CN114707015A - 一种商标标注方法、装置、电子设备以及存储介质 - Google Patents
一种商标标注方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114707015A CN114707015A CN202210247298.0A CN202210247298A CN114707015A CN 114707015 A CN114707015 A CN 114707015A CN 202210247298 A CN202210247298 A CN 202210247298A CN 114707015 A CN114707015 A CN 114707015A
- Authority
- CN
- China
- Prior art keywords
- trademark
- labeling
- preset
- data
- model
- 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 318
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 230000019771 cognition Effects 0.000 abstract description 25
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 13
- 230000001149 cognitive effect Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000003321 amplification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06F16/55—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种商标标注方法、装置、电子设备以及存储介质,该方法包括:通过获取多个预设商标数据集并训练得到第一标注模型,对新增商标数据进行预标注并得到饱和标注结果,依据饱和标注结果对第一标注模型进行训练得到第二标注模型,最终基于该第二标注模型对待检测图像进行标注。这样,避免了对商标认知不一致导致的标注问题,使得对商标的认知更加统一、规范,使得第二标注模型对于各个商标认知和识别的范围扩大,提高了商标检测涵盖的品类和样式,扩大了商标标注的范围;能够提高第二识别模型的召回率;第二识别模型的认知、识别范围更广,可复用性较强,可以灵活移植到其他通同的商标标注场景中,模型的通用性较强。
Description
技术领域
本发明涉及目标检测技术领域,特别是涉及一种商标标注方法、装置、电子设备以及存储介质。
背景技术
随着人工智能的飞速发展,基于人工智能技术的各项应用已经越来越渗入到各项生产生活中,大大有效地提升了社会生产力。计算机视觉作为人工智能的一个重要研究分支,近年来已取得较大的发展,成为工业领域应用相对较为成熟的一朵金花,尤其目标检测技术已逐步发展为视觉任务中重要的一环。
目前,目标检测技术的精度主要受制于人工标注的数据质量,如何有效地提高人工标注的质量,关系着最终产出模型的精度指标,也将直接影响产品的质量高低。
现有技术中,大多数采用有监督的形式进行模型训练,采用单模型反哺或选用自跟踪等技术对商标(LOGO)进行智能标注,这种形式的商标标注,最终标注的结果取决于单个模型的效果,对商标标注的认知范围往往局限于固定类别;并且标注模型的通用性不高,无法灵活应用至多样化的商标标注场景中。
发明内容
本发明实施例提供一种商标标注方法、装置、电子设备及存储介质,以解决现有技术中商标标注范围局限于固定类别并且商标标注模型通用性不高的问题。
为了解决上述问题,本发明实施例是这样实现的:
第一方面,本发明实施例公开了一种商标标注方法,包括:
获取多个预设商标数据集,并基于所述预设商标数据集对初始模型进行训练,得到各个预设商标数据集所对应的第一标注模型;
获取新增商标数据,并基于各个所述第一标注模型对所述新增商标数据进行标注,得到所述新增商标数据对应的预标注结果;所述新增商标数据包括所述预设商标数据集中的预设商标数据;
对所述预标注结果进行修正,得到所述新增商标数据对应的饱和标注结果;
基于所述新增商标数据对应的饱和标注结果对所述第一标注模型进行训练,得到第二标注模型;
基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像。
可选的,在所述基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像之后,所述方法还包括:
将所述包括目标标注结果的目标图像添加至所述预设商标数据集中,以更新所述预设商标数据集。
可选的,所述预标注结果包括图像数据中的多个商标标注框;所述对所述预标注结果进行修正,包括:
确定所述图像数据中的非商标图形,并删除所述非商标图形的商标标注框;和/或
针对所述图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。
可选的,所述删除冗余的商标标注框并仅保留其中一个商标标注框,包括:
确定多个商标标注框的重叠面积并确定所述至少两个商标标注框分别对应的目标评分;
在所述重叠面积大于预设阈值的情况下,保留所述目标评分最高的商标标注框并删除其余的商标标注框。
可选的,在所述基于所述预设商标数据集对初始模型进行训练之前,所述方法还包括:
将所述预设商标数据集中的预设商标数据按照预设方式进行扩增;所述预设方式包括图像色彩变换、空间变换、图像亮度调整、图像模糊、图像饱和度调整以及生成对抗网络其中至少一种。
第二方面,本发明实施例公开了一种商标标注装置,包括:
第一训练模块,用于获取多个预设商标数据集,并基于所述预设商标数据集对初始模型进行训练,得到各个预设商标数据集所对应的第一标注模型;
第一标注模块,用于获取新增商标数据,并基于各个所述第一标注模型对所述新增商标数据进行标注,得到所述新增商标数据对应的预标注结果;所述新增商标数据包括所述预设商标数据集中的预设商标数据;
修正模块,用于对所述预标注结果进行修正,得到所述新增商标数据对应的饱和标注结果;
第二训练模块,用于基于所述新增商标数据对应的饱和标注结果对所述第一标注模型进行训练,得到第二标注模型;
第二标注模块,用于基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像。
可选的,所述装置还包括:
添加模块,用于将所述包括目标标注结果的目标图像添加至所述预设商标数据集中,以更新所述预设商标数据集。
可选的,所述预标注结果包括图像数据中的多个商标标注框;所述修正模块,具体用于:
确定所述图像数据中的非商标图形,并删除所述非商标图形的商标标注框;和/或
针对所述图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。
可选的,所述修正模块,还具体用于:
确定所述多个商标标注框的重叠面积并确定所述至少两个商标标注框分别对应的目标评分;
在所述重叠面积大于预设阈值的情况下,保留所述目标评分最高的商标标注框并删除其余的商标标注框。
可选的,所述装置还包括:
扩增模块,用于将所述预设商标数据集中的预设商标数据按照预设方式进行扩增;所述预设方式包括图像色彩变换、空间变换、图像亮度调整、图像模糊、图像饱和度调整以及生成对抗网络其中至少一种。
第三方面,本发明实施例还提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现第一方面所述的商标标注的步骤。
第四方面,本发明实施例还提供了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计算机程序,所述计算机程序被处理器执行时实现第一方面所述的商标标注的步骤。
在本发明实施例中,通过获取多个预设商标数据集并训练得到第一标注模型,之后对新增商标数据进行预标注并得到饱和标注结果,并依据饱和标注结果对第一标注模型进行进一步训练得到第二标注模型,最终基于该第二标注模型对待检测图像进行标注。这样,通过获取多个预设商标数据集进行训练,避免了对商标认知不一致导致的标注问题,使得对商标的认知更加统一、规范,同时使得第二标注模型对于各个商标认知和识别的范围扩大,提高了商标检测涵盖的品类和样式,扩大了商标标注的范围;并且,基于饱和标注结果进行迭代训练,能够提高第二识别模型的召回率,提高了商标识别的准确度;此外,第二识别模型的认知、识别范围更广,可复用性较强,可以灵活移植到其他通同的商标标注场景中,模型的通用性较强。
附图说明
图1示出了本发明实施例的一种商标标注方法的步骤流程图;
图2示出了本发明实施例的一种预标注结果修正的示意图;
图3示出了本发明实施例的一种商标标注的流程示意图;
图4示出了本发明实施例的一种商标标注装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
参照图1,示出了本发明实施例的一种商标标注方法的步骤流程图。该方法的执行主体可以为电子设备,具体例如计算机、笔记本电脑、智能移动终端等,本发明实施例对此不作限定。该商标标注方法具体可以包括:
步骤101、获取多个预设商标数据集,并基于所述预设商标数据集对初始模型进行训练,得到各个预设商标数据集所对应的第一标注模型。
本发明实施例中,预设商标数据集可以是指预先生成的包括多个预设商标数据的训练样本集合。该预设商标数据可以是指图像数据或者商标具体的图形数据等,本发明实施例对此不作限定。预设商标数据集的数目可以为2个、3个或者更多,这样能够扩大最终生成的第一标注模型所覆盖的商标的范围。
在进行训练样本即商标数据的选择时,由于不同的时间段出现的商标的种类不相同,不同的数据来源即不同的数据生成机构对于商标的判别标准也不相同,并且不同用户对于商标的认知程度也不相同,因此,各个预设商标数据集之间会存在商标认知的差异。例如,同一个商标在预设商标数据集A中不被判定为商标,但在预设商标数据集B中却被判定为商标。这样,本发明实施例在基于预设商标数据集进行模型训练时,可以分别基于单个预设商标数据集进行单类别训练,进而得到多个预设商标数据集分别对应的第一标注模型,组成第一标注模型体系,既保证了训练样本数据的准确性,也扩大了商标认知的范围,避免了人工的有限认知可能导致的标注弊端。
初始模型可以是指预先选择的用于进行商标识别的、未经训练的原始模型,该初始模型具体可以为卷积神经网络(Convolutional Neural Networks,CNN)、支持向量机(support vector machines,SVM)或者隐马尔科夫(Hidden Markov model,HMM)等,本发明实施例对于初始模型的具体种类以及训练过程不作限定。第一标注模型可以是指基于预设商标数据集对初始模型进行训练后得到的认知模型,每个第一标注模型能够识别预设商标数据集内覆盖的各个商标。需要说明的是,本发明实施例的中的商标识别是指识别出图像中某个图形是否为商标LOGO,但并不关注该图形具体为哪个公司或者企业的商标。本步骤中多个第一标注模型组成第一标注模型体系,这样可以扩大商标标注的类型。
具体的,本步骤中,获取多个预设商标数据集,并分别进行LOGO单类别训练,具体训练过程可以采用通用的目标检测训练方式,本发明实施例对此不作限定。之后,每个模型训练时可以选取最高召回的EPOCH模型(神经网络中所有样本训练一次为一个epoch)作为第一标注模型,并且由多个第一标注模型组成第一标注模型体系,即商标认知模型体系。
步骤102、获取新增商标数据,并基于各个所述第一标注模型对所述新增商标数据进行标注,得到所述新增商标数据对应的预标注结果;所述新增商标数据包括所述预设商标数据集中的预设商标数据。
本发明实施例中,新增商标数据可以是指额外获取的商标数据,也可以是指预设商标数据进行变换处理之后的商标数据,当然也可以直接为预设商标数据即原始数据,本发明实施例对此不作限定。预标注结果可以是指通过各个第一标注模型分别对新增商标数据进行标注后得到的标注结果,该预标注结果的表现形式可以为新增商标数据图像中的商标标注框等。预标注可以是指通过第一标注模型对图像进行推理,将图像的推理结果作为图像内容标注结果的操作。模型推理则指的是第一标注模型将图像作为输入,借助于相关硬件计算,得到图像图标的预测结果的过程。
具体的,本步骤中,在基于预设商标数据集训练得到第一标注模型体系之后,可以通过多个第一标注模型分别对新增商标数据进行预标注,并使不同模型产生的预标注信息通过整合形成新增商标数据的高召回预标注,即得到新增商标数据的预标注结果。
步骤103、对所述预标注结果进行修正,得到所述新增商标数据对应的饱和标注结果。
本发明实施例中,饱和标注结果可以是指新增商标数据中所有的商标均被标注出来,并且不存在或者较少存在标注框冗余或者误标注情况的标注结果。在基于第一标注模型体系对新增商标数据进行预标注并得到预标注结果之后,可以对预标注结果进行修正,得到更加准确的饱和标注结果,提高训练数据的精确性。具体修正方式可以为人工进行少量干预或者基于预设算法进行修正等,本发明实施例对此不作限定。
步骤104、基于所述新增商标数据对应的饱和标注结果对所述第一标注模型进行训练,得到第二标注模型。
本发明实施例中,第二标注模型可以是指基于包括饱和标注结果的预设训练集进一步对第一标注模型进行训练后得到的、具有较高召回率的商标标注模型。
本步骤中,在基于第一标注模型对新增商标数据进行预标注得到预标注结果,并且通过对预标注结果进行修正得到新增商标数据的饱和标注结果之后,可以将该新增商标数据的饱和标注结果添加至预设商标数据集中。饱和标注结果可以有效地减少原有预设商标数据的标注规则之间的差异,起到对原有数据查漏补缺的作用,同时可以实现原有数据的扩充。
本发明实施例中,通过预设商标数据集训练产生第一标注模型,第一标注模型作用于新增数据产生饱和标注结果并基于该饱和标注结果继续训练第一标注模型得到第二标注模型。这样,本发明实施例基于循环轮次迭代,可以达到不断扩增通用商标检测的目的,实现商标LOGO检测的品类以及样式的扩增,并最终得到可以进行是不是商标LOGO的精准判别器即第二标注模型,进而后续可以实现对待检测图像中商标的精准、全面标注。
步骤105、基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像。
本发明实施例中,待检测图像可以是指需要进行商标标注的图像。目标图像可以是指商标饱和标注的图像。目标标注结果可以是指待检测图像中各个商标均被准确标注为商标的标注结果,具体表现形式可以为目标图像中各个商标对应的商标标注框。本步骤中,基于第二标注模型对待检测图像进行标注,可以实现饱和标注,即实现待检测图像中商标的全面、准确标注。
综上所述,本发明实施例提供的一种商标标注方法,通过获取多个预设商标数据集并训练得到第一标注模型,之后对新增商标数据进行预标注并得到饱和标注结果,并依据饱和标注结果对第一标注模型进行进一步训练得到第二标注模型,最终基于该第二标注模型对待检测图像进行标注。这样,通过获取多个预设商标数据集进行训练,避免了对商标认知不一致导致的标注问题,使得对商标的认知更加统一、规范,同时使得第二标注模型对于各个商标认知和识别的范围扩大,提高了商标检测涵盖的品类和样式,扩大了商标标注的范围;并且,基于饱和标注结果进行迭代训练,能够提高第二识别模型的召回率,提高了商标识别的准确度;此外,第二识别模型的认知、识别范围更广,可复用性较强,可以灵活移植到其他通同的商标标注场景中,模型的通用性较强。
可选的,本发明实施例中,步骤102具体可以包括以下步骤1021至步骤1022:
步骤1021、针对所述新增商标数据中的任一图像数据,将所述图像数据分别输入至各个所述第一标注模型中,得到各个所述第一标注模型所输出的预标注信息。
本发明实施例中,预标注信息可以是指各个第一标注模型在图像中的标注框。由于各个第一标注模型分别基于不同的预设商标数据集训练得来,不同的第一标注模型所能识别的商标是不完全相同的,这样,各个第一标注模型在同一张新增商标数据的图像上会产生不同的预标注信息。
步骤1022、将各个所述第一标注模型所输出的预标注信息整合至所述图像数据中,得到所述图像数据对应的预标注结果。
本发明实施例中,在得到各个第一标注模型所输出的预标注信息之后,可以将这些预标注信息整合至同一个图像数据中,得到该图像数据的高召回预标注,即为预标注结果。
本发明实施例中,针对新增商标数据中的任一图像数据,将图像数据分别输入至各个第一标注模型中,得到各个第一标注模型所输出的预标注信息;将各个第一标注模型所输出的预标注信息整合至图像数据中,得到图像数据对应的预标注结果。这样,本发明实施例中,通过各个第一标注模型分别对同一图像数据进行预标注并整合得到该图像数据的高召回预标注结果,能够保证新增商标数据中图像数据商标识别的全面性,提高商标识别标注的召回率。
可选的,本发明实施例中,在步骤105之后,该商标标注方法还可以包括以下步骤S106:
步骤S106、将所述包括目标标注结果的目标图像添加至所述预设商标数据集中,以更新所述预设商标数据集。
本发明实施例中,在得到目标图像之后,可以将该包括有目标标注结果的目标图像添加至预设商标数据集中,增加预设商标数据集中样本的数量,实现预设商标数据集的扩容;同时,由于增加的目标图像为饱和标注之后的图像,能够进一步提高训练样本的质量,提高模型训练精度。
可选的,本发明实施例中,所述预标注结果包括图像数据中的多个商标标注框。
相应的,步骤103具体可以包括以下步骤S21和/或步骤S22:
步骤S21、确定所述图像数据中的非商标图形,并删除所述非商标图形的商标标注框。
