CN112100425B - 基于人工智能的标签标注方法、装置、电子设备及介质 - Google Patents
基于人工智能的标签标注方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112100425B CN112100425B CN202010981613.3A CN202010981613A CN112100425B CN 112100425 B CN112100425 B CN 112100425B CN 202010981613 A CN202010981613 A CN 202010981613A CN 112100425 B CN112100425 B CN 112100425B
- Authority
- CN
- China
- Prior art keywords
- preprocessed
- preset
- picture
- pictures
- similarity value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 238000002372 labelling Methods 0.000 title claims description 39
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013480 data collection Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 18
- 238000012795 verification Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
Abstract
本发明涉及数据处理领域,提供了一种基于人工智能的标签标注方法、装置、电子设备及介质,该方法包括接收包括目标体的多张待标注图片,将多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;将同一类预处理图片中的每张预处理图片分别与预设图片进行计算得到每一张预处理图片对应的相似度值集合,将每类相似度值集合中相似度值大于或等于第二预设阈值的预设图片作为预处理图片的推荐结果;将推荐结果展示给用户,供用户选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。本发明能够降低样本数据收集的难度,提升人工智能系统的识别准确率。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于人工智能的标签标注方法、装置、电子设备及介质。
背景技术
随着人工智能技术的发展,越来越多的行业利用人工智能技术来提升服务能力。例如在商品销售行业中,通过定时收集某货架上的商品图片,使用人工智能技术获取被消费者选购的商品图片对应的标签,并通过大数据分析等手段,分析出较受欢迎的商品对应的标签,从而指导商家有选择性地提高商品的进货量,也进一步增加销售额。
人工智能技术依赖对现实数据的学习,人工智能在学习过程时,需要大量的数据样本,但是由于商品的类别巨大,同一商品可能因为展示的角度不同就会影响最终的识别结果,因此往往需要获取对同一商品的不同角度图片,如果对每一款商品都进行多角度图片获取,不仅会增加技术人员的工作量,还会占用系统内存,影响系统处理速度。因此,如何降低样本数据收集的难度,提升人工智能系统的识别准确率成为了亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于人工智能的标签标注方法、装置、电子设备及介质,旨在如何降低样本数据收集的难度,提升人工智能系统的识别准确率的问题。
为实现上述目的,本发明提供的一种基于人工智能的标签标注方法,该方法包括:
接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果;
将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
优选地,所述“将相似度值大于或等于第一预设阈值的预处理图片归为一类”步骤包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片归为一类。
优选地,所述“将相似度值大于或等于第一预设阈值的预处理图片归为一类”步骤包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片组成一分类集;
根据所述待标记图片的上传时间先后对每一个分类集中的预处理图片进行排序,将排序后落在预设时间段内的预处理图片归为一类;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算。
优选地,所述“供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签”步骤包括:
从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为所述目标标签。
优选地,所述预设属性包括正面、左面、右面、背面、顶面及底面。
优选地,所述“将所述多张待标注图片进行预处理后得到多张预处理图片”步骤包括:
将所述预处理图片输入预先训练的属性识别模型,输出包括至少一类预设方框的所述预处理图片,判断所述预设方框中是否同时包括第一方框与第二方框,若不同时包括所述第一方框与第二方框则将该预处理图片删除。
优选地,所述“输出包括至少一类预设方框的所述预处理图片”步骤之后,该方法还包括:
判断所述预设方框中的第一方框对应的属性是否都包括于预先创建的名单中,若是则将所述预处理图片删除。
为实现上述目的,本发明还进一步提供一种基于人工智能的标签标注装置,所述基于人工智能的标签标注装置包括:
分类模块,用于接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;
计算模块,用于将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果;
标注模块,用于将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
为实现上述目的,本发明还进一步提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器上存储有基于人工智能的标签标注程序,所述基于人工智能的标签标注程序被所述处理器执行时实现如上述的基于人工智能的标签标注方法的步骤。
为实现上述目的,本发明进一步提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于人工智能的标签标注程序,所述基于人工智能的标签标注程序可被一个或者多个处理器执行,以实现如上述的基于人工智能的标签标注方法的步骤。
本发明提出的基于人工智能的标签标注方法、装置、电子设备及存储介质,通过接收拍摄终端上传包括目标体的多张待标注图片,将多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;将同一类预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张预处理图片对应的相似度值集合,将每类相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为预处理图片的推荐结果;将推荐结果与其对应的一类预处理图片展示给用户,供用户从推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。本发明能够降低样本数据收集的难度,提升人工智能系统的识别准确率,有针对性对待标注图片进行标注。
附图说明
图1为本发明一实施例提供的基于人工智能的标签标注方法的流程示意图;
图2为本发明一实施例提供的基于人工智能的标签标注装置的模块示意图;
图3为本发明一实施例提供的实现基于人工智能的标签标注方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参附图做进一步说明。
具体实施方式
为了使本发明的目的、技术本实施例及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术本实施例可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术本实施例的结合出现相互矛盾或无法实现时应当认为这种技术本实施例的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种基于人工智能的标签标注方法。参照图1所示,为本发明一实施例提供的基于人工智能的标签标注方法的流程示意图。该方法可以由一个系统执行,该系统可以由软件和/或硬件实现。
在本实施例中,基于人工智能的标签标注方法包括:
S110,接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类。
以如何实现提升对商品标签自动识别的准确性为例对本方案进行详细解释说明,具体地,本方案的应用场景可以是通过捕捉商店货架上的商品图像,识别商品图像对应的标签。商品例如“鞋子”,标签例如“xx品牌xx型号”。
在本实施例中,以客户端为执行主体,例如电脑。首先客户端接收拍摄终端(例如摄像头)上传的多张待标注图片,具体可以设定拍摄终端在1s中内拍摄三张当前商品的图片。
为了对拍摄终端拍摄的待标注图片进行筛选过滤,删除不符合要求的图片,减少系统的处理压力。在本实施例中,将多张待标注图片进行预处理后得到多张预处理图片。
具体地,将预处理图片输入预先训练的属性识别模型,输出包括至少一类预设方框的预处理图片,判断预设方框中是否同时包括第一方框与第二方框,若不同时包括第一方框与第二方框则将该预处理图片删除。
其中,属性识别模型可以通过卷积神经网络(Convolutional Neural Net works,CNN)训练得到,具体训练过程包括:
获取预设数量(例如100000)的图片样本,利用第三方标记工具为每张图片样本中的目标体分配唯一的方框标识;
将图片样本按照预设比例(例如2:1)分成训练集和验证集,训练集中的图片样本数量大于验证集中的图片样本数量;
将训练集中的图片样本输入所述属性识别模型进行训练,每隔预设周期使用验证集对属性识别模型进行验证,利用验证集中各张图片样本和对应的方框标识对该属性识别模型的准确率进行验证;及
当验证的准确率大于第三预设阈值(例如80%)时,结束训练,得到训练完成的属性识别模型。
具体地,第一方框可以是商店的店员或买家,第二方框可以是目标体,例如某商品。
通过判断预设方框中是否同时包括第一方框与第二方框,若不同时包括第一方框与第二方框则说明不存在目标体从货架中取出展示的情况,需要将该张预处理图片删除,减少系统处理压力。
在另一实施例中,该方法还包括:
判断所述预设方框中的第一方框对应的属性是否都包括于预先创建的名单中,若是则将所述预处理图片删除。
在本实施例中,名单中记录了店员的图像特征,例如工服的特征。当判断预设方框中的第一方框对应的属性都包括于预先创建的名单中,则说明某个目标体被展示的原因不是有客户想查看。
在得到预处理后的预处理图片后,将相似度值大于或等于第一预设阈值(例如0.7)的预处理图片归为一类,方便后续打标签人员对同一类别的第一图像统一打标签。
具体地,将相似度值大于或等于第一预设阈值的预处理图片归为一类包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片归为一类。
其中,特征提取模型的训练过程包括:
构建MobileNetV2网络,将预处理图片输入MobileNetV2网络,将Mobi leNetV2网络的输出特征向量作为预处理图片对应的图像特征。MobileNetV2是一种轻量级的卷积神经网络结构,MobileNetV2网络可以高效的对分辨率不高的图像进行快速的识别,并且运算占用带宽较小,可以搭载于移动设备上使用。MobileNetV2网络包括依次连接的53层卷积层、1层池化层以及1层全连接层,其中,53层卷积层包括依次连接的1层输入层、17个瓶颈构建块、1层输出层,每个瓶颈构建块分别包括3层卷积层,53层卷积层的卷积核均为3×3。
对图像特征进行两两相似度值计算采用的算法优选为余弦相似度算法。
具体地,余弦相似度算法包括:
xi与yi代表任意两个不同的图像特征,d(x,y)代表任意两个不同的图像特征之间的相似度值。
预设聚类算法优选为层次聚类算法,层次聚类算法通过将相似度最接近的图像特征合并到同一个类,然后再计算类与类之间的距离,将相似度最接近的类合并为一个大类,不停的合并直到聚类结果只有一个类,完成将相似度值大于或等于第一预设阈值的预处理图片归为一类。
在另一实施例中,将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片组成一分类集;
根据所述待标记图片的上传时间先后对每一个分类集中的预处理图片进行排序,将排序后落在预设时间段内的预处理图片归为一类;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算。
在本实施例中,在利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片组成一分类集后,根据待标记图片的上传时间先后对每一个分类集中的预处理图片进行排序,将排序后落在预设时间段内(例如一小时)的预处理图片归为一类。其中落在预设时间段内的预处理图片可说明是属于同一目标体的多张图片,方便打标签人员对同一目标体同一打标签。
S120,将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果。
在本实施例中,在完成对所有预处理图片进行归类后,将同一类预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张预处理图片对应的相似度值集合,将每类相似度值集合中相似度值大于或等于第二预设阈值(例如0.6)对应的预设图片作为预处理图片的推荐结果。
其中,预设图片为已打上标签的图片。
S130,将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
在本实施例中,根据相似度值的计算结果将与预处理图片相似度值接近的预设图片作为推荐结果推送给打标签人员进行参考对照,打标签人员通过推送结果通过从推送的预设图片中选择与指定预处理图片最相似的一张对应的预设标签作为该指定预处理图片中的目标体的目标标签。
在另一实施例中,所述“供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签”步骤包括:
从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为所述目标标签。
在本实施例中,将推荐结果与其对应的一类预处理图片展示给用户,供用户,即打标签人员从推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为目标标签。
其中,预设属性包括正面、左面、右面、背面、顶面及底面。例如,目标标签为“xx品牌xx型号正面”。
关于上述步骤的详细介绍,请参照下述图2关于基于人工智能的标签标注程序10实施例的程序模块示意图及图3关于基于人工智能的标签标注方法实施例的方法流程示意图的说明。
如图2所示,是本发明基于人工智能的标签标注装置100的功能模块图。
本发明所述基于人工智能的标签标注装置100可以安装于电子设备1中。根据实现的功能,所述基于人工智能的标签标注装置100可以包括分类模块110、计算模块120及标注模块130。本发明所述模块也可以称之为单元,是指一种能够被电子设备1处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备1的存储器中。
在本实施例中,关于各模块/单元的功能如下:
分类模块110,用于接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类。
以如何实现提升对商品标签自动识别的准确性为例对本方案进行详细解释说明,具体地,本方案的应用场景可以是通过捕捉商店货架上的商品图像,识别商品图像对应的标签。商品例如“鞋子”,标签例如“xx品牌xx型号”。
在本实施例中,以客户端为执行主体,例如电脑。首先客户端接收拍摄终端(例如摄像头)上传的多张待标注图片,具体可以设定拍摄终端在1s中内拍摄三张当前商品的图片。
为了对拍摄终端拍摄的待标注图片进行筛选过滤,删除不符合要求的图片,减少系统的处理压力。在本实施例中,将多张待标注图片进行预处理后得到多张预处理图片。
具体地,将预处理图片输入预先训练的属性识别模型,输出包括至少一类预设方框的预处理图片,判断预设方框中是否同时包括第一方框与第二方框,若不同时包括第一方框与第二方框则将该预处理图片删除。
其中,属性识别模型可以通过卷积神经网络(Convolutional Neural Net works,CNN)训练得到,具体训练过程包括:
获取预设数量(例如100000)的图片样本,利用第三方标记工具为每张图片样本中的目标体分配唯一的方框标识;
将图片样本按照预设比例(例如2:1)分成训练集和验证集,训练集中的图片样本数量大于验证集中的图片样本数量;
将训练集中的图片样本输入所述属性识别模型进行训练,每隔预设周期使用验证集对属性识别模型进行验证,利用验证集中各张图片样本和对应的方框标识对该属性识别模型的准确率进行验证;及
当验证的准确率大于第三预设阈值(例如80%)时,结束训练,得到训练完成的属性识别模型。
具体地,第一方框可以是商店的店员或买家,第二方框可以是目标体,例如某商品。
通过判断预设方框中是否同时包括第一方框与第二方框,若不同时包括第一方框与第二方框则说明不存在目标体从货架中取出展示的情况,需要将该张预处理图片删除,减少系统处理压力。
在另一实施例中,该装置还包括判断模块,用于:
判断所述预设方框中的第一方框对应的属性是否都包括于预先创建的名单中,若是则将所述预处理图片删除。
在本实施例中,名单中记录了店员的图像特征,例如工服的特征。当判断预设方框中的第一方框对应的属性都包括于预先创建的名单中,则说明某个目标体被展示的原因不是有客户想查看。
在得到预处理后的预处理图片后,将相似度值大于或等于第一预设阈值(例如0.7)的预处理图片归为一类,方便后续打标签人员对同一类别的第一图像统一打标签。
具体地,将相似度值大于或等于第一预设阈值的预处理图片归为一类包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片归为一类。
其中,特征提取模型的训练过程包括:
构建MobileNetV2网络,将预处理图片输入MobileNetV2网络,将Mobi leNetV2网络的输出特征向量作为预处理图片对应的图像特征。MobileNetV2是一种轻量级的卷积神经网络结构,MobileNetV2网络可以高效的对分辨率不高的图像进行快速的识别,并且运算占用带宽较小,可以搭载于移动设备上使用。MobileNetV2网络包括依次连接的53层卷积层、1层池化层以及1层全连接层,其中,53层卷积层包括依次连接的1层输入层、17个瓶颈构建块、1层输出层,每个瓶颈构建块分别包括3层卷积层,53层卷积层的卷积核均为3×3。
对图像特征进行两两相似度值计算采用的算法优选为余弦相似度算法。
具体地,余弦相似度算法包括:
xi与yi代表任意两个不同的图像特征,d(x,y)代表任意两个不同的图像特征之间的相似度值。
预设聚类算法优选为层次聚类算法,层次聚类算法通过将相似度最接近的图像特征合并到同一个类,然后再计算类与类之间的距离,将相似度最接近的类合并为一个大类,不停的合并直到聚类结果只有一个类,完成将相似度值大于或等于第一预设阈值的预处理图片归为一类。
在另一实施例中,将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片组成一分类集;
根据所述待标记图片的上传时间先后对每一个分类集中的预处理图片进行排序,将排序后落在预设时间段内的预处理图片归为一类;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算。
在本实施例中,在利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片组成一分类集后,根据待标记图片的上传时间先后对每一个分类集中的预处理图片进行排序,将排序后落在预设时间段内(例如一小时)的预处理图片归为一类。其中落在预设时间段内的预处理图片可说明是属于同一目标体的多张图片,方便打标签人员对同一目标体同一打标签。
计算模块120,用于将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果。
在本实施例中,在完成对所有预处理图片进行归类后,将同一类预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张预处理图片对应的相似度值集合,将每类相似度值集合中相似度值大于或等于第二预设阈值(例如0.6)对应的预设图片作为预处理图片的推荐结果。
其中,预设图片为已打上标签的图片。
标注模块130,用于将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
在本实施例中,根据相似度值的计算结果将与预处理图片相似度值接近的预设图片作为推荐结果推送给打标签人员进行参考对照,打标签人员通过推送结果通过从推送的预设图片中选择与指定预处理图片最相似的一张对应的预设标签作为该指定预处理图片中的目标体的目标标签。
在另一实施例中,所述“供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签”步骤包括:
从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为所述目标标签。
在本实施例中,将推荐结果与其对应的一类预处理图片展示给用户,供用户,即打标签人员从推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为目标标签。
其中,预设属性包括正面、左面、右面、背面、顶面及底面。例如,目标标签为“xx品牌xx型号正面”。
如图3所示,是本发明实现基于人工智能的标签标注方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序,如基于人工智能的标签标注程序10。
其中,所述存储器11至少包括一种类型的可读存储介质,所述计算机可读存储介质上存储有基于人工智能的标签标注程序,基于人工智能的标签标注程序可被一个或者多个处理器执行。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的标签标注程序10的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于人工智能的标签标注程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。
图3仅示出了具有部件的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器12逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口13,可选地,所述网络接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备1之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于人工智能的标签标注程序10是多个指令的组合,在所述处理器12中运行时,可以实现:
接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果;
将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
在另一实施例中,该程序还执行以下步骤,包括:
从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为所述目标标签。
在另一实施例中,该程序还执行以下步骤,包括:
判断所述预设方框中的第一方框对应的属性是否都包括于预先创建的名单中,若是则将所述预处理图片删除。
具体地,所述处理器12对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的标签标注方法,其特征在于,包括:
接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;其中,所述将所述多张待标注图片进行预处理后得到多张预处理图片包括:将预处理图片输入预先训练的属性识别模型,输出包括至少一类预设方框的预处理图片;判断所述预设方框中的第一方框对应的属性是否都包括于预先创建的名单中,若是则将所述预处理图片删除;判断所述预设方框中是否同时包括第一方框与第二方框,若不同时包括所述第一方框与第二方框则将该预处理图片删除;第一方框是商店的店员或买家,第二方框是目标体,所述目标体是商品;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果;
将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
2.如权利要求1所述的基于人工智能的标签标注方法,其特征在于,所述“将相似度值大于或等于第一预设阈值的预处理图片归为一类”步骤包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片归为一类。
3.如权利要求1所述的基于人工智能的标签标注方法,其特征在于,所述“将相似度值大于或等于第一预设阈值的预处理图片归为一类”步骤包括:
将所述预处理图片输入预先训练的特征提取模型,分别输出与各张所述预处理图片对应的图像特征;
在输出的所述图像特征之间进行两两相似度值计算,利用预设聚类算法将相似度值大于或等于第一预设阈值的预处理图片组成一分类集;
根据待标记图片的上传时间先后对每一个分类集中的预处理图片进行排序,将排序后落在预设时间段内的预处理图片归为一类;
将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算。
4.如权利要求1所述的基于人工智能的标签标注方法,其特征在于,所述“供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签”步骤包括:
从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签添加预设属性作为所述目标标签。
5.如权利要求4所述的基于人工智能的标签标注方法,其特征在于,所述预设属性包括正面、左面、右面、背面、顶面及底面。
6.一种基于人工智能的标签标注装置,其特征在于,包括:
分类模块,用于接收拍摄终端上传包括目标体的多张待标注图片,将所述多张待标注图片进行预处理后得到多张预处理图片,将相似度值大于或等于第一预设阈值的预处理图片归为一类;其中,所述将所述多张待标注图片进行预处理后得到多张预处理图片包括:将预处理图片输入预先训练的属性识别模型,输出包括至少一类预设方框的预处理图片;判断所述预设方框中的第一方框对应的属性是否都包括于预先创建的名单中,若是则将所述预处理图片删除;判断所述预设方框中是否同时包括第一方框与第二方框,若不同时包括所述第一方框与第二方框则将该预处理图片删除;第一方框是商店的店员或买家,第二方框是目标体,所述目标体是商品;
计算模块,用于将同一类所述预处理图片中的每张预处理图片分别与数据库中的预设图片进行相似度值计算,得到每一张所述预处理图片对应的相似度值集合,将每类所述相似度值集合中相似度值大于或等于第二预设阈值对应的预设图片作为所述预处理图片的推荐结果;
标注模块,用于将所述推荐结果与其对应的一类预处理图片展示给用户,供用户从所述推荐结果中选择一张与指定预处理图片匹配度最高的预设图片的预设标签作为该指定预处理图片中目标体的目标标签。
7.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器上存储有基于人工智能的标签标注程序,所述基于人工智能的标签标注程序被所述处理器执行时实现如权利要求1-5中任一项所述的基于人工智能的标签标注方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于人工智能的标签标注程序,所述基于人工智能的标签标注程序可被一个或者多个处理器执行,以实现如权利要求1-5中任一项所述的基于人工智能的标签标注方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981613.3A CN112100425B (zh) | 2020-09-17 | 2020-09-17 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981613.3A CN112100425B (zh) | 2020-09-17 | 2020-09-17 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100425A CN112100425A (zh) | 2020-12-18 |
CN112100425B true CN112100425B (zh) | 2024-03-26 |
Family
ID=73760295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981613.3A Active CN112100425B (zh) | 2020-09-17 | 2020-09-17 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100425B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581472B (zh) * | 2021-01-26 | 2022-09-02 | 中国人民解放军国防科技大学 | 一种面向人机交互的目标表面缺陷检测方法 |
CN112906817A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种智能图像标注方法 |
CN113298112B (zh) * | 2021-04-01 | 2023-05-16 | 安徽继远软件有限公司 | 一种一体化数据智能标注方法及系统 |
CN113111209B (zh) * | 2021-04-15 | 2023-10-20 | 广州图匠数据科技有限公司 | 一种针对货架场景大图的重复图片搜索方法及装置 |
CN113255339B (zh) * | 2021-05-06 | 2023-09-19 | 网易(杭州)网络有限公司 | 标注任务的处理方法、装置、电子设备及存储介质 |
CN113591580B (zh) * | 2021-06-30 | 2022-10-14 | 北京百度网讯科技有限公司 | 图像标注方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930841A (zh) * | 2016-05-13 | 2016-09-07 | 百度在线网络技术(北京)有限公司 | 对图像进行自动语义标注的方法、装置与计算机设备 |
CN108062377A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 标签图片集的建立、标签的确定方法、装置、设备及介质 |
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 |
CN111414949A (zh) * | 2020-03-13 | 2020-07-14 | 杭州海康威视系统技术有限公司 | 图片聚类方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-17 CN CN202010981613.3A patent/CN112100425B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930841A (zh) * | 2016-05-13 | 2016-09-07 | 百度在线网络技术(北京)有限公司 | 对图像进行自动语义标注的方法、装置与计算机设备 |
CN108062377A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 标签图片集的建立、标签的确定方法、装置、设备及介质 |
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 |
CN111414949A (zh) * | 2020-03-13 | 2020-07-14 | 杭州海康威视系统技术有限公司 | 图片聚类方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112100425A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100425B (zh) | 基于人工智能的标签标注方法、装置、电子设备及介质 | |
CN108416403B (zh) | 商品与标签的自动关联方法、系统、设备及存储介质 | |
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN111275060A (zh) | 识别模型更新处理方法、装置、电子设备及存储介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN112137591A (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN115115825A (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN114637326A (zh) | 区域策略制定方法、装置、设备及存储介质 | |
CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN111651625A (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN115131826A (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
CN113888086A (zh) | 基于图像识别的物品签收方法、装置、设备及存储介质 | |
CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
CN113190703A (zh) | 视频图像的智能检索方法、装置、电子设备及存储介质 | |
CN113887384A (zh) | 基于多轨迹融合的行人轨迹分析方法、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 |