CN111860564A - 具有图像分析的主动学习的基于人工智能的注释框架 - Google Patents

具有图像分析的主动学习的基于人工智能的注释框架 Download PDF

Info

Publication number
CN111860564A
CN111860564A CN202010317343.6A CN202010317343A CN111860564A CN 111860564 A CN111860564 A CN 111860564A CN 202010317343 A CN202010317343 A CN 202010317343A CN 111860564 A CN111860564 A CN 111860564A
Authority
CN
China
Prior art keywords
artificial intelligence
component
intelligence model
annotation
training data
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
Application number
CN202010317343.6A
Other languages
English (en)
Inventor
拉杰库马尔·辛哈·孔沃尔
马尼·阿贝迪尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN111860564A publication Critical patent/CN111860564A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

呈现了用于提供具有图像分析的主动学习的基于人工智能的注释框架的系统和技术。在一个示例中，系统注释与特征学习处理的一组图像相关联的训练数据。该系统还基于特征学习处理来增量地更新工程部件的分析人工智能模型。

Description

具有图像分析的主动学习的基于人工智能的注释框架
技术领域
本公开大体涉及人工智能。
背景技术
人工智能(AI)可以用于各种技术的数字图像的分类和/或分析。在一个示例中，可以将AI用于图像识别。为了生成人工智能模型，通常进行训练图像集的注释。训练图像集的注释通常是由用户进行的手动任务。这样，使用常规人工智能技术的训练图像集的注释通常比较麻烦和/或容易出错。此外，在训练图像集的注释期间，通常在用户犯错的情况下提供可靠性较低和/或准确性较差的人工智能模型。此外，利用常规人工智能技术，可能需要训练图像集的重新注释和/或人工智能模型的重新建模。这样，可以改进常规人工智能技术。
发明内容
下面呈现了本说明书的简化概述，以便提供对本说明书某些方面的基本理解。该概述不是本说明书的广泛综述。它既不旨在标识本说明书的关键或重要元件，也不旨在描述本说明书的特定实施方式的任何范围或权利要求书的任何范围。其唯一目的是以简化的形式呈现本说明书的一些概念，作为稍后呈现的更详细描述的序言。
根据一个实施例，系统包括注释部件和主动学习部件。注释部件注释与特征学习处理的一组图像相关联的训练数据。主动学习部件基于特征学习处理来增量地更新工程部件的分析人工智能模型。
根据另一实施例，提供了一种方法。该方法包括注释与特征学习处理的一组图像相关联的训练数据。该方法还包括基于特征学习处理来增量地更新工程部件的人工智能模型。
根据又一实施例，提供了一种计算机可读存储装置。该计算机可读存储装置包括指令，该指令响应于执行而使包括处理器的系统进行操作，包括注释与特征学习处理的一组图像相关联的训练数据。处理器还进行操作，包括基于特征学习处理来增量地更新工程部件的人工智能模型。处理器还进行操作，包括将人工智能模型提供给显示装置，以以人类可解释的格式显示与人工智能模型相关联的信息。
以下描述和附图阐述了本说明书的某些说明性方面。然而，这些方面仅指示可以采用本说明书的原理的各种方式中的几种。当结合附图考虑时，根据以下本说明书的详细描述，本说明书的其他优点和新颖特征将变得显而易见。
附图说明
结合附图考虑以下详细描述，本发明的许多方面，实施方式，目的和优点将变得显而易见，其中相同的参考字符始终指代相同的部分，并且其中：
图1示出了根据本文描述的各个方面和实施方式的示例人工智能部件的高级框图；
图2示出了根据本文描述的各个方面和实施方式的另一示例人工智能部件的高级框图；
图3示出了根据本文描述的各个方面和实施方式的与具有图像分析的主动学习的基于人工智能的注释框架相关联的示例系统；
图4示出了根据本文描述的各个方面和实施方式的与具有图像分析的主动学习的基于人工智能的注释框架相关联的另一示例系统；
图5示出了根据本文描述的各个方面和实施方式的与具有图像分析的主动学习的基于人工智能的注释框架相关联的又一示例系统；
图6示出了根据本文描述的各个方面和实施方式的与具有图像分析的主动学习的基于人工智能的注释框架相关联的又一示例系统；
图7示出了根据本文描述的各个方面和实施方式的与具有图像分析的主动学习的基于人工智能的注释框架相关联的示例用户界面；
图8描绘了根据本文描述的各个方面和实施方式的用于提供具有图像分析的主动学习的基于人工智能的注释框架的示例方法的流程图；
图9是示出合适的操作环境的示意框图；和
图10是样本计算环境的示意框图。
具体实施方式
现在参考附图描述本公开的各个方面，其中相同的附图标记始终用于指代相同的元件。在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供一个或多个方面的透彻理解。但是，应当理解，可以在没有这些具体细节或具有其他方法，部件，材料等的情况下实践本公开的某些方面。在其他实例中，以框图形式示出了公知的结构和装置，以有助于描述一个或多个方面。
呈现了提供具有图像分析的主动学习的基于人工智能(AI)的注释框架的系统和技术。例如，本文公开的基于AI的注释框架可以是图像注释的数字框架和/或交互式框架。本文公开的基于AI的注释框架还可以生成分析模型(例如，AI分析模型)和/或可以通过图像分析的主动学习部件来增量地更新分析模型。一方面，本文公开的基于AI的注释框架可以生成分析模型(例如，AI分析模型)而无需采用先前生成的注释。另一方面，本文公开的基于AI的注释框架可以增量地更新分析模型(例如，AI分析模型)，而无需丢弃分析模型(例如，AI分析模型)和/或先前生成的与分析模型相关联的数据的一个或多个部分。在实施例中，可以提供界面，其中可以针对给定特征进行训练集的图像注释。在另一个实施例中，本文公开的基于AI的注释框架可以实例化在与基于AI的注释框架相关联的系统中可用的主动学习部件。在另一个实施例中，本文公开的基于AI的注释框架可以连接到服务器上可用的主动学习部件。在某些实施例中，可以在注释处理期间将反馈提供给主动分析模型，以促进增量学习和/或取消学习。在某些实施例中，本文公开的基于AI的注释框架可以连接到数据库(例如，数据湖)，服务器和/或系统，以推或拉新的分析模型(例如，新的分析AI模型)。此外，可以更新新的分析模型(例如，新的分析AI模型)。为了更新分析模型(例如，分析AI模型)，可以注释训练集(例如，新的训练集或先前生成的训练集)，以允许分析模型从训练集中学习。在某些实施例中，多个用户可以连接到基于AI的注释框架，以促进分析模型(例如，分析AI模型)的同时注释和/或更新。在另一个实施例中，基于AI的注释框架可以从与多个用户相关联的同时注释和/或更新中选择最佳分析模型。在某些实施例中，可以采用当前版本的分析模型(例如，分析AI模型)以在注释处理期间提供一个或多个预测和/或帮助。在某些实施例中，本文公开的基于AI的注释框架可以显示与分析模型(例如，分析AI模型)的注释相关联的信息，以促进分析模型的主动学习处理。这样，可以提供人工智能模型的增量学习。还可以改进与分析模型(例如，分析AI模型)相关联的注释。增量学习还可以减轻对重新注释训练图像集和/或重新建模人工智能模型的需求。此外，可以改进分析模型(例如，分析AI模型)的质量和/或有效性。还可以提供人工智能模型的自动构建和/或训练人工智能模型的自动注释。此外，可以改进生成与图像数据相关联的分析模型(例如，分析AI模型)的一个或多个处理器的性能和/或效率。
首先参考图1，示出了根据本公开的一个或多个实施例的提供具有图像分析的主动学习的基于AI的注释框架的示例系统100。系统100可以由各种系统(例如但不限于工程系统，工程部件系统，装备系统，航空系统，发动机系统，飞行器系统，汽车系统，水运系统，工业装备系统，资产系统，工业系统，制造系统，工厂系统，能源管理系统，电网系统，供水系统，运输系统，医疗保健系统，医疗装置系统，医学成像系统，医学诊断系统，医疗系统，医学建模系统，企业成像解决方案系统，高级诊断工具系统，模拟系统，图像管理平台系统，护理交付管理系统，炼油厂系统，媒体系统，金融系统，数据驱动预测系统，诊断系统，数字系统，人工智能系统，机器学习系统，神经网络系统，建模系统，网络系统，计算机网络系统，通信系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，供暖，通风和空调(HVAC)系统，企业系统等)采用。此外，系统100和/或系统100的部件可以用来使用硬件和/或软件来解决本质上技术含量高(例如，与处理数字数据有关，与处理成像数据有关，与人工智能有关，与人工智能建模有关，等)的问题，这些问题不是抽象的，并且不能作为人类的一组心理行为来进行。
系统100可以包括人工智能部件102，该人工智能部件102可以包括注释部件104和主动学习部件106。在本公开中解释的系统，设备或处理的方面可以构成体现在机器内(例如体现在与一个或多个机器相关联的一个或多个计算机可读介质(或媒体)中)的机器可执行部件。当由一个或多个机器(例如计算机，计算装置，虚拟机等)执行时，这样的部件可以使机器进行所描述的操作。系统100(例如，人工智能部件102)可以包括用于存储计算机可执行部件和指令的存储器110。系统100(例如，人工智能部件102)可以进一步包括处理器108，以促进系统100(例如，人工智能部件102)对指令(例如，计算机可执行部件和指令)的操作。
人工智能部件102(例如，人工智能部件102的注释部件104)可以接收训练数据114。训练数据114可以是例如与特征学习处理的一组图像相关联的训练集。在一个实施例中，训练数据114可以用于训练人工智能网络(例如，人工智能模型)。例如，训练数据114可以用于训练神经网络。在某些实施例中，训练数据114可以与来自预训练模型的一组权重相关联。该组图像可以包括一个或多个数字图像。该组图像可以是由一个或多个成像装置生成的二维成像数据和/或三维成像数据。例如，该组图像可以是经由一组传感器(例如，与成像装置相关联的一组传感器)捕获的图像。在某些实施例中，该组图像可以是在一段时间间隔期间经由一组传感器(例如，与成像装置相关联的一组传感器)捕获的一系列图像。可以直接从一个或多个成像装置接收该组图像。替代地，该组图像可以被存储在接收和/或存储该组图像的一个或多个数据库中。在一个实施例中，该组图像可以是与一个或多个工程部件相关联的一组图像。例如，一个或多个工程部件可以是与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，飞行器叶片，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关的一个或多个机械部件和/或一个或多个电气部件。在另一非限制性实施例中，该组图像可以是医学成像数据。例如，该组图像可以是由一个或多个医学成像装置生成的二维医学成像数据和/或三维医学成像数据。例如，该组图像可以是经由一组传感器(例如，与医学成像装置相关联的一组传感器)捕获的电磁辐射图像。在某些实施例中，该组图像可以是在一段时间间隔期间经由一组传感器(例如，与医学成像装置相关联的一组传感器)捕获的一系列电磁辐射图像。在另一示例中，该组图像可以是正电子发射断层摄影(PET)扫描图像。在又一个示例中，该组图像可以是磁共振成像(MRI)数据。医学成像装置可以是例如X射线装置，计算机断层摄影(CT)装置，PET扫描仪装置，MRI装置，另一种类型的医学成像装置等。
在一个实施例中，注释部件104可以注释训练数据114的一个或多个部分。例如，特征学习处理可以包括注释处理，以促进学习与该组图像相关联的一个或多个特征。此外，注释部件104可以进行注释处理以标记与训练数据114相关联的该组图像的一个或多个部分。在一方面，注释部件104可以为与训练数据114相关联的该组图像生成一个或多个图像级注释和/或一个或多个像素级注释。在另一方面，注释部件104可以注释与训练数据114相关联的该组图像的一个或多个感兴趣区域。注释部件104可以例如采用边界框来注释与训练数据114相关联的图像的一部分。在另一个示例中，注释部件104可以采用自由形式的形状来注释与训练数据114相关联的图像的一部分。在又一示例中，注释部件104可以标记与训练数据114相关联的图像的一个或多个像素以注释该图像。在又一示例中，注释部件104可以采用一个或多个掩模来标记与训练数据114相关联的图像的一个或多个像素。例如，注释可以表示通过标记或失败标记。在一方面，注释可以指示工程部件的感兴趣区域是否包括缺陷。例如，注释可以指示工程部件的感兴趣区域是包括缺陷(例如，裂缝等)的区域还是正常(例如，没有缺陷)的区域。在某些实施例中，由注释部件104生成的注释可以标记(例如，分类)与训练数据114相关联的图像的感兴趣区域。标记可以是例如第一分类(例如，第一分类标记)或第二分类(例如，第二分类标记)。在一个示例中，由注释部件104生成的注释可以对应于与训练数据114相关联的图像的一个或多个部分的“通过”标记，或者对应于图像的一个或多个部分的“失败”标记。
主动学习部件106可以基于特征学习处理来增量地更新与训练数据114相关联的人工智能模型116。例如，主动学习部件106可以基于该组图像的一个或多个注释来增量地更新人工智能模型116。例如，人工智能模型116可以是分析人工智能模型。此外，在某些实施例中，人工智能模型116可以是训练模型，以促进识别图像中的一个或多个缺陷和/或一个或多个异常。在一示例中，主动学习部件106可以基于特征学习处理增量地更新一个或多个工程部件的人工智能模型116。例如，人工智能模型116可以是与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关的一个或多个机械部件和/或一个或多个电气部件的人工智能模型。主动学习部件106可以通过在注释处理期间重复更新人工智能模型来增量地更新人工智能模型116。例如，主动学习部件106可以在注释处理期间两次或更多次更新人工智能模型116。在一个实施例中，主动学习部件106可以基于用户反馈来增量地更新人工智能模型116。例如，主动学习部件106可以确定由用户提供的注释是否正确。在另一个示例中，用户可以提供与关于由主动学习部件106生成的注释是否正确的确定相关联的反馈。在某些实施例中，主动学习部件106可以基于由第二用户提供的反馈来评估由第一用户提供的注释的性能和/或准确性。在某些实施例中，主动学习部件106可以基于与注释相关联的人工智能模型116的分析来评估由用户提供的注释的性能和/或准确性。
在某些实施例中，注释部件104可以预筛选与训练数据114相关联的该组图像。例如，注释部件104可以将来自该组图像的图像分离成类别。此外，注释部件104可以基于与图像相关联的类别来评估图像的注释。这样，主动学习部件106可以基于用户的历史表现，用户确定的注释的强度/弱点等，来为用户个性化注释处理。主动学习部件106还可以根据基于类别的注释的评估来确定供用户改进的注释特性。在某些实施例中，主动学习部件106可以确定由用户和/或主动学习部件106生成的注释的置信度得分。此外，主动学习部件106可以基于与一个或多个注释相关联的一个或多个置信度得分来更新人工智能模型116。例如，可以在人工智能模型116的训练处理期间采用与一个或多个注释相关联的一个或多个置信度得分。在示例中，与注释的较低置信度得分相比，注释的较高置信度得分可以对应于训练和/或更新人工智能模型116的较大的权重值。在某些实施例中，主动学习部件106可以构造注释的审查处理。例如，主动学习部件106可以基于用户的表现和/或置信度水平来修改审查处理。在另一个示例中，主动学习部件106可以确定由主动学习部件106生成的注释是否应当被呈现给用户和/或由用户进行第二次注释。在某些实施例中，主动学习部件106可以基于在注释处理期间相应训练阶段的表现和/或一个或多个先前注释的表现来构造注释处理。
在某些实施例中，主动学习部件106可以经由第一建模处理来增量地更新人工智能模型116。例如，第一建模处理可以生成人工智能模型116的第一版本。在一个示例中，第一建模处理可以与和训练数据114的第一用户(例如，第一用户身份)相关联的第一组注释相关联。此外，主动学习部件106可以经由第二建模处理来增量地更新人工智能模型116。例如，第二建模处理可以生成人工智能模型116的第二版本。在一个示例中，第二建模处理可以与和训练数据114的第二用户(例如，第二用户身份)相关联的第二组注释相关联。一方面，相对于第二建模处理，第一建模处理可以同时更新人工智能模型116。例如，第一建模处理可以大致与第二建模处理生成人工智能模型116的第二版本并行地生成人工智能模型116的第一版本。在另一方面，主动学习部件106可以选择与第一建模处理相关联的人工智能模型116的第一版本或与第二建模处理相关联的人工智能模型116的第二版本，以存储在与服务器相关联的数据贮存器中。例如，主动学习部件106可以从与第一建模处理相关联的人工智能模型116的第一版本和与第二建模处理相关联的人工智能模型116的第二版本中选择人工智能模型116的最佳版本。
在某些实施例中，为了促进人工智能模型116的生成和/或更新人工智能模型116，主动学习部件106可以关于训练数据114和/或注释处理进行学习。主动学习部件106还可生成关于训练数据114和/或注释处理的推论。主动学习部件106可以例如采用人工智能的原理来促进学习和/或生成关于训练数据114和/或注释处理的推论。主动学习部件106可以显式或隐式地关于训练数据114和/或注释处理进行学习。附加地或替代地，主动学习部件106还可以采用自动分类系统和/或自动分类处理来促进学习和/或生成关于训练数据114和/或注释处理的推论。例如，主动学习部件106可以采用基于概率和/或统计的分析来学习和/或生成关于训练数据114和/或注释处理的推论。主动学习部件106可以采用例如支持向量机(SVM)分类器来学习和/或生成关于训练数据114和/或注释处理的推论。附加地或替代地，主动学习部件106可以采用与贝叶斯网络，决策树和/或概率分类模型相关联的其他分类技术。主动学习部件106所采用的分类器可以被明确地训练(例如，经由通用训练数据)以及被隐式地训练(例如，经由观察用户行为，接收外部信息)。例如，关于众所周知的SVM，经由分类器构造器和特征选择模块中的学习阶段或训练阶段来构造SVM。分类器是将输入属性向量x＝(x1,x2,x3,x4,xn)映射到输入属于一个类的置信度(即f(x)＝置信度(类))的函数。在某些实施方式中，主动学习部件106还可以采用除训练数据114和/或与注释处理相关联的数据之外的历史数据。
在一方面，主动学习部件106可以包括推论部件，该推论部件可以进一步部分地利用基于推论的方案来增强主动学习部件106的自动方面，以促进学习和/或生成关于训练数据114和/或注释处理的推论。主动学习部件106可以采用任何合适的基于机器学习的技术，基于统计的技术和/或基于概率的技术。例如，主动学习部件106可以采用专家系统，模糊逻辑，SVM，隐马尔可夫模型(HMM)，贪婪搜索算法，基于规则的系统，贝叶斯模型(例如贝叶斯网络)，神经网络，其他非线性训练技术，数据融合，基于效用的分析系统，采用贝叶斯模型的系统等。在另一方面，主动学习部件106可以进行与训练数据114和/或注释处理相关联的一组机器学习计算。例如，主动学习部件106可以进行一组聚类机器学习计算，一组决策树机器学习计算，一组基于实例的机器学习计算，一组回归机器学习计算，一组正则化机器学习计算，一组规则学习机器学习计算，一组贝叶斯机器学习计算，一组深度玻尔兹曼机器计算，一组深度信念网络计算，一组卷积神经网络计算，一组堆叠自动编码器计算和/或一组不同的机器学习计算。
应当理解，人工智能部件102的技术特征本质上是技术含量高的，而不是抽象概念。分析训练数据114，生成人工智能模型116等的人工智能部件102的处理线程不能由人(例如，大于单个人脑的能力)来进行。例如，与单个人脑在同一时间段内可以处理的量，速度和数据类型相比，人工智能部件102在一定时间段内处理的训练数据114的量，训练数据114的处理速度和/或处理的训练数据114的数据类型可以分别更大，更快且不同。此外，由人工智能部件102处理的训练数据114可以是由图像捕获装置的传感器生成的一个或多个图像。此外，人工智能部件102可以完全操作以进行一个或多个其他功能(例如，完全通电，完全执行等)，同时还处理训练数据114。
现在参考图2，示出了根据本公开的各个方面和实施方式的系统200的非限制性实施方式。为了简洁起见，省略了本文描述的其他实施例中采用的相同元件的重复描述。系统200包括人工智能部件102。在图2所示的实施例中，人工智能部件102可以包括注释部件104，主动学习部件106，处理器108，存储器110和/或显示部件202。显示部件202可以将训练数据114提供给显示装置，从而以人类可解释的格式显示与训练数据114相关联的信息。附加地或替代地，显示部件202可以将人工智能模型116和/或与人工智能模型116相关联的信息提供给显示装置，从而以人类可解释的格式显示人工智能模型116和/或与人工智能模型116相关联的信息。显示部件202可以例如在与显示装置相关联的用户界面上呈现训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息。显示装置可以是用户装置，例如但不限于计算装置，计算机，台式计算机，膝上型计算机，监视器装置，智能装置，智能电话，移动装置，手持装置，平板装置，便携式计算装置，可穿戴装置，虚拟现实装置或与用户界面相关联的另一种类型的显示装置。在一方面，显示部件202可以改变训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息中的至少一部分的视觉特性(例如，颜色，大小，色调，阴影等)。例如，显示部件202可以基于与该组图像相关联的一个或多个注释来改变训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息中的至少一部分的视觉特征(例如，颜色，大小，色调，阴影等)。在另一方面，显示部件202可以允许用户关于训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息进行放大或缩小。例如，显示部件202可以允许用户相对于与训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息相关联的注释进行放大或缩小。这样，用户可以查看，分析训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息和/或与其交互。
现在参考图3，示出了根据本公开的各个方面和实施方式的系统300的非限制性实施方式。为了简洁起见，省略了本文描述的其他实施例中采用的相同元件的重复描述。系统300包括服务器302和显示装置304。服务器302可以包括人工智能部件102，该人工智能部件102包括注释部件104，主动学习部件106，处理器108，存储器110和/或显示部件202。这样，在某些实施例中，注释部件104，主动学习部件106和/或显示部件202可以在服务器302上实施。在替代实施例中，主动学习部件106可以在服务器302上实施，并且注释部件104可以在显示装置304上实施。显示装置304可以经由网络306与服务器302通信(例如，与人工智能部件102通信)。网络306可以是通信网络，无线网络，有线网络，互联网协议(IP)网络，IP语音网络，互联网电话网络，移动电信网络和/或另一类型的网络。显示装置304可以是用户装置，例如但不限于计算装置，计算机，台式计算机，膝上型计算机，监视器装置，智能装置，智能电话，移动装置，手持装置，平板装置，便携式计算装置，可穿戴装置，虚拟现实装置或与用户界面相关联的另一种类型的显示装置。在某些实施例中，人工智能部件102的显示部件202可以经由显示装置304的用户界面将训练数据114，人工智能模型116和/或与人工智能模型116相关联的信息提供给显示装置304，从而以人类可解释的格式显示人工智能模型116和/或与人工智能模型116相关联的信息。在某些实施例中，用户可以经由显示装置304的用户界面提供与训练数据114和/或人工智能模型116相关联的一个或多个图像的一个或多个注释。在某些实施例中，显示装置304可以是与至少第一用户(例如，提供一个或多个注释的第一用户)和第二用户(例如，审查一个或多个注释的第二用户)相关联的两个或更多个显示装置。
现在参考图4，示出了根据本公开的各个方面和实施方式的系统400的非限制性实施方式。为了简洁起见，省略了本文描述的其他实施例中采用的相同元件的重复描述。系统400包括服务器302。在图4所示的实施例中，服务器302可以包括人工智能部件102和服务器部件402。人工智能部件102可以包括注释部件104，主动学习部件106，处理器108，存储器110和/或显示部件202。此外，在某些实施例中，服务器302(例如，人工智能部件102和/或服务器部件402)可以经由网络306与显示装置304通信。服务器部件402可以与人工智能部件102通信。例如，服务器部件402可以与注释部件104，主动学习部件106和/或显示部件202通信。在一个实施例中，服务器部件402可以存储人工智能模型116。例如，主动学习部件106可以将人工智能模型116传输到服务器部件402。在另一个示例中，主动学习部件106可以增量地更新由服务器部件402存储的人工智能模型116的版本。在某些实施例中，注释部件104可以基于服务器部件402接收的数据来注释训练数据114。例如，注释部件104可以基于与由服务器部件402存储的人工智能模型116相关联的数据来注释训练数据114。
在某些实施例中，主动学习部件106可以经由第一建模处理来增量地更新人工智能模型116。例如，第一建模处理可以生成人工智能模型116的第一版本。在一个示例中，第一建模处理可以与和训练数据114的第一用户(例如，第一用户身份)相关联的第一组注释相关联。此外，主动学习部件106可以经由第二建模处理来增量地更新人工智能模型116。例如，第二建模处理可以生成人工智能模型116的第二版本。在一个示例中，第二建模处理可以与和训练数据114的第二用户(例如，第二用户身份)相关联的第二组注释相关联。一方面，相对于第二建模处理，第一建模处理可以同时更新人工智能模型116。例如，第一建模处理可以大致与第二建模处理生成人工智能模型116的第二版本并行地生成人工智能模型116的第一版本。在另一方面，主动学习部件106可以选择与第一建模处理相关联的人工智能模型116的第一版本或与第二建模处理相关联的人工智能模型116的第二版本，以供服务器部件402存储。例如，主动学习部件106可以(例如，从与第一建模处理相关联的人工智能模型116的第一版本和与第二建模处理相关联的人工智能模型116的第二版本中)选择人工智能模型116的最佳版本，以供服务器部件402存储。这样，在某些实施例中，服务器部件402可以存储人工智能模型116的最佳版本和/或人工智能模型116的最新版本。
现在参考图5，示出了根据本公开的各个方面和实施方式的系统500的非限制性实施方式。为了简洁起见，省略了本文描述的其他实施例中采用的相同元件的重复描述。系统500包括服务器502。在某些实施例中，服务器502可以对应于服务器302。服务器502可以至少包括人工智能部件102的主动学习部件106。在某些实施例中，服务器502可以另外包括注释部件104和/或显示部件202。服务器502还可以包括一个或多个注释图像504。一个或多个注释图像504可以是与训练数据114相关联的该组图像的一个或多个注释。在一个实施例中，可以进行处理506以更新与一个或多个注释图像504相关联的一个或多个注释。此外，可以进行处理508以增量地训练模型。例如，处理508可以增量地训练人工智能模型116。主动学习部件106可以采用与处理508(例如，模型的增量训练)相关联的信息来生成新图像512的预测510。新图像512可以是例如新的原始图像。此外，新图像512可以是与工程部件相关联的新图像。例如，新图像512可以是与一个或多个机械部件和/或一个或多个电气部件相关联的新图像，该一个或多个机械部件和/或一个或多个电气部件与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，飞行器叶片，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关。预测510可以是关于新图像512的感兴趣区域是否包括缺陷的预测。例如，预测510可以预测新图像512的感兴趣区域是包括缺陷(例如，裂缝等)的区域还是正常(例如，没有缺陷)的区域。在某些实施例中，预测510可以标记(例如，分类)新图像512的感兴趣区域。与预测510相关联的标记可以是例如新图像512的第一分类(例如，第一分类标记)或第二分类(例如，第二分类标记)。在一个示例中，预测510可以提供新图像512的一个或多个部分的“通过”标记预测或“失败”标记预测。
在另一实施例中，服务器502可以存储一个或多个训练图像514。一个或多个训练图像514可以是训练人工智能模型的一个或多个图像。例如，一个或多个训练图像514可以被包括在训练数据114中和/或可以被用来生成人工智能模型116。一个或多个训练图像514可以是与一个或多个工程部件相关联的一个或多个图像。例如，一个或多个训练图像514可以是与一个或多个机械部件和/或一个或多个电气部件相关联的一个或多个图像，该一个或多个机械部件和/或一个或多个电气部件与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，飞行器叶片，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关。在某些实施例中，注释器装置516可以用于生成一个或多个训练图像514的一个或多个注释。例如，注释器装置516可以是用户用来生成一个或多个训练图像514的一个或多个注释的显示装置。在一个示例中，注释器装置516可以对应于显示装置304。在一方面，注释器装置516可以是显示装置，例如但不限于计算装置，计算机，台式计算机，膝上型计算机，监视器装置，智能装置，智能电话，移动装置，手持装置，平板装置，便携式计算装置，可穿戴装置，虚拟现实装置或与用户界面相关联的另一种类型的显示装置，以促进生成一个或多个训练图像514的一个或多个注释。在某些实施例中，注释器装置516可以包括注释部件104。注释器装置516可以生成一个或多个注释图像518。一个或多个注释图像504可以是与训练数据114相关联的该组图像的一个或多个注释。
在又一个实施例中，可以进行处理520以确定是否存在元模型。例如，可以确定是否存在人工智能模型的替代模型(例如，人工智能模型116的替代模型)。替代模型可以是人工智能模型的简化版本或先前版本(例如，人工智能模型116的简化版本或先前版本)。如果不存在，则可以进行处理522以发起训练。例如，处理522可以发起与主动学习部件106相关联的训练处理，特征学习处理和/或注释处理。如果存在，则可以进行处理524以利用增量学习来更新模型，或者如果不需要学习则丢弃模型。例如，处理524可以利用与主动学习部件106相关联的增量学习来更新元模型(例如，处理524可以利用与由主动学习部件106生成的人工智能模型116相关联的信息来更新元模型)。替代地，如果不需要学习，则处理524可以丢弃元模型。例如，处理524可以响应于确定元模型对应于由主动学习部件106生成的人工智能模型116而丢弃元模型。在某些实施例中，在进行处理524之后，可以更新一个或多个注释图像504。例如，一个或多个注释图像518可被存储在服务器502上。在某些实施例中，可以进行处理526以提供关于注释的质量的反馈和/或协助预注释。例如，可以进行处理526以提供关于包括在由注释器装置516生成的一个或多个注释图像518中的注释的质量的反馈。附加地或替代地，可以进行处理526以将反馈提供给注释器装置516，并协助一个或多个注释图像518的预注释。在某些实施例中，可以向用户提供预测510。例如，预测510可以被提供给与用户相关联的显示装置304。附加地或替代地，在某些实施例中，可以向用户(例如，审查者)提供一个或多个注释图像504和/或用户可以更新与一个或多个注释图像504相关联的一个或多个注释。例如，一个或多个注释图像504可以被提供给与用户(例如，审查者)相关联的显示装置304。附加地或替代地，与一个或多个注释图像504相关联的一个或多个注释可以由用户(例如，审查者)经由显示装置304更新。
现在参考图6，示出了根据本公开的各个方面和实施方式的系统600的非限制性实施方式。为了简洁起见，省略了本文描述的其他实施例中采用的相同元件的重复描述。系统600包括图像数据602。图像数据602可以包括一个或多个图像。例如，图像数据602可以包括与训练数据114相关联的该组图像。在一个示例中，图像数据602可以包括一个或多个数字图像。此外，图像数据602可以是由一个或多个成像装置生成的二维成像数据和/或三维成像数据。例如，图像数据602可以是经由一组传感器(例如，与成像装置相关联的一组传感器)捕获的图像。附加地或替代地，图像数据602可以包括一个或多个视频。在某些实施例中，图像数据602可以是在一段时间间隔期间经由一组传感器(例如，与成像装置相关联的一组传感器)捕获的一系列图像。可以直接从一个或多个成像装置接收图像数据602。替代地，图像数据602可以被存储在接收和/或存储图像数据602的一个或多个数据库中。在一个实施例中，图像数据602可以是与一个或多个工程部件相关联的一个或多个图像。例如，一个或多个工程部件可以是与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，飞行器叶片，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关的一个或多个机械部件和/或一个或多个电气部件。在另一个非限制性实施例中，图像数据602可以是医学成像数据。例如，图像数据602可以是由一个或多个医学成像装置生成的二维医学成像数据和/或三维医学成像数据。在示例中，图像数据602可以是经由一组传感器(例如，与医学成像装置相关联的一组传感器)捕获的电磁辐射图像。在某些实施例中，图像数据602可以是在一段时间间隔期间经由一组传感器(例如，与医学成像装置相关联的一组传感器)捕获的一系列电磁辐射图像。在另一个示例中，图像数据602可以是PET扫描图像。在又一个示例中，图像数据602可以是MRI数据。医学成像装置可以是例如X射线装置，CT装置，PET扫描仪装置，MRI装置，另一类型的医学成像装置等。
可以基于图像数据602生成一个或多个注释604。例如，注释部件104可以注释图像数据602以生成一个或多个注释604。一个或多个注释604可以是图像数据602的一个或多个图像级注释和/或一个或多个像素级注释。另外，一个或多个注释604可以准备图像数据602以用作训练数据集。在一方面，一个或多个注释604可以注释图像数据602的一个或多个感兴趣区域。一个或多个注释604可以包括边界框，自由形式的形状和/或另一类型的注释技术，以注释图像数据602的一个或多个部分。在一示例中，一个或多个注释604可以标记图像数据602的一个或多个像素。在另一示例中，一个或多个注释604可以采用一个或多个掩模来标记图像数据602的一个或多个像素。在另一方面，来自一个或多个注释604的注释可以表示通过标记或失败标记。例如，来自一个或多个注释604的注释可以指示与图像数据602相关联的感兴趣区域是否包括缺陷。例如，来自一个或多个注释604的注释可以指示与图像数据602相关联的工程部件的感兴趣区域是包括缺陷(例如，裂缝等)的区域还是正常(例如，没有缺陷)的区域。在某些实施例中，来自一个或多个注释604的注释可以标记(例如，分类)与图像数据602相关联的感兴趣区域。与一个或多个注释604相关联的标记可以是例如与图像数据602相关联的第一分类(例如，第一分类标记)或第二分类(例如，第二分类标记)。在一示例中，来自一个或多个注释604的注释可以对应于图像数据602的一个或多个部分的“通过”标记或图像数据602的一个或多个部分的“失败”标记。
在实施例中，可以进行处理606以训练神经网络。例如，处理606可以是训练处理，以训练与神经网络相关联的人工智能模型(例如，人工智能模型116)。处理606可以基于一个或多个注释604来训练神经网络(例如，人工智能模型)。在另一实施例中，可以进行处理608以将训练的神经网络用于与图像数据602相关联的一个或多个预测。例如，可以进行处理608以将与训练的神经网络相关联的训练的人工智能模型(例如，人工智能模型116)用于与图像数据602相关联的一个或多个预测。与图像数据602相关联的一个或多个预测可以是关于图像数据602的一个或多个感兴趣区域是否包括缺陷的一个或多个预测。例如，与图像数据602相关联的一个或多个预测可以预测图像数据602的一个或多个感兴趣区域是包括缺陷(例如，裂纹等)的区域还是正常(例如，没有缺陷)的区域。在某些实施例中，与图像数据602相关联的一个或多个预测可以标记(例如，分类)图像数据602的感兴趣区域。与图像数据602的一个或多个预测相关联的标记可以是例如图像数据602的第一分类(例如，第一分类标记)或第二分类(例如，第二分类标记)。在一个示例中，与图像数据602相关联的一个或多个预测可以提供图像数据602的一个或多个部分的“通过”标记预测或“失败”标记预测。
现在参考图7，示出了根据本公开的各个方面和实施方式的系统700的非限制性实施方式。为了简洁起见，省略了本文描述的其他实施例中采用的相同元件的重复描述。在实施例中，系统700可以与显示部件202和/或显示装置304相关联。系统700示出了示例用户界面702。用户界面702可以是呈现(例如，显示)图形元素和/或文本元素的图形用户界面。例如，在实施例中，用户界面702可以是显示装置304的用户界面。在一个示例中，用户界面702可以与互联网应用(例如，基于云的企业应用)相关联。用户界面702可以呈现在显示装置(例如但不限于计算装置，计算机，台式计算机，膝上型计算机，监视器装置，智能装置，智能电话，移动装置，手持装置，平板装置，便携式计算装置，可穿戴装置，虚拟现实装置或能够呈现用户界面702的另一种类型的显示装置)的显示器上。在一个实施例中，用户界面702可以呈现训练数据704。例如，训练数据704可以与训练数据114中包括的信息相关联。训练数据704可以以人类可解释的格式呈现。例如，训练数据704可以被呈现为一个或多个图形元素和/或一个或多个文本元素，例如但不限于通知，消息，图标，缩略图，对话框，交互式工具，小部件，图形，另一种类型的图形元素或另一种类型的文本元素。
在另一个实施例中，用户界面702可以附加地或替代地呈现人工智能模型706。人工智能模型706可以与人工智能模型116相关联。例如，人工智能模型706可以对应于人工智能模型116和/或可以呈现与人工智能模型116相关联的信息。这样，人工智能模型706可以是由主动学习部件106生成和/或更新的人工智能模型。人工智能模型706可以以人类可解释的格式呈现。例如，人工智能模型706可以被呈现为一个或多个图形元素和/或一个或多个文本元素，诸如但不限于通知，消息，图标，缩略图，对话框，交互式工具，小部件，图形，另一种类型的图形元素或另一种类型的文本元素。在又一个实施例中，用户界面702可以附加地或替代地呈现注释区段708。注释区段708可以呈现与训练数据704和/或人工智能模型706相关联的一个或多个注释7081-N的信息，其中N是整数。在一个示例中，一个或多个注释7081-N可以包括由注释部件104生成的一个或多个注释。附加地或替代地，一个或多个注释7081-N可以包括由用户经由用户界面702生成的一个或多个注释。在某些实施例中，注释部分708可以附加地或替代地提供关于一个或多个注释7081-N的质量，准确性和/或性能的信息。在某些实施例中，用户界面702可以允许用户实时和/或与人工智能部件102的处理并行地查看，分析和/或管理训练数据704，人工智能模型706和/或一个或多个注释7081-N。应当理解，用户界面702仅是示例。因此，训练数据704，人工智能模型706和/或一个或多个注释7081-N的位置和/或内容可以变化。此外，用户界面702可以附加地或替代地包括图7中未示出的其他特征，内容和/或功能。
图8示出了根据所公开的主题的方法和/或流程图。为了简化说明，将该方法描绘和描述为一系列动作。应当理解并意识到的是，本主题不受所示出的动作和/或动作顺序的限制，例如，动作可以以各种顺序和/或同时发生，并且具有本文未呈现和描述的其他动作。此外，根据所公开的主题，可能不需要所有示出的动作来实施该方法。另外，本领域技术人员将理解并意识到，该方法可替代地经由状态图或事件被表示为一系列相互关联的状态。另外，应当进一步理解，在下文以及整个说明书中公开的方法能够存储在制品上，以利于将这种方法传输和转移到计算机。本文所使用的术语“制品”旨在涵盖可从任何计算机可读装置或存储介质访问的计算机程序。
参照图8，示出了根据本主题创新的一个或多个实施例的用于提供具有图像分析的主动学习的基于人工智能的注释框架的方法800的非限制性实施方式。在802处，通过可操作地联接到处理器的系统(例如，通过注释部件104)注释与特征学习处理的一组图像相关联的训练数据。例如，训练数据可以是与特征学习处理的一组图像相关联的训练集。在实施例中，训练数据可以用于训练人工智能网络(例如，人工智能模型)。例如，训练数据可以用于训练与人工智能模型相关联的神经网络。在某些实施例中，训练数据可以与来自预训练模型的一组权重相关联。该组图像可以包括一个或多个数字图像。该组图像可以是由一个或多个成像装置生成的二维成像数据和/或三维成像数据。例如，该组图像可以是经由一组传感器(例如，与成像装置相关联的一组传感器)捕获的图像。在某些实施例中，该组图像可以是在一段时间间隔期间经由一组传感器(例如，与成像装置相关联的一组传感器)捕获的一系列图像。可以直接从一个或多个成像装置接收该组图像。替代地，该组图像可以被存储在接收和/或存储该组图像的一个或多个数据库中。在一个实施例中，该组图像可以是与一个或多个工程部件相关联的一组图像。例如，一个或多个工程部件可以是与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，飞行器叶片，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关的一个或多个机械部件和/或一个或多个电气部件。在替代实施例中，该组图像可以是与医学成像数据相关联的一组图像。
在实施例中，可以对训练数据的一个或多个部分进行注释。例如，特征学习处理可以包括注释处理，以促进学习与该组图像相关联的一个或多个特征。此外，可以进行注释处理以标记与训练数据相关联的该组图像的一个或多个部分。一方面，可以生成与训练数据相关联的该组图像的一个或多个图像级注释和/或一个或多个像素级注释。在另一方面，可以注释与训练数据相关联的该组图像的一个或多个感兴趣区域。在某些实施例中，注释可以代表一个或多个感兴趣区域的通过标记或失败标记。例如，注释可以指示工程部件的感兴趣区域是否包含缺陷。例如，注释可以指示工程部件的感兴趣区域是包括缺陷(例如，裂缝等)的区域还是正常(例如，没有缺陷)的区域。在某些实施例中，注释可以标记(例如，分类)与训练数据相关联的图像的感兴趣区域。标记可以是例如第一分类(例如，第一分类标记)或第二分类(例如，第二分类标记)。在一个示例中，注释可以对应于与训练数据相关联的图像的一个或多个部分的“通过”标记，或图像的一个或多个部分的“失败”标记。
在804处，通过系统(例如，通过主动学习部件106)基于特征学习处理来增量地更新工程部件的人工智能模型。例如，人工智能模型可以基于该组图像的一个或多个注释来增量地更新。在一方面，人工智能模型可以通过在注释处理期间重复更新人工智能模型来增量地更新。例如，人工智能模型可以在注释处理期间更新两次或更多次。例如，人工智能模型可以是分析人工智能模型。此外，在某些实施例中，人工智能模型可以是训练模型，以促进识别与工程部件相关联的图像中的一个或多个缺陷和/或一个或多个异常。工程部件可以包括与工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，燃烧系统，医疗装置系统，医学成像系统和/或另一系统有关的一个或多个机械部件和/或一个或多个电气部件。
在806处，确定特征学习处理是否满足限定的标准。例如，可以确定人工智能模型是否满足限定的标准(例如，人工智能模型是否被充分地更新)。如果否，则该方法返回到802。如果是，则该方法行进到808。
在808处，通过系统(例如，通过主动学习部件106和/或显示部件202)提供人工智能模型。在实施例中，可以将人工智能模型提供给与工程部件相关联的系统。例如，人工智能模型可以被系统(例如，工程系统，机械系统，电子系统，资产系统，机器系统，装置系统，装备系统，航空系统，电力系统，分布式电力系统，能源管理系统，热管理系统，运输系统，油气系统，加热系统，HVAC系统，医疗系统，汽车系统，飞行器系统，水运系统，水过滤系统，冷却系统，泵系统，发动机系统，燃烧系统，医疗装置系统，医学成像系统和/或另一系统)采用。附加地或替代地，可以将人工智能模型提供给显示装置。例如，人工智能模型可以被提供给显示装置，从而以人类可解释的格式显示与人工智能模型相关联的信息。附加地或替代地，可以将训练数据提供给显示装置，从而以人类可解释的格式显示与训练数据相关联的信息。附加地或替代地，可以将与训练数据相关联的一个或多个注释提供给显示装置，从而以人类可解释的格式显示与一个或多个注释相关联的信息。附加地或替代地，在某些实施例中，可以(例如，经由显示装置的用户界面)从与用户身份相关联的显示装置接收与训练数据相关联的一个或多个注释。
在某些实施例中，方法800可以附加地或替代地包括与存储人工智能模型的服务器通信。此外，可以基于与由服务器存储的人工智能模型相关联的数据来注释训练数据。在某些实施例中，增量地更新人工智能模型可以包括进行与人工智能模型的第一版本相关联的第一建模处理，以及进行与人工智能模型的第二版本相关联的第二建模处理。此外，可以选择人工智能模型的第一版本或人工智能模型的第二版本，以供服务器存储。
已经关于几个部件之间的相互作用描述了前述系统和/或装置。应当理解，这样的系统和部件可以包括在其中指定的那些部件或子部件，某些指定的部件或子部件和/或附加部件。子部件也可以实施为与其他部件通信联接的部件，而不是包括在父部件中。此外，可以将一个或多个部件和/或子部件结合到提供聚合功能的单个部件中。为了简洁起见，部件还可以与本文中未具体描述但本领域技术人员已知的一个或多个其他部件相互作用。
为了提供所公开主题的各个方面的上下文，图9和图10以及以下讨论旨在提供所公开主题的各个方面可以在其中实施的合适环境的简要概述。
参考图9，用于实施本公开的各个方面的合适环境900包括计算机912。计算机912包括处理单元914，系统存储器916和系统总线918。系统总线918将包括但不限于系统存储器916的系统部件联接到处理单元914。处理单元914可以是各种可用处理器中的任何一个。双微处理器和其他多处理器架构也可以用作处理单元914。
系统总线918可以是几种类型的总线结构中的任何一种，包括存储器总线或存储器控制器，外围总线或外部总线和/或使用任何种类可用总线架构(包括但不限于工业标准架构(ISA)，微通道架构(MSA)，扩展ISA(EISA)，智能驱动电子(IDE)，VESA本地总线(VLB)，外围部件互连(PCI)，卡总线，通用串行总线(USB)，高级图形端口(AGP)，个人计算机存储卡国际协会总线(PCMCIA)，火线(IEEE 1394)和小型计算机系统接口(SCSI))的本地总线。
系统存储器916包括易失性存储器920和非易失性存储器922。包含诸如在启动期间在计算机912内的元件之间传输信息的基本例程的基本输入/输出系统(BIOS)被存储在非易失性存储器922中。作为说明而非限制，非易失性存储器922可包括只读存储器(ROM)，可编程ROM(PROM)，电可编程ROM(EPROM)，电可擦除可编程ROM(EEPROM)，闪存或非易失性随机存取存储器(RAM)(例如铁电RAM(FeRAM))。易失性存储器920包括充当外部高速缓冲存储器的随机存取存储器(RAM)。作为说明而非限制，RAM有多种形式，例如静态RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDR SDRAM)，增强型SDRAM(ESDRAM)，Synchlink DRAM(SLDRAM)，直接Rambus RAM(DRRAM)，直接Rambus动态RAM(DRDRAM)和Rambus动态RAM。
计算机912还包括可移动/不可移动，易失性/非易失性计算机存储介质。例如，图9示出了盘存储装置924。盘存储装置924包括但不限于诸如磁盘驱动器，软盘驱动器，带驱动器，Jaz驱动器，Zip驱动器，LS-100驱动器，闪存卡或记忆棒的装置。盘存储装置924还可以包括单独的或与其他存储介质(包括但不限于诸如光盘ROM装置(CD-ROM)，CD可记录驱动器(CD-R Drive)，CD可重写驱动器(CD-RW Drive)或数字多功能盘ROM驱动器(DVD-ROM)的光盘驱动器)结合的存储介质。为了促进盘存储装置924与系统总线918的连接，通常使用可移动或不可移动接口，例如接口926。
图9还描绘了充当用户与在合适的操作环境900中描述的基本计算机资源之间的中介的软件。例如，这样的软件包括操作系统928。可以存储在盘存储装置924上的操作系统928用于控制和分配计算机系统912的资源。系统应用930通处例如存储在系统存储器916或盘存储装置924中的程序模块932和程序数据934利用操作系统928对资源的管理。应当理解，本公开可以使用各种操作系统或操作系统的组合来实施。
用户通过输入装置936将命令或信息输入到计算机912中。输入装置936包括但不限于诸如鼠标，轨迹球，触控笔，触摸板，键盘，麦克风，操纵杆，游戏板，卫星天线，扫描仪，电视调谐器卡，数码相机，数码摄像机，网络相机等的指示装置。这些和其他输入装置经由接口端口938通过系统总线918连接到处理单元914。接口端口938包括例如串行端口，并行端口，游戏端口和通用串行总线(USB)。输出装置940使用一些与输入装置936相同类型的端口。因此，例如，USB端口可用于向计算机912提供输入，并将信息从计算机912输出到输出装置940。提供输出适配器942以说明除其他输出装置940外，还存在一些需要特殊适配器的输出装置940，例如监控器，扬声器和打印机。作为说明而非限制，输出适配器942包括提供输出装置940和系统总线918之间的连接方式的视频卡和声卡。应当注意，其他装置和/或装置系统提供输入和输出功能，例如远程计算机944。
计算机912可以使用到一个或多个远程计算机(例如，远程计算机944)的逻辑连接，在网络环境中操作。远程计算机944可以是个人计算机，服务器，路由器，网络PC，工作站，基于微处理器的器具，对等装置或其他公共网络节点等，并且通常包括许多或全部关于计算机912所描述的元件。为了简洁起见，仅存储器存储装置946与远程计算机944一起示出。远程计算机944通过网络接口948逻辑连接到计算机912，然后经由通信连接950物理连接。网络接口948涵盖有线和/或无线通信网络，例如局域网(LAN)，广域网(WAN)，蜂窝网等。LAN技术包括光纤分布式数据接口(FDDI)，铜分布式数据接口(CDDI)，以太网，令牌环等。WAN技术包括但不限于点对点链接，电路交换网络(例如集成服务数字网络(ISDN)及其上的变体)，分组交换网络和数字用户线路(DSL)。
通信连接950是指用来将网络接口948连接到总线918的硬件/软件。尽管为了说明清楚起见，在计算机912内示出了通信连接950，但是通信连接950也可以在计算机912的外部。仅出于示例性目的，连接到网络接口948所必需的硬件/软件包括内部和外部技术，例如调制解调器(包括常规电话级调制解调器，电缆调制解调器和DSL调制解调器)，ISDN适配器和以太网卡。
图10是本公开的主题可以与其交互的样本计算环境1000的示意框图。系统1000包括一个或多个客户端1010。客户端1010可以是硬件和/或软件(例如，线程，进程，计算装置)。系统1000还包括一个或多个服务器1030。因此，除了其他模型之外，系统1000可以对应于两层客户端服务器模型或多层模型(例如，客户端，中间层服务器，数据服务器)。服务器1030还可以是硬件和/或软件(例如，线程，进程，计算装置)。例如，服务器1030可以容纳线程以通过采用本公开来进行变换。客户端1010和服务器1030之间的一种可能的通信可以是在两个或更多个计算机进程之间传输的数据分组的形式。
系统1000包括可以用于促进客户端1010和服务器1030之间的通信的通信框架1050。客户端1010可操作地连接到可用于存储客户端1010本地的信息的一个或多个客户端数据贮存器1020。类似地，服务器1030可操作地连接到可用于存储服务器1030本地的信息的一个或多个服务器数据贮存器1040。
值得注意的是，本公开的方面或特征可以在基本上任何无线电信或无线电技术(例如，Wi-Fi；蓝牙；全球微波接入互操作性(WiMAX)；增强型通用分组无线业务(增强型GPRS)；第三代合作伙伴计划(3GPP)长期演进(LTE)；第三代合作伙伴计划2(3GPP2)超移动宽带(UMB)；3GPP通用移动电信系统(UMTS)；高速分组访问(HSPA)；高速下行链路分组访问(HSDPA)；高速上行链路分组访问(HSUPA)；GSM(全球移动通信系统)EDGE(GSM演进的增强数据速率)无线电接入网络(GERAN)；UMTS地面无线电接入网(UTRAN)；LTE升级版(LTE-A)；等)中使用。另外，可以在例如GSM的传统电信技术中利用本文描述的一些或所有方面。另外，移动以及非移动网络(例如，互联网，诸如互联网协议电视(IPTV)的数据服务网络等)可以利用本文所述的方面或特征。
尽管上面已经在运行在计算机上的计算机程序的计算机可执行指令的一般上下文中描述了主题，但是本领域技术人员将认识到，本公开也可以或可能结合其他程序模块来实施。通常，程序模块包括进行特定任务和/或实施特定抽象数据类型的例程，程序，部件，数据结构等。此外，本领域技术人员将理解，可以用其他计算机系统构造(包括单处理器或多处理器计算机系统，小型计算装置，大型计算机以及个人计算机，手持式计算装置(例如PDA，电话)，基于微处理器或可编程消费类或工业电子产品等)来实践本发明的方法。所说明的方面也可在分布式计算环境中实践，在分布式计算环境中，任务由通过通信网络链接的远程处理装置进行。然而，本公开的一些方面(如果不是全部方面)可以在独立计算机上实践。在分布式计算环境中，程序模块可以位于本地和远程存储装置中。
如在本申请中使用的，术语“部件”，“系统”，“平台”，“接口”等可以指代和/或可以包括计算机相关实体或与具有一个或多个特定功能的操作机器有关的实体。本文公开的实体可以是硬件，硬件和软件的组合，软件或执行中的软件。例如，部件可以是但不限于在处理器上运行的进程，处理器，对象，可执行文件，执行线程，程序和/或计算机。作为说明，在服务器上运行的应用和服务器都可以是部件。一个或多个部件可以驻留在进程和/或执行线程中，并且部件可以位于一台计算机上和/或分布在两台或多台计算机之间。
在另一个示例中，各个部件可以从具有存储在其上的各种数据结构的各种计算机可读介质执行。部件可以例如根据具有一个或多个数据分组的信号经由本地和/或远程处理进行通信(例如，来自一个部件的数据经由信号与本地系统，分布式系统中的和/或跨网络(例如具有其他系统的互联网)的另一部件交互)。作为另一示例，部件可以是具有由电或电子电路操作的机械部件提供的特定功能的设备，该设备由处理器执行的软件或固件应用操作。在这种情况下，处理器可以在设备内部或外部，并且可以执行软件或固件应用的至少一部分。作为又一个示例，部件可以是通过不具有机械部件的电子部件提供特定功能的设备，其中电子部件可以包括处理器或其他装置，以执行至少部分地赋予电子部件功能的软件或固件。一方面，部件可以经由例如云计算系统内的虚拟机来仿真电子部件。
另外，术语“或”旨在表示包含性“或”而不是排他性“或”。也就是说，除非另有说明或从上下文可以清楚得知，否则“X采用A或B”旨在表示任何自然的包含性排列。也就是说，如果X采用A；X采用B；或X采用A和B两者，则在任何上述情况下“X采用A或B”均满足。此外，除非另有说明或从上下文清楚得知指向单数形式，否则在主题说明书和附图中使用的冠词“一”和“一种”通常应被解释为意指“一个或多个”。
如本文中所使用的，术语“示例”和/或“示例性”被用来表示用作示例，实例或说明。为了避免疑问，本文所公开的主题不受这些示例的限制。另外，本文中描述为“示例”和/或“示例性”的任何方面或设计不必被解释为比其他方面或设计更优选或有利，也不意味着排除本领域普通技术人员已知的等效示例性结构和技术。
本文所述的各个方面或特征可以使用标准编程或工程技术实施为方法，设备，系统或制品。另外，可以通过实施本文所公开的方法中的至少一个或多个的程序模块来实现本公开中公开的各个方面或特征，该程序模块被存储在存储器中并由至少一个处理器执行。硬件和软件或硬件和固件的其他组合可以实现或实施本文描述的方面，包括所公开的方法。如本文所使用的术语“制品”可以涵盖可从任何计算机可读装置，载体或存储介质访问的计算机程序。例如，计算机可读存储介质可以包括但不限于磁存储装置(例如硬盘，软盘，磁条…)，光盘(例如光盘(CD)，数字通用盘(DVD)，蓝光盘(BD)…)，智能卡和闪存装置(例如卡，棒，密钥驱动器…)等。
如在本主题说明书中采用的，术语“处理器”可以基本上指任何计算处理单元或装置，包括但不限于单核处理器；具有软件多线程执行能力的单处理器；多核处理器；具有软件多线程执行能力的多核处理器；具有硬件多线程技术的多核处理器；并行平台；以及具有分布式共享存储器的并行平台。另外，处理器可以指设计成进行本文所述功能的集成电路，专用集成电路(ASIC)，数字信号处理器(DSP)，现场可编程门阵列(FPGA)，可编程逻辑控制器(PLC)，复杂可编程逻辑装置(CPLD)，分立栅极或晶体管逻辑，分立硬件部件或其任何组合。此外，处理器可以利用纳米级架构，例如但不限于基于分子和量子点的晶体管，开关和门，以优化空间使用或增强用户装备的性能。处理器也可以被实施为计算处理单元的组合。
在本公开中，诸如“贮存器”，“存储装置”，“数据贮存器”，“数据存储装置”，“数据库”以及与部件的操作和功能有关的基本上任何其他信息存储部件的术语被用来指代“存储器部件”，在“存储器”中体现的实体或包括存储器的部件。应当理解，本文所述的存储器和/或存储器部件可以是易失性存储器或非易失性存储器，或者可以包括易失性和非易失性存储器两者。
作为说明而非限制，非易失性存储器可包括只读存储器(ROM)，可编程ROM(PROM)，电可编程ROM(EPROM)，电可擦除ROM(EEPROM)，闪存或非易失性随机存取存储器(RAM)(例如铁电RAM(FeRAM))。例如，易失性存储器可以包括可用作外部高速缓存的RAM。作为说明而非限制，RAM有多种形式，例如同步RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDR SDRAM)，增强型SDRAM(ESDRAM)，Synchlink DRAM(SLDRAM)，直接Rambus RAM(DRRAM)，直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外，本文的系统或方法的公开的存储器部件旨在包括但不限于包括这些和任何其他合适类型的存储器。
应当意识到并理解，关于特定系统或方法所描述的部件可以包括与关于本文公开的其他系统或方法所描述的各个部件(例如，分别命名的部件或相似命名的部件)相同或相似的功能。
上面已经描述的内容包括提供本公开的优点的系统和方法的示例。当然，不可能出于描述本公开的目的描述部件或方法的每种可能的组合，但是本领域的普通技术人员可以认识到，本公开的许多进一步组合和置换是可能的。此外，对于在详细说明，权利要求书，附录和附图中使用术语“包括”，“具有”，“拥有”等的范围，这种术语旨在以当在权利要求中被用作过渡词时将术语“包括”解释为“包括”类似的方式被包含。
本发明的进一步方面通过以下条项的主题提供：
1.一种系统，包括：存储器，所述存储器存储计算机可执行部件；和处理器，所述处理器执行存储在所述存储器中的所述计算机可执行部件，其中，所述计算机可执行部件包括：注释部件，所述注释部件注释与特征学习处理的一组图像相关联的训练数据；和主动学习部件，所述主动学习部件基于所述特征学习处理来增量地更新工程部件的分析人工智能模型。
2.根据任何在前条项的系统，其中，所述主动学习部件与存储所述分析人工智能模型的服务器部件通信。
3.根据任何在前条项的系统，其中，所述注释部件基于与所述服务器部件存储的所述分析人工智能模型相关联的数据来注释所述训练数据。
4.根据任何在前条项的系统，其中，所述主动学习部件在服务器上实施。
5.根据任何在前条项的系统，其中，所述主动学习部件经由第一建模处理增量地更新所述分析人工智能模型，并且其中，相对于第二建模处理增量地更新所述分析人工智能模型，所述第一建模处理同时更新所述分析人工智能模型。
6.根据任何在前条项的系统，其中，所述主动学习部件选择与所述第一建模处理相关联的所述分析人工智能模型的第一版本或与所述第二建模处理相关联的所述分析人工智能模型的第二版本，以存储在与服务器相关联的数据贮存器中。
7.根据任何在前条项的系统，其中，所述计算机可执行部件包括：显示部件，所述显示部件将所述训练数据提供给显示装置，从而以人类可解释的格式显示与所述训练数据相关联的信息。
8.一种方法，包括使用可操作地联接到存储器的处理器来执行计算机可执行部件，以进行以下动作：注释与特征学习处理的一组图像相关联的训练数据；和基于所述特征学习处理来增量地更新工程部件的人工智能模型。
9.根据任何在前条项的方法，进一步包括将所述人工智能模型提供给与所述工程部件相关联的系统。
10.根据任何在前条项的方法，进一步包括将所述人工智能模型提供给显示装置，从而以人类可解释的格式显示与所述人工智能模型相关联的信息。
11.根据任何在前条项的方法，进一步包括从与用户身份相关联的显示装置接收与所述训练数据相关联的一个或多个注释。
12.根据任何在前条项的方法，进一步包含与存储所述人工智能模型的服务器通信。
13.根据任何在前条项的方法，其中，注释所述训练数据包括基于与所述服务器存储的所述人工智能模型相关联的数据来注释所述训练数据。
14.根据任何在前条项的方法，其中，增量地更新所述人工智能模型包括进行与所述人工智能模型的第一版本相关联的第一建模处理，以及进行与所述人工智能模型的第二版本相关联的第二建模处理。
15.根据任何在前条项的方法，进一步包括选择所述人工智能模型的所述第一版本或所述人工智能模型的所述第二版本以供服务器存储。
16.一种包括指令的计算机可读存储装置，所述指令响应于执行而使包括处理器的系统进行操作，所述操作包括：注释与特征学习处理的一组图像相关联的训练数据；基于所述特征学习处理来增量地更新工程部件的人工智能模型；和将所述人工智能模型提供给显示装置，从而以人类可解释的格式显示与所述人工智能模型相关联的信息。
17.根据任何在前条项的计算机可读存储装置，其中，所述操作进一步包括与存储所述人工智能模型的服务器通信。
18.根据任何在前条项的计算机可读存储装置，其中，注释所述训练数据包括基于与由所述服务器存储的所述人工智能模型相关联的数据来注释所述训练数据。
19.根据任何在前条项的计算机可读存储装置，其中，增量地更新所述人工智能模型包括进行与所述人工智能模型的第一版本相关联的第一建模处理，以及进行与所述人工智能模型的第二版本相关联的第二建模处理。
20.根据任何在前条项的计算机可读存储装置，进一步包括选择所述人工智能模型的所述第一版本或所述人工智能模型的所述第二版本，以供服务器存储。

Claims (10)

1.一种系统，其特征在于，包括：
存储器，所述存储器存储计算机可执行部件；和
处理器，所述处理器执行存储在所述存储器中的所述计算机可执行部件，其中，所述计算机可执行部件包括：
注释部件，所述注释部件注释与特征学习处理的一组图像相关联的训练数据；和
主动学习部件，所述主动学习部件基于所述特征学习处理来增量地更新工程部件的分析人工智能模型。
2.根据权利要求1所述的系统，其特征在于，其中，所述主动学习部件与存储所述分析人工智能模型的服务器部件通信。
3.根据权利要求2所述的系统，其特征在于，其中，所述注释部件基于与所述服务器部件存储的所述分析人工智能模型相关联的数据来注释所述训练数据。
4.根据权利要求1所述的系统，其特征在于，其中，所述主动学习部件在服务器上实施。
5.根据权利要求1所述的系统，其特征在于，其中，所述主动学习部件经由第一建模处理增量地更新所述分析人工智能模型，并且其中，相对于第二建模处理增量地更新所述分析人工智能模型，所述第一建模处理同时更新所述分析人工智能模型。
6.根据权利要求5所述的系统，其特征在于，其中，所述主动学习部件选择与所述第一建模处理相关联的所述分析人工智能模型的第一版本或与所述第二建模处理相关联的所述分析人工智能模型的第二版本，以存储在与服务器相关联的数据贮存器中。
7.根据权利要求1所述的系统，其特征在于，其中，所述计算机可执行部件包括：
显示部件，所述显示部件将所述训练数据提供给显示装置，从而以人类可解释的格式显示与所述训练数据相关联的信息。
8.一种方法，其特征在于，包括使用可操作地联接到存储器的处理器来执行计算机可执行部件，以进行以下动作：
注释与特征学习处理的一组图像相关联的训练数据；和
基于所述特征学习处理来增量地更新工程部件的人工智能模型。
9.根据权利要求8所述的方法，其特征在于，进一步包括将所述人工智能模型提供给与所述工程部件相关联的系统。
10.根据权利要求8所述的方法，其特征在于，进一步包括将所述人工智能模型提供给显示装置，从而以人类可解释的格式显示与所述人工智能模型相关联的信息。
CN202010317343.6A 2019-04-30 2020-04-21 具有图像分析的主动学习的基于人工智能的注释框架 Pending CN111860564A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/399,337 US20200349390A1 (en) 2019-04-30 2019-04-30 Artificial intelligence based annotation framework with active learning for image analytics
US16/399,337 2019-04-30

