该映射关系，对待标注图片进行识别。
在本实施例中，在利用识别模型对待标注图片进行识别时，可以利用一些特征(例如尺度不变特征变换特征点)来表征待标注图片中的待识别对象，可以将待识别对象(例如玫瑰对象)在待标注图片中的特征与目标对象(例如玫瑰对象的样本数据)进行匹配，得到表征待标注图片为目标对象概率的置信度参数。
优选地，识别模型得到待标注图片对应的一个或多个目标对象的标识信息以及置信度参数。
例如，当待标注图片的内容为玫瑰时，识别模型得到的目标对象的标识信息可以包括：玫瑰、花朵、月季等。
在本实施例中，可以根据待标注图片的类型，预先设置与待标注图片的类型对应的样本数据，然后利用样本数据对识别模型进行训练。例如，可以预先获取一些常见的应用场景的图片和以及对图片的标注信息作为训练数据。
显示单元32，用于将待标注图片与候选字符显示于猜词界面，所述候选字符至少包括所述识别结果被拆分后得到的各字符；
优选地，显示单元32向猜词游戏的用户推送猜词界面；以猜词游戏的方式将待标注图片与从识别模型得到的待标注图片对应的一个或多个目标对象的标识信息拆分后得到的各字符显示于猜词界面。
优选地，从识别模型得到的待标注图片对应的一个或多个目标对象的标识信息以及置信度参数中，选择置信度参数高于置信度阈值的目标对象的标识信息。
在本实施例中，在向用户展示待标注图片的同时，提供猜词选择区，所述猜词选择区用于显示候选字符供用户进行选择，所述候选字符至少包括所述一个或多个目标对象的标识信息被拆分所得到的各字符。所述候选字符可以设计成组件的形式，供用户进行点击。其中，所述候选字符为乱序显示。例如，当待标注图片的内容为玫瑰时，将识别模型得到的目标对象的标识信息，如玫瑰、花朵、月季等拆分得到字符。
优选地，所述一个或多个目标对象的标识信息被拆分所得到的字符的数量如果不足以填充整个猜词选择区，例如，将玫瑰、花朵、月季等拆分为候选字符，但是，猜词选择区可以显示21个候选字符供用户选择，为了增加游戏难度，所述猜词选择区还显示随机产生的干扰字符，由用户从猜词选择区选择候选字符组成其所判断的待标识图片的内容。
优选地，所述候选字符可以是包括所述一个或多个目标对象的标识信息被拆分所得到的各字符的语句。
例如，如附图图2所示，在猜词界面的上方显示待标注图片供用户进行判断；在猜词界面的下方显示猜词选择区，显示候选字符；在猜词界面的中央显示猜词结果区，显示用户对所述候选字符的选择结果。
优选地，猜词选择区中，用户对所选择的候选字符进行点击后，所选择的候选字符可以改变颜色用于标示用户已经对所述候选字符进行了点击。
由于待标注图片的内容可能是一个字，也可能是一个词或短语，所以所述用户在猜词界面对所述候选字符的选择包括：用户根据待标注图片的内容选择一个候选字符，或者按顺序选择多个候选字符组成词或短语。
在所述猜词界面中，可以提供更换待标注图片的组件，用户可以点击所述更换待标注图片的组件，更换下一张待标注图片进行猜词。
优选地，当用户无法从所显示的候选字符中选择出待标注图片对应的内容时，可以直接点击所述更换待标注图片的组件，跳过该待标注图片，更换下一张待标注图片。在这种情况下，认为用户的选择为无法判断。
优选地，可以设定待标注图片与候选字符显示于猜词界面的时间，超过设定时间后自动更换下一张待标注图片进行猜词。
为了增加猜词游戏的趣味性，对用户每次的标注都给予积分奖励。另外，在游戏中设定用户的生命数，用户每跳过一次，则生命数减一。
标注识别单元33，用于利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据。
用户根据待标注图片的内容选择一个候选字符，或者按顺序选择多个候选字符组成词或短语。用户点击所述更换待标注图片的组件，或待标注图片与候选字符显示于猜词界面的时间超过设定时间后。标注识别单元33将用户选择的候选字符或多个候选字符组成的词或短语作为用户对待标注图片的标注数据，并将待标注图片与所述标注数据进行关联存储。
优选地，可以将同一个待标注图片显示于多个用户的猜词界面；记录多个用户对所述候选字符的选择，如果超过设定比例的用户选择相同，则将对所述候选字符的选择确定为所述待标注图片的标注数据，并将待标注图片与所述标注数据进行关联存储。例如将图2所示的猜词界面展现给了100个用户，如果其中超过90％的用户均选择了“玫瑰”，则可以将“玫瑰”作为待标注图片的标注数据。可以理解的是，上述比例可以根据实际的准确性需求灵活设定。
优选地，由于多个用户的选择结果可能包括同一意思的多种表示，例如，针对内容为玫瑰的待标注图片，用户的选择结果可以是玫瑰，也可以是玫瑰花，还可以是红色玫瑰花。对用户在猜词界面的选择结果进行聚类，如果超过设定比例的用户选择相同，则将所述聚类结果所包括的对所述候选字符的选择确定为所述待标注图片的标注数据，并将待标注图片与所述标注数据进行关联存储。
在本实施例中，所述系统还包括训练单元34，用于将待标注图片与所述标注数据作为样本数据用于机器学习的识别模型的训练。以识别模型为卷积神经网络为例，可以将待标注图片的特征(例如尺度不变特征变换特征点)作为卷积神经网络的输入向量，将标注数据作为卷积神经网络的理想输出向量，由输入向量与输出向量组成向量对来对卷积神经网络进行训练，从而可以利用正确的识别结果即经过本方法通过人工方式对待标注图片进行标注后获取的标注数据，对识别模型进行训练，从而提高识别模型的训练效果，进而在后续的对待标注图片的识别中，提升识别准确率。
由上述技术方案可知，采用本实施例提供的技术方案，通过将待标注图片以猜词游戏的方式呈现给用户，用户通过猜词完成对该待标注图片的标注。
1)无需占用大量计算资源，且无需招募专业标注或外包人员，降低了图片标注数据的获取成本。
2)由于用户进行游戏是根据自身意愿，并且每次标定的任务都能获得积分奖励，提高了用户进行游戏的成就感和积极性，基本消除了作弊可能，从而在一定程度上提高了准确性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所展示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元展示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图4展示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图4未展示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种获取图片标注数据的方法，其特征在于，包括：
获取待标注图片的识别结果；
将待标注图片与候选字符显示于猜词界面，所述候选字符至少包括所述识别结果被拆分后得到的各字符；
利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据；其中，
所述获取待标注的图片的识别结果包括：通过机器学习获取待标注图片的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述候选字符还包括：
随机产生的干扰字符。
3.根据权利要求1所述的方法，其特征在于，所述将待标注图片与候选字符显示于猜词界面还包括：
在所述猜词界面中，提供更换待标注图片的组件；
当点击所述组件时，在所述猜词界面更换下一张待标注图片与候选字符。
4.根据权利要求1所述的方法，其特征在于，所述用户在猜词界面对所述候选字符的选择包括：
用户根据待标注图片的内容选择一个候选字符，或用户按顺序选择多个候选字符组成词或短语。
5.根据权利要求1所述的方法，其特征在于，所述利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据还包括：
记录多个用户对同一个待标注图片对应的候选字符的选择，如果超过设定比例的用户选择相同，则将对所述候选字符的选择结果确定为所述待标注图片的标注数据。
6.根据权利要求1所述的方法，其特征在于，
将待标注图片与所述标注数据作为样本数据用于机器学习的识别模型的训练。
7.一种获取图片标注数据的系统，其特征在于，包括：
识别单元，用于获取待标注图片的识别结果；
显示单元，用于将待标注图片与候选字符显示于猜词界面，所述候选字符至少包括所述识别结果被拆分后得到的各字符；
标注识别单元，用于利用用户在猜词界面对所述候选字符的选择，获取所述待标注图片的标注数据；其中，
所述识别单元具体用于：通过机器学习获取待标注图片的识别结果。
8.根据权利要求7所述的系统，其特征在于，所述候选字符还包括：
随机产生的干扰字符。
9.根据权利要求7所述的系统，其特征在于，所述显示单元还用于：
在所述猜词界面中，提供更换待标注图片的组件；
当点击所述组件时，在所述猜词界面更换下一张待标注图片与候选字符。
10.根据权利要求7所述的系统，其特征在于，所述用户在猜词界面对所述候选字符的选择包括：
用户根据待标注图片的内容选择一个候选字符，或用户按顺序选择多个候选字符组成词或短语。
11.根据权利要求7所述的系统，其特征在于，所述标注识别单元还用于，
记录多个用户对同一个待标注图片对应的候选字符的选择，如果超过设定比例的用户选择相同，则将对所述候选字符的选择结果确定为所述待标注图片的标注数据。
12.根据权利要求7所述的系统，其特征在于，所述系统还包括训练单元，用于将待标注图片与所述标注数据作为样本数据用于机器学习的识别模型的训练。
13.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710890130.0A CN107908641B (zh) | 2017-09-27 | 2017-09-27 | 一种获取图片标注数据的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710890130.0A CN107908641B (zh) | 2017-09-27 | 2017-09-27 | 一种获取图片标注数据的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107908641A CN107908641A (zh) | 2018-04-13 |
| CN107908641B true CN107908641B (zh) | 2021-03-19 |
Family
ID=61841213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710890130.0A Active CN107908641B (zh) | 2017-09-27 | 2017-09-27 | 一种获取图片标注数据的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107908641B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805180B (zh) * | 2018-05-24 | 2020-03-20 | 北京嘀嘀无限科技发展有限公司 | 目标对象的检测方法及装置 |
| CN108960297B (zh) * | 2018-06-15 | 2021-07-30 | 北京金山云网络技术有限公司 | 图片的标注方法、标注装置、设备及存储介质 |
| CN110750667A (zh) * | 2018-07-05 | 2020-02-04 | 第四范式（北京）技术有限公司 | 辅助标注方法、装置、设备及存储介质 |
| CN109919176A (zh) * | 2019-01-17 | 2019-06-21 | 同济大学 | 一种基于esp游戏的图片自动标注信息处理方法及装置 |
| CN111368866A (zh) * | 2019-03-13 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 图片分类方法、装置及系统 |
| CN111680708A (zh) * | 2019-03-18 | 2020-09-18 | 上海铼锶信息技术有限公司 | 一种给图片加标签的方法和系统 |
| CN111292839B (zh) * | 2020-05-13 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN112084755A (zh) * | 2020-07-31 | 2020-12-15 | 武汉光庭信息技术股份有限公司 | 一种基于web的图片标注系统实现方法及系统 |
| CN113255339B (zh) * | 2021-05-06 | 2023-09-19 | 网易（杭州）网络有限公司 | 标注任务的处理方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050014118A1 (en) * | 2003-07-01 | 2005-01-20 | Von Ahn Arellano Luis | Method for labeling images through a computer game |
| CN102867025A (zh) * | 2012-08-23 | 2013-01-09 | 百度在线网络技术（北京）有限公司 | 一种获取图片标注数据的方法和装置 |
| CN103426191A (zh) * | 2012-05-26 | 2013-12-04 | 百度在线网络技术（北京）有限公司 | 一种图片标注方法及系统 |
| CN103425715A (zh) * | 2012-05-25 | 2013-12-04 | 百度在线网络技术（北京）有限公司 | 一种确定图片文本标注的方法和系统 |
| CN105095919A (zh) * | 2015-09-08 | 2015-11-25 | 北京百度网讯科技有限公司 | 图像识别方法和装置 |
| CN106446782A (zh) * | 2016-08-29 | 2017-02-22 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
-
2017
- 2017-09-27 CN CN201710890130.0A patent/CN107908641B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050014118A1 (en) * | 2003-07-01 | 2005-01-20 | Von Ahn Arellano Luis | Method for labeling images through a computer game |
| CN103425715A (zh) * | 2012-05-25 | 2013-12-04 | 百度在线网络技术（北京）有限公司 | 一种确定图片文本标注的方法和系统 |
| CN103426191A (zh) * | 2012-05-26 | 2013-12-04 | 百度在线网络技术（北京）有限公司 | 一种图片标注方法及系统 |
| CN102867025A (zh) * | 2012-08-23 | 2013-01-09 | 百度在线网络技术（北京）有限公司 | 一种获取图片标注数据的方法和装置 |
| CN105095919A (zh) * | 2015-09-08 | 2015-11-25 | 北京百度网讯科技有限公司 | 图像识别方法和装置 |
| CN106446782A (zh) * | 2016-08-29 | 2017-02-22 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 对外汉语教学中故事类成语教学方法的探究;李喆;《中国优秀硕士学位论文全文数据库-哲学与人文科学辑》;20150315(第03期);全文 * |
| 教育类游戏《成语天地》的设计与开发;龙艳;《中国优秀硕士学位论文全文数据库-信息科技辑》;20170215(第 02 期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107908641A (zh) | 2018-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107908641B (zh) | 一种获取图片标注数据的方法和系统 | |
| CN107832662B (zh) | 一种获取图片标注数据的方法和系统 | |
| CN108052577B (zh) | 一种通用文本内容挖掘方法、装置、服务器及存储介质 | |
| US10733197B2 (en) | Method and apparatus for providing information based on artificial intelligence | |
| US20190026367A1 (en) | Navigating video scenes using cognitive insights | |
| CN109034069B (zh) | 用于生成信息的方法和装置 | |
| EP3709212A1 (en) | Image processing method and device for processing image, server and storage medium | |
| CN107909088B (zh) | 获取训练样本的方法、装置、设备和计算机存储介质 | |
| CN108090043B (zh) | 基于人工智能的纠错举报处理方法、装置及可读介质 | |
| CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
| CN109165316A (zh) | 一种视频处理方法、视频索引方法、装置及终端设备 | |
| CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
| CN111144210A (zh) | 图像的结构化处理方法及装置、存储介质及电子设备 | |
| CN110362688B (zh) | 试题标注方法、装置、设备及计算机可读存储介质 | |
| CN110888975A (zh) | 文本可视化 | |
| CN113505786A (zh) | 试题拍照评判方法、装置及电子设备 | |
| CN109299378B (zh) | 搜索结果的展示方法、装置、终端及存储介质 | |
| JP7284786B2 (ja) | データをラベリングするための方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム | |
| CN112542163B (zh) | 智能语音交互方法、设备及存储介质 | |
| CN115344774A (zh) | 用户账号的筛选方法、装置及服务器 | |
| CN111768261B (zh) | 一种展示信息确定方法、装置、设备及介质 | |
| CN111476028A (zh) | 一种汉语短语识别方法、系统、存储介质及电子设备 | |
| CN110516860A (zh) | 天气预测数据的处理方法、设备及计算机可读存储介质 | |
| CN111127057A (zh) | 一种多维用户画像恢复方法 | |
| CN109919121B (zh) | 一种人体模型的投影方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |