CN113377980A - 一种信息标注的方法、装置、电子设备及存储介质 - Google Patents
一种信息标注的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113377980A CN113377980A CN202110703187.1A CN202110703187A CN113377980A CN 113377980 A CN113377980 A CN 113377980A CN 202110703187 A CN202110703187 A CN 202110703187A CN 113377980 A CN113377980 A CN 113377980A
- Authority
- CN
- China
- Prior art keywords
- information
- labeling
- sample image
- tool
- determining
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 265
- 238000013528 artificial neural network Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 14
- 238000009432 framing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 210000000554 iris Anatomy 0.000 description 44
- 238000013473 artificial intelligence Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003786 sclera Anatomy 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种信息标注的方法、装置、电子设备及存储介质，其中，该方法包括：获取目标行业的多种标注对象类型分别对应的样本图像，以及目标行业对应的多种标注工具；基于各标注工具与各标注对象类型之间的对应关系，确定与样本图像对应的标注工具；响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。本公开针对不同的标注对象类型可以采用不同的标注工具进行标注信息的标注，从而可以对应目标行业的各种业务需求，这样所训练得到的神经网络可以更好的服务于目标行业。
Description
技术领域
本公开涉及金融技术领域，具体而言，涉及一种信息标注的方法、装置、电子设备及存储介质。
背景技术
随着人工智能的发展，人工智能(Artificial Intelligence，AI)技术逐渐从实验室走出并融入各行各业。人工智能具有识别模式、预测未来事件等优良特性，正在迅速变成金融服务业的关键要素。
如商业银行等金融服务企业会向银行用户提供多种金融服务，这些金融服务对应的金融产品类型众多且信息繁杂，由于缺少系统化的信息处理手段，这导致目前的人工智能技术在金融业的普及仍具有很多的局限性。
发明内容
本公开实施例至少提供一种信息标注的方法、装置、电子设备及存储介质。
第一方面，本公开实施例提供了一种信息标注的方法，包括：
获取目标行业的多种标注对象类型分别对应的样本图像，以及所述目标行业对应的多种标注工具；
基于各标注工具与各标注对象类型之间的对应关系，确定与所述样本图像对应的标注工具；
响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
采用上述信息标注的方法，基于各标注工具与各标注对象类型、各标注对象类型与各样本图像之间的对应关系，可以确定与获取的样本图像对应的标注工具，在响应针对标注工具的标注操作的情况下，可以获取针对样本图像进行标注后的标注信息，也即，针对不同的标注对象类型可以采用不同的标注工具进行标注信息的标注，从而可以对应目标行业的各种业务需求，这样所训练得到的神经网络可以更好的服务于目标行业。
在一种可能的实施方式中，所述标注对象类型包括票据类，与所述票据类对应的标注工具包括线条工具，所述票据类的标注对象类型对应的样本图像为票据样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述线条工具的线段标注操作，确定在所述票据样本图像上标注的线段起始位置和线段终止位置；
在所述线段起始位置和所述线段终止位置所在标注线段，与所述票据样本图像中的任一表格线重合的情况下，基于所述标注线段的线段信息确定所述任一表格线的表格线信息；所述表格线信息包括表格线属性信息和/或表格线位置信息；
将各个所述表格线的表格线信息，确定为所述标注信息。
这里，针对票据类的标注对象类型而言，可以基于线段起始位置和线段终止位置的标注实现票据样本图像上的表格线的表格线信息的确定。该表格线信息作为票据类对象的关键指示信息，可以作为标注信息以更好的指导后续神经网络的训练。
在一种可能的实施方式中，所述响应所述线条工具的线段标注操作之前，还包括：
响应所述线条工具的属性选取操作，确定选取的线条属性信息；所述线条属性信息用于描述线条的属性特征；
所述响应所述线条工具的线段标注操作，确定在所述票据样本图像上标注的线段起始位置和线段终止位置，包括：
响应所述线条工具的线段标注操作，在选取的线条属性信息的约束下，确定在所述票据样本图像上标注的线段起始位置和线段终止位置。
在一种可能的实施方式中，与所述票据类对应的标注工具还包括矩形框工具；所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述矩形框工具的框选标注操作，确定框选标注操作后得到的标注矩形框；
对所述标注矩形框内的票据内容进行文字识别，得到票据内容信息；
将所述票据内容信息，确定为所述标注信息。
这里，对于票据类而言，还可以结合矩形工具实现有关票据内容信息的识别，以更好的指导后续神经网络的训练。
在一种可能的实施方式中，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
建立所述票据内容信息以及各个所述表格线的表格线信息之间的关联关系，确定表格关联内容；
将所述票据样本图像作为待训练的神经网络的输入，将所述票据样本图像包含的表格关联内容作为待训练的神经网络的输出，训练得到所述神经网络。
这里，可以将文字识别得到的票据内容信息以及线段标注得到的表格线信息建立关联关系，以基于这一建立的关联关系确定表格关联内容，这主要是为了便于实现票据类对象中有关特定表格的特定内容的识别，更有利于目标行业中表格事项的处理。
在一种可能的实施方式中，所述标注对象类型包括卡片类，与所述卡片类对应的标注工具包括多边形框工具，所述卡片类的标注对象类型对应的样本图像为卡片样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述多边形框工具的框选标注操作，确定所述框选标注操作所对应标注多边形框的多边形框位置信息；所述标注多边形框由多个连续的标注点位构成，所述多个连续的标注点位包围一个卡片字符；
响应针对最后一个所述标注点位的文本输入操作，确定输入的卡片字符信息；
将确定的所述卡片字符信息以及所述多边形框位置信息，确定为所述标注信息。
这里，针对卡片类的标注对象类型而言，可以基于框选标注操作所对应标注多边形框的标注实现卡片样本图像上的多边形框位置信息的确定。该多边形框位置信息作为卡片类对象的关键指示信息，可以作为标注信息以更好的指导后续神经网络的训练。
在一种可能的实施方式中，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
将所述卡片样本图像作为待训练的神经网络的输入，将所述卡片样本图像包含的所述卡片字符信息以及所述多边形框位置信息作为待训练的神经网络的输出，训练得到所述神经网络。
在一种可能的实施方式中，所述标注对象类型包括人脸类，与所述人脸类对应的标注工具包括人脸框工具，所述人脸类的标注对象类型对应的样本图像为人脸样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述人脸框工具的人脸标注操作，确定所述人脸标注操作所对应人脸框的人脸框位置信息；
响应针对所述人脸框的关键点标注操作，确定所述人脸框所包括人脸的关键点位置信息；
将确定的所述关键点位置信息以及所述人脸框位置信息，确定为所述标注信息。
这里，针对人脸类的标注对象类型而言，可以基于人脸标注操作所对应人脸框的标注实现人脸样本图像上的人脸框位置信息的确定。该人脸框位置信息作为人脸类对象的关键指示信息，可以作为标注信息以更好的指导后续神经网络的训练。
在一种可能的实施方式中，所述响应针对所述人脸框的关键点标注操作，确定所述人脸框所包括人脸的关键点位置信息之前，还包括：
响应所述人脸框的属性选取操作，确定选取的关键点数量信息；
所述响应针对所述人脸框的关键点标注操作，确定所述人脸框所包括人脸的关键点位置信息，包括：
响应针对所述人脸框的关键点标注操作，在选取的关键点数量信息的约束下，确定所述人脸框所包括人脸的关键点位置信息。
考虑到关键点数量信息对于人俩识别的关键作用，这里可以基于人脸框的属性选取操作所确定的关键点数量来确定人脸的关键点位置信息，以提升后续人脸识别的准确度。
在一种可能的实施方式中，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
将所述人脸样本图像作为待训练的神经网络的输入，将所述人脸样本图像包含的所述关键点位置信息以及所述人脸框位置信息作为待训练的神经网络的输出，训练得到所述神经网络。
在一种可能的实施方式中，所述标注对象类型包括虹膜类，与所述虹膜类对应的标注工具包括椭圆工具，所述虹膜类的标注对象类型对应的样本图像为人眼样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述椭圆工具的画圈标注操作，确定在所述人眼样本图像中标注的标注椭圆；
在所述标注椭圆与所述人眼样本图像中的虹膜区域重合的情况下，基于所述标注椭圆的椭圆信息确定所述虹膜区域的虹膜位置信息；
将所述虹膜区域的虹膜位置信息，确定为所述标注信息。
这里，针对虹膜类的标注对象类型而言，可以基于画圈标注操作所对应标注椭圆的标注实现虹膜位置信息的确定。该虹膜位置信息作为虹膜类对象的关键指示信息，可以作为标注信息以更好的指导后续神经网络的训练。
在一种可能的实施方式中，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
将人眼样本图像作为待训练的神经网络的输入，将所述人眼样本图像包含的所述虹膜区域的虹膜位置信息作为待训练的神经网络的输出，训练得到所述神经网络。
在一种可能的实施方式中，所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
在确定与所述样本图像对应的标注工具的情况下，启动对所述样本图像进行标注的标注工具展示界面；
在启动的所述标注工具展示界面上，响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息。
这里，针对不同标注对象类型的样本图像而言，可以启动不同的标注工具展示界面，在不同的标注工具展示界面可以对应启动不同的标注工具进而实现有关样本图像的标注，操作简单。
在一种可能的实施方式中，在获取目标行业对应的标注工具之前，所述方法还包括：
接收用户针对目标行业输入的操作指令；
根据所述操作指令，将所述目标行业对应的标注工具显示，并开启使用权限。
第二方面，本公开实施例还提供了一种信息标注的装置，包括：
获取模块，用于获取目标行业的多种标注对象类型分别对应的样本图像，以及所述目标行业对应的多种标注工具；
确定模块，用于基于各标注工具与各标注对象类型之间的对应关系，确定与所述样本图像对应的标注工具；
标注模块，用于响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
第三方面，本公开实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如第一方面及其各种实施方式任一所述的信息标注的方法的步骤。
第四方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面及其各种实施方式任一所述的信息标注的方法的步骤。
关于上述信息标注的装置、电子设备、及计算机可读存储介质的效果描述参见上述信息标注的方法的说明，这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种信息标注的方法的流程图；
图2示出了本公开实施例所提供的一种信息标注的装置的示意图；
图3示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现，人工智能(Artificial Intelligence，AI)具有识别模式、预测未来事件等优良特性，正在迅速变成金融服务业的关键要素。AI在金融行业深度渗透后形成的AI金融，覆盖金融风控、智能支付、金融管理等方面。AI金融中的主要应用技术包括人脸识别，光学字符识别(Optical Character Recognition,OCR)，自然语言处理(NaturalLanguage Processing,NLP)以及知识图谱(Knowledge Graph,KG)。
