CN108985293A - 一种基于深度学习的图像自动化标注方法及系统 - Google Patents
一种基于深度学习的图像自动化标注方法及系统 Download PDFInfo
- Publication number
- CN108985293A CN108985293A CN201810653276.8A CN201810653276A CN108985293A CN 108985293 A CN108985293 A CN 108985293A CN 201810653276 A CN201810653276 A CN 201810653276A CN 108985293 A CN108985293 A CN 108985293A
- Authority
- CN
- China
- Prior art keywords
- mark
- data
- automatic marking
- marking model
- annotation results
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的图像自动化标注方法及系统，包括：采集待标注数据存入分布式文件系统中，对待标注数据创建标注任务；判断是否存在可供使用的自动标注模型，若不存在，则将一部分标注数据分配人工标注，根据人工标注结果训练初步自动标注模型；若存在，则在已有自动标注模型的情况下，对新建的标注任务执行自动化标注；自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库中，用于后续的模型训练和优化。本发明通过前期少部分人工标注构建出模型后，即可将模型参与到自动化辅助标注任务中，标注人员从标注执行者转变为标注结果核验者，解放了标注劳动力，大大提高了标注速度。
Description
技术领域
本发明涉及计算机图像数据处理技术领域，尤其涉及一种基于深度学习的图像自动化标注方法及系统。
背景技术
步入21世纪，机器学习在图像识别领域发挥了巨大的作用，如车牌识别，手写字符识别等等。这些应用需要人工产生的大量格式化样本数据提供给机器以学习得到知识和规律，用于实际的推断和决策。
2012年至今，深度学习在图片识别领域取得长足发展，用于机器训练的图像标注数据需求也越来越大。随着数据标注量的爆炸式增长，标注成本不断上升，标注数据也难以管理，质量难以保证。
比较常用的轻量级图片标注工具LabelImg，操作简单，支持单机对本地图片文件标注操作，支持拉矩形框、打标签，但不支持多边形框。LabelImg只适合数据集小，任务简单的图片标注需求，比如目标检测。
另一款由MIT的计算机科学和人工智能实验室(CSAIL)开发的开源产品Labelme，支持创建定制化标注任务或执行图像分割、标注。不同于LabelImg，Labelme采用B/S架构，标注数据保存在服务端。标注人员通过浏览器登录到Labelme标注系统，不需要在电脑中安装或复制大型数据集，支持多用户同时执行标注操作。但Labelme缺少用于提升标注质量的复核功能，大批量数据标注的质量难以保证，没有自动辅助标注方法，标注效率不高。
现有的标注方法存在以下问题：
1、数据标注是个耗时耗力的工作，完全基于人工的图片标注工作存在标注效率难以提升问题；
2、标注人员素质参差不齐，标注质量难以把控，达到一定准确率后很难再进一步提升；
3、标注需求不同，需要重新对标注人员进行标注培训，想要实现更高的产出，就需要更多的标注人员参与其中，企业承担的人力成本不断增加；
4、随着标注数据量越来越大，数据维护成本越来越高，标注数据难于管理。
发明内容
针对上述问题中存在的不足之处，本发明提供一种基于深度学习的图像自动化标注方法及系统。
为实现上述目的，本发明提供一种基于深度学习的图像自动化标注方法，包括：
步骤1、采集待标注数据存入分布式文件系统中；
步骤2、基于标注需求，对待标注数据创建标注任务；
步骤3、判断当前是否存在可供使用的自动标注模型，若不存在，则将一部分标注数据分配人工标注，根据人工标注结果训练初步自动标注模型，用于自动化标注；若存在，则在已有自动标注模型的情况下，对新建的标注任务执行自动化标注；
步骤4、自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库中，用于后续的模型训练和优化。
作为本发明的进一步改进，在步骤1中，所述待标注数据包括图片数据、音频数据、文本数据和视频数据。
作为本发明的进一步改进，在步骤2中，每个标注任务配置有标注类型、对应的数据集合和分配的标注人员。
本发明还提供一种基于深度学习的图像自动化标注系统，包括：
采集模块，用于采集待标注数据存入到分布式文件系统中；
标注系统管理端，用于基于标注需求，对待标注数据创建标注任务；
判断模块，用于判断当前是否存在可供使用的自动标注模型；
自动标注模型建立模块，用于当不存在可供使用的自动标注模型时，将一部分标注数据分配人工标注，根据人工标注结果训练初步自动标注模型；
自动标注模型，用于当存在可供使用的自动标注模型时，在已有自动标注模型的情况下，对新建的标注任务执行自动化标注；
复核模块，用于在自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库中；
训练及优化模块，用于基于数据库中存储的自动化标注结果对自动标注模型进行训练及优化。
作为本发明的进一步改进，所述待标注数据包括图片数据、音频数据、文本数据和视频数据。