Publications (1)

Publication Number Publication Date
CN111860564A true CN111860564A (zh) 2020-10-30

Family

ID=70224274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010317343.6A Pending CN111860564A (zh) 2019-04-30 2020-04-21 具有图像分析的主动学习的基于人工智能的注释框架

Country Status (3)

Country Link
US (1) US20200349390A1 (zh)
EP (1) EP3734509A1 (zh)
CN (1) CN111860564A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833238B (zh) * 2022-06-08 2024-02-21 凌華科技股份有限公司 資料結構以及人工智能推論系統及方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7962597B2 (en) 2008-03-31 2011-06-14 Amazon Technologies, Inc. Request routing based on class
KR20190110073A (ko) * 2019-09-09 2019-09-27 엘지전자 주식회사 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR20210077482A (ko) * 2019-12-17 2021-06-25 엘지전자 주식회사 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법
US12039467B2 (en) * 2020-05-20 2024-07-16 Caterpillar Inc. Collaborative system and method for validating equipment failure models in an analytics crowdsourcing environment
CN112488160B (zh) * 2020-11-16 2023-02-07 浙江新再灵科技股份有限公司 图像分类任务的模型训练方法
EP4248379A1 (en) * 2020-11-27 2023-09-27 Amazon Technologies, Inc. Anomaly detection using feedback training
US11983243B2 (en) 2020-11-27 2024-05-14 Amazon Technologies, Inc. Anomaly detection using feedback training
CN115706819A (zh) * 2021-08-17 2023-02-17 鸿富锦精密工业（深圳）有限公司 网页视频播放方法、装置、电子设备及存储介质
US11465734B1 (en) * 2021-09-16 2022-10-11 Beta Air, Llc Systems and methods for distrubuted flight controllers for redundancy for an electric aircraft
US11427305B1 (en) 2021-09-16 2022-08-30 Beta Air, Llc Methods and systems for flight control for managing actuators for an electric aircraft

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574543A (zh) * 2015-12-16 2016-05-11 武汉烽火众智数字技术有限责任公司 一种基于深度学习的车辆品牌型号识别方法和系统
CN106233322A (zh) * 2014-03-03 2016-12-14 赛曼提克姆德公司 基于个性化内容的患者检索系统
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
CN109076192A (zh) * 2016-02-29 2018-12-21 优鲁格斯股份有限公司 行星尺度分析系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11100366B2 (en) * 2018-04-26 2021-08-24 Volvo Car Corporation Methods and systems for semi-automated image segmentation and annotation
US10719301B1 (en) * 2018-10-26 2020-07-21 Amazon Technologies, Inc. Development environment for machine learning media models
US10817733B2 (en) * 2019-02-13 2020-10-27 Sap Se Blind spot implementation in neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106233322A (zh) * 2014-03-03 2016-12-14 赛曼提克姆德公司 基于个性化内容的患者检索系统
CN105574543A (zh) * 2015-12-16 2016-05-11 武汉烽火众智数字技术有限责任公司 一种基于深度学习的车辆品牌型号识别方法和系统
CN109076192A (zh) * 2016-02-29 2018-12-21 优鲁格斯股份有限公司 行星尺度分析系统
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833238B (zh) * 2022-06-08 2024-02-21 凌華科技股份有限公司 資料結構以及人工智能推論系統及方法

Also Published As

Publication number Publication date
US20200349390A1 (en) 2020-11-05
EP3734509A1 (en) 2020-11-04

Similar Documents

Publication Publication Date Title
CN111860564A (zh) 具有图像分析的主动学习的基于人工智能的注释框架
US20230195845A1 (en) Fast annotation of samples for machine learning model development
US20230067026A1 (en) Automated data analytics methods for non-tabular data, and related systems and apparatus
US10824815B2 (en) Document classification using attention networks
EP3754549B1 (en) A computer vision method for recognizing an object category in a digital image
Rojek et al. An artificial intelligence approach for improving maintenance to supervise machine failures and support their repair
Choux et al. Task planner for robotic disassembly of electric vehicle battery pack
US11537506B1 (en) System for visually diagnosing machine learning models
US20140250032A1 (en) Methods, systems and processor-readable media for simultaneous sentiment analysis and topic classification with multiple labels
US11907860B2 (en) Targeted data acquisition for model training
CN115244587A (zh) 高效基础事实注释
Xiang et al. Concept drift adaptation methods under the deep learning framework: A literature review
Alif et al. Lightweight Convolutional Network with Integrated Attention Mechanism for Missing Bolt Detection in Railways
CN114118410A (zh) 图结构的节点特征提取方法、设备及存储介质
AU2023203193B2 (en) Methods and systems for autonomous task composition of vision pipelines using an algorithm selection framework
Heidari et al. Forest roads damage detection based on deep learning algorithms
Beak et al. YOLOv7-Based Anomaly Detection Using Intensity and NG Types in Labeling in Cosmetic Manufacturing Processes
Hung Developing an Improved Ensemble Learning Approach for Predictive Maintenance in the Textile Manufacturing Process
Li et al. Modeling of Digital Twin Workshop in Planning via a Graph Neural Network: The Case of an Ocean Engineering Manufacturing Intelligent Workshop
CN114730461A (zh) Scada系统中的视觉人工智能
Chen et al. AI-Enabled Cloud Platforms: Revolutionizing Software Development
Chai et al. Adaptive Deep Learning for Soft Real-Time Image Classification
Mahalle et al. Data-Centric AI
dos Santos Smart Manufacturing: Integrating AI-Based Defect Detection in Manufacturing Executing Systems (MES)
Gusain et al. Smart healthcare system using machine learning and IoT: Vaccine delivery and monitoring

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