其中，计算机视觉领域的人脸识别和OCR技术离不开底层的数据标注支持，而由于AI金融行业对应的金融产品类型众多且信息繁杂，没有一个完整体系化的数据标注解决方案，导致不少中小金融企业在人脸识别和OCR分别投入大量人力物力开发，最后却难以达到预想的应用效果。
基于上述研究，本公开提供了一种信息标注的方法、装置、电子设备及存储介质，解决数据支持过程中标注方案不完整、标注工具不明确以及标注流程过于繁琐复杂的问题，减少在摸索过程中浪费不必要的人力和物力，以更好的满足包括金融行业在内的目标行业的业务需求。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种信息标注的方法进行详细介绍，本公开实施例所提供的信息标注的方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该信息标注的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的信息标注的方法的流程图，方法包括步骤S101～S103，其中：
S101：获取目标行业的多种标注对象类型分别对应的样本图像，以及目标行业对应的多种标注工具；
S102：基于各标注工具与各标注对象类型之间的对应关系，确定与样本图像对应的标注工具；
S103：响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
为了便于理解本公开实施例提供的信息标注的方法，接下来首先对该方法的应用场景进行详细介绍。上述信息标注的方法主要可以应用于目标行业在AI技术应用之前的标注阶段，利用标注得到的标注信息可以实现神经网络的训练，继而基于训练好的神经网络可以实现在目标行业(特别是没有系统性AI应用方案的目标行业)的AI应用。其中，上述目标行业可以是金融行业，还可以是其它涉及到多种标注对象类型的其它目标行业，本公开实施例对此不做具体的限制。接下来多以金融行业作为目标行业进行示例说明。
本公开实施例中的样本图像可以是在目标行业的具体应用下获取的图像，例如，可以是在用户将相关金融凭证放置在客户端的情况下，由客户端上设置的摄像头抓取的图像。这里的金融凭证可以是发票、银行卡、身份证。再如，可以是在用户站立在客户端的情况下，由摄像头抓拍的人脸图像。
考虑到对于一个目标行业而言，往往会面对各种各样的标注对象类型，而如果不能针对不同的标注对象类型进行处理，将导致目标行业的服务水平大为降低，因而，这里可以针对目标行业设置多种标注工具，以处理各种标注对象类型的样本图像。
这里的标注工具可以是预先与标注对象类型对应设置的，一旦在确定样本图像对应的标注对象类型的情况下即可以确定与样本图像对应的标注工具。
本公开实施例中的标注对象类型可以包括票据类、卡片类、人脸类、虹膜类，除此之外，还可以包括其它标注对象类型。其中，有关票据类以及卡片类的样本图像的标注主要涉及的是有关OCR技术的应用，有关人脸类以及虹膜类的样本图像的标注主要涉及的是有关身份识别技术的应用。
另外，本公开实施例中的标注工具可以是结合不同的标注对象类型的特性而针对性的设置的，例如，针对票据类可以采用线条工具，针对人脸类可以采用人脸框工具等。有关标注工具的针对性设置可以更为快速的响应用户的标注需求，且可以获取效果良好的标注信息，这为后续的AI应用提供了强有力的数据支撑。
这里，响应标注工具的标注操作，可以获取针对样本图像进行标注后的标注信息。在具体应用中，可以是在用户触发了客户端上的相关标注按钮的情况下，基于这一触发指令来响应标注工具的标注操作。
对于用户发起的标注操作而言，考虑到不同标注操作所对应的标注对象不同，这里可以结合各种对象识别手段，确定标注红后的标注信息。进而基于这一标注信息实现有关神经网络的训练。
考虑到不同的标注对象类型所具备的标注手段不同，在对样本图像进行标注之前，需要确定样本图像对应的标注对象类型是什么，进而可以采用相应的标注手段进行标注。
需要说明的是，针对不同行业，本公开实施例可以从工具集中自动集成该行业所需的标注工具，并能够显示在标注环境中，供用户使用。以金融行业作为目标行业为例，可以从工具集中自动集成该行业所需的线条工具、矩形框工具、椭圆工具等。
本公开实施例提供的信息标注的方法还可以事先配置好目标行业和该目标行业所需的标注工具的关联信息表。这样，当接收到用户输入的操作指令时，可以根据所述关联信息表，将目标行业所需的标注工具显示，并开启使用权限。
其中，用户输入操作指令的方式可以是通过字符输入的方式输入，也可以是通过点击控件按钮的方式输入，还可以是其它输入方式，在此不做具体的限制。
除此之外，本公开实施例在进行标注之前，可以通过客户端上设置的相应标注对象选择按钮确定当前样本图像的标注对象类型。此外，这里，还可以基于目标识别网络确定当前样本图像的标注对象类型，由于目标识别网络可以是基于多张样本图像以及针对每张样本图像进行标注对象类型标注得到的标注类型标签训练得到的，因而，在获取到样本图像的情况下，将该样本图像输入到训练好的目标识别网络即可以确定对应的标注对象类型。
在明确标注对象类型的情况下，可以采用相应的标注手段进行标注，接下来可以通过如下几个方面对本公开实施例涉及到的各种标注对象类型进行分别说明。
第一方面：针对票据类的标注对象类型而言，与票据类的标注对象类型对应的样本图像为票据样本图像，且与票据类对应的标注工具包括线条工具。本公开实施例可以按照如下步骤确定标注信息：
步骤一、响应线条工具的线段标注操作，确定在票据样本图像上标注的线段起始位置和线段终止位置；
步骤二、在线段起始位置和线段终止位置所在标注线段，与票据样本图像中的任一表格线重合的情况下，基于标注线段的线段信息确定任一表格线的表格线信息；表格线信息包括表格线属性信息和/或表格线位置信息；
步骤三、将各个表格线的表格线信息，确定为标注信息。
这里，可以基于线段标注操作对应的线段起始位置和线段终止位置确定票据样本图像中的表格线的表格线信息，并将该表格线信息作为针对票据样本图像进行标注后的标注信息。
在具体应用中，针对任一表格线，在线段一端标注表格线对应的线段起始位置，沿线段标注直到表格线对应的线段终止位置(对应线段另一端)，使得标注线段与表格线完全重合，进而可以基于标注的标注线段的线段信息确定表格线的表格线信息。这里的表格线信息除了可以包括类型、粗细等属性信息，还可以包括坐标等位置信息。
基于表格线的表格线信息可以辅助的对表格线框内的票据内容信息进行识别，进而训练针对票据类对象进行识别的神经网络。
在针对表格线框内的票据内容信息进行识别的过程中，主要可以基于矩形框工具的框选标注操作。具体可以通过如下步骤来实现：
步骤一、响应矩形框工具的框选标注操作，确定框选标注操作后得到的标注矩形框；
步骤二、对标注矩形框内的票据内容进行文字识别，得到票据内容信息；
步骤三、将票据内容信息，确定为标注信息。
这里，可以基于框选标注操作所确定的标注矩形框实现有关票据内容的文字识别，所得到的票据内容信息可以作为标注信息。
本公开实施例中的票据内容识别主要包括两种方式，一种是自动识别得到的，也即，将标注矩形框中的票据内容输入到训练好的文字识别网络中，即可快速识别出对应的票据内容信息，另一种可以是基于手工输入方式确定的，也即，一个标注矩形框每框选一个文字，对应支持输入一个对应的文字，进而得到票据内容信息。
本公开实施例中的票据类对象可以指的是发票，也可以是支票，还可以是其它兼具表格线和票据内容的其它对象，在此不做具体的限制。
针对票据类对象的有效识别在于票据内容和表格线信息的关联关系，因而，本公开实施例在启动对于票据样本图像的训练之前，可以建立票据内容信息以及各个表格线的表格线信息之间的关联关系，确定表格关联内容。
这样，将票据样本图像作为待训练的神经网络的输入，将票据样本图像包含的表格关联内容作为待训练的神经网络的输出，可以训练得到对票据类对象进行识别的神经网络。
这里所训练的神经网络训练的是票据样本图像与票据样本图像包含的表格关联内容之间的对应关系，在训练得到神经网络的网络参数的情况下，可以将票据目标图像输入到这一神经网络中进而可以识别出票据目标图像中有关表格线框的票据内容。
本公开实施例提供的信息标注的方法，还可以响应线条工具的属性选取操作，确定选取的线条属性信息。这主要是为了适配不同的表格线的属性，例如，对于实线型的表格线可以选取实线的线条，再如，对于双实线的表格线可以选取双实线的线条，进而实现标注线段与表格线的完全重合。
在确定选取的线条属性信息的情况下，可以基于线条属性信息的约束确定在票据样本图像上标注的线段起始位置和线段终止位置。除此之外，还可以先确定线段起始位置和线段终止位置，再约束线条属性信息。考虑到表格线粗细的不同可能会影响到标注精度，因而可以先选择合适的线条粗细，再进行标注。
第二方面：针对卡片类的标注对象类型而言，与卡片类的标注对象类型对应的样本图像为卡片样本图像，且与卡片类对应的标注工具包括多边形框工具。本公开实施例可以按照如下步骤确定标注信息：
步骤一、响应多边形框工具的框选标注操作，确定框选标注操作所对应标注多边形框的多边形框位置信息；标注多边形框由多个连续的标注点位构成，多个连续的标注点位包围一个卡片字符；
步骤二、响应针对最后一个标注点位的文本输入操作，确定输入的卡片字符信息；
步骤三、将确定的卡片字符信息以及多边形框位置信息，确定为标注信息。
这里，可以基于多边形框工具的框选标注操作，确定标注的标注多边形框的多边形位置信息，这里的多边形位置信息包括多个连续的标注点位的位置信息。这样，在响应针对最后一个标注点位的文本输入操作的情况下，可以确定输入的卡片字符信息。将输入的卡片字符信息以及多边形框位置信息作为标注信息即可以进行有关神经网络的训练。
本公开实施例中，在打开多边形框工具的情况下，可以配置标注点位的个数，例如，可以标注4个点位。这里，可以选择正向点位标注方式标注起始点，顺时针标注余下3个点位，每完成4个点位的标注即可弹出对应的文本输入框，以输入相应的卡片字符信息。
这里，针对卡片样本图像中的所有卡片字符均可以按照上述过程完成标注，直至获取到所有卡片字符的卡片字符信息以及对应的多边形框位置信息。
本公开实施例中的卡片类对象可以指的是银行卡，也可以是身份证，还可以是其它对象，在此不做具体的限制。
本公开实施例中，将卡片样本图像作为待训练的神经网络的输入，将卡片样本图像包含的卡片字符信息以及多边形框位置信息作为待训练的神经网络的输出，可以训练得到对卡片类对象进行识别的神经网络。
这里所训练的神经网络训练的是卡片样本图像与卡片样本图像包含的卡片字符信息以及多边形框位置信息之间的对应关系，在训练得到神经网络的网络参数的情况下，可以将卡片目标图像输入到这一神经网络中进而可以识别出卡片目标图像中有关卡片内容。
第三方面：针对人脸类的标注对象类型而言，与人脸类的标注对象类型对应的样本图像为人脸样本图像，且与人脸类对应的标注工具包括人脸框工具。本公开实施例可以按照如下步骤确定标注信息：
步骤一、响应人脸框工具的人脸标注操作，确定人脸标注操作所对应人脸框的人脸框位置信息；
步骤二、响应针对人脸框的关键点标注操作，确定人脸框所包括人脸的关键点位置信息；
步骤三、将确定的关键点位置信息以及人脸框位置信息，确定为标注信息。
这里，有关人脸类的标注对象类型而言，可以采用人脸框工具进行人脸标注操作，在基于这一操作确定人脸框位置信息的情况下，可以进一步响应人脸框的关键点标注操作，进而确定人脸的关键点位置信息。这主要是考虑到人脸中的关键点对于后续进行人脸识别的关键作用，进而实现的是基于关键点位置信息以及人脸框位置信息的标注。
本公开实施例中，在进行关键点标注操作之前，可以基于人脸框的属性选取操作，确定选取的关键点数量信息。关键点数量越多，一定程度上使得后续的识别准确度也越高，然而，过多的关键点数量将导致成本的增加，因而，综合考虑上述情况的影响，这里可以基于不同的业务需求选取不同的关键点数量，继而可以在关键点数量信息的约束下，确定对应的关键点位置信息。
本公开实施例中，在打开人脸框工具的情况下，可以框选出目标人脸，包含五官，紧切脸部边缘，进而确定对应的人脸框位置信息。在这一人脸框位置信息指示的位置处，可以打开关键点工具以响应针对人脸框的关键点标注操作，关键点工具标记五官等关键点的点位。
本公开实施例中，将人脸样本图像作为待训练的神经网络的输入，将人脸样本图像包含的关键点位置信息以及人脸框位置信息作为待训练的神经网络的输出，训练对人脸进行识别的神经网络。
这里所训练的神经网络训练的是人脸样本图像与人脸样本图像包含的关键点位置信息以及人脸框位置信息之间的对应关系，在训练得到神经网络的网络参数的情况下，可以将人脸目标图像输入到这一神经网络中识别出人脸目标图像中有关关键点信息，进而进行人脸1:1静态比对等相关应用。
第四方面：针对虹膜类的标注对象类型而言，与虹膜类的标注对象类型对应的样本图像为人眼样本图像，且与虹膜类对应的标注工具包括椭圆工具。本公开实施例可以按照如下步骤确定标注信息：
步骤一、响应椭圆工具的画圈标注操作，确定在人眼样本图像中标注的标注椭圆；
步骤二、在标注椭圆与人眼样本图像中的虹膜区域重合的情况下，基于标注椭圆的椭圆信息确定虹膜区域的虹膜位置信息；
步骤三、将虹膜区域的虹膜位置信息，确定为标注信息。
这里，可以基于画圈标注操作对应的标注椭圆确定人眼样本图像中的虹膜区域的虹膜位置信息，并将该虹膜位置信息作为针对人眼样本图像进行标注后的标注信息。
在打开椭圆工具的情况下，调整椭圆粗细，对瞳孔标注一个椭圆，使得圆圈与瞳孔贴合，再使用椭圆分割白色巩膜，将虹膜准确分割出来，基于标注椭圆的椭圆信息确定虹膜区域的虹膜位置信息。
这里的虹膜位于黑色瞳孔和白色巩膜之间，在人的整个生命历程中保持不变，即决定了身份识别的唯一性，因而可以广泛应用在包括金融行业在内的涉及高安全级别的目标行业中。
本公开实施例中，将人眼样本图像作为待训练的神经网络的输入，将人眼样本图像包含的虹膜区域的虹膜位置信息作为待训练的神经网络的输出，训练对虹膜进行识别的神经网络。
这里所训练的神经网络训练的是人眼样本图像与人眼样本图像包含的虹膜区域的虹膜位置信息之间的对应关系，在训练得到神经网络的网络参数的情况下，可以将人眼目标图像输入到这一神经网络中识别出人眼目标图像中有关虹膜信息，进而确定是活体还是假体。
本公开实施例中，针对目标行业中涉及的各种标注对象类型，可以启动不同的标注工具展示界面，以提升人机交互的流畅度。具体可以通过如下步骤来实现：
步骤一、在确定与样本图像对应的标注工具的情况下，启动对样本图像进行标注的标注工具展示界面；
步骤二、在启动的标注工具展示界面上，响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息。
考虑到不同标注对象类型所对应的标注工具也不同，为了适配不同的标注对象类型，这里可以针对不同标注对象类型的样本图像启动不同的标注工具展示界面，以在启动的标注工具展示界面上，针对特定的标注对象类型采用特定的标注工具实现标注操作，人机交互的流畅度更佳。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与信息标注的方法对应的信息标注的装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述信息标注的方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图2所示，为本公开实施例提供的一种信息标注的装置的示意图，装置包括：获取模块201、确定模块202、标注模块203；其中，
获取模块201，用于获取目标行业的多种标注对象类型分别对应的样本图像，以及目标行业对应的多种标注工具；
确定模块202，用于基于各标注工具与各标注对象类型之间的对应关系，确定与样本图像对应的标注工具；
标注模块203，用于响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
采用上述信息标注的装置，基于各标注工具与各标注对象类型、各标注对象类型与各样本图像之间的对应关系，可以确定与获取的样本图像对应的标注工具，在响应针对标注工具的标注操作的情况下，可以获取针对样本图像进行标注后的标注信息，也即，针对不同的标注对象类型可以采用不同的标注工具进行标注信息的标注，从而可以对应目标行业的各种业务需求，这样所训练得到的神经网络可以更好的服务于目标行业。
在一种可能的实施方式中，标注对象类型包括票据类，与票据类对应的标注工具包括线条工具，票据类的标注对象类型对应的样本图像为票据样本图像；
标注模块203，用于按照以下步骤响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息：
响应线条工具的线段标注操作，确定在票据样本图像上标注的线段起始位置和线段终止位置；
在线段起始位置和线段终止位置所在标注线段，与票据样本图像中的任一表格线重合的情况下，基于标注线段的线段信息确定任一表格线的表格线信息；表格线信息包括表格线属性信息和/或表格线位置信息；
将各个表格线的表格线信息，确定为标注信息。
在一种可能的实施方式中，标注模块203，具体用于：
响应线条工具的线段标注操作之前，响应线条工具的属性选取操作，确定选取的线条属性信息；线条属性信息用于描述线条的属性特征；
响应线条工具的线段标注操作，在选取的线条属性信息的约束下，确定在票据样本图像上标注的线段起始位置和线段终止位置。
在一种可能的实施方式中，与票据类对应的标注工具还包括矩形框工具；标注模块203，用于按照以下步骤响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息：
响应矩形框工具的框选标注操作，确定框选标注操作后得到的标注矩形框；
对标注矩形框内的票据内容进行文字识别，得到票据内容信息；
将票据内容信息，确定为标注信息。
在一种可能的实施方式中，上述装置还包括：
训练模块204，用于建立票据内容信息以及各个表格线的表格线信息之间的关联关系，确定表格关联内容；将票据样本图像作为待训练的神经网络的输入，将票据样本图像包含的表格关联内容作为待训练的神经网络的输出，训练得到神经网络。
在一种可能的实施方式中，标注对象类型包括卡片类，与卡片类对应的标注工具包括多边形框工具，卡片类的标注对象类型对应的样本图像为卡片样本图像；
标注模块203，用于按照以下步骤响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息：
响应多边形框工具的框选标注操作，确定框选标注操作所对应标注多边形框的多边形框位置信息；标注多边形框由多个连续的标注点位构成，多个连续的标注点位包围一个卡片字符；
响应针对最后一个标注点位的文本输入操作，确定输入的卡片字符信息；
将确定的卡片字符信息以及多边形框位置信息，确定为标注信息。
在一种可能的实施方式中，训练模块204，用于按照以下步骤基于包含有标注信息的样本图像进行神经网络的训练：
将卡片样本图像作为待训练的神经网络的输入，将卡片样本图像包含的卡片字符信息以及多边形框位置信息作为待训练的神经网络的输出，训练得到神经网络。
在一种可能的实施方式中，标注对象类型包括人脸类，与人脸类对应的标注工具包括人脸框工具，人脸类的标注对象类型对应的样本图像为人脸样本图像；
标注模块203，用于按照以下步骤响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息：
响应人脸框工具的人脸标注操作，确定人脸标注操作所对应人脸框的人脸框位置信息；
响应针对人脸框的关键点标注操作，确定人脸框所包括人脸的关键点位置信息；
将确定的关键点位置信息以及人脸框位置信息，确定为标注信息。
在一种可能的实施方式中，标注模块203，具体用于：
响应针对人脸框的关键点标注操作，确定人脸框所包括人脸的关键点位置信息之前，响应人脸框的属性选取操作，确定选取的关键点数量信息；
响应针对人脸框的关键点标注操作，在选取的关键点数量信息的约束下，确定人脸框所包括人脸的关键点位置信息。
在一种可能的实施方式中，训练模块204，用于按照以下步骤基于包含有标注信息的样本图像进行神经网络的训练：
将人脸样本图像作为待训练的神经网络的输入，将人脸样本图像包含的关键点位置信息以及人脸框位置信息作为待训练的神经网络的输出，训练得到神经网络。
在一种可能的实施方式中，标注对象类型包括虹膜类，与虹膜类对应的标注工具包括椭圆工具，虹膜类的标注对象类型对应的样本图像为人眼样本图像；
标注模块203，用于按照以下步骤响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息：
响应椭圆工具的画圈标注操作，确定在人眼样本图像中标注的标注椭圆；
在标注椭圆与人眼样本图像中的虹膜区域重合的情况下，基于标注椭圆的椭圆信息确定虹膜区域的虹膜位置信息；
将虹膜区域的虹膜位置信息，确定为标注信息。
在一种可能的实施方式中，训练模块204，用于按照以下步骤基于包含有标注信息的样本图像进行神经网络的训练：
将人眼样本图像作为待训练的神经网络的输入，将人眼样本图像包含的虹膜区域的虹膜位置信息作为待训练的神经网络的输出，训练得到神经网络。
在一种可能的实施方式中，标注模块203，用于按照以下步骤响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息：
在确定与样本图像对应的标注工具的情况下，启动对样本图像进行标注的标注工具展示界面；
在启动的标注工具展示界面上，响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息。
在一种可能的实施方式中，上述装置还包括：
显示模块205，用于在获取目标行业对应的标注工具之前，接收用户针对目标行业输入的操作指令；根据操作指令，将目标行业对应的标注工具显示，并开启使用权限。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
本公开实施例还提供了一种电子设备，如图3所示，为本公开实施例提供的电子设备结构示意图，包括：处理器301、存储器302、和总线303。存储器302存储有处理器301可执行的机器可读指令(比如，图2中的装置中获取模块201、确定模块202、标注模块203对应的执行指令等)，当电子设备运行时，处理器301与存储器302之间通过总线303通信，机器可读指令被处理器301执行时执行如下处理：
获取目标行业的多种标注对象类型分别对应的样本图像，以及目标行业对应的多种标注工具；
基于各标注工具与各标注对象类型之间的对应关系，确定与样本图像对应的标注工具；
响应标注工具的标注操作，获取针对样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的信息标注的方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的信息标注的方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元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。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。
Claims (17)
1.一种信息标注的方法，其特征在于，包括：
获取目标行业的多种标注对象类型分别对应的样本图像，以及所述目标行业对应的多种标注工具；
基于各标注工具与各标注对象类型之间的对应关系，确定与所述样本图像对应的标注工具；
响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
2.根据权利要求1所述的方法，其特征在于，所述标注对象类型包括票据类，与所述票据类对应的标注工具包括线条工具，所述票据类的标注对象类型对应的样本图像为票据样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述线条工具的线段标注操作，确定在所述票据样本图像上标注的线段起始位置和线段终止位置；
在所述线段起始位置和所述线段终止位置所在标注线段，与所述票据样本图像中的任一表格线重合的情况下，基于所述标注线段的线段信息确定所述任一表格线的表格线信息；所述表格线信息包括表格线属性信息和/或表格线位置信息；
将各个所述表格线的表格线信息，确定为所述标注信息。
3.根据权利要求2所述的方法，其特征在于，所述响应所述线条工具的线段标注操作之前，还包括：
响应所述线条工具的属性选取操作，确定选取的线条属性信息；所述线条属性信息用于描述线条的属性特征；
所述响应所述线条工具的线段标注操作，确定在所述票据样本图像上标注的线段起始位置和线段终止位置，包括：
响应所述线条工具的线段标注操作，在选取的线条属性信息的约束下，确定在所述票据样本图像上标注的线段起始位置和线段终止位置。
4.根据权利要求2或3所述的方法，其特征在于，与所述票据类对应的标注工具还包括矩形框工具；所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述矩形框工具的框选标注操作，确定框选标注操作后得到的标注矩形框；
对所述标注矩形框内的票据内容进行文字识别，得到票据内容信息；
将所述票据内容信息，确定为所述标注信息。
5.根据权利要求4所述的方法，其特征在于，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
建立所述票据内容信息以及各个所述表格线的表格线信息之间的关联关系，确定表格关联内容；
将所述票据样本图像作为待训练的神经网络的输入，将所述票据样本图像包含的表格关联内容作为待训练的神经网络的输出，训练得到所述神经网络。
6.根据权利要求1所述的方法，其特征在于，所述标注对象类型包括卡片类，与所述卡片类对应的标注工具包括多边形框工具，所述卡片类的标注对象类型对应的样本图像为卡片样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述多边形框工具的框选标注操作，确定所述框选标注操作所对应标注多边形框的多边形框位置信息；所述标注多边形框由多个连续的标注点位构成，所述多个连续的标注点位包围一个卡片字符；
响应针对最后一个所述标注点位的文本输入操作，确定输入的卡片字符信息；
将确定的所述卡片字符信息以及所述多边形框位置信息，确定为所述标注信息。
7.根据权利要求6所述的方法，其特征在于，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
将所述卡片样本图像作为待训练的神经网络的输入，将所述卡片样本图像包含的所述卡片字符信息以及所述多边形框位置信息作为待训练的神经网络的输出，训练得到所述神经网络。
8.根据权利要求1所述的方法，其特征在于，所述标注对象类型包括人脸类，与所述人脸类对应的标注工具包括人脸框工具，所述人脸类的标注对象类型对应的样本图像为人脸样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述人脸框工具的人脸标注操作，确定所述人脸标注操作所对应人脸框的人脸框位置信息；
响应针对所述人脸框的关键点标注操作，确定所述人脸框所包括人脸的关键点位置信息；
将确定的所述关键点位置信息以及所述人脸框位置信息，确定为所述标注信息。
9.根据权利要求8所述的方法，其特征在于，所述响应针对所述人脸框的关键点标注操作，确定所述人脸框所包括人脸的关键点位置信息之前，还包括：
响应所述人脸框的属性选取操作，确定选取的关键点数量信息；
所述响应针对所述人脸框的关键点标注操作，确定所述人脸框所包括人脸的关键点位置信息，包括：
响应针对所述人脸框的关键点标注操作，在选取的关键点数量信息的约束下，确定所述人脸框所包括人脸的关键点位置信息。
10.根据权利要求8或9所述的方法，其特征在于，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
将所述人脸样本图像作为待训练的神经网络的输入，将所述人脸样本图像包含的所述关键点位置信息以及所述人脸框位置信息作为待训练的神经网络的输出，训练得到所述神经网络。
11.根据权利要求1所述的方法，其特征在于，所述标注对象类型包括虹膜类，与所述虹膜类对应的标注工具包括椭圆工具，所述虹膜类的标注对象类型对应的样本图像为人眼样本图像；
所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
响应所述椭圆工具的画圈标注操作，确定在所述人眼样本图像中标注的标注椭圆；
在所述标注椭圆与所述人眼样本图像中的虹膜区域重合的情况下，基于所述标注椭圆的椭圆信息确定所述虹膜区域的虹膜位置信息；
将所述虹膜区域的虹膜位置信息，确定为所述标注信息。
12.根据权利要求11所述的方法，其特征在于，所述基于包含有标注信息的样本图像进行神经网络的训练，包括：
将人眼样本图像作为待训练的神经网络的输入，将所述人眼样本图像包含的所述虹膜区域的虹膜位置信息作为待训练的神经网络的输出，训练得到所述神经网络。
13.根据权利要求1-12任一所述的方法，其特征在于，所述响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，包括：
在确定与所述样本图像对应的标注工具的情况下，启动对所述样本图像进行标注的标注工具展示界面；
在启动的所述标注工具展示界面上，响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息。
14.根据权利要求1-13任一所述的方法，其特征在于，在获取目标行业对应的标注工具之前，所述方法还包括：
接收用户针对目标行业输入的操作指令；
根据所述操作指令，将所述目标行业对应的标注工具显示，并开启使用权限。
15.一种信息标注的装置，其特征在于，包括：
获取模块，用于获取目标行业的多种标注对象类型分别对应的样本图像，以及所述目标行业对应的多种标注工具；
确定模块，用于基于各标注工具与各标注对象类型之间的对应关系，确定与所述样本图像对应的标注工具；
标注模块，用于响应所述标注工具的标注操作，获取针对所述样本图像进行标注后的标注信息，以便基于包含有标注信息的样本图像进行神经网络的训练。
16.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至14任一所述的信息标注的方法的步骤。
17.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至14任一所述的信息标注的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110703187.1A CN113377980A (zh) | 2021-06-24 | 2021-06-24 | 一种信息标注的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110703187.1A CN113377980A (zh) | 2021-06-24 | 2021-06-24 | 一种信息标注的方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113377980A true CN113377980A (zh) | 2021-09-10 |
Family
ID=77578813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110703187.1A Pending CN113377980A (zh) | 2021-06-24 | 2021-06-24 | 一种信息标注的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113377980A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114220060A (zh) * | 2021-12-24 | 2022-03-22 | 萱闱(北京)生物科技有限公司 | 基于人工智能的器具标注方法、装置、介质和计算设备 |
| CN114637877A (zh) * | 2022-03-04 | 2022-06-17 | 共达地创新技术(深圳)有限公司 | 标注方法、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537219A (zh) * | 2018-03-20 | 2018-09-14 | 上海眼控科技股份有限公司 | 一种用于财务报表外框的智能检测方法及装置 |
| CN108734078A (zh) * | 2017-12-14 | 2018-11-02 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备、存储介质及程序 |
| CN108829435A (zh) * | 2018-06-19 | 2018-11-16 | 数据堂（北京）科技股份有限公司 | 一种图像标注方法及通用图像标注工具 |
| CN110162757A (zh) * | 2019-04-29 | 2019-08-23 | 北京百度网讯科技有限公司 | 一种表格结构提取方法及系统 |
| CN110472524A (zh) * | 2019-07-25 | 2019-11-19 | 广东工业大学 | 基于深度学习的发票信息管理方法、系统和可读介质 |
| CN111309995A (zh) * | 2020-01-19 | 2020-06-19 | 北京市商汤科技开发有限公司 | 标注方法及装置、电子设备和存储介质 |
| CN112395995A (zh) * | 2020-11-19 | 2021-02-23 | 深圳供电局有限公司 | 一种根据移动财务票据自动填单及审核的方法及系统 |
| KR102256409B1 (ko) * | 2020-11-23 | 2021-05-25 | 주식회사 에이모 | 학습 데이터 세트를 생성하는 방법 및 학습 데이터 세트를 생성하기 위한 컴퓨터 장치 |
| CN112949589A (zh) * | 2021-03-31 | 2021-06-11 | 深圳市商汤科技有限公司 | 目标检测方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-06-24 CN CN202110703187.1A patent/CN113377980A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734078A (zh) * | 2017-12-14 | 2018-11-02 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备、存储介质及程序 |
| CN108537219A (zh) * | 2018-03-20 | 2018-09-14 | 上海眼控科技股份有限公司 | 一种用于财务报表外框的智能检测方法及装置 |
| CN108829435A (zh) * | 2018-06-19 | 2018-11-16 | 数据堂（北京）科技股份有限公司 | 一种图像标注方法及通用图像标注工具 |
| CN110162757A (zh) * | 2019-04-29 | 2019-08-23 | 北京百度网讯科技有限公司 | 一种表格结构提取方法及系统 |
| CN110472524A (zh) * | 2019-07-25 | 2019-11-19 | 广东工业大学 | 基于深度学习的发票信息管理方法、系统和可读介质 |
| CN111309995A (zh) * | 2020-01-19 | 2020-06-19 | 北京市商汤科技开发有限公司 | 标注方法及装置、电子设备和存储介质 |
| CN112395995A (zh) * | 2020-11-19 | 2021-02-23 | 深圳供电局有限公司 | 一种根据移动财务票据自动填单及审核的方法及系统 |
| KR102256409B1 (ko) * | 2020-11-23 | 2021-05-25 | 주식회사 에이모 | 학습 데이터 세트를 생성하는 방법 및 학습 데이터 세트를 생성하기 위한 컴퓨터 장치 |
| CN112949589A (zh) * | 2021-03-31 | 2021-06-11 | 深圳市商汤科技有限公司 | 目标检测方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 汪荣贵: "机器学习简明教程", 机械工业出版社, pages: 171 - 172 * |
| 言有三: "深度学习之人脸图像处理：核心算法与案例实战", 31 July 2020, 机械工业出版社, pages: 171 - 172 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114220060A (zh) * | 2021-12-24 | 2022-03-22 | 萱闱(北京)生物科技有限公司 | 基于人工智能的器具标注方法、装置、介质和计算设备 |
| CN114637877A (zh) * | 2022-03-04 | 2022-06-17 | 共达地创新技术(深圳)有限公司 | 标注方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230401828A1 (en) | Method for training image recognition model, electronic device and storage medium | |
| CN110162599A (zh) | 招聘面试方法、装置及计算机可读存储介质 | |
| CN114155543A (zh) | 神经网络训练方法、文档图像理解方法、装置和设备 | |
| CN110633458A (zh) | 裁判文书的生成方法和生成装置 | |
| CN109918984A (zh) | 保险单号码识别方法、装置、电子设备及存储介质 | |
| CN113377980A (zh) | 一种信息标注的方法、装置、电子设备及存储介质 | |
| CN111930950B (zh) | 多意图响应方法、装置、计算机设备和存储介质 | |
| CN110781925B (zh) | 软件页面的分类方法、装置、电子设备及存储介质 | |
| CN115758451A (zh) | 基于人工智能的数据标注方法、装置、设备及存储介质 | |
| CN112560411A (zh) | 一种人员信息智能录入方法及其系统 | |
| CN114549241A (zh) | 合同审查方法、装置、系统与计算机可读存储介质 | |
| CN110363190A (zh) | 一种文字识别方法、装置及设备 | |
| CN109359582A (zh) | 信息搜索方法、信息搜索装置及移动终端 | |
| CN113673528B (zh) | 文本处理方法、装置、电子设备和可读存储介质 | |
| CN111178365A (zh) | 图片文字的识别方法、装置、电子设备及存储介质 | |
| CN115221037A (zh) | 一种交互页面的测试方法、装置、计算机设备和程序产品 | |
| CN110134920A (zh) | 绘文字兼容显示方法、装置、终端及计算机可读存储介质 | |
| CN111783786A (zh) | 图片的识别方法、系统、电子设备及存储介质 | |
| CN107423441A (zh) | 一种图片关联方法及其装置、电子设备 | |
| CN110525069A (zh) | 一种用于智能印章机的ocr对比系统及其方法 | |
| CN115205869A (zh) | 结构化文档信息的生成方法、装置、电子设备及存储介质 | |
| CN114373068A (zh) | 一种行业场景化的ocr模型实现系统、方法及设备 | |
| CN111881270A (zh) | 一种智能对话方法和系统 | |
| Lang et al. | An open source solution for money bill recognition for the visually impaired user using smartphones | |
| CN109344392A (zh) | 一种证券客服咨询的智能消息推送方法、系统及装置 |
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 |