作为本发明的进一步改进，每个标注任务配置有标注类型、对应的数据集合和分配的标注人员。
与现有技术相比，本发明的有益效果为：
1、基于深度学习的自动化标注方法，该方法通过前期少部分人工标注构建出模型后，即可将模型参与到自动化辅助标注任务中，标注人员从标注执行者转变为标注结果核验者，解放了标注劳动力，大大提高了标注速度；
2、标注人员对自动化标注结果进行标注核验和纠错，相当于执行了一次质量把关，相较于全人工的标注方法，新方法将标注准确率提升到了更高的水平；
3、随着机器持续参与到自动化标注工作中，新的高质量标注数据以更高效的方式产生出来；标注数据返过来继续优化自动标注模型，达到机器训练机器的良性循环；随着人工参与度越来越小，新方法快速满足企业标注需求的同时，还大大节省了人力成本；
4、标注数据存储在分布式文件系统(HDFS)中，数据存储高可靠性，弹性可扩展性好，数据维护成本低。
附图说明
图1为本发明一种实施例公开的基于深度学习的图像自动化标注方法的流程图；
图2为本发明一种实施例公开的基于深度学习的图像自动化标注系统的框架图；
图3为本发明一种实施例公开的分布式文件系统的体系结构图；
图4为本发明一种实施例公开的自动分割标注效果图。
图中：
1、采集模块；2、标注系统管理端；3、判断模块；4、自动标注模型建立模块；5、自动标注模型；6、复核模块；7、数据库；8、训练及优化模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
本发明用于各类图形、图像数据的采集和标注服务。客户在基于计算机视觉的机器学习领域进行科研和产品研发时，会对图像有不同的采集和标注需求，包括但不限于图片分类、目标检测、实例分割、文字检测、文字标注等。
如图1所示，本发明提供一种基于深度学习的图像自动化标注方法，包括：
步骤1、采集待标注数据存入分布式文件系统中，待标注数据包括图片数据、音频数据、文本数据和视频数据；其中：
服务端标注数据的存储可以保存在操作系统的文件系统，也可以是分布式文件系统(比如HDFS)。HDFS是Hadoop体系中数据存储管理的基础，能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。自动化标注平台使用HDFS作为存储系统的另一个优势在于，后续可以很便捷得将数据用于基于Hadoop的深度学习训练平台，方便模型的训练；如图3所示的HDFS分布式文件系统的体系结构图。
步骤2、基于标注需求，对待标注数据通过标注系统管理端创建标注任务；每个标注任务配置了标注的类型(图片分类、目标检测、实例分割等)，对应的图片集合；分配的标注人员等信息。
步骤3、判断当前是否存在可供使用的自动标注模型，若不存在，则将一部分标注数据分配人工标注，经抽样复核后将标注结果存入数据库中；根据人工标注结果训练初步自动标注模型，用于自动化标注；若存在，则在已有自动标注模型的情况下，对新建的标注任务执行自动化标注，如图4所示的自动分割标注效果图。
步骤4、自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库中，用于后续的模型训练和优化，达到机器训练机器的良性循环。
如图2所示，本发明提供一种基于深度学习的图像自动化标注系统，包括：采集模块1、标注系统管理端2、判断模块3、自动标注模型建立模块4、自动标注模型5、复核模块6、数据库7和训练及优化模块8；其中：
采集模块1，用于采集待标注数据存入到分布式文件系统中，待标注数据包括图片数据、音频数据、文本数据和视频数据；其中：服务端标注数据的存储可以保存在操作系统的文件系统，也可以是分布式文件系统(比如HDFS)。HDFS是Hadoop体系中数据存储管理的基础，能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。自动化标注平台使用HDFS作为存储系统的另一个优势在于，后续可以很便捷得将数据用于基于Hadoop的深度学习训练平台，方便模型的训练；如图3所示的HDFS分布式文件系统的体系结构图。
标注系统管理端2，用于基于标注需求，对待标注数据创建标注任务；每个标注任务配置了标注的类型(图片分类、目标检测、实例分割等)，对应的图片集合；分配的标注人员等信息。
判断模块3，用于判断当前是否存在可供使用的自动标注模型；
自动标注模型建立模块4，用于当不存在可供使用的自动标注模型时，将一部分标注数据分配人工标注，根据人工标注结果训练初步自动标注模型；
自动标注模型5，用于当存在可供使用的自动标注模型时，在已有自动标注模型的情况下，对新建的标注任务执行自动化标注；
复核模块6，用于在自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库7中；
训练及优化模块8，用于基于数据库中存储的自动化标注结果对自动标注模型进行训练及优化。
进一步，标注的自动化除了基于深度学习，也可以基于传统机器学习。
进一步，除了图像标注，也可以是用于训练素材的任意类型数据的标注，比如音频数据、文本数据、视频数据等。
进一步，本发明采用的标注工具为labelme。
本发明的优点为：
1、基于深度学习的自动化标注方法，该方法通过前期少部分人工标注构建出模型后，即可将模型参与到自动化辅助标注任务中，标注人员从标注执行者转变为标注结果核验者，解放了标注劳动力，大大提高了标注速度；
2、标注人员对自动化标注结果进行标注核验和纠错，相当于执行了一次质量把关，相较于全人工的标注方法，新方法将标注准确率提升到了更高的水平；
3、随着机器持续参与到自动化标注工作中，新的高质量标注数据以更高效的方式产生出来；标注数据返过来继续优化自动标注模型，达到机器训练机器的良性循环；随着人工参与度越来越小，新方法快速满足企业标注需求的同时，还大大节省了人力成本；
4、标注数据存储在分布式文件系统(HDFS)中，数据存储高可靠性，弹性可扩展性好，数据维护成本低。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的图像自动化标注方法，其特征在于，包括：
步骤1、采集待标注数据存入分布式文件系统中；
步骤2、基于标注需求，对待标注数据创建标注任务；
步骤3、判断当前是否存在可供使用的自动标注模型，若不存在，则将一部分标注数据分配人工标注，根据人工标注结果训练初步自动标注模型，用于自动化标注；若存在，则在已有自动标注模型的情况下，对新建的标注任务执行自动化标注；
步骤4、自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库中，用于后续的模型训练和优化。
2.如权利要求1所述的基于深度学习的图像自动化标注方法，其特征在于，在步骤1中，所述待标注数据包括图片数据、音频数据、文本数据和视频数据。
3.如权利要求1所述的基于深度学习的图像自动化标注方法，其特征在于，在步骤2中，每个标注任务配置有标注类型、对应的数据集合和分配的标注人员。
4.一种基于深度学习的图像自动化标注系统，其特征在于，包括：
采集模块，用于采集待标注数据存入到分布式文件系统中；
标注系统管理端，用于基于标注需求，对待标注数据创建标注任务；
判断模块，用于判断当前是否存在可供使用的自动标注模型；
自动标注模型建立模块，用于当不存在可供使用的自动标注模型时，将一部分标注数据分配人工标注，根据人工标注结果训练初步自动标注模型；
自动标注模型，用于当存在可供使用的自动标注模型时，在已有自动标注模型的情况下，对新建的标注任务执行自动化标注；
复核模块，用于在自动化标注结束后，标注人员对自动化标注结果进行人工复核，并将标注结果存入数据库中；
训练及优化模块，用于基于数据库中存储的自动化标注结果对自动标注模型进行训练及优化。
5.如权利要求1所述的基于深度学习的图像自动化标注系统，其特征在于，所述待标注数据包括图片数据、音频数据、文本数据和视频数据。
6.如权利要求1所述的基于深度学习的图像自动化标注系统，其特征在于，每个标注任务配置有标注类型、对应的数据集合和分配的标注人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810653276.8A CN108985293A (zh) | 2018-06-22 | 2018-06-22 | 一种基于深度学习的图像自动化标注方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810653276.8A CN108985293A (zh) | 2018-06-22 | 2018-06-22 | 一种基于深度学习的图像自动化标注方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108985293A true CN108985293A (zh) | 2018-12-11 |
Family
ID=64538355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810653276.8A Pending CN108985293A (zh) | 2018-06-22 | 2018-06-22 | 一种基于深度学习的图像自动化标注方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985293A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685154A (zh) * | 2018-12-29 | 2019-04-26 | 天津链数科技有限公司 | 一种图像数据标注标签的方法 |
| CN109739644A (zh) * | 2018-12-18 | 2019-05-10 | 创新奇智(南京)科技有限公司 | 一种基于计算机的数据图片标注方法、系统及装置 |
| CN109816019A (zh) * | 2019-01-25 | 2019-05-28 | 上海小萌科技有限公司 | 一种图像数据自动化辅助标注方法 |
| CN109934352A (zh) * | 2019-03-06 | 2019-06-25 | 北京深度奇点科技有限公司 | 智能模型的自动进化方法 |
| CN110378206A (zh) * | 2019-06-10 | 2019-10-25 | 万翼科技有限公司 | 一种智能审图系统及方法 |
| CN110399787A (zh) * | 2019-06-10 | 2019-11-01 | 万翼科技有限公司 | 一种工程图纸的管理系统及方法 |
| CN110674295A (zh) * | 2019-09-11 | 2020-01-10 | 成都数之联科技有限公司 | 一种基于深度学习的数据标注系统 |
| CN110825914A (zh) * | 2019-10-31 | 2020-02-21 | 广州市百果园信息技术有限公司 | 一种资源的标注管理系统 |
| CN110880021A (zh) * | 2019-11-06 | 2020-03-13 | 创新奇智(北京)科技有限公司 | 模型辅助式数据标注系统及标注方法 |
| CN111027640A (zh) * | 2019-12-25 | 2020-04-17 | 厦门市美亚柏科信息股份有限公司 | 一种视频数据的标注方法、装置、终端设备及存储介质 |
| CN111061901A (zh) * | 2019-11-28 | 2020-04-24 | 中国船舶重工集团公司第七0九研究所 | 一种图像智能标注方法、系统及图像标注质量分析方法 |
| CN111259184A (zh) * | 2020-02-27 | 2020-06-09 | 厦门大学 | 一种面向新零售的图像自动标注系统及方法 |
| CN111353555A (zh) * | 2020-05-25 | 2020-06-30 | 腾讯科技（深圳）有限公司 | 一种标注检测方法、装置及计算机可读存储介质 |
| CN111695613A (zh) * | 2020-05-28 | 2020-09-22 | 平安科技（深圳）有限公司 | 数据标注系统、计算机可读存储介质及电子设备 |
| CN111832619A (zh) * | 2020-06-09 | 2020-10-27 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的目标检测数据集voc数据格式标注方法 |
| CN111881105A (zh) * | 2020-07-30 | 2020-11-03 | 北京智能工场科技有限公司 | 业务数据的标注模型及其模型训练方法 |
| CN111882606A (zh) * | 2020-07-01 | 2020-11-03 | 上海品览数据科技有限公司 | 一种基于深度学习的货架商品分层方法 |
| CN112381114A (zh) * | 2020-10-20 | 2021-02-19 | 广东电网有限责任公司中山供电局 | 一种深度学习图像标注系统及方法 |
| CN112968941A (zh) * | 2021-02-01 | 2021-06-15 | 中科视拓(南京)科技有限公司 | 一种基于边缘计算的数据采集和人机协同标注方法 |
| CN113112777A (zh) * | 2021-04-07 | 2021-07-13 | 浙江磐至科技有限公司 | 一种基于监控下系统技术服务的无线传输安防系统 |
| CN113380384A (zh) * | 2021-05-01 | 2021-09-10 | 首都医科大学宣武医院 | 人机协同训练医学影像标注模型的方法、标注方法及系统 |
| CN113435447A (zh) * | 2021-07-26 | 2021-09-24 | 杭州海康威视数字技术股份有限公司 | 图像标注方法、装置及图像标注系统 |
| CN114120052A (zh) * | 2021-12-02 | 2022-03-01 | 成都智元汇信息技术股份有限公司 | 自学习多调度云端标注平台、工作方法、电子设备及介质 |
| CN115410216A (zh) * | 2022-10-31 | 2022-11-29 | 天津恒达文博科技股份有限公司 | 古籍文本信息化处理方法、系统、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
| CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
| CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
| CN107153822A (zh) * | 2017-05-19 | 2017-09-12 | 北京航空航天大学 | 一种基于深度学习的半自动图像精标注方法 |
| US20180108124A1 (en) * | 2016-10-14 | 2018-04-19 | International Business Machines Corporation | Cross-modality neural network transform for semi-automatic medical image annotation |
| CN108053836A (zh) * | 2018-01-18 | 2018-05-18 | 成都嗨翻屋文化传播有限公司 | 一种基于深度学习的音频自动化标注方法 |
| CN108182177A (zh) * | 2018-01-24 | 2018-06-19 | 谢德刚 | 一种数学试题知识点自动化标注方法和装置 |
-
2018
- 2018-06-22 CN CN201810653276.8A patent/CN108985293A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
| US20180108124A1 (en) * | 2016-10-14 | 2018-04-19 | International Business Machines Corporation | Cross-modality neural network transform for semi-automatic medical image annotation |
| CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
| CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
| CN107153822A (zh) * | 2017-05-19 | 2017-09-12 | 北京航空航天大学 | 一种基于深度学习的半自动图像精标注方法 |
| CN108053836A (zh) * | 2018-01-18 | 2018-05-18 | 成都嗨翻屋文化传播有限公司 | 一种基于深度学习的音频自动化标注方法 |
| CN108182177A (zh) * | 2018-01-24 | 2018-06-19 | 谢德刚 | 一种数学试题知识点自动化标注方法和装置 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109739644A (zh) * | 2018-12-18 | 2019-05-10 | 创新奇智(南京)科技有限公司 | 一种基于计算机的数据图片标注方法、系统及装置 |
| CN109685154A (zh) * | 2018-12-29 | 2019-04-26 | 天津链数科技有限公司 | 一种图像数据标注标签的方法 |
| CN109816019A (zh) * | 2019-01-25 | 2019-05-28 | 上海小萌科技有限公司 | 一种图像数据自动化辅助标注方法 |
| CN109934352A (zh) * | 2019-03-06 | 2019-06-25 | 北京深度奇点科技有限公司 | 智能模型的自动进化方法 |
| CN110378206A (zh) * | 2019-06-10 | 2019-10-25 | 万翼科技有限公司 | 一种智能审图系统及方法 |
| CN110399787A (zh) * | 2019-06-10 | 2019-11-01 | 万翼科技有限公司 | 一种工程图纸的管理系统及方法 |
| CN110378206B (zh) * | 2019-06-10 | 2021-09-17 | 万翼科技有限公司 | 一种智能审图系统及方法 |
| CN110674295A (zh) * | 2019-09-11 | 2020-01-10 | 成都数之联科技有限公司 | 一种基于深度学习的数据标注系统 |
| WO2021082499A1 (zh) * | 2019-10-31 | 2021-05-06 | 百果园技术(新加坡)有限公司 | 一种资源的标注管理系统 |
| CN110825914A (zh) * | 2019-10-31 | 2020-02-21 | 广州市百果园信息技术有限公司 | 一种资源的标注管理系统 |
| CN110880021A (zh) * | 2019-11-06 | 2020-03-13 | 创新奇智(北京)科技有限公司 | 模型辅助式数据标注系统及标注方法 |
| CN110880021B (zh) * | 2019-11-06 | 2021-03-16 | 创新奇智(北京)科技有限公司 | 模型辅助式数据标注系统及标注方法 |
| CN111061901A (zh) * | 2019-11-28 | 2020-04-24 | 中国船舶重工集团公司第七0九研究所 | 一种图像智能标注方法、系统及图像标注质量分析方法 |
| CN111027640A (zh) * | 2019-12-25 | 2020-04-17 | 厦门市美亚柏科信息股份有限公司 | 一种视频数据的标注方法、装置、终端设备及存储介质 |
| CN111259184B (zh) * | 2020-02-27 | 2022-03-08 | 厦门大学 | 一种面向新零售的图像自动标注系统及方法 |
| CN111259184A (zh) * | 2020-02-27 | 2020-06-09 | 厦门大学 | 一种面向新零售的图像自动标注系统及方法 |
| CN111353555A (zh) * | 2020-05-25 | 2020-06-30 | 腾讯科技（深圳）有限公司 | 一种标注检测方法、装置及计算机可读存储介质 |
| WO2021139346A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技（深圳）有限公司 | 数据标注系统、计算机可读存储介质及电子设备 |
| CN111695613A (zh) * | 2020-05-28 | 2020-09-22 | 平安科技（深圳）有限公司 | 数据标注系统、计算机可读存储介质及电子设备 |
| CN111695613B (zh) * | 2020-05-28 | 2023-01-24 | 平安科技（深圳）有限公司 | 数据标注系统、计算机可读存储介质及电子设备 |
| CN111832619A (zh) * | 2020-06-09 | 2020-10-27 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的目标检测数据集voc数据格式标注方法 |
| CN111882606A (zh) * | 2020-07-01 | 2020-11-03 | 上海品览数据科技有限公司 | 一种基于深度学习的货架商品分层方法 |
| CN111881105A (zh) * | 2020-07-30 | 2020-11-03 | 北京智能工场科技有限公司 | 业务数据的标注模型及其模型训练方法 |
| CN111881105B (zh) * | 2020-07-30 | 2024-02-09 | 北京智能工场科技有限公司 | 业务数据的标注模型及其模型训练方法 |
| CN112381114A (zh) * | 2020-10-20 | 2021-02-19 | 广东电网有限责任公司中山供电局 | 一种深度学习图像标注系统及方法 |
| CN112968941A (zh) * | 2021-02-01 | 2021-06-15 | 中科视拓(南京)科技有限公司 | 一种基于边缘计算的数据采集和人机协同标注方法 |
| CN112968941B (zh) * | 2021-02-01 | 2022-07-08 | 中科视拓(南京)科技有限公司 | 一种基于边缘计算的数据采集和人机协同标注方法 |
| CN113112777A (zh) * | 2021-04-07 | 2021-07-13 | 浙江磐至科技有限公司 | 一种基于监控下系统技术服务的无线传输安防系统 |
| CN113380384A (zh) * | 2021-05-01 | 2021-09-10 | 首都医科大学宣武医院 | 人机协同训练医学影像标注模型的方法、标注方法及系统 |
| CN113435447A (zh) * | 2021-07-26 | 2021-09-24 | 杭州海康威视数字技术股份有限公司 | 图像标注方法、装置及图像标注系统 |
| CN114120052A (zh) * | 2021-12-02 | 2022-03-01 | 成都智元汇信息技术股份有限公司 | 自学习多调度云端标注平台、工作方法、电子设备及介质 |
| CN115410216A (zh) * | 2022-10-31 | 2022-11-29 | 天津恒达文博科技股份有限公司 | 古籍文本信息化处理方法、系统、电子设备及存储介质 |
| CN115410216B (zh) * | 2022-10-31 | 2023-02-10 | 天津恒达文博科技股份有限公司 | 古籍文本信息化处理方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985293A (zh) | 一种基于深度学习的图像自动化标注方法及系统 | |
| CN109741332B (zh) | 一种人机协同的图像分割与标注方法 | |
| Dehghan et al. | Dager: Deep age, gender and emotion recognition using convolutional neural network | |
| CN108921105B (zh) | 识别目标数量的方法、装置及计算机可读存储介质 | |
| CN109697233A (zh) | 一种知识图谱体系搭建方法 | |
| CN107705652A (zh) | 一种课程教学系统 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| CN108596038A (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
| CN108898225A (zh) | 基于人机协同学习的数据标注方法 | |
| CN110263835B (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
| CN107784321A (zh) | 数字绘本快速识别方法、系统及计算机可读存储介质 | |
| CN103177266A (zh) | 储藏物害虫智能识别系统 | |
| CN107465643A (zh) | 一种深度学习的网络流量分类方法 | |
| CN108829810A (zh) | 面向健康舆情的文本分类方法 | |
| CN106777336A (zh) | 一种基于深度学习的公司名成分抽取系统和方法 | |
| CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
| CN110852204A (zh) | 一种智能远程书法数字化学习评价信息处理系统及方法 | |
| CN108170658A (zh) | 一种可灵活配置、灵活定义的文字识别编改校对系统 | |
| CN107590156A (zh) | 一种基于训练集循环扩充的文本多分类的方法 | |
| CN112199376B (zh) | 一种基于聚类分析的标准知识库管理方法及系统 | |
| MX2021012019A (es) | Deteccion rapida de fusiones genicas. | |
| CN110377790A (zh) | 一种基于多模态私有特征的视频自动标注方法 | |
| CN109543512A (zh) | 图文摘要的评价方法 | |
| CN110516722A (zh) | 一种基于主动学习的需求与代码之间可追踪性的自动生成方法 | |
| CN104850638A (zh) | Etl过程并行决策方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
| RJ01 | Rejection of invention patent application after publication |