CN112149742A - 一种基于目标检测网络的智能标注方法 - Google Patents
一种基于目标检测网络的智能标注方法 Download PDFInfo
- Publication number
- CN112149742A CN112149742A CN202011024865.3A CN202011024865A CN112149742A CN 112149742 A CN112149742 A CN 112149742A CN 202011024865 A CN202011024865 A CN 202011024865A CN 112149742 A CN112149742 A CN 112149742A
- Authority
- CN
- China
- Prior art keywords
- target detection
- detection network
- data
- method based
- labeling
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000002372 labelling Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于目标检测网络的智能标注方法，所述目标检测网络使用Depthwise与Pointwise组合卷积层替换原来的卷积层，本方法基于深度学习的智能标注方法可以代替人力实现对图像数据的自动检测及自动标注，只需要少量的人工标注数据及人工纠错，即可完成模型的迭代优化，极大的提高模型标注的准确率，从而提高数据标注的速度及准确率。
Description
技术领域
本发明涉及一种目标检测网络的智能标注方法，属于人工智能技术领域，具体是数据标注领域。
背景技术
目标检测任务是计算机视觉领域的最主要的问题之一，广泛用于安防监控、自动驾驶等领域。目标检测结合了定位与分类任务，通常完成一个满足需求的目标检测模型需要海量的标注数据。数据标注工作通常需要耗费非常多的人力和时间，且不可避免的存在误标注、漏标注等情况。
发明内容
本发明要解决的技术问题是提供一种基于目标检测网络的智能标注方法，提高数据标注的准确度和速度，解放人力，提高效率。
为了解决所述技术问题，本发明采用的技术方案是：一种基于目标检测网络的智能标注方法，包括以下步骤：
S01）、将目标检测网络的卷积层替换成Depthwise与Pointwise组合卷积层，目标检测网络的其他层保持不变；
S02）、人工标注训练集，将标注后的训练集输入目标检测网络并进行训练；
S03）、利用训练后的目标检测网络对另一批新的数据进行数据检测和标注，对目标检测网络输出的结果进行人工纠错和改正，然后利用纠错、改正后的数据对训练后的目标检测网络进行迭代优化；
S04）、基于新的待测数据，重复步骤S01至S03，逐步优化目标检测网络，直至检测准确率达到要求；
S05）、利用步骤S04优化的目标检测网络实现海量数据的自动标注。
进一步的，步骤S02中，按照样本类别标记训练集。
进一步的，Depthwise与Pointwise组合卷积层对输入数据先执行Depthwise卷积计算，然后再执行Pointwise卷积计算。
本发明的有益效果：本发明基于深度学习的智能标注方法可以代替人力实现对图像数据的自动检测及自动标注。只需要少量的人工标注数据及人工纠错，即可完成模型的迭代优化，极大的提高模型标注的准确率，从而提高数据标注的速度及准确率。
附图说明
图1为MOGO目标检测网络架构的原理框图；
图2为实施例1所述方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行示例性说明。本实施例以本发明技术方案为前提进行实施，给出了实施方式，但本发明的保护范围不仅限于下述的实施例。
实施例1
本实施例公开一种基于目标检测网络的智能标注方法，基于轻量级的目标检测网络进行小样本数据的训练集多次迭代优化完成数据的智能标注工作。
在工业领域，目标检测模型网络结构复杂且层数多，少量的数据并不足以训练一个符合要求的目标检测模型，从而陷入死循环。因此本实施例设计一种轻量级的目标检测网络MOGO进行小样本数据的训练及多次迭代优化完成数据的智能标注工作。
目标检测网络MOGO的主要架构如图1所示，其优势在于目标检测网络的卷积层替换成Depthwise与Pointwise组合卷积层，目标检测网络的其他层保持不变。这样设计可以极大的减少网络参数，从而实现短时间内小批量数据的训练。假设输入数据维度为
，则正常卷积参数量为
，Depthwise+Pointwise的组合卷积参数量为
。
由上述可知，网络结构的改变可以帮助我们利用小批量数据训练达到目标检测需求，因此，对于海量数据的标注工作，我们人工标注少量的数据进行MOGO模型的训练，按照样本类别标记，保证各类别数据量均衡，减少模型训练误差。利用训练后的模型对另一批新的数据进行数据检测和标注，对检测后的结果进行人工纠错和改正，然后对模型进行二次训练迭代优化，提高准确率。对剩余数据分批，重复上述步骤，直至模型准确率达到要求。此时便可以利用该目标检测模型实现海量数据的自动标注。
如图2所示，本实施例所述方法通过以下步骤实施：
1）、确定待标数据的类别，每一类别的数据进行少量的人工标注（>20张）；
2）、利用1）标注的小批量数据初步训练一个目标检测模型；
3）、整理第二批小批量数据，利用2）训练的模型对其检测标注；
4）、对检测出来的结果进行人为干预纠正；
5）、利用纠正后的数据迭代优化2）中的模型；
6）、利用5）优化后的模型新的待测数据进行检测；
7）、重复1）~6）步骤，逐步优化目标检测模型，直至模型检测标注误差达到要求；
8）、利用最终模型对剩余数据完成标注工作，可以大大减少人力，提高速度。
本发明基于深度学习的智能标注方法可以代替人力实现对图像数据的自动检测及自动标注。只需要少量的人工标注数据及人工纠错，即可完成模型的迭代优化，极大的提高模型标注的准确率，从而提高数据标注的速度及准确率。
以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。
Claims (3)
1.一种基于目标检测网络的智能标注方法，其特征在于：包括以下步骤：
S01）、将目标检测网络的卷积层替换成Depthwise与Pointwise组合卷积层，目标检测网络的其他层保持不变；
S02）、人工标注训练集，将标注后的训练集输入目标检测网络并进行训练；
S03）、利用训练后的目标检测网络对另一批新的数据进行数据检测和标注，对目标检测网络输出的结果进行人工纠错和改正，然后利用纠错、改正后的数据对训练后的目标检测网络进行迭代优化；
S04）、基于新的待测数据，重复步骤S01至S03，逐步优化目标检测网络，直至检测准确率达到要求；
S05）、利用步骤S04优化的目标检测网络实现海量数据的自动标注。
2.根据权利要求1所述的基于目标检测网络的智能标注方法，其特征在于：步骤S02中，按照样本类别标记训练集。
