CN111340131A - 图像的标注方法、装置、可读介质和电子设备 - Google Patents
图像的标注方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN111340131A CN111340131A CN202010158214.7A CN202010158214A CN111340131A CN 111340131 A CN111340131 A CN 111340131A CN 202010158214 A CN202010158214 A CN 202010158214A CN 111340131 A CN111340131 A CN 111340131A
- Authority
- CN
- China
- Prior art keywords
- image
- classification model
- target
- scene
- sample
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像的标注方法、装置、可读介质和电子设备,涉及图像处理技术领域,该方法包括:将待标注的目标图像输入预先训练的图像多分类模型,获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,并获取图像多分类模型提取的第一预设数量个特征图,根据每个场景标签的匹配度,在多个场景标签中确定第二预设数量个目标场景标签,根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。本公开首先利用图像多分类模型筛选出目标场景标签,再根据目标场景标签对应的图像二分类模型对目标图像进行标注,能够为图像标注多个场景标签,并且提高图像标注的准确度和计算效率。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种图像的标注方法、装置、可读介质和电子设备。
背景技术
随着终端技术和图像处理技术的发展,终端设备上所能提供的图像处理操作越来越丰富。例如,终端设备可以识别出图片中包括的不同场景(例如:室内、风景、人物、山、湖泊、沙滩等),并根据不同的场景执行相应的操作。例如,按照不同的场景对图像进行标注。通常情况下,只能对图片标注一个场景标签。然而一副图片中包含的信息是多样的,例如一副图片中可能同时出现山、湖泊和人物,若只为该图片分配一个“人物”的场景标签,结果不准确,无法满足用户的需求。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种图像的标注方法,所述方法包括:
将待标注的目标图像输入预先训练的图像多分类模型;
获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;
根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;
根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
第二方面,本公开提供一种图像的标注装置,所述装置包括:
输入模块,用于将待标注的目标图像输入预先训练的图像多分类模型;
获取模块,用于获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;
确定模块,用于根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;
标注模块,用于根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,本公开首先将待标注的目标图像输入预先训练的图像多分类模型,之后获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,和图像多分类模型提取的目标图像的第一预设数量个特征图,再根据每个场景标签的匹配度,确定第二预设数量个目标场景标签,最后根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。本公首先利用图像多分类模型筛选出目标场景标签,再根据目标场景标签对应的图像二分类模型对目标图像进行标注,能够为图像标注多个场景标签,并且提高图像标注的准确度和计算效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
在附图中:
图1是根据一示例性实施例示出的一种图像的标注方法的流程图;
图2是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图3是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图4是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图5是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图6是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图7是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图8是根据一示例性实施例示出的一种图像的标注装置的框图;
图9是根据一示例性实施例示出的另一种图像的标注装置的框图;
图10是根据一示例性实施例示出的另一种图像的标注装置的框图;
图11是根据一示例性实施例示出的另一种图像的标注装置的框图;
图12是根据一示例性实施例使出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种图像的标注方法的流程图,如图1所示,该方法包括:
步骤101,将待标注的目标图像输入预先训练的图像多分类模型。
步骤102,获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,并获取图像多分类模型提取的第一预设数量个特征图。
举例来说,待标注的目标图像可以是用户通过终端设备采集的图像(例如拍摄的照片),也可以是用户在终端设备上选择的图像(例如在终端设备的显示界面上选择的图像)。首先将目标图像输入预先训练的图像多分类模型,其中图像多分类模型可以是根据预先设置的样本输入集和样本输出集训练得到的神经网络。之后图像多分类模型能够根据不同的目标图像,提取目标图像的第一预设数量个特征图(英文:Feature Map),并根据第一预设数量个特征图,输出目标图像与预先设置的多个场景标签中每个场景标签的匹配度,匹配度与场景标签是一一对应的。第一预设数量的大小是由图像多分类模型的卷积层中包含的卷积单元(或滤波器)的个数来决定的,例如卷积层中包含1024个卷积单元,那么第一预设数量为1024个。多个场景标签可以预先存储在终端设备中,例如:室内、风景、人物、猫、狗、汽车、山、湖泊、沙滩等,还可以根据用户的不同添加个性化的场景标签。
图像多分类模型例如可以包括输入层、卷积层、反馈层、全连接层和输出层。首先将目标图像输入到输入层,通过卷积层,从目标图像中提取卷积层特征,即目标图像的特征图。再通过反馈层,结合上一次的反馈层特征和后一次的反馈层特征,从卷积层中提取当前的反馈层特征,之后通过全连接层,对反馈层特征进行抽象处理,以生成目标图像与每个场景标签的匹配度,最后通过输出层输出多个匹配度。其中,卷积层中包含第一预设数量个卷积单元(或滤波器),相应的,提取的卷积层特征即为第一预设数量个特征图。示例性地,图像多分类模型例如可以是卷积神经网络(英文:Convolutional Neural Networks,缩写:CNN)。卷积神经网络仅是本公开实施例的神经网络的一个示例,本公开不限于此,还可以包括其他各种神经网络。
步骤103,根据每个场景标签的匹配度,在多个场景标签中确定第二预设数量个目标场景标签。
示例的,可以按照预设规则对图像多分类模型输出的多个场景标签中每个场景标签的匹配度进行筛选,以得到符合预设规则的第二预设数量个匹配度。然后将符合预设规则的第二预设数量个匹配度对应的场景标签作为目标场景标签。每个场景标签的匹配度可以理解为目标图像中包含该场景标签指示的场景的概率,匹配度越高,目标图像中越有可能包含该场景标签指示的场景,匹配度越低,目标图像中越不可能包含该场景标签指示的场景。因此,可以根据图像多分类模型输出的多个匹配度,筛选出匹配度最高的第二预设数量个匹配度,也可以筛选出匹配度大于预设匹配度阈值的匹配度,从而确定目标场景标签。其中,第二预设数量可以是预先设置的(例如可以设置为10),也可以根据具体的应用场景进行调整,最大的第二预设数量可以为全部场景标签的个数,即将全部场景标签作为目标场景标签。最小的第二预设数量可以为1,即将匹配度最高的匹配度对应的场景标签作为目标场景标签。
步骤104,根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。
示例的,在确定目标场景标签之后,可以先选择每个目标场景标签对应的图像二分类模型。之后依次将第一预设数量个特征图作为每个目标场景标签对应的图像二分类模型的输入,以得到图像二分类模型输出的,目标图像是否属于该目标场景标签的判定结果,重复执行上述步骤直至获取每个目标场景标签对应的图像二分类模型输出的判定结果。最后对目标图像标注判定结果为正确的图像二分类模型对应的目标场景标签,判定结果为正确的图像二分类模型可以为多个或一个,对应的目标场景标签同样可以为多个或一个,因此可以为目标图像标注一个或多个场景标签。其中,每个图像二分类模型的输入均为步骤102中得到的第一预设数量个特征图,不需要再对目标图像进行特征提取,节省了计算资源,提高了计算效率。
需要说明的是,上述图像二分类模型是根据预先设置的样本输入集、样本输出集和步骤101中的图像多分类模型训练得到的全连接神经网络。例如,可以将预先设置的样本输入集输入到图像多分类模型,以得到样本输入集中每个样本输入对应的多个特征图,再以每个样本输入对应的多个特征图作为图像二分类模型的输入,以样本输出集作为图像二分类模型的输出,来训练图像二分类模型。由于图像二分类模型是在图像多分类模型的基础上训练得到的,因此图像二分类模型能够更好地与图像多分类模型进行结合,以图像多分类模型提取的特征图作为图像二分类模型的输入,图像二分类模型的输出的准确度更高。从而在利用训练好的图像二分类模型对目标图像进行标注时,将第一预设数量个特征图作为图像二分类模型的输入,能够提高图像标注的准确度。
综上所述,本公开首先将待标注的目标图像输入预先训练的图像多分类模型,之后获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,和图像多分类模型提取的目标图像的第一预设数量个特征图,再根据每个场景标签的匹配度,确定第二预设数量个目标场景标签,最后根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。本公首先利用图像多分类模型筛选出目标场景标签,再根据目标场景标签对应的图像二分类模型对目标图像进行标注,能够为图像标注多个场景标签,并且提高图像标注的准确度和计算效率。
图2是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图2所示,步骤104的具体实现方式可以包括:
步骤1041,将第一预设数量个特征图,分别输入至每个目标场景标签对应的图像二分类模型,以获取图像二分类模型输出的判定结果,判定结果用于指示目标图像是否属于该目标场景标签。
步骤1042,将输出的判定结果为正确的图像二分类模型对应的目标场景标签,作为结果场景标签。
步骤1043,按照结果场景标签,对目标图像进行标注。
对目标图像进行标注的具体实现方式可以包括:先根据步骤103中确定的目标场景标签,确定每个目标场景标签对应的图像二分类模型,然后再将步骤102中得到的第一预设数量个特征图依次作为确定每个目标场景标签对应的图像二分类模型的输入,以得到每个图像二分类模型输出的判定结果。若判定结果为正确,表示目标图像中包含该图像二分类模型对应的目标场景标签,将该目标场景标签作为结果场景标签。最后用全部结果场景标签来标注目标图像。结果场景标签可以为一个或多个,因此可以为目标图像标注一个或多个场景标签。
图3是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图3所示,步骤103包括:
步骤1031,根据每个场景标签的匹配度,确定每个场景标签的顺序。
步骤1033,根据顺序从多个场景标签中确定第二预设数量个目标场景标签。
具体的,根据每个场景标签的匹配度筛选目标场景标签时,可以先对多个匹配度进行排序,然后根据顺序从多个场景标签中确定匹配度最高的第二预设数量个目标场景标签。例如,可以对多个匹配度进行降序排列,那么可以选择排在最前的第二预设数量个场景标签作为目标场景标签,或者对多个匹配度进行升序排列,那么可以选择排在最后的第二预设数量个场景标签作为目标场景标签。
图4是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图4所示,上述图像多分类模型是通过如下方式进行训练的:
步骤105,获取样本输入集和样本输出集,样本输入集中的每个样本输入包括样本图像,样本输出集中包括与每个样本输入对应的样本输出,每个样本输出包括对应的样本图像所标注的场景标签。
步骤106,将样本输入集作为图像多分类模型的输入,将样本输出集作为图像多分类模型的输出,以训练图像多分类模型。
举例来说,上述图像多分类模型的训练方式可以包括:首先获取样本输入集和样本输出集。其中,样本输入集中包括多个样本输入,每个样本输入可以是一幅样本图像,样本输出集中包括与样本输入集中每个样本输入一一对应的样本输出,每个样本输出为对应的样本输入中样本图像所标注的场景标签。例如,可以在互联网上获取大量的样本图像作为样本输入集,将大量的样本图像按照室内、风景、人物、猫、狗、汽车、山、湖泊、沙滩等场景标签进行分类,以对每个样本图像进行标注,作为样本输出集。除了预先设置的场景标签之外,还可以设置一个负标签,标注了负标签的样本图像不属于上述预先设置的任一种场景标签。
对图像多分类模型训练时,可以将样本输入集作为图像多分类模型的输入,将样本输出集作为图像多分类模型的输出来训练,使得图像多分类模型在输入样本输入集时,图像多分类模型输出的与多个场景标签的匹配度,能够和样本输出集匹配。即在图像多分类模型输入某一样本输入时,图像多分类模型输出的与多个场景标签的匹配度中,匹配度最高的场景标签为该样本输入对应的样本输出。
具体的,可以预先选择一个初始神经网络(例如可以根据需求选择神经网络的类别、深度等),将某一样本输入作为初始神经网络的输入,以获取初始神经网络的输出,再将初始神经网络的输出与该样本输入对应的样本输出进行比较,来修正初始神经网络中至少一个神经元的参数。神经元的参数例如可以是神经元的权重(英文:Weight)和连接关系(英文:Bias)。重复执行上述步骤,使初始神经网络的输入为任一样本输入时,初始神经网络的输出能够与该样本输入对应的样本输出匹配,当初始神经网络满足预设条件时,将初始神经网络作为图像多分类模型。
图5是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图5所示,上述每个目标场景标签对应的图像二分类模型是通过如下方式进行训练的:
步骤107,将样本输入集中满足第一预设条件的样本输入作为正例样本输入集,并将样本输入集中满足第二预设条件的样本输入作为负例样本输入集,第一预设条件为样本输入包括的样本图像标注了该目标场景标签;第二预设条件为样本输入包括的样本图像未标注该目标场景标签。
步骤108,根据正例样本输入集、负例样本输入集和图像多分类模型,训练该目标场景标签对应的图像二分类模型。
示例的,在对每个目标场景标签对应的图像二分类模型进行训练时,可以与图像多分类模型使用相同的样本输入集和样本输出集,然后将样本输入集分为正例样本输入集和负例样本输入集。其中,正例样本输入集中的每个正例样本输入为标注了该目标场景标签的样本图像,负例样本输入集中的每个负例样本输入为没有标注该目标场景标签的样本图像。然后,将正例样本输入集和负例样本输入集作为该目标场景标签对应的图像二分类模型的输入,将正例样本输入集对应判定结果为正确,负例样本输入集对应判定结果为错误对图像二分类模型进行训练,使得图像二分类模型在输入正例样本输入集时,输出的判定结果为正确,输入为负例样本输入集时,输出的判定结果为错误。
图6是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图6所示,步骤108的实现方式可以包括:
步骤1081,将正例样本输入集中的每个正例样本输入作为图像多分类模型的输入,以获取图像多分类模型提取的第一预设数量个正例特征图。
步骤1082,将第一预设数量个正例特征图作为图像二分类模型的输入,将判定结果为正确作为图像二分类模型的输出。
步骤1083,将负例样本输入集中的每个负例样本输入作为图像多分类模型的输入,以获取图像多分类模型提取的第一预设数量个负例特征图。
步骤1084,将第一预设数量个负例特征图作为图像二分类模型的输入,将判定结果为错误作为图像二分类模型的输出,以训练该目标场景标签对应的图像二分类模型。
举个例子,可以预先选择一个初始神经网络(例如可以根据需求选择神经网络的类别、深度等),将正例样本输入集中的每个正例样本输入作为步骤106中训练得到的图像多分类模型的输入,以获取图像多分类模型提取的第一预设数量个正例特征图。将第一预设数量个正例特征图作为初始神经网络的输入,根据初始神经网络输出的判定结果是否为正确,来修正初始神经网络中至少一个神经元的参数。神经元的参数例如可以是神经元的权重(英文:Weight)和连接关系(英文:Bias)。重复执行上述步骤,使初始神经网络的输入为任一正例样本输入时,初始神经网络输出的判定结果为正确。
再将负例样本输入集中的每个负例样本输入作为图像多分类模型的输入,以获取图像多分类模型提取的第一预设数量个负例特征图。将第一预设数量个负例特征图作为初始神经网络的输入,根据初始神经网络输出的判定结果是否为错误,重复执行上述步骤,使初始神经网络的输入为任一负例样本输入时,初始神经网络输出的判定结果为错误。将训练后的初始神经网络作为图像二分类模型。示例性地,图像二分类模型例如可以是卷积神经网络。卷积神经网络仅是本公开实施例的神经网络的一个示例,本公开不限于此,还可以包括其他各种神经网络。
需要说明的是,可以对多个场景标签的图像二分类模型同时进行训练,即通过全连接神经网络来训练,例如,图像多分类模型包括1024个卷积单元,能够提取1024个特征图,存在88个场景标签,88个场景标签对应88个图像二分类模型,那么88个图像二分类模型可以看作是一个1024*88的矩阵,将每个卷积单元的输出分别连接至每个场景标签对应的图像二分类模型。
图7是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图7所示,在步骤104之后,该方法还可以包括以下步骤:
步骤109,根据目标图像所标注的场景标签,显示适用于目标图像的滤镜。和/或,
步骤110,将目标图像存储在目标图像所标注的场景标签对应的存储路径中。
针对上述实施例的具体应用场景,在对目标图像进行标注后,可以根据目标图像所标注的场景标签,在终端设备上显示适用于目标图像的滤镜。例如,目标图像所标注的场景标签中包括人物和沙滩,可以显示美颜滤镜或者风景滤镜。还可以根据目标图像所标注的场景标签,确定存储路径,并将目标图像存储在该存储路径指示的位置。不同的存储路径可以对应不同的相册,可以理解为根据目标图像所标注的场景标签,自动将目标图像存储在场景标签对应的相册中。例如,可以在终端设备上预先建立用于存储人物的人物相册,用于存储风景的风景相册,用于存储动物的动物相册,其中,人物相册对应的场景标签为人物,风景相册对应的场景标签为山、湖泊、沙滩等,动物相册对应的场景标签为猫、狗等。若目标图像所标注的场景标签为人物,可以将目标图像自动存储在人物相册中,若目标图像所标注的场景标签为沙滩,可以将目标图像存储在风景相册中。
综上所述,本公开首先将待标注的目标图像输入预先训练的图像多分类模型,之后获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,和图像多分类模型提取的目标图像的第一预设数量个特征图,再根据每个场景标签的匹配度,确定第二预设数量个目标场景标签,最后根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。本公首先利用图像多分类模型筛选出目标场景标签,再根据目标场景标签对应的图像二分类模型对目标图像进行标注,能够为图像标注多个场景标签,并且提高图像标注的准确度和计算效率。
图8是根据一示例性实施例示出的一种图像的标注装置的框图,如图8所示,该装置200包括:
输入模块201,用于将待标注的目标图像输入预先训练的图像多分类模型。
获取模块202,用于获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,并获取图像多分类模型提取的第一预设数量个特征图。
确定模块203,用于根据每个场景标签的匹配度,在多个场景标签中确定第二预设数量个目标场景标签。
标注模块204,用于根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。
图9是根据一示例性实施例示出的另一种图像的标注装置的框图,如图9所示,标注模块204包括:
输入子模块2041,用于将第一预设数量个特征图,分别输入至每个目标场景标签对应的图像二分类模型,以获取图像二分类模型输出的判定结果,判定结果用于指示目标图像是否属于该目标场景标签。
判定子模块2042,用于将输出的判定结果为正确的图像二分类模型对应的目标场景标签,作为结果场景标签。
标注子模块2043,用于按照结果场景标签,对目标图像进行标注。
图10是根据一示例性实施例示出的另一种图像的标注装置的框图,如图10所示,确定模块203包括:
排序子模块2031,用于根据每个场景标签的匹配度,确定每个场景标签的顺序。
确定子模块2032,用于根据顺序从多个场景标签中确定第二预设数量个目标场景标签。
可选地,上述图像多分类模型是通过如下方式进行训练的:
步骤1)获取样本输入集和样本输出集,样本输入集中的每个样本输入包括样本图像,样本输出集中包括与每个样本输入对应的样本输出,每个样本输出包括对应的样本图像所标注的场景标签。
步骤2)将样本输入集作为图像多分类模型的输入,将样本输出集作为图像多分类模型的输出,以训练图像多分类模型。
可选地,每个目标场景标签对应的图像二分类模型是通过如下方式进行训练的:
步骤3)将样本输入集中满足第一预设条件的样本输入作为正例样本输入集,并将样本输入集中满足第二预设条件的样本输入作为负例样本输入集,第一预设条件为样本输入包括的样本图像标注了该目标场景标签;第二预设条件为样本输入包括的样本图像未标注该目标场景标签。
步骤4)根据正例样本输入集、负例样本输入集和图像多分类模型,训练该目标场景标签对应的图像二分类模型。
进一步的,步骤4)的实现方式可以包括:
A)将正例样本输入集中的每个正例样本输入作为图像多分类模型的输入,以获取图像多分类模型提取的第一预设数量个正例特征图。
B)将第一预设数量个正例特征图作为图像二分类模型的输入,将判定结果为正确作为图像二分类模型的输出。
C)将负例样本输入集中的每个负例样本输入作为图像多分类模型的输入,以获取图像多分类模型提取的第一预设数量个负例特征图。
D)将第一预设数量个负例特征图作为图像二分类模型的输入,将判定结果为错误作为图像二分类模型的输出,以训练该目标场景标签对应的图像二分类模型。
图11是根据一示例性实施例示出的另一种图像的标注装置的框图,如图11所示,该装置还可以包括:
显示模块205,用于在根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注之后,根据目标图像所标注的场景标签,显示适用于目标图像的滤镜。
存储模块206,用于将目标图像存储在目标图像所标注的场景标签对应的存储路径中。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开首先将待标注的目标图像输入预先训练的图像多分类模型,之后获取图像多分类模型输出的目标图像与多个场景标签中每个场景标签的匹配度,和图像多分类模型提取的目标图像的第一预设数量个特征图,再根据每个场景标签的匹配度,确定第二预设数量个目标场景标签,最后根据第一预设数量个特征图和每个目标场景标签对应的图像二分类模型,对目标图像进行标注。本公首先利用图像多分类模型筛选出目标场景标签,再根据目标场景标签对应的图像二分类模型对目标图像进行标注,能够为图像标注多个场景标签,并且提高图像标注的准确度和计算效率。
下面参考图12,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备(即上述图像的标注方法的执行主体),可以是服务器,该服务器例如可以是本地服务器或者云服务器,也可以是终端设备,例如包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。用户可以通过登录服务器以上传目标图像,也可以直接通过终端设备上传目标图像,或者通过终端设备采集目标图像。图12示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将待标注的目标图像输入预先训练的图像多分类模型;获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取每个场景标签匹配度的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种图像的标注方法,包括:将待标注的目标图像输入预先训练的图像多分类模型;获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注,包括:将第一预设数量个所述特征图,分别输入至每个所述目标场景标签对应的所述图像二分类模型,以获取所述图像二分类模型输出的判定结果,所述判定结果用于指示所述目标图像是否属于该目标场景标签;将输出的所述判定结果为正确的所述图像二分类模型对应的所述目标场景标签,作为结果场景标签;按照所述结果场景标签,对所述目标图像进行标注。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签,包括:根据每个所述场景标签的所述匹配度,确定每个所述场景标签的顺序;根据所述顺序从所述多个场景标签中确定第二预设数量个所述目标场景标签。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述图像多分类模型是通过如下方式进行训练的:获取样本输入集和样本输出集,所述样本输入集中的每个样本输入包括样本图像,所述样本输出集中包括与每个所述样本输入对应的样本输出,每个所述样本输出包括对应的所述样本图像所标注的场景标签;将所述样本输入集作为所述图像多分类模型的输入,将所述样本输出集作为所述图像多分类模型的输出,以训练所述图像多分类模型。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,每个所述目标场景标签对应的所述图像二分类模型是通过如下方式进行训练的:将所述样本输入集中满足第一预设条件的所述样本输入作为正例样本输入集,并将所述样本输入集中满足第二预设条件的所述样本输入作为负例样本输入集,所述第一预设条件为所述样本输入包括的所述样本图像标注了该目标场景标签;所述第二预设条件为所述样本输入包括的所述样本图像未标注该目标场景标签;根据所述正例样本输入集、所述负例样本输入集和所述图像多分类模型,训练该目标场景标签对应的所述图像二分类模型。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述根据所述正例样本输入集、所述负例样本输入集和所述图像多分类模型,训练该目标场景标签对应的所述图像二分类模型,包括:将所述正例样本输入集中的每个正例样本输入作为所述图像多分类模型的输入,以获取所述图像多分类模型提取的第一预设数量个正例特征图;将第一预设数量个所述正例特征图作为所述图像二分类模型的输入,将所述判定结果为正确作为所述图像二分类模型的输出;将所述负例样本输入集中的每个负例样本输入作为所述图像多分类模型的输入,以获取所述图像多分类模型提取的第一预设数量个负例特征图;将第一预设数量个所述负例特征图作为所述图像二分类模型的输入,将所述判定结果为错误作为所述图像二分类模型的输出,以训练该目标场景标签对应的所述图像二分类模型。
根据本公开的一个或多个实施例,示例7提供了示例1至示例6中所述的方法,在所述根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注之后,所述方法还包括:根据所述目标图像所标注的场景标签,显示适用于所述目标图像的滤镜;和/或,将所述目标图像存储在所述目标图像所标注的场景标签对应的存储路径中。
根据本公开的一个或多个实施例,示例8提供了一种图像的标注装置,包括:输入模块,用于将待标注的目标图像输入预先训练的图像多分类模型;获取模块,用于获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;确定模块,用于根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;标注模块,用于根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例7中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种图像的标注方法,其特征在于,所述方法包括:
将待标注的目标图像输入预先训练的图像多分类模型;
获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;
根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;
根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
2.根据权利要求1所述的方法,其特征在于,所述根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注,包括:
将第一预设数量个所述特征图,分别输入至每个所述目标场景标签对应的所述图像二分类模型,以获取所述图像二分类模型输出的判定结果,所述判定结果用于指示所述目标图像是否属于该目标场景标签;
将输出的所述判定结果为正确的所述图像二分类模型对应的所述目标场景标签,作为结果场景标签;
按照所述结果场景标签,对所述目标图像进行标注。
3.根据权利要求1所述的方法,其特征在于,所述根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签,包括:
根据每个所述场景标签的所述匹配度,确定每个所述场景标签的顺序;
根据所述顺序从所述多个场景标签中确定第二预设数量个所述目标场景标签。
4.根据权利要求1所述的方法,其特征在于,所述图像多分类模型是通过如下方式进行训练的:
获取样本输入集和样本输出集,所述样本输入集中的每个样本输入包括样本图像,所述样本输出集中包括与每个所述样本输入对应的样本输出,每个所述样本输出包括对应的所述样本图像所标注的场景标签;
将所述样本输入集作为所述图像多分类模型的输入,将所述样本输出集作为所述图像多分类模型的输出,以训练所述图像多分类模型。
5.根据权利要求4所述的方法,其特征在于,每个所述目标场景标签对应的所述图像二分类模型是通过如下方式进行训练的:
将所述样本输入集中满足第一预设条件的所述样本输入作为正例样本输入集,并将所述样本输入集中满足第二预设条件的所述样本输入作为负例样本输入集,所述第一预设条件为所述样本输入包括的所述样本图像标注了该目标场景标签;所述第二预设条件为所述样本输入包括的所述样本图像未标注该目标场景标签;
根据所述正例样本输入集、所述负例样本输入集和所述图像多分类模型,训练该目标场景标签对应的所述图像二分类模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述正例样本输入集、所述负例样本输入集和所述图像多分类模型,训练该目标场景标签对应的所述图像二分类模型,包括:
将所述正例样本输入集中的每个正例样本输入作为所述图像多分类模型的输入,以获取所述图像多分类模型提取的第一预设数量个正例特征图;
将第一预设数量个所述正例特征图作为所述图像二分类模型的输入,将所述判定结果为正确作为所述图像二分类模型的输出;
将所述负例样本输入集中的每个负例样本输入作为所述图像多分类模型的输入,以获取所述图像多分类模型提取的第一预设数量个负例特征图;
将第一预设数量个所述负例特征图作为所述图像二分类模型的输入,将所述判定结果为错误作为所述图像二分类模型的输出,以训练该目标场景标签对应的所述图像二分类模型。
7.根据权利要求1-6中任一项所述的方法,其特征在于,在所述根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注之后,所述方法还包括:
根据所述目标图像所标注的场景标签,显示适用于所述目标图像的滤镜;和/或,
将所述目标图像存储在所述目标图像所标注的场景标签对应的存储路径中。
8.一种图像的标注装置,其特征在于,所述装置包括:
输入模块,用于将待标注的目标图像输入预先训练的图像多分类模型;
获取模块,用于获取所述图像多分类模型输出的所述目标图像与多个场景标签中每个所述场景标签的匹配度,并获取所述图像多分类模型提取的第一预设数量个特征图;
确定模块,用于根据每个所述场景标签的匹配度,在所述多个场景标签中确定第二预设数量个目标场景标签;
标注模块,用于根据第一预设数量个所述特征图和每个所述目标场景标签对应的图像二分类模型,对所述目标图像进行标注。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158214.7A CN111340131B (zh) | 2020-03-09 | 2020-03-09 | 图像的标注方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158214.7A CN111340131B (zh) | 2020-03-09 | 2020-03-09 | 图像的标注方法、装置、可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340131A true CN111340131A (zh) | 2020-06-26 |
CN111340131B CN111340131B (zh) | 2023-07-14 |
Family
ID=71186044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010158214.7A Active CN111340131B (zh) | 2020-03-09 | 2020-03-09 | 图像的标注方法、装置、可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340131B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783635A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 图像标注方法、装置、设备以及存储介质 |
CN111797266A (zh) * | 2020-07-10 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置、存储介质和电子设备 |
CN111814913A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市欢太科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN112036166A (zh) * | 2020-07-22 | 2020-12-04 | 大箴(杭州)科技有限公司 | 一种数据标注方法、装置、存储介质及计算机设备 |
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112884060A (zh) * | 2021-03-09 | 2021-06-01 | 联仁健康医疗大数据科技股份有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN113077390A (zh) * | 2021-06-04 | 2021-07-06 | 中建电子商务有限责任公司 | 一种基于深度学习的图像摆正算法 |
CN113159133A (zh) * | 2021-03-29 | 2021-07-23 | Oppo广东移动通信有限公司 | 数据标注方法及装置、电子设备、存储介质 |
CN113204660A (zh) * | 2021-03-31 | 2021-08-03 | 北京达佳互联信息技术有限公司 | 多媒体数据处理方法、标签识别方法、装置及电子设备 |
CN113240027A (zh) * | 2021-05-24 | 2021-08-10 | 北京有竹居网络技术有限公司 | 图像分类方法、装置、可读介质及电子设备 |
CN113297471A (zh) * | 2020-11-11 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 生成数据对象标签、数据对象搜索方法、装置及电子设备 |
CN113496256A (zh) * | 2021-06-24 | 2021-10-12 | 中汽创智科技有限公司 | 一种图像标注模型训练方法、标注方法、装置、设备及介质 |
CN113554062A (zh) * | 2021-06-25 | 2021-10-26 | 北京百度网讯科技有限公司 | 多分类模型的训练方法、设备和存储介质 |
CN114462536A (zh) * | 2022-02-09 | 2022-05-10 | 国网宁夏电力有限公司吴忠供电公司 | 一种实体场景生成标注数据集的方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636761A (zh) * | 2015-03-12 | 2015-05-20 | 华东理工大学 | 一种基于多层分割的图像语义标注方法 |
CN105117429A (zh) * | 2015-08-05 | 2015-12-02 | 广东工业大学 | 基于主动学习和多标签多示例学习的场景图像标注方法 |
DE212015000240U1 (de) * | 2015-12-17 | 2017-05-24 | Hefei University Of Technology | System zur medizinischen Bildannotation |
WO2017134519A1 (en) * | 2016-02-01 | 2017-08-10 | See-Out Pty Ltd. | Image classification and labeling |
CN107622104A (zh) * | 2017-09-11 | 2018-01-23 | 中央民族大学 | 一种文字图像识别标注方法及系统 |
CN107742122A (zh) * | 2017-10-27 | 2018-02-27 | 浙江大华技术股份有限公司 | 一种x光图像的分割方法及装置 |
CN108154197A (zh) * | 2018-01-22 | 2018-06-12 | 腾讯科技(深圳)有限公司 | 实现虚拟场景中图像标注验证的方法及装置 |
CN108319985A (zh) * | 2018-02-07 | 2018-07-24 | 北京航空航天大学 | 图像语义标注的方法和装置 |
WO2019100724A1 (zh) * | 2017-11-24 | 2019-05-31 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN110287817A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
WO2019184471A1 (zh) * | 2018-03-27 | 2019-10-03 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
US20190325259A1 (en) * | 2018-04-12 | 2019-10-24 | Discovery Communications, Llc | Feature extraction and machine learning for automated metadata analysis |
CN110378410A (zh) * | 2019-07-16 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 多标签场景分类方法、装置及电子设备 |
-
2020
- 2020-03-09 CN CN202010158214.7A patent/CN111340131B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636761A (zh) * | 2015-03-12 | 2015-05-20 | 华东理工大学 | 一种基于多层分割的图像语义标注方法 |
CN105117429A (zh) * | 2015-08-05 | 2015-12-02 | 广东工业大学 | 基于主动学习和多标签多示例学习的场景图像标注方法 |
DE212015000240U1 (de) * | 2015-12-17 | 2017-05-24 | Hefei University Of Technology | System zur medizinischen Bildannotation |
WO2017134519A1 (en) * | 2016-02-01 | 2017-08-10 | See-Out Pty Ltd. | Image classification and labeling |
CN107622104A (zh) * | 2017-09-11 | 2018-01-23 | 中央民族大学 | 一种文字图像识别标注方法及系统 |
CN107742122A (zh) * | 2017-10-27 | 2018-02-27 | 浙江大华技术股份有限公司 | 一种x光图像的分割方法及装置 |
WO2019100724A1 (zh) * | 2017-11-24 | 2019-05-31 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN108154197A (zh) * | 2018-01-22 | 2018-06-12 | 腾讯科技(深圳)有限公司 | 实现虚拟场景中图像标注验证的方法及装置 |
CN108319985A (zh) * | 2018-02-07 | 2018-07-24 | 北京航空航天大学 | 图像语义标注的方法和装置 |
WO2019184471A1 (zh) * | 2018-03-27 | 2019-10-03 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
US20190325259A1 (en) * | 2018-04-12 | 2019-10-24 | Discovery Communications, Llc | Feature extraction and machine learning for automated metadata analysis |
CN110287817A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
CN110378410A (zh) * | 2019-07-16 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 多标签场景分类方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
徐雷等: "叙事型图像语义标注模型研究", vol. 43, no. 05 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783635A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 图像标注方法、装置、设备以及存储介质 |
CN111797266A (zh) * | 2020-07-10 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置、存储介质和电子设备 |
CN111797266B (zh) * | 2020-07-10 | 2022-02-08 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置、存储介质和电子设备 |
CN112036166A (zh) * | 2020-07-22 | 2020-12-04 | 大箴(杭州)科技有限公司 | 一种数据标注方法、装置、存储介质及计算机设备 |
CN111814913A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市欢太科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112100425B (zh) * | 2020-09-17 | 2024-03-26 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN113297471A (zh) * | 2020-11-11 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 生成数据对象标签、数据对象搜索方法、装置及电子设备 |
CN112884060A (zh) * | 2021-03-09 | 2021-06-01 | 联仁健康医疗大数据科技股份有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN112884060B (zh) * | 2021-03-09 | 2024-04-26 | 联仁健康医疗大数据科技股份有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN113159133A (zh) * | 2021-03-29 | 2021-07-23 | Oppo广东移动通信有限公司 | 数据标注方法及装置、电子设备、存储介质 |
CN113204660A (zh) * | 2021-03-31 | 2021-08-03 | 北京达佳互联信息技术有限公司 | 多媒体数据处理方法、标签识别方法、装置及电子设备 |
CN113204660B (zh) * | 2021-03-31 | 2024-05-17 | 北京达佳互联信息技术有限公司 | 多媒体数据处理方法、标签识别方法、装置及电子设备 |
CN113240027A (zh) * | 2021-05-24 | 2021-08-10 | 北京有竹居网络技术有限公司 | 图像分类方法、装置、可读介质及电子设备 |
CN113077390A (zh) * | 2021-06-04 | 2021-07-06 | 中建电子商务有限责任公司 | 一种基于深度学习的图像摆正算法 |
CN113496256A (zh) * | 2021-06-24 | 2021-10-12 | 中汽创智科技有限公司 | 一种图像标注模型训练方法、标注方法、装置、设备及介质 |
CN113496256B (zh) * | 2021-06-24 | 2024-04-09 | 中汽创智科技有限公司 | 一种图像标注模型训练方法、标注方法、装置、设备及介质 |
CN113554062A (zh) * | 2021-06-25 | 2021-10-26 | 北京百度网讯科技有限公司 | 多分类模型的训练方法、设备和存储介质 |
CN113554062B (zh) * | 2021-06-25 | 2023-08-01 | 北京百度网讯科技有限公司 | 多分类模型的训练方法、设备和存储介质 |
CN114462536A (zh) * | 2022-02-09 | 2022-05-10 | 国网宁夏电力有限公司吴忠供电公司 | 一种实体场景生成标注数据集的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111340131B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340131B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
CN109919244B (zh) | 用于生成场景识别模型的方法和装置 | |
CN111476309A (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN112712069B (zh) | 一种判题方法、装置、电子设备及存储介质 | |
CN103080951A (zh) | 用于识别媒体内容中的对象的方法和装置 | |
CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN108764051B (zh) | 图像处理方法、装置及移动终端 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN110659639B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN110674349A (zh) | 视频poi识别方法、装置及电子设备 | |
CN114463768A (zh) | 表格识别方法、装置、可读介质和电子设备 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN110737795A (zh) | 相册封面的确定方法、装置、设备及存储介质 | |
CN104572830A (zh) | 推荐拍摄信息的处理方法及装置 | |
CN111797266B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
CN110674813B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN112580750A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111353536B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
WO2022206404A1 (zh) | 练字格检测方法、装置、可读介质及电子设备 | |
CN113128470B (zh) | 笔划识别方法、装置、可读介质及电子设备 | |
CN114612909A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN115577137A (zh) | 一种标签确定方法、装置、设备及介质 |
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 |