CN111783635A - 图像标注方法、装置、设备以及存储介质 - Google Patents
图像标注方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111783635A CN111783635A CN202010611734.9A CN202010611734A CN111783635A CN 111783635 A CN111783635 A CN 111783635A CN 202010611734 A CN202010611734 A CN 202010611734A CN 111783635 A CN111783635 A CN 111783635A
- Authority
- CN
- China
- Prior art keywords
- image
- labeled
- category
- information
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000002372 labelling Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims description 33
- 238000013145 classification model Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 20
- 241001465754 Metazoa Species 0.000 description 16
- 238000013136 deep learning model Methods 0.000 description 13
- 238000012216 screening Methods 0.000 description 9
- 238000010422 painting Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种图像标注方法、装置、电子设备及可读存储介质，涉及计算机视觉和深度学习技术领域。具体实现方案为：获取待标注图像和所述待标注图像的类别列表，所述类别列表包括一个或多个分类类别；根据所述待标注图像和所述类别列表，基于预先训练的图像处理模型，获得所述待标注图像的标注信息，所述标注信息用于指示所述待标注图像对应于所述至少一个分类类别，所述标注信息为当所述待标注图像对应于所述类别列表中至少一个分类类别的概率大于预设阈值时获得的；基于所述标注信息呈现所述待标注图像。该方法实现对待标注图像的自动标注，提高了标注效率。
Description
技术领域
本申请实施例涉及计算机技术领域中的计算机视觉技术和深度学习 技术，尤其涉及一种图像标注方法、装置、设备以及存储介质。
背景技术
随着人工智能(Artificial Intelligence)的发展，深度学习(Deep Learning)在实际中的应用愈加广泛。
例如，可以用训练好的深度学习模型来完成图像分类、图像检测等深 度学习任务。在训练深度学习模型时，往往需要用到上万甚至百万的标注 数据，数据越多，对深度学习模型的训练效果越好。通常，可以人工对数 据进行标注，来获得用于训练深度学习模型的标注数据。
发明内容
本申请提供了一种图像标注方法、装置、设备以及存储介质。
根据本申请的第一方面，提供了一种图像标注方法，该方法包括：
获取待标注图像和所述待标注图像的类别列表，所述类别列表包括一 个或多个分类类别；
根据所述待标注图像和所述类别列表，基于预先训练的图像处理模型， 获得所述待标注图像的标注信息，所述标注信息用于指示所述待标注图像 对应于所述至少一个分类类别，所述标注信息为当所述待标注图像对应于 所述类别列表中至少一个分类类别的概率大于预设阈值时获得的；
基于所述标注信息呈现所述待标注图像。
根据本申请的第二方面，提供了一种图像标注装置，包括：
获取模块，用于获取待标注图像和所述待标注图像的类别列表，所述 类别列表包括一个或多个分类类别；
处理模块，用于根据所述待标注图像和所述类别列表，基于预先训练 的图像处理模型，获得所述待标注图像的标注信息，所述标注信息用于指 示所述待标注图像对应于所述至少一个分类类别，所述标注信息为当所述 待标注图像对应于所述类别列表中至少一个分类类别的概率大于预设阈 值时获得的；
呈现模块，用于基于所述标注信息呈现所述待标注图像。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被 所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方 面所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算 机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所 述的方法。
根据本申请实施例的方案，首先获取待标注图像和上述待标注图像的 类别列表，然后根据上述待标注图像和上述类别列表，基于预先训练的图 像处理模型，获得上述待标注图像的标注信息，上述标注信息用于指示上 述待标注图像对应于上述至少一个分类类别，之后再基于上述待标注图像 呈现上述标注信息。根据本实施例的方法，可以利用预先训练的图像处理 模型对待标注图像进行筛选，在待标注图像对应于某一分类类别的概率大 于预设阈值时，获得指示上述待标注图像对应于上述至少一个分类类别的 标注信息，从而实现对待标注图像的自动标注，提高了标注效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键 或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下 的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的图像标注方法适用的一种示例性的场景示 意图；
图2是根据本申请实施例的图像标注方法的流程示意图；
图3是根据本申请实施例的图像标注方法的流程示意图；
图4是根据本申请实施例的图像标注方法的流程示意图；
图5是根据本申请实施例的图像标注装置的模块结构图；
图6是用来实现本申请实施例的图像标注方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实 施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本 领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和 修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的 描述中省略了对公知功能和结构的描述。
现有技术中，在对图片进行标注时，一般有两种常用的标注方法，第 一种是基于图像检测对图片进行标注，在标注时，通常需要标注人员手动 利用标注软件在图像中通过画框的方式标识出位置，然后从给定的框类别 中选出该框的种类，比如，属于行人、车辆还是动物等；第二种常用的方 法是基于图像分类对图片进行标注，在标注时，通常需要标注人员手动用 标注软件根据图像的内容来对图像进行打标签。例如，标注人员根据图片 内容对其进行分类，并打上对应的标签，若是图片中包含人物，则为人物 画，为该图片打上人物画标签。
然而，现有技术中的上述两种标注方法的效率都较低。其中，基于图 像检测的标注方法的主要问题是，标注人员在手动对图像用画框方式标识 位置时容易有偏差，并且，标注人员之后还需要对框属于哪个类别进行选 择，当框的类别比较多的时候，从已有类别中选择出具体类别的速度会比 较慢，并且，准确率也可能会受影响。而另一种基于图像分类的标注方法 的主要问题是，对于标注人员来说，由于是人工对图像的内容进行判断， 因此当相邻两张图片的场景跨度比较大时，比如分别为行人和动物时，人 工思维转换较为耗时，因此标注效率较低。
考虑到上述问题，本申请提供一种图像标注方法、装置、设备以及存 储介质，应用于计算机技术领域中的计算机视觉技术和深度学习技术，以 达到提高标注效率的目的。
图1为本申请实施例提供的图像标注方法适用的一种示例性的场景示 意图，如图1所示，该方法可以应用于自动驾驶场景中。在自动驾驶场景 中，涉及自动驾驶车辆，利用本申请实施例的方法，在为自动驾驶车辆呈 现前方路况时，可以根据前方的实际路况画面，将行人、车辆、障碍物等 标注出来(比如以框的形式)，这样有利于自动驾驶车辆基于显示的画面 进行路况判断，从而进行自动驾驶控制。
在另一种场景中，也可将该方法应用于为深度学习模型准备训练图像 的电子设备中。由于深度学习模型通常需要大量的训练图像来对其进行训 练，因此，可以在训练图像准备时，利用本申请实施例的方法，对训练图 像进行标注，从而可以快速准备用于训练深度学习模型的海量图像。
图2为本申请实施例提供的图像标注方法的流程示意图，该方法的执 行主体可以为图像标注装置，该装置比如可以集成在上述图1所示例的自 动驾驶车辆中，或者是用户操作的终端设备中，或者可以集成于为用于为 深度学习模型准备训练图像的设备中。如图2所示，该方法包括：
S201、获取待标注图像和上述待标注图像的类别列表。
待标注图像可以是用于训练深度学习模型的训练图像，也可以是比如 由摄像头等采集的画面，上述摄像头可以为图像标注装置上设置的摄像头， 或者，上述摄像头还可以不设置在图像标注装置上，而是独立的设备或者 设置在其他设备上。如果摄像头不设置在图像标注装置上，则可以由摄像 头所在设备将图像发送给图像标注装置。
为了对待标注图像进行标注，可以获取类别列表。该类别列表中包括 了一个或多个分类类别。作为一种可行的实施方式，该分类类别可以表示 图像的类别，比如，人物画、动物画、交通工具画等；作为另一种可行的 实施方式，该分类类别也可以表示图像中对象的类别，比如，行人、动物、 车辆等。
示例性的，在意图对待标注图像进行大范围标注时，可以在类别列表 中限定数量较多的不同种类；可选地，若意图对待标注图像进行更细类的 标注，则可以选择在类别列表中限定某一类别下的子类别。需要说明的是， 这里对类别列表中分类类别的数量并不做具体限定，实际中可根据具体需 要进行设定。
S202、根据上述待标注图像和上述类别列表，基于预先训练的图像处 理模型，获得上述待标注图像的标注信息。
如上所述，当分类类别表示图像的类别时，由于待标注图像可能并不 包括类别列表中的分类类别，比如，分类类别为人物画、动物画、交通工 具画三类，而待标注图像为风景画，并不属于上述三类中的任何一类；或 者，当分类类别表示图像中对象的类别时，分类类别为比如，行人、动物、 车辆，而待标注图像并未包括上述三类类别中的任何一类。在这种情况下， 需要对待标注图像进行筛选，在待标注图像满足一定条件时获得标注信息， 并基于标注信息为待标注图像进行标注，这相对于现有技术中的人工标注， 可提高标注效率。
具体地，在本申请实施例的方法中，可以基于预先训练的图像处理模 型对待标注图像进行筛选。可以为图像处理模型设置预设阈值，以通过该 图像处理模型对待标注图像进行处理，使其在该待标注图像对应于上述分 类类别的概率大于上述预设阈值时，输出该待标注图像的标注信息。需要 说明的是，上述预设阈值作为上述图像处理模型的参数，可以是预先设置 并作为其输入，也可以是默认数值。此处的图像处理模型可以是常用的深度学习模型，该深度学习模型比如可以是已预先训练的图像分类模型或图 像检测模型等。
作为一种可行的实施方式，该图像处理模型可通过对待标注图像进行 分类来完成筛选。分类类别可以表示图像的种类，上述获得标注信息的条 件即为待标注图像属于上述类别列表中的至少一个分类类别的概率大于 预设阈值。由于类别列表包括一个或多个分类类别，因此，当待标注图像 属于上述类别列表中的至少一个分类类别的概率大于预设阈值时，就表示 上述待标注图像属于上述至少一个分类类别的概率较大，可以获得用于指示上述待标注图像属于上述至少一个分类类别的标注信息。这里的概率反 映了上述待标注图像属于某一分类类别的置信度大小。预设阈值则是为了 对大量图片进行筛选而预先设定的数值，其可以为0到1之间的一个数值， 当待标注图像属于某一分类类别的概率大于该预设阈值时，则表示待标注 图像很可能属于该分类类别。示例性的，若类别列表包括三种分类类别： 人物画、动物画和交通工具画，而图像处理模型判断该待标注图像属于人 物画的概率为0.9，属于动物画的概率为0.9，属于交通工具画的概率为0.1， 若将预设阈值预先设为0.8，那么可以确定该待标注图像的分类类别为人 物画和动物画，从而输出指示上述待标注图像为人物画以及动物画的标注 信息。
作为另一种可行的实施方式，该图像处理模型可以通过对待标注图像 进行检测来完成筛选。分类类别可以表示图像中对象的种类，上述待标注 图像对应于上述类别列表中的至少一个分类类别的概率可以为待标注图 像中的待标注对象属于至少一个分类类别的概率。待标注图像可能包括不 止一个待标注对象，因此需要对每个待标注对象进行检测。由于类别列表 包括一个或多个分类类别，因此，当待标注图像中的待标注对象属于上述 类别列表中的至少一个分类类别的概率大于预设阈值时，就表示上述待标 注对象属于上述至少一个分类类别的概率较大，因此可以获得标注信息， 该标注信息通过指示上述待标注图像中的待标注对象属于上述至少一个 分类类别，来指示上述待标注图像对应于上述至少一个分类类别。与上一 种实施方式类似，这里的概率反映了上述待标注图像中的待标注对象属于 某一分类类别的置信度大小。预设阈值是为了对大量图片进行筛选而预先设定的数值，其可以为0到1之间的一个数值，当待标注图像中的待标注 对象属于某一分类类别的概率大于该预设阈值时，则表示待标注图像中的 该待标注对象很可能属于该分类类别。示例性的，若类别列表包括三种分 类类别：行人、动物和车辆，而图像处理模型判断该待标注图像中的某个 待标注对象属于行人的概率为0.9，属于动物的概率为0.2，属于车辆的概 率为0.1，若将预设阈值预先设为0.8，那么可以确定该待标注图像的分类 类别为行人，并输出指示上述待标注对象为行人的标注信息。
值的说明的是，以上类别列表中分类类别的具体数量以及具体的类别 仅是为了更好的说明本申请实施例的方法，而非旨在限制。
S203、基于上述标注信息呈现上述待标注图像。
在获得了待标注图像的标注信息后，可以基于待标注图像呈现该标注 信息。可选地，这里的呈现方式可以为在待标注图像上对上述标注信息进 行可视化，从而完成对待标注图像的标注。
根据本申请实施例的方法，首先获取待标注图像和上述待标注图像的 类别列表，然后根据上述待标注图像和上述类别列表，基于预先训练的图 像处理模型，获得上述待标注图像的标注信息，上述标注信息用于指示上 述待标注图像对应于上述至少一个分类类别，之后再基于上述待标注图像 呈现上述标注信息。根据本实施例的方法，可以利用预先训练的图像处理 模型对待标注图像进行筛选，在待标注图像对应于某一分类类别的概率大 于预设阈值时，获得指示上述待标注图像对应于上述至少一个分类类别的 标注信息，从而实现对待标注图像的自动标注，进而提高标注效率。
如上所述，本申请主要利用已有的模型资源对图像进行筛选，获得标 注信息并基于该标注信息呈现待标注图像，这样标注人员在操作时，就可 基于已经过预标注的图像，判断其是否标注正确即可。由于在用图像处理 模型进行处理时设置了预设阈值，因此，利用该模型输出的结果概率较高， 大部分结果是对的，标注人员只需要对所呈现的标注信息进行直接修改， 从而有效地加速标注速度。
图3为本申请实施例提供的图像标注方法的流程示意图，如图3所示， 在前述实施例的基础上，采用预先训练的图像分类模型作为上述图像处理 模型，该方法包括：
S301、获取待标注图像和上述待标注图像的类别列表。
前述实施例中对于步骤S201的描述同样适用于本步骤，此处不再赘 述。
可选地，上述待标注图像的类别列表包括通用类别或垂类类别。通用 类别表示较大范围的类别，比如敏感标志、人物、动物、交通工具等跨范 围的类别，垂类类别则表示较小范围的更为细致的类别，比如敏感标志这 一类别中的特定组织图案、特定台标、特定旗臶等。通过设置类别列表， 可以根据实际需求，更加灵活地对待标注图像进行筛选和标注，以为不同 目的的深度学习模型训练提供训练数据。
在实际中，对待标注图像进行标注前，须先定义图像分类任务。首先 需要根据实际需求定义图像分类任务，是通用任务还是垂类任务。通用任 务即为将类别列表中的分类类别定义为通用类别，垂类任务即为将类别列 表中的分类类别定义为垂类类别。
S302、将上述类别列表、上述预设阈值和上述待标注图像输入上述预 先训练的图像分类模型，生成上述待标注图像的标注信息。
在获取了待标注图像和类别列表之后，可以将类别列表、待标注图像 以及预设阈值作为上述图形分类模型的输入，生成上述待标注图像的标注 信息。
示例性的，预先训练的图像分类模型可以分别确定待标注图像对应于 上述类别列表中各分类类别的概率。例如，若类别列表中包括三个分类类 别，人物画、动物画以及交通工具画，则可以确定待标注图像对应于这三 类的概率分别为0.9、0.9和0.1。在确定了待标注图像对应于各分类类别 的概率之后，图像分类模型可以根据预设阈值，确定概率大于上述预设阈 值的至少一个分类类别，然后生成用于指示上述待标注图像对应于上述至 少一个分类类别的标注信息。以三个分类类别的概率分别为0.9、0.9和0.1 为例，若将预设阈值选为0.8，则生成的标注信息指示该待标注图像对应 于人物画和动物画。
可选地，上述标注信息还可以用于指示上述待标注图像所属的上述至 少一个分类类别中每个分类类别分别对应的概率。这样在为用户呈现该标 注信息时，用户可获知上述待标注图像对应于各分类类别的概率，从而可 以更好地进行评估和判断，进一步提高标注速度和准确率。
可选地，图像分类模型在待标注图像对应于上述类别列表中各分类类 别的概率均不大于预设阈值时，还可以输出待标注图像的提示信息，此时， 由于待标注图像对应于上述类别列表中各分类类别的概率均不大于预设 阈值，这意味着该待标注图像较不可能属于上述分类类别中的任一类别， 因此，可输出提示信息，以提示该待标注图像不属于上述类别列表中的分 类类别，从而排除掉不属于所关注的分类类别(即类别列表中所列的分类 类别)的图像，提高筛选效率。可选地，提示方式可以有多种，比如以对 话框的形式提示用户。需要说明的是，图像处理模型也可以在待标注图像 对应于上述类别列表中各分类类别的概率均不大于预设阈值时，不针对上 述待标注图像输出任何信息，直接过滤掉那些不包含所关注的分类类别的 图像。
在实际中，可用已有的模型资源作为上述图像分类模型，将待标注图 像作为输入，并为该模型设置一个相对较高的预设阈值作为置信度分数， 将那些符合分类类别的图像筛选出来。
S303、基于上述标注信息呈现上述待标注图像。
前述实施例中对于步骤S203的描述同样适用于本步骤，此处不再赘 述。
可选地，可以将上述标注信息转换为第一预设格式，然后在上述待标 注图像上呈现经格式转换的标注信息。例如，在实际中，可以采用标注软 件Labelme对该标注信息进行可视化。具体地，在用图像分类模型得到待 标注图像的标注信息后，可以将生成的标注信息转化为json文件，即 Labelme可读的形式，从而可以用Labelme将该标注信息可视化在待标注 图像上。通过这种方式，可以更加快捷的实现对待标注图像的自动化标注。
可选地，在步骤S303之后，还可以将已呈现有标注信息的待标注图 像作为已标注图像，将该已标注图像转换为第二预设格式，并保存经格式 转换的已标注图像。例如，在实际应用时，若采用Labelme对标注信息进 行可视化，其输出的结果文件也未json文件，那么可以将该结果文件转换 为可用于训练分类模型的数据格式，比如，由于常用的图像分类训练格式 是每张图像带有标签标识的，所以可以解析Labelme的json格式，将其转 成图像带标签标识的训练集格式，比如VOC格式或上下文中常见对象 (COCO，CommonObjectsinCOntext)格式，从而可以更高效地准备训练 数据。
如上所述，本申请主要利用已有的图像分类模型对图像进行筛选和预 标注，获得标注信息并基于该标注信息呈现待标注图像，从而提高了标注 效率。并且，标注人员在操作时，可基于已经过预标注的图像，判断其是 否标注正确，而无需人工对图像进行手动标注，从而有效地加快标注速度。 在实际应用中，可以利用已有分类模型资源或者公有的云模型资源，对输 入图像(待标注图像)进行分类，然后根据分类结果，将属于同一分类的 图像都放到一个文件夹，然后通过Labelme进行可视化标注信息，这样标 注人员在复核时只需要调节那些不符合默认图像的标签即可。在使用标注 软件可视化的后，标注人员即可判断可视化出来结果，如果图像的类别不 对，则需要做相应调整，由于在步骤S303进行筛选时已设置了相对高的 预设阈值作为置信度分数，因此需要调整的图像是少数，这样能够大大提 高标注效率。
图4为本申请实施例提供的图像标注方法的流程示意图，如图4所示， 在前述实施例的基础上，采用预先训练的图像检测模型作为上述图像处理 模型，图3所示的方法利用已有的图像分类资源，对图像进行分类；而本 实施例的方法则利用已有的模型资源对图像进行检测，进而完成对图像的 标注，该方法包括：
S401、获取待标注图像和上述待标注图像的类别列表。
前述实施例中对于步骤S201的描述同样适用于本步骤，此处不再赘 述。
可选地，这里的类别列表中的分类类别可以用于指示图像中的对象所 属的类别；该类别列表可以是通用类别或垂类类别。通用类别比如可以是 大范围的检测，行人、车辆、动物等等，垂类类别则可以是更细致的分类， 比如只检测行人等，这里的垂类类别也可以比如是检测某些标志等等，此 处不做限定。通过设置类别列表，可以根据实际需求，更加灵活地对待标 注图像进行筛选和标注，以为不同目的的深度学习模型训练提供训练数据。
在实际中，对待标注图像进行标注前，须先定义图像检测任务。首先 需要根据实际需求定义图像检测任务，是通用检测还是垂类检测，垂类检 测。通用任务即为将类别列表中的分类类别定义为通用类别，垂类任务即 为将类别列表中的分类类别定义为垂类类别。
需要说明的是，待标注图像中可能有不止一个待标注对象，这里需要 根据图像检测模型，对每个待标注对象的类别进行判断。为了简便起见， 此处仅以一个待标注对象的检测为例说明。对于待标注对象的数量此处并 不做限制。
S402、将上述类别列表、上述预设阈值和上述待标注图像输入上述预 先训练的图像检测模型，生成上述待标注图像的标注信息。
在获取了待标注图像和类别列表之后，可以将类别列表、待标注图像 以及预设阈值作为上述图形检测模型的输入，生成上述待标注图像的标注 信息。
由于类别列表中的分类类别用于指示图像中的对象所属的类别，因此， 在应用图像检测模型时，可以具体判断图像中各对象的分类。可选地，预 先训练的图像检测模型可以分别确定待标注图像中的待标注对象属于上 述类别列表中各分类类别的概率。例如，若类别列表中包括三个分类类别， 行人、动物以及车辆，则可以确定待标注图像中某个待标注对象属于这三 类的概率分别为0.9、0.2和0.1。
在确定了待标注图像中的待标注对象属于各分类类别的概率之后，图 像检测模型可以根据预先设定的预设阈值，确定概率大于预设阈值的分类 类别，作为该待标注对象的类别。以三个分类类别的概率分别为0.9、0.2 和0.1为例，若将预设阈值为0.8，则该待标注对象的分类类别为行人的概 率最大，故确定该待标注对象的分类类别为行人。
在确定了待标注图像中各待标注对象的分类类别后，图像检测模型可 以生成标注信息。正如在针对图1的场景描述中上述，生成的标注信息可 以用于指示上述待标注图像中的待标注对象所属的分类类别。
可选地，上述标注信息还可以进一步用于指示待标注对象的位置信息， 从而在对该标注信息进行可视化之后，更好地为用户服务。比如，在自动 驾驶场景中，提供待标注对象的位置信息，有利于自动驾驶车辆进行更好 的控制和判断。示例性的，上述位置信息可以是以整个待标注图像的左上 角为原点，该待标注对象在上述待标注图像中的坐标。
可选地，上述标注信息还可以用于指示上述待标注图像中的每个待标 注对象所属的分类类别对应的概率。这样在为用户呈现该标注信息时，用 户可获知上述待标注对象所属的分类类别的概率，从而可以更好地进行评 估和判断，进一步提高标注速度和准确率。
可选地，图像检测模型在待标注图像的所有待标注对象对应于上述类 别列表中各分类类别的概率均不大于预设阈值时，可以输出待标注图像的 提示信息，以提示该待标注图像不包括属于目前关注的分类类别(类别列 表中的分类类别)的待标注对象。此时可以通过上述图像检测模型获得待 标注图像的提示信息，由于该待标注图像中的所有待标注对象均不属于上 述分类类别中的任一类别，因此，可输出提示信息，以提示该待标注图像 中的待标注对象不属于上述类别列表中的分类类别。比如，上述分类类别 为行人、动物和车辆，而待标注图像并没有属于上述三类的待标注对象， 则可以输出用于提示该待标注图像中的待标注对象不属于上述类别列表 中的分类类别的提示信息。通过这种方式，可以排除掉不属于所关注的分 类类别(即类别列表中所列的分类类别)的图像，提高筛选效率。可选地， 提示方式可以有多种，比如以对话框的形式提示用户。需要说明的是，图 像检测模型也可以在上述待标注图像的所有待标注对象对应于上述类别 列表中各分类类别的概率均不大于预设阈值时，不针对上述待标注图像输 出任何信息，直接过滤掉那些不包含所关注的分类类别的图像。
在实际中，可用已有的模型资源作为上述图像检测模型，将待标注图 像作为输入，设置一个相对较高的预设阈值作为置信度分数，将那些包含 关注类别的对象的图像筛选出来。比如，若关注某些标志，则可以将这些 标志作为分类类别，通过应用图像检测模型，将包含这些标志的图像筛选 出来。
S403、基于上述标注信息呈现上述待标注图像。
前述实施例中对于步骤S203的描述同样适用于本步骤，此处不再赘 述。
可选地，可以将上述标注信息转换为第一预设格式，然后在上述待标 注图像上呈现经格式转换的标注信息。例如，在实际中，可以采用标注软 件Labelme对该标注信息进行可视化。具体地，在用图像分类模型得到待 标注图像的标注信息后，可以将生成的标注信息转化为json文件，即 Labelme可读的形式，从而可以用Labelme将该标注信息可视化在待标注 图像上。通过这种方式，可以更加快捷的实现对待标注图像的自动化标注。
示例性的，可以以标注框的形式可视化上述标注信息，如图1中的标 注框所示。需要说明的是，标注框的数量可能不止一个，比如，若类别列 表中包括两类分类类别，分别为行人和车辆，那么，在对一张包括3个行 人和5辆车辆的待标注图像进行标注时，基于上述图像处理模型，可以获 得分别针对3个行人和5辆车辆的标注框，并且每个标注框上会显示该标 注框所属类别，比如，针对行人的标注框显示为行人，针对车辆的标注框 显示为车辆，而且，每个标注框上还可以显示出对应的概率。这里的概率 表示标注框为所属类别的置信程度。另外，每个标注框上还可以显示出该 对象对应的位置坐标。
可选地，在可视化上述标注信息后，标注人员可以判断可视化出来结 果，如果框有偏差，只需要移动对齐，如果框的类别不对，需要做相应调 整，由于在步骤S403中进行筛选的时候已经选取了较高的预设阈值，因 此，需要调整的图像一般是少数，这样能够大大提高标注效率。
可选地，在步骤S403之后，还可以将已呈现有标注信息的待标注图 像作为已标注图像，将该已标注图像转换为第二预设格式，并保存经格式 转换的已标注图像。例如，在实际应用时，若采用Labelme对标注信息进 行可视化，其输出的结果文件也未json文件，那么可以将该结果文件转换 为可用于训练分类模型的数据格式，比如，由于常用的图像分类训练格式 是每张图像带有标签标识的，所以可以解析Labelme的json格式，将其转 成图像带标签标识的训练集格式，比如VOC格式或上下文中常见对象 (COCO，CommonObjectsinCOntext)格式，从而可以更高效地准备训练 数据。
如上所述，本申请主要利用已有的图像检测模型对图像进行筛选和预 标注，获得标注信息并基于该标注信息呈现待标注图像，从而提高了标注 效率。并且，标注人员在操作时，可基于已经过预标注的图像，判断其是 否标注正确，而无需人工对图像进行手动标注，从而有效地加快标注速度。 在实际应用中，可以利用已有检测模型资源或者公有的云模型资源，对输 入图像(待标注图像)进行检测，然后根据检测结果获得标注信息，然后 通过Labelme进行可视化标注信息，比如，当以框的形式可视化标注信息 后，标注人员在复核时，如果框有偏差，只需要移动对齐，如果框的类别 不对，需要做相应调整。由于在步骤S403进行筛选时已设置了相对高的 预设阈值作为置信度分数，因此需要调整的图像是少数，这样能够大大提 高标注效率。
图5是根据本申请实施例的图像标注装置的模块结构图。如图5所示， 该图像标注装置500包括：
获取模块501，用于获取待标注图像和上述待标注图像的类别列表， 上述类别列表包括一个或多个分类类别；
处理模块502，用于根据上述待标注图像和上述类别列表，基于预先 训练的图像处理模型，获得上述待标注图像的标注信息，上述标注信息用 于指示上述待标注图像对应于上述至少一个分类类别，上述标注信息为当 上述待标注图像对应于上述类别列表中至少一个分类类别的概率大于预 设阈值时获得的；
呈现模块503，用于基于上述标注信息呈现上述待标注图像。
作为一种可选的实施方式，上述图像处理模型为预先训练的图像分类 模型；上述分类类别表示图像的类别；上述处理模块502具体用于：
将上述类别列表、上述预设阈值和上述待标注图像输入上述预先训练 的图像分类模型，生成上述待标注图像的标注信息。
作为一种可选的实施方式，上述标注信息还用于指示上述至少一个分 类类别中每个分类类别对应的概率。
作为一种可选的实施方式，上述获得模块501还用于：
获得上述待标注图像的提示信息，上述提示信息用于提示上述待标注 图像不属于上述类别列表中的分类类别，上述提示信息为当上述待标注图 像对应于上述类别列表中各分类类别的概率均不大于预设阈值时获得的。
作为一种可选的实施方式，上述图像处理模型为预先训练的图像检测 模型；上述分类类别表示图像中对象的类别；上述处理模块502具体用于：
将上述类别列表、上述预设阈值和上述待标注图像输入上述预先训练 的图像检测模型，生成上述待标注图像的标注信息。
作为一种可选的实施方式，上述标注信息还用于指示上述待标注对象 的位置信息。
作为一种可选的实施方式，上述标注信息还用于指示上述待标注对象 属于上述分类类别的概率。
作为一种可选的实施方式，上述获得模块501还用于：
获得上述待标注图像的提示信息，上述提示信息用于提示上述待标注 图像不包括属于上述分类类别的待标注对象，上述提示信息为当上述待标 注图像的所有待标注对象对应于上述类别列表中各分类类别的概率均不 大于预设阈值时获得的。
作为一种可选的实施方式，上述呈现模块503具体用于：
将上述标注信息转换为第一预设格式；
在上述待标注图像上呈现经格式转换的标注信息。
作为一种可选的实施方式，上述分类类别包括通用类别或垂类类别。
根据本申请实施例，在上述图5的基础上，上述装置还包括转换模块， 上述转换模块具体用于：
将已呈现有标注信息的待标注图像作为已标注图像，将上述已标注图 像转换为第二预设格式；
保存经格式转换的已标注图像。
作为一种可选的实施方式，上述第二预设格式为上下文中常见对象 COCO格式。
如上所述，本申请主要利用已有的图像分类模型对图像进行筛选和预 标注，获得标注信息并基于该标注信息呈现待标注图像，从而提高了标注 效率。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储 介质。
如图6所示，是根据本申请实施例的图像标注方法的电子设备的框图。 电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计 算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和 其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个 人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。 本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并 且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602， 以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不 同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方 式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存 储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设 备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将 多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电 子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀 片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中， 所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处 理器执行本申请所提供的图像标注方法。本申请的非瞬时计算机可读存储 介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图 像标注方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时 软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像 标注方法对应的程序指令/模块(例如，附图5所示的获取模块501、处理 模块502和呈现模块503)。处理器601通过运行存储在存储器602中的 非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数 据处理，即实现上述方法实施例中的图像标注方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可 存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据 图像标注的电子设备的使用所创建的数据等。此外，存储器602可以包括 高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储 器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器 602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以 通过网络连接至图像标注的电子设备。上述网络的实例包括但不限于互联 网、企业内部网、局域网、移动通信网及其组合。
图像标注方法的电子设备还可以包括：输入装置603和输出装置604。 处理器601、存储器602、输入装置603和输出装置604可以通过总线或 者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与图像标注的 电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键 盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、 操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例 如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体 显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集 成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、 和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多 个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处 理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用 可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装 置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输 入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可 编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、 和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可 读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编 程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、 存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机 器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/ 或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术， 该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线 管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠 标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算 机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的 反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉 反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如， 作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、 或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器 的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处 描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部 件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络 的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此 并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具 有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的方案，首先获取待标注图像和上述待标注图像的 类别列表，然后根据上述待标注图像和上述类别列表，基于预先训练的图 像处理模型，获得上述待标注图像的标注信息，上述标注信息用于指示上 述待标注图像对应于上述至少一个分类类别，之后再基于上述待标注图像 呈现上述标注信息。根据本实施例的方法，可以利用预先训练的图像处理 模型对待标注图像进行筛选，在待标注图像对应于某一分类类别的概率大 于预设阈值时，获得指示上述待标注图像对应于上述至少一个分类类别的 标注信息，从而实现对待标注图像的自动标注，进而提高标注效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或 删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地 执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望 的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术 人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、 子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和 改进等，均应包含在本申请保护范围之内。
Claims (26)
1.一种图像标注方法，包括：
获取待标注图像和所述待标注图像的类别列表，所述类别列表包括一个或多个分类类别；
根据所述待标注图像和所述类别列表，基于预先训练的图像处理模型，获得所述待标注图像的标注信息，所述标注信息用于指示所述待标注图像对应于所述至少一个分类类别，所述标注信息为当所述待标注图像对应于所述类别列表中至少一个分类类别的概率大于预设阈值时获得的；
基于所述标注信息呈现所述待标注图像。
2.根据权利要求1所述的方法，其中，所述图像处理模型为预先训练的图像分类模型，所述分类类别表示图像的类别；
所述根据所述待标注图像和所述类别列表，基于预先训练的图像处理模型，获得所述待标注图像的标注信息，包括：
将所述类别列表、所述预设阈值和所述待标注图像输入所述预先训练的图像分类模型，生成所述待标注图像的标注信息。
3.根据权利要求2所述的方法，其中，所述标注信息还用于指示所述至少一个分类类别中每个分类类别对应的概率。
4.根据权利要求1所述的方法，还包括：
获得所述待标注图像的提示信息，所述提示信息用于提示所述待标注图像不属于所述类别列表中的分类类别，所述提示信息为当所述待标注图像对应于所述类别列表中各分类类别的概率均不大于预设阈值时获得的。
5.根据权利要求1所述的方法，其中，所述图像处理模型为预先训练的图像检测模型，所述分类类别表示图像中对象的类别；
所述根据所述待标注图像和所述类别列表，基于预先训练的图像处理模型，获得所述待标注图像的标注信息，包括：
将所述类别列表、所述预设阈值和所述待标注图像输入所述预先训练的图像检测模型，生成所述待标注图像的标注信息。
6.根据权利要求5所述的方法，其中，所述标注信息还用于指示所述待标注对象的位置信息。
7.根据权利要求5所述的方法，其中，所述标注信息还用于指示所述待标注对象属于所述分类类别的概率。
8.根据权利要求5所述的方法，还包括：
获得所述待标注图像的提示信息，所述提示信息用于提示所述待标注图像不包括属于所述分类类别的待标注对象，所述提示信息为当所述待标注图像的所有待标注对象对应于所述类别列表中各分类类别的概率均不大于预设阈值时获得的。
9.根据权利要求1-8中任一项所述的方法，其中，所述基于所述标注信息呈现所述待标注图像，包括：
将所述标注信息转换为第一预设格式；
在所述待标注图像上呈现经格式转换的标注信息。
10.根据权利要求1-8中任一项所述的方法，其中，所述基于所述标注信息呈现所述待标注图像之后，还包括：
将已呈现有标注信息的待标注图像作为已标注图像，将所述已标注图像转换为第二预设格式；
保存经格式转换的已标注图像。
11.根据权利要求10所述的方法，其中，所述第二预设格式为上下文中常见对象COCO格式。
12.根据权利要求1-8中任一项所述的方法，其中，所述分类类别包括通用类别或垂类类别。
13.一种图像标注装置，包括：
获取模块，用于获取待标注图像和所述待标注图像的类别列表，所述类别列表包括一个或多个分类类别；
处理模块，用于根据所述待标注图像和所述类别列表，基于预先训练的图像处理模型，获得所述待标注图像的标注信息，所述标注信息用于指示所述待标注图像对应于所述至少一个分类类别，所述标注信息为当所述待标注图像对应于所述类别列表中至少一个分类类别的概率大于预设阈值时获得的；
呈现模块，用于基于所述标注信息呈现所述待标注图像。
14.根据权利要求13所述的装置，其中，所述图像处理模型为预先训练的图像分类模型，所述分类类别表示图像的类别；
所述处理模块具体用于：
将所述类别列表、所述预设阈值和所述待标注图像输入所述预先训练的图像分类模型，生成所述待标注图像的标注信息。
15.根据权利要求14所述的装置，其中，所述标注信息还用于指示所述至少一个分类类别中每个分类类别对应的概率。
16.根据权利要求13所述的装置，所述获得模块还用于：
获得所述待标注图像的提示信息，所述提示信息用于提示所述待标注图像不属于所述类别列表中的分类类别，所述提示信息为当所述待标注图像对应于所述类别列表中各分类类别的概率均不大于预设阈值时获得的。
17.根据权利要求13所述的装置，其中，所述图像处理模型为预先训练的图像检测模型，所述分类类别表示图像中对象的类别；
所述处理模块具体用于：
将所述类别列表、所述预设阈值和所述待标注图像输入所述预先训练的图像检测模型，生成所述待标注图像的标注信息。
18.根据权利要求17所述的装置，其中，所述标注信息还用于指示所述待标注对象的位置信息。
19.根据权利要求17所述的装置，其中，所述标注信息还用于指示所述待标注对象属于所述分类类别的概率。
20.根据权利要求17所述的装置，所述获得模块还用于：
获得所述待标注图像的提示信息，所述提示信息用于提示所述待标注图像不包括属于所述分类类别的待标注对象，所述提示信息为当所述待标注图像的所有待标注对象对应于所述类别列表中各分类类别的概率均不大于预设阈值时获得的。
21.根据权利要求13-20中任一项所述的装置，其中，所述呈现模块具体用于：
将所述标注信息转换为第一预设格式；
在所述待标注图像上呈现经格式转换的标注信息。
22.根据权利要求13-20中任一项所述的装置，还包括转换模块，所述转换模块具体用于：
将已呈现有标注信息的待标注图像作为已标注图像，将所述已标注图像转换为第二预设格式；
保存经格式转换的已标注图像。
23.根据权利要求22所述的装置，其中，所述第二预设格式为上下文中常见对象COCO格式。
24.根据权利要求13-20中任一项所述的装置，其中，所述分类类别包括通用类别或垂类类别。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611734.9A CN111783635A (zh) | 2020-06-30 | 2020-06-30 | 图像标注方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611734.9A CN111783635A (zh) | 2020-06-30 | 2020-06-30 | 图像标注方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111783635A true CN111783635A (zh) | 2020-10-16 |
Family
ID=72761366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010611734.9A Pending CN111783635A (zh) | 2020-06-30 | 2020-06-30 | 图像标注方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783635A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
| CN113095338A (zh) * | 2021-06-10 | 2021-07-09 | 季华实验室 | 工业品图像的自动标注方法、装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190102605A1 (en) * | 2017-09-29 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co.,Ltd. | Method and apparatus for generating information |
| CN109784424A (zh) * | 2019-03-26 | 2019-05-21 | 腾讯科技（深圳）有限公司 | 一种图像分类模型训练的方法、图像处理的方法及装置 |
| CN110058756A (zh) * | 2019-04-19 | 2019-07-26 | 北京朗镜科技有限责任公司 | 一种图像样本的标注方法及装置 |
| CN110378420A (zh) * | 2019-07-19 | 2019-10-25 | Oppo广东移动通信有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
| CN110442140A (zh) * | 2019-08-19 | 2019-11-12 | 大连海事大学 | 一种可学习型垃圾分类无人车控制系统 |
| CN110807495A (zh) * | 2019-11-08 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 多标签分类方法、装置、电子设备及存储介质 |
| CN110837869A (zh) * | 2019-11-11 | 2020-02-25 | 深圳市商汤科技有限公司 | 图像分类模型训练方法、图像处理方法及装置 |
| CN111340131A (zh) * | 2020-03-09 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
-
2020
- 2020-06-30 CN CN202010611734.9A patent/CN111783635A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190102605A1 (en) * | 2017-09-29 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co.,Ltd. | Method and apparatus for generating information |
| CN109784424A (zh) * | 2019-03-26 | 2019-05-21 | 腾讯科技（深圳）有限公司 | 一种图像分类模型训练的方法、图像处理的方法及装置 |
| CN110058756A (zh) * | 2019-04-19 | 2019-07-26 | 北京朗镜科技有限责任公司 | 一种图像样本的标注方法及装置 |
| CN110378420A (zh) * | 2019-07-19 | 2019-10-25 | Oppo广东移动通信有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
| CN110442140A (zh) * | 2019-08-19 | 2019-11-12 | 大连海事大学 | 一种可学习型垃圾分类无人车控制系统 |
| CN110807495A (zh) * | 2019-11-08 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 多标签分类方法、装置、电子设备及存储介质 |
| CN110837869A (zh) * | 2019-11-11 | 2020-02-25 | 深圳市商汤科技有限公司 | 图像分类模型训练方法、图像处理方法及装置 |
| CN111340131A (zh) * | 2020-03-09 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 严靓;周欣;何小海;熊淑华;卿粼波;: "基于集成分类的暴恐图像自动标注方法", 太赫兹科学与电子信息学报, no. 02, 25 April 2020 (2020-04-25) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
| CN113065609B (zh) * | 2021-04-22 | 2024-04-09 | 深圳赛安特技术服务有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
| CN113095338A (zh) * | 2021-06-10 | 2021-07-09 | 季华实验室 | 工业品图像的自动标注方法、装置、电子设备和存储介质 |
| CN113095338B (zh) * | 2021-06-10 | 2021-11-09 | 季华实验室 | 工业品图像的自动标注方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| CN112241452B (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN111881908B (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
| CN111275011B (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
| CN112270533A (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
| CN111652153A (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
| CN112507832A (zh) | 监控场景下的犬只检测方法、装置、电子设备和存储介质 | |
| CN113591580B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
| CN111783635A (zh) | 图像标注方法、装置、设备以及存储介质 | |
| CN112270532B (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
| CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
| CN111753911A (zh) | 用于融合模型的方法和装置 | |
| CN111832658B (zh) | 兴趣点信息处理方法、装置、电子设备和存储介质 | |
| CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
| CN111767831A (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
| CN112257604A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
| CN112785714A (zh) | 点云实例标注方法及装置、电子设备和介质 | |
| CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
| CN114419493A (zh) | 图像的标注方法、装置、电子设备和存储介质 | |
| CN111783613B (zh) | 异常检测方法、模型的训练方法、装置、设备及存储介质 | |
| CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
| CN110865421B (zh) | 自动驾驶业务模型训练方法、检测方法、装置和电子设备 | |
| CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 |
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 |