3.根据权利要求1所述的基于目标检测网络的智能标注方法，其特征在于：Depthwise与Pointwise组合卷积层对输入数据先执行Depthwise卷积计算，然后再执行Pointwise卷积计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011024865.3A CN112149742A (zh) | 2020-09-25 | 2020-09-25 | 一种基于目标检测网络的智能标注方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011024865.3A CN112149742A (zh) | 2020-09-25 | 2020-09-25 | 一种基于目标检测网络的智能标注方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149742A true CN112149742A (zh) | 2020-12-29 |
Family
ID=73897193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011024865.3A Pending CN112149742A (zh) | 2020-09-25 | 2020-09-25 | 一种基于目标检测网络的智能标注方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149742A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113380384A (zh) * | 2021-05-01 | 2021-09-10 | 首都医科大学宣武医院 | 人机协同训练医学影像标注模型的方法、标注方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3514733A1 (en) * | 2018-01-18 | 2019-07-24 | Aptiv Technologies Limited | A device and a method for image classification using a convolutional neural network |
| CN110751214A (zh) * | 2019-10-21 | 2020-02-04 | 山东大学 | 一种基于轻量级可变形卷积的目标检测方法及系统 |
| CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
| CN111652102A (zh) * | 2020-05-27 | 2020-09-11 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
-
2020
- 2020-09-25 CN CN202011024865.3A patent/CN112149742A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3514733A1 (en) * | 2018-01-18 | 2019-07-24 | Aptiv Technologies Limited | A device and a method for image classification using a convolutional neural network |
| CN110751214A (zh) * | 2019-10-21 | 2020-02-04 | 山东大学 | 一种基于轻量级可变形卷积的目标检测方法及系统 |
| CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
| CN111652102A (zh) * | 2020-05-27 | 2020-09-11 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 毕娅: "《湖北省城乡食品冷链物流系统需求预测理论、实践与创新》", 31 March 2016 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113380384A (zh) * | 2021-05-01 | 2021-09-10 | 首都医科大学宣武医院 | 人机协同训练医学影像标注模型的方法、标注方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766921A (zh) | 一种基于深度领域自适应的振动数据故障分类方法 | |
| CN110490195A (zh) | 一种水表表盘读数识别方法 | |
| CN109086768B (zh) | 卷积神经网络的语义图像分割方法 | |
| CN112115993B (zh) | 一种基于元学习的零样本和小样本证件照异常检测方法 | |
| CN111931807A (zh) | 一种基于特征空间组合的小样本类增量学习方法 | |
| CN110648310A (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
| CN113379399B (zh) | 一种基于状态转移概率模型的rpa组件推荐方法 | |
| CN116090360B (zh) | 一种基于多模态实体对齐的rpa流程推荐方法 | |
| CN110111430A (zh) | 一种从三维点云中提取二次曲面的方法 | |
| CN112149742A (zh) | 一种基于目标检测网络的智能标注方法 | |
| CN104616104A (zh) | 船用柴油机零件快速编码管理系统及管理方法 | |
| CN109291657A (zh) | 基于卷积神经网络航天结构件工业物联标识激光打码系统 | |
| CN115457006A (zh) | 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置 | |
| CN116257644A (zh) | 标注数据的方法、通过模型标注数据的方法及装置 | |
| CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
| CN112989881A (zh) | 一种无监督可迁移的3d视觉物体抓取方法 | |
| Rani et al. | Automating Daily Task in Manufacturing and Production Sites Via Machine Learning Intelligence | |
| CN116089812A (zh) | 基于半监督对抗域泛化智能模型的故障诊断方法 | |
| CN106875101B (zh) | 一种能源管理系统控制方法及控制装置 | |
| CN115841267A (zh) | 一种基多层bp神经网络的企业定额修正方法 | |
| CN109214414B (zh) | 面向人脸识别的多任务正半定约束度量学习方法 | |
| CN111178425B (zh) | 一种基于卷积神经网络的大型高速回转装备面型分类方法 | |
| Yang et al. | Few-shot classification with first-order task agnostic meta-learning | |
| CN110222729A (zh) | 一种基于改进深度残差网络的三维cad模型智能分类方法 | |
| CN115019084B (zh) | 一种基于张量多属性特征迁移的分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |