CN112381114A - 一种深度学习图像标注系统及方法 - Google Patents
一种深度学习图像标注系统及方法 Download PDFInfo
- Publication number
- CN112381114A CN112381114A CN202011122079.7A CN202011122079A CN112381114A CN 112381114 A CN112381114 A CN 112381114A CN 202011122079 A CN202011122079 A CN 202011122079A CN 112381114 A CN112381114 A CN 112381114A
- Authority
- CN
- China
- Prior art keywords
- submodule
- labeling
- module
- image
- annotation
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明首先公开了一种深度学习图像标注系统,包括依次连接的图像预处理模块、图像标注模块、网络训练模块;其次公开了一种深度学习图像标注方法,包括以下步骤:用户上传视频数据并进行视频取帧;对视频取帧图片进行模糊检测并进行关键帧提取,获得待标图片;对部分待标图片手动标注,生成手动标注结果,并用于算法训练;使用训练好的算法对剩余待标图片进行自动预标注,生成预标注结果;对预标注结果进行复检修正,生成最终标注结果。本发明所述系统实现了图像和视频数据自动标注,避免人工标注费时费力,有效提高数据标注效率,并实现了海量数据快速标注;本发明所述方法为图像和视频数据自动标注提供了实现步骤,极大减小了数据标注工作量。
Description
技术领域
本发明涉及深度学习数据标注领域,更具体地,涉及一种深度学习图像标注系统及方法。
背景技术
随着科技的进步,深度学习神经网络逐渐应用到各行各业中,尤其是图像识别领域。而神经网络是以数据为导向的,需要对大量标注过的数据进行算法的训练。目前主要通过人工手工标注的方式进行数据标注,存在以下问题:第一,人工标注的过程,耗时耗力,效率低下;第二,面对海量数据时,很难短时间内完成任务;第三,在日常的作业生产中,产生的多是视频数据,往往不能直接进行标注。因此,用户急需一种能适用于图片数据、视频数据等多类型数据的图像标注系统,以实现海量数据的高效、快速标注。
在现有技术中,公开号为CN109961095A的中国发明专利,于2019年07月02日公开了一种基于非监督深度学习的图像标注系统及标注方法,包括:将视频或图像通过全卷积网络的第一个密集连接模块得到96个特征图,将96个特征图通过第一个特征融合层得到48个特征图,将融合后的48个特征图输入第二个密集连接模块得到192个特征图,将192个特征图通过第一个特征融合层得到96个特征图,融合后的96个特征图输入第三个密集连接模块,得到384个特征图,通过密集连接模块与融合模块将图像的高层特征与底层特征压缩维一个256维向量,得到压缩后的向量后通过聚类方法为未知标签图像打上标注,再通过优化器使得网络学习更优特征反复迭代,还可融合人工标注学习,在一定程度上达到节省了人力,加大了对海量数据的利用。但是该方案并未能解决上述问题,因此,用户急需一种深度学习图像标注系统及方法。
发明内容
本发明为解决人工标注效率低下、海量数据难以短时间完成标注、视频数据不能直接标注等问题,提供了一种深度学习图像标注系统及方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
首先,提出一种深度学习图像标注系统,包括图像预处理模块、图像标注模块、网络训练模块;其中:所述图像预处理模块输出端与图像标注模块输入端连接;所述图像标注模块与网络训练模块连接。
优选地,所述图像预处理模块包括视频取帧子模块、模糊检测子模块、关键帧提取子模块、创建URL子模块;其中,所述视频取帧子模块输出端与模糊检测子模块输入端连接;所述模糊检测子模块输出端与关键帧提取子模块输入端连接;所述关键帧提取子模块输出端与创建URL子模块输入端连接;所述关键帧提取子模块输出端与图像标注模块输入端连接。
优选地,所述图像标注模块包括手动标注子模块、自动标注子模块、手动修正子模块、标注结果子模块;其中,所述手动标注子模块输入端与关键帧提取子模块输出端连接;所述手动标注子模块输出端与标注结果子模块输入端连接;所述标注结果子模块输出端与网络训练模块输入端连接;所述网络训练模块输出端与自动标注子模块输入端连接;所述自动标注子模块输出端与手动修正子模块输入端连接;所述手动修正子模块输出端与标注结果子模块输入端连接。
优选地,所述图像标注模块集成LabelMe开源标注系统。
优选地,所述图像标注模块采用B/S架构。
优选地,所述网络训练模块内置轻量级深度学习算法。
优选地,所述模糊检测子模块采用Haar小波变换进行模糊度检测和模糊数据清洗。
优选地,所述标注结果子模块采用xml作为标注结果文件格式。
其次,提出一种深度学习图像标注方法,包括以下步骤:S1:用户上传视频数据,并采用分帧工具进行视频取帧;S2:对视频取帧图片进行模糊检测,并进行关键帧提取,获取待标图片;S3:对部分待标图片进行手动标注,生成手动标注结果,并将手动标注结果用于进行轻量深度学习算法的训练;S4:使用训练好的深度学习算法对剩余待标图片进行自动预标注,生成预标注结果;S5:对预标注结果进行复检修正,生成最终标注结果。
优选地,对步骤S2中所述待标图片创建URL。
与现有技术相比,本发明技术方案的有益效果是:
本发明首先提出了一种深度学习图像标注系统,通过图像预处理模块、图像标注模块、网络训练模块的配合,实现对图像数据、视频数据的自动标注,避免人工标注费时费力,有效提高了数据标注的效率,并实现了海量数据的快速标注;其次提出了一种深度学习图像标注方法,为图像数据、视频数据的自动标注提供了实现步骤,极大减小了数据标注的工作量。
附图说明
图1为本发明所述系统结构示意图;
图2为本发明所述系统结构设计图;
图3为本发明所述方法步骤图;
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,首先,提出一种深度学习图像标注系统,包括图像预处理模块、图像标注模块、网络训练模块;其中:所述图像预处理模块输出端与图像标注模块输入端连接;所述图像标注模块与网络训练模块连接。
上述方案中,图像预处理模块,为用户提供数据上传接口,以上传图片数据和视频数据,并实现对视频数据的预处理,生成可标注的高质量图片数据;图像标注模块,可实现对大批量图像数据的快速标注,提高标注效率;网络训练模块,能够完成内置算法的训练,实现自动标注功能;使用系统时,用户先将数据上传至图像预处理模块,以获得待标注图片;再将待标注图片传输至图像标注模块进行标注,以获得标注结果;而当需要标注的数据量较大时,可先在图像标注模块对少量数据进行标注,再将少量数据标注结果提供给网络训练模块进行训练,最后使用训练好的算法完成剩余数据的标注。
具体地,所述图像预处理模块包括视频取帧子模块、模糊检测子模块、关键帧提取子模块、创建URL子模块;其中,所述视频取帧子模块输出端与模糊检测子模块输入端连接;所述模糊检测子模块输出端与关键帧提取子模块输入端连接;所述关键帧提取子模块输出端与创建URL子模块输入端连接;所述关键帧提取子模块输出端与图像标注模块输入端连接。
上述方案中,视频取帧子模块,用户可根据需求设置取帧效率,比如x帧/秒或x秒/帧;模糊检测子模块,可为用户剔除原始数据中由于散焦或者运动而产生的模糊数据,提高待标数据的质量;关键帧提取子模块,可选取出阶段内具有代表性的关键帧,只对关键帧进行标注,提高标注的效率,因为相邻的帧图像之间存在很高的相似度,不经过筛选用以标注的话,既费时费力又会造成标注结果冗余,而对于关键帧的提取,具体是根据阶段内各帧之间的图像数据变化程度进行的,把取帧后第一帧作为关键帧,然后计算前一个关键帧和剩余帧的之差,若某一帧差值大于所设阈值,则将该帧增添为关键帧,重复此过程继续进行关键帧的选取;创建URL子模块,为待标注的图片提供对应的索引链接;各模块配合如下:首先,使用视频取帧子模块将视频数据按帧处理成多张图片;其次,使用模糊检测子模块剔除视频取帧图片中的模糊图片;再者,使用关键帧提取子模块找到阶段内具有代表性的帧,确定待标图片;最后,使用创建URL子模块将待标图片存放在服务器固定的文件夹中,根据图片位置创建链接生成URL。
具体地,所述图像标注模块包括手动标注子模块、自动标注子模块、手动修正子模块、标注结果子模块;其中,所述手动标注子模块输入端与关键帧提取子模块输出端连接;所述手动标注子模块输出端与标注结果子模块输入端连接;所述标注结果子模块输出端与网络训练模块输入端连接;所述网络训练模块输出端与自动标注子模块输入端连接;所述自动标注子模块输出端与手动修正子模块输入端连接;所述手动修正子模块输出端与标注结果子模块输入端连接。
上述方案中,手动标注子模块,用户在设置标签类别信息后,可对目标进行对应标签的手动框选,为纯人工的方式;自动标注子模块,可根据算法对目标进行对应标签的自动框选;手动修正子模块,可对自动标注的结果进行人工复检;标注结果子模块,用于生成标注结果;各模块配合如下:数据量较少时,使用手动标注子模块对确定好的待标图片进行手动框选标签,然后在标注结果子模块中生成手动标注结果,将手动标注结果作为最终标注结果;数据量较多时,则首先使用手动标注子模块,对少量确定好的待标图片进行手动标注,在标注结果子模块中生成手动标注结果;其次将手动标注结果传输至网络训练模块中,进行算法的训练;当训练完成后,网络训练模块将为自动标注子模块提供训练好的算法,以对剩余待标图片进行自动预标注,并在自动标注子模块中生成预标注结果;然后,使用手动修正子模块接收预标注结果并对其进行复检和修正,在标注结果子模块中生成最终标注结果。
具体地,所述图像标注模块集成LabelMe开源标注系统。
上述方案中,将LabelMe开源标注系统安装至本地服务器,可用以创建定制化标注任务,进行图像标注。
具体地,所述图像标注模块采用B/S架构。
上述方案中,用户无需安装客户端,可在任意地方进行远程访问,摆脱了平台操作系统限制,提升了标注的便捷性。
具体地,所述网络训练模块内置轻量级深度学习算法。
上述方案中,分为目标检测算法和目标分来算法,用户可根据任务需求进行选择,服务器端提供算法训练的硬件支持。
具体地,所述模糊检测子模块采用Haar小波变换进行模糊度检测和模糊数据清洗。
上述方案中,Haar小波变换的办法能通过边缘类型分析判断图像数据是否模糊,并根据边缘锐度分析得到图像的模糊度,用户可根据模糊度阈值对图像数据进行筛选,当模糊度超过阈值,则对图像数据进行删除,当用户数据充足时,可以设置低模糊度阈值,图片数据稍有模糊即删除;当用户数据量有限时,可以设置高模糊度阈值,只删除部分模糊严重的图片数据。
具体地,所述标注结果子模块采用xml作为标注结果文件格式。
上述方案中,xml具有格式规范、轻量级以及扩展性强等特点,能和公共数据格式兼容,并且能够相互转化。
如图2所示,为使所述系统各模块相适配,发挥相应的功能,对其进行设计,所述系统架构包括Web前端、服务器端、数据端;其中:(1)Web前端包括表示层、业务逻辑层;所述表示层包括“UI界面”,用于进行用户与系统之间的数据交互;所述业务逻辑层包括“手动标注”“复检修改”,负责接收用户传输过来的数据和请求,以实现手动标注操作和手动修正操作;(2)服务器端包括服务器层、数据访问层;所述服务器层包括“图片预处理”“算法训练”“自动标注”,负责对数据进行预处理(视频取帧、模糊检测和筛选、关键帧提取、创建图片URL),获取待标图片,还负责对轻量算法进行训练,以实现自动标注,算法训练所需的硬件资源由服务器提供;所述数据访问层包括“标注结果修改与保存”“算法模型参数更新与保存”负责对标注数据进行读取、修改,以及对算法模型参数进行修改、保存等操作;(3)数据端包括数据存储层;所述数据存储层包括“标注结果”“算法模型参数”,主要进行标注数据、标注结果以及算法模型文件的存储工作。
如图3所示,其次,提出一种深度学习图像标注方法,包括以下步骤:S1:用户上传视频数据,并采用分帧工具进行视频取帧;S2:对视频取帧图片进行模糊检测,并进行关键帧提取,获取待标图片;S3:对部分待标图片进行手动标注,生成手动标注结果,并将手动标注结果用于进行轻量深度学习算法的训练;S4:使用训练好的深度学习算法对剩余待标图片进行自动预标注,生成预标注结果;S5:对预标注结果进行复检修正,生成最终标注结果。
上述方案中,先对视频数据进行视频取帧、模糊检测、关键帧提取等预处理工作,获取更具有代表性的待标图片;再进行算法训练,实现待标图片的自动预标注;最后进行手动复检修正,得到最终标注结果;这样既有效降低了数据标注所耗费的人力物力,又提高了标注效率。
具体地,对步骤S2中所述待标图片创建URL。
上述方案中,创建待标图片的URL,可为待标提供对应的索引链接,方便定位和寻找待标图片资源。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种深度学习图像标注系统,其特征在于,包括图像预处理模块、图像标注模块、网络训练模块;其中:
所述图像预处理模块输出端与图像标注模块输入端连接;
所述图像标注模块与网络训练模块连接。
2.根据权利要求1所述的一种深度学习图像标注系统,其特征在于,所述图像预处理模块包括视频取帧子模块、模糊检测子模块、关键帧提取子模块、创建URL子模块;其中:
所述视频取帧子模块输出端与模糊检测子模块输入端连接;
所述模糊检测子模块输出端与关键帧提取子模块输入端连接;
所述关键帧提取子模块输出端与创建URL子模块输入端连接;
所述关键帧提取子模块输出端与图像标注模块输入端连接。
3.根据权利要求2所述的一种深度学习图像标注系统,其特征在于,所述图像标注模块包括手动标注子模块、自动标注子模块、手动修正子模块、标注结果子模块;其中:
所述手动标注子模块输入端与关键帧提取子模块输出端连接;
所述手动标注子模块输出端与标注结果子模块输入端连接;
所述标注结果子模块输出端与网络训练模块输入端连接;
所述网络训练模块输出端与自动标注子模块输入端连接;
所述自动标注子模块输出端与手动修正子模块输入端连接;
所述手动修正子模块输出端与标注结果子模块输入端连接。
4.根据权利要求1所述的一种深度学习图像标注系统,其特征在于,所述图像标注模块集成LabelMe开源标注系统。
5.根据权利要求1所述的一种深度学习图像标注系统,其特征在于,所述图像标注模块采用B/S架构。
6.根据权利要求1所述的一种深度学习图像标注系统,其特征在于,所述网络训练模块内置轻量级深度学习算法。
7.根据权利要求2所述的一种深度学习图像标注系统,其特征在于,所述模糊检测子模块采用Haar小波变换进行模糊度检测和模糊数据清洗。
8.根据权利要求3所述的一种深度学习图像标注系统,其特征在于,所述标注结果子模块采用xml作为标注结果文件格式。
9.一种深度学习图像标注方法,其特征在于,包括以下步骤:
S1:用户上传视频数据,并采用分帧工具进行视频取帧;
S2:对视频取帧图片进行模糊检测,并进行关键帧提取,获取待标图片;
S3:对部分待标图片进行手动标注,生成手动标注结果,并将手动标注结果用于进行轻量深度学习算法的训练;
S4:使用训练好的深度学习算法对剩余待标图片进行自动预标注,生成预标注结果;
S5:对预标注结果进行复检修正,生成最终标注结果。
10.根据权利要求9所述的一种深度学习图像标注系统,其特征在于,对步骤S2中所述待标图片创建URL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011122079.7A CN112381114A (zh) | 2020-10-20 | 2020-10-20 | 一种深度学习图像标注系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011122079.7A CN112381114A (zh) | 2020-10-20 | 2020-10-20 | 一种深度学习图像标注系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381114A true CN112381114A (zh) | 2021-02-19 |
Family
ID=74581680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011122079.7A Pending CN112381114A (zh) | 2020-10-20 | 2020-10-20 | 一种深度学习图像标注系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381114A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407980A (zh) * | 2021-08-18 | 2021-09-17 | 深圳市信润富联数字科技有限公司 | 数据标注系统 |
CN114973056A (zh) * | 2022-03-28 | 2022-08-30 | 华中农业大学 | 基于信息密度的快速视频图像分割标注方法 |
CN115223166A (zh) * | 2022-09-20 | 2022-10-21 | 整数智能信息技术(杭州)有限责任公司 | 图片预标注方法、图片标注方法及装置、电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090274364A1 (en) * | 2008-05-01 | 2009-11-05 | Yahoo! Inc. | Apparatus and methods for detecting adult videos |
US8983188B1 (en) * | 2013-05-14 | 2015-03-17 | Google Inc. | Edge-aware smoothing in images |
CN108985293A (zh) * | 2018-06-22 | 2018-12-11 | 深源恒际科技有限公司 | 一种基于深度学习的图像自动化标注方法及系统 |
CN109255044A (zh) * | 2018-08-31 | 2019-01-22 | 江苏大学 | 一种基于YOLOv3深度学习网络的图像智能标注方法 |
CN109961095A (zh) * | 2019-03-15 | 2019-07-02 | 深圳大学 | 基于非监督深度学习的图像标注系统及标注方法 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
CN110508510A (zh) * | 2019-08-27 | 2019-11-29 | 广东工业大学 | 一种塑料泵缺陷检测方法、装置及系统 |
CN111047625A (zh) * | 2020-02-18 | 2020-04-21 | 神思电子技术股份有限公司 | 一种菜品视频样本半自动标记的方法 |
WO2020093694A1 (zh) * | 2018-11-07 | 2020-05-14 | 华为技术有限公司 | 生成视频分析模型的方法及视频分析系统 |
CN111506773A (zh) * | 2020-03-24 | 2020-08-07 | 中国科学院大学 | 一种基于无监督深度孪生网络的视频去重方法 |
-
2020
- 2020-10-20 CN CN202011122079.7A patent/CN112381114A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090274364A1 (en) * | 2008-05-01 | 2009-11-05 | Yahoo! Inc. | Apparatus and methods for detecting adult videos |
US8983188B1 (en) * | 2013-05-14 | 2015-03-17 | Google Inc. | Edge-aware smoothing in images |
CN108985293A (zh) * | 2018-06-22 | 2018-12-11 | 深源恒际科技有限公司 | 一种基于深度学习的图像自动化标注方法及系统 |
CN109255044A (zh) * | 2018-08-31 | 2019-01-22 | 江苏大学 | 一种基于YOLOv3深度学习网络的图像智能标注方法 |
WO2020093694A1 (zh) * | 2018-11-07 | 2020-05-14 | 华为技术有限公司 | 生成视频分析模型的方法及视频分析系统 |
CN109961095A (zh) * | 2019-03-15 | 2019-07-02 | 深圳大学 | 基于非监督深度学习的图像标注系统及标注方法 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
CN110508510A (zh) * | 2019-08-27 | 2019-11-29 | 广东工业大学 | 一种塑料泵缺陷检测方法、装置及系统 |
CN111047625A (zh) * | 2020-02-18 | 2020-04-21 | 神思电子技术股份有限公司 | 一种菜品视频样本半自动标记的方法 |
CN111506773A (zh) * | 2020-03-24 | 2020-08-07 | 中国科学院大学 | 一种基于无监督深度孪生网络的视频去重方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407980A (zh) * | 2021-08-18 | 2021-09-17 | 深圳市信润富联数字科技有限公司 | 数据标注系统 |
CN114973056A (zh) * | 2022-03-28 | 2022-08-30 | 华中农业大学 | 基于信息密度的快速视频图像分割标注方法 |
CN115223166A (zh) * | 2022-09-20 | 2022-10-21 | 整数智能信息技术(杭州)有限责任公司 | 图片预标注方法、图片标注方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381114A (zh) | 一种深度学习图像标注系统及方法 | |
CN109756751B (zh) | 多媒体数据处理方法及装置、电子设备、存储介质 | |
US11776267B2 (en) | Intelligent cataloging method for all-media news based on multi-modal information fusion understanding | |
JP5431754B2 (ja) | フォトガイドの自動生成 | |
KR20200108609A (ko) | 머신러닝 학습 데이터 증강장치 및 증강방법 | |
CN111143617A (zh) | 一种图片或视频文本描述自动生成方法及系统 | |
US20150278248A1 (en) | Personal Information Management Service System | |
CN113780229A (zh) | 文本识别方法及装置 | |
CN113010711B (zh) | 一种基于深度学习的影视海报自动生成方法与系统 | |
CN112631586A (zh) | 一种应用开发方法、装置、电子设备和存储介质 | |
CN113449698A (zh) | 纸质文档的自动化录入方法、系统、装置及存储介质 | |
CN112383824A (zh) | 视频广告过滤方法、设备及存储介质 | |
CN110472075A (zh) | 一种基于机器学习的异构数据分类存储方法及系统 | |
CN115115740A (zh) | 思维导图识别方法、装置、设备、介质及程序产品 | |
CN112464907A (zh) | 一种文档处理系统及方法 | |
CN107656760A (zh) | 数据处理方法及装置、电子设备 | |
CN114510564A (zh) | 视频知识图谱生成方法及装置 | |
CN116095363B (zh) | 基于关键行为识别的移动端短视频高光时刻剪辑方法 | |
EP1552466A1 (en) | System and method for automatic preparation of data repositories from microfilm-type materials | |
CN115357220A (zh) | 一种面向工业app开发的群智化需求获取方法 | |
CN113628113A (zh) | 一种图像拼接方法及其相关设备 | |
CN104951802A (zh) | 一种分类器更新方法 | |
CN115797723B (zh) | 滤镜推荐方法、装置、电子设备及存储介质 | |
NL2029570B1 (en) | Automatic document recording system based on handwritten recognition artificial intelligence technology | |
CN113111920B (zh) | 一种基于plm的项目数据管理系统及应用方法 |
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 |