本发明实施例中,商标标注框可以是指用于突出显示图像中的商标的、预设形状的标识符号,具体可以为矩形框或者圆形框等,本发明实施例对于商标标识框的具体形状不作限定。非商标图形可以是指图像数据中的说明性文字或者交互按钮等,例如“童装”、“鞋靴”等品类名称等。
本步骤中,非商标图形明显不属于商标,但第一标注模型在对新增商标数据中的图像进行预标注时,第一标注模型也可能将这些非商标图形标注为了商标,此时需要进行修正,即将非商标图形的商标标注框进行删除。
步骤S22、针对所述图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。
本发明实施例中,商标图形可以是指图像数据中的、属于商标的图形。由于多个第一标注模型是基于多个预设商标数据集训练得来,其中多个预设商标数据集可能存在同一个商标,进而使得多个第一标注模型对该同一个商标均具有识别能力,即多个第一标注模型之间可能存在认知重叠,后续在预标注时,会存在同一个商标图形上标注有多个标注框的情况。此时可以删除冗余的商标标注框,仅保留其中一个即可。
需要说明的是,对非商标图形的商标标注框的删除过程以及商标图形冗余商标标注框的删除过程,可以由人工进行干预,也可以由算法实现,例如非极大值抑制算法(Non-Maximum Suppression,NMS)等,本发明实施例对此不作限定。
本发明实施例中,确定图像数据中的非商标图形,并删除非商标图形的商标标注框;针对图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。这样,能够使得对商标的标注更加准确、全面,提高了饱和标注的准确性,进而能够提高模型的精准度。
示例性地,图2示出了本发明实施例的一种预标注结果修正的示意图。如图2所示出的,在该图像数据中,对于非商标图形“童装”201,多个第一标注模型进行推理之后,为该非商标图形201添加了商标标注框202。在修正过程中,可以将预标注结果中的商标标注框202删除,以避免非商标图形被召回。对于商标图像“adidas”203,多个第一标注模型进行推理之后,为该商标图形203添加了商标标注框204以及商标标注框205。在修正过程中,可以将预标注结果中的商标标注框205删除,以去除多个第一标注模型产生的冗余标注框框,避免多个第一标注模型之间的重复作用。
可选的,本发明实施例中,步骤S22具体可以包括以下步骤S31至步骤S32:
步骤S31、确定所述多个商标标注框的重叠面积并确定所述至少两个商标标注框分别对应的目标评分。
本发明实施例中,重叠面积可以是指两个商标标注框之间重合的面积。该重叠面积具体可以用交并比(Intersection over Union,IoU)来表示,IoU的具体计算方式为两个商标标注框面积的交集和并集的比值,例如,当两个商标标注框面积重叠时,其交并比为1。目标评分则可以是指各个商标标注框的置信度得分,该置信度得分(confidence)具体可以为是介于0和1(或100%)之间的数字,能够描述模型认为该商标标注框包含商标的概率。
步骤S32、在所述重叠面积大于预设阈值的情况下,保留所述目标评分最高的商标标注框并删除其余的商标标注框。
本发明实施例中,预设阈值可以是指预先设置的重叠面积的临界值,当两个商标标注框的重叠面积大于预设阈值时,则可以判定这两个商标标注框是检测同一个商标图形的,此时可以删除多余的商标标注框,仅保留目标评分最高的商标标注框,以提高商标标注的准确性。
本发明实施例中,确定目标商标对应的多个商标标注框的重叠面积并确定至少两个商标标注框分别对应的目标评分;在重叠面积大于预设阈值的情况下,保留目标评分最高的商标标注框并删除其余的商标标注框。这样,通过重叠面积确定出冗余的商标标注框,同时基于目标评分保留目标评分最高的商标标注框,能够有效地进行多个第一标注模型产生的冗余商标标注框去除,避免多个第一标注模型之间的重复作用,进一步提高商标标注的准确性。
可选的,本发明实施例中,在步骤101中基于预设商标数据集内包括的预设商标数据对初始模型进行训练之前,该方法还可以包括以下步骤S41:
步骤S41、将所述预设商标数据集中的预设商标数据按照预设方式进行扩增;所述预设方式包括图像色彩变换、空间变换、图像亮度调整、图像模糊、图像饱和度调整以及生成对抗网络其中至少一种。
本发明实施例中,预设方式可以为预先设置的样本扩增的方式。图像色彩变换可以是指调整图像的颜色。空间变换可以是指图像的翻转、旋转、扭曲、缩放等。图像亮度调整、图像饱和度调整可以是指对图像的亮度、饱和度进行调整。图像模糊可以是指对图像进行模糊处理。生成对抗网络(Generative Adversarial Network,GAN)可以是指基于预设模型自动生成与预设商标数据相关的图像数据。
本发明实施例中,在获取预设商标数据集之后,将预设商标数据集中的预设商标数据按照预设方式进行扩增,这样能够提高样本的数量,丰富数据的多样性。
本发明实施例可以服务于通用商标LOGO的检测,目的是把待检测图像中所有商品商标LOGO检测出来,在进行商标标注时必须体现出“饱和”的状态,即将待检测图像中所有商品商标LOGO按照能标则标、应标尽标的原则进行商标标注,因此要求上述建立的认知体系内的所有模型即多个第一标注模型也必须追求高召回的模型指标,所有模型在保证高召回的同时进行数据的预标注工作。本发明实施例中通过数据扩增以及循环迭代训练,能够不断提高第一标注模型的召回率,在训练完成后得到第二标注模型后,第二标注模型的召回率能够达到95%以上。
需要说明的是,考虑到市场上商品商标品类众多,LOGO种类和样式也千奇百怪,如果直接采用人工标注人力成本极高,且成千上万种标注样式对标注人员的标注记忆也提出了很大的挑战,此外每个标注人员的认知能力存在差异,所有标注人员在进行相同品牌样式LOGO标注的时候很难达到认知上的统一,极易造成某些LOGO有的标注人员进行了标注,而有的标注人员因为不认识该LOGO而放弃了对该商标的标注,这种同一商标但标注结果不一致的情况显然不满足要求。
为了解决以上问题,避免标注人员由于认知上造成的标注差异,本发明实施例利用已经存在的公开数据,即获取预设商标数据集,建立由多个第一标注模型组成的认知模型体系,把什么是LOGO的问题利用模型认知去解决,从而避免了认知不一致导致的标注问题,有效节省了人力成本。具体而言,就是依赖于预设商标数据集,采用目标检测的通用训练流程,针对每个预设商标数据集训练得到对应的第一标注模型,该第一标注模型可以识别该预设商标数据集所包含的商标LOGO类别。多个第一标注模型共同组成了本发明实施例中的商标认知模型体系,解决到底什么才是LOGO的问题,即能被认知模型体系正确识别的就是商标LOGO。此外,本发明实施例也可以使标注结果更加可控,有效地避免了在人工标注过程中,商标标注框或大或小、标注标签不统一等一系列人工标注带来的问题。
示例性地,图3示出了本发明实施例中的一种商标标注的流程示意图。如图3所示出的,在基于已知数据获取到多个预设商标数据集之后,基于多个商标数据集分别进行单类别训练,得到多个第一标注模型,组成商标认知模型体系。之后基于商标认知模型体系对新增商标数据中的图像进行预标注,得到预标注结果,再基于人工少量干预以及非极大值抑制算法NMS对预标注结果进行修正得到饱和标注结果。在将饱和标注结果添加至预设数据集中继续对第一标注模型进行迭代训练,最终得到高召回的第二标注模型。基于该第二标注模型对待检测图像进行饱和标注,得到目标图像。最后可以将包括目标标注结果的目标图像作为训练样本,添加至预设商标数据集中,实现预设商标数据集的扩容并进行循环训练迭代。
这样,本发明实施例解决了通用商标LOGO检测场景下基础的数据标注问题,通过自循环的饱和标注流程,构建商标认知模型体系,有效地减少了标注人工有限认知可能导致的标注弊端,大大提高了商标LOGO检测涵盖的品类和样式。并且能够实现对商标的饱和标注,提高了商标标注的全面性。同时,本发明实时例具备较强的通用性,可复用性较强,可同等条件下移植到其他通用无差别类别检测的标注场景中,适用范围较广。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图4,示出了本发明实施例的一种商标标注装置的结构框图,具体的,该装置40可以包括如下模块:
第一训练模块401,用于获取多个预设商标数据集,并基于所述预设商标数据集对初始模型进行训练,得到各个预设商标数据集所对应的第一标注模型;
第一标注模块402,用于获取新增商标数据,并基于各个所述第一标注模型对所述新增商标数据进行标注,得到所述新增商标数据对应的预标注结果;所述新增商标数据包括所述预设商标数据集中的预设商标数据;
修正模块403,用于对所述预标注结果进行修正,得到所述新增商标数据对应的饱和标注结果;
第二训练模块404,用于基于所述新增商标数据对应的饱和标注结果对所述第一标注模型进行训练,得到第二标注模型;
第二标注模块405,用于基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像。
综上所述,本发明实施例提供的商标标注装置,通过获取多个预设商标数据集并训练得到第一标注模型,之后对新增商标数据进行预标注并得到饱和标注结果,并依据饱和标注结果对第一标注模型进行进一步训练得到第二标注模型,最终基于该第二标注模型对待检测图像进行标注。这样,通过获取多个预设商标数据集进行训练,避免了对商标认知不一致导致的标注问题,使得对商标的认知更加统一、规范,同时使得第二标注模型对于各个商标认知和识别的范围扩大,提高了商标检测涵盖的品类和样式,扩大了商标标注的范围;并且,基于饱和标注结果进行迭代训练,能够提高第二识别模型的召回率,提高了商标识别的准确度;此外,第二识别模型的认知、识别范围更广,可复用性较强,可以灵活移植到其他通同的商标标注场景中,模型的通用性较强。
可选的,所述装置还40包括:
添加模块,用于将所述包括目标标注结果的目标图像添加至所述预设商标数据集中,以更新所述预设商标数据集。
可选的,所述预标注结果包括图像数据中的多个商标标注框;所述修正模块403,具体用于:
确定所述图像数据中的非商标图形,并删除所述非商标图形的商标标注框;和/或
针对所述图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。
可选的,所述修正模块403,还具体用于:
确定所述多个商标标注框的重叠面积并确定所述至少两个商标标注框分别对应的目标评分;
在所述重叠面积大于预设阈值的情况下,保留所述目标评分最高的商标标注框并删除其余的商标标注框。
可选的,所述装置40还包括:
扩增模块,用于将所述预设商标数据集中的预设商标数据按照预设方式进行扩增;所述预设方式包括图像色彩变换、空间变换、图像亮度调整、图像模糊、图像饱和度调整以及生成对抗网络其中至少一种
可选的,本发明实施例还提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述商标标注方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
可选的,本发明实施例还提供了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计算机程序,所述计算机程序被处理器执行时实现上述商标标注方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本发明的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种商标标注方法,其特征在于,包括:
获取多个预设商标数据集,并基于所述预设商标数据集对初始模型进行训练,得到各个预设商标数据集所对应的第一标注模型;
获取新增商标数据,并基于各个所述第一标注模型对所述新增商标数据进行标注,得到所述新增商标数据对应的预标注结果;所述新增商标数据包括所述预设商标数据集中的预设商标数据;
对所述预标注结果进行修正,得到所述新增商标数据对应的饱和标注结果;
基于所述新增商标数据对应的饱和标注结果对所述第一标注模型进行训练,得到第二标注模型;
基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像之后,所述方法还包括:
将所述包括目标标注结果的目标图像添加至所述预设商标数据集中,以更新所述预设商标数据集。
3.根据权利要求1所述的方法,其特征在于,所述预标注结果包括图像数据中的多个商标标注框;所述对所述预标注结果进行修正,包括:
确定所述图像数据中的非商标图形,并删除所述非商标图形的商标标注框;和/或
针对所述图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。
4.根据权利要求3所述的方法,其特征在于,所述删除冗余的商标标注框并仅保留其中一个商标标注框,包括:
确定所述多个商标标注框的重叠面积并确定所述至少两个商标标注框分别对应的目标评分;
在所述重叠面积大于预设阈值的情况下,保留所述目标评分最高的商标标注框并删除其余的商标标注框。
5.根据权利要求1所述的方法,其特征在于,在所述基于所述预设商标数据集对初始模型进行训练之前,所述方法还包括:
将所述预设商标数据集中的预设商标数据按照预设方式进行扩增;所述预设方式包括图像色彩变换、空间变换、图像亮度调整、图像模糊、图像饱和度调整以及生成对抗网络其中至少一种。
6.一种商标标注装置,其特征在于,包括:
第一训练模块,用于获取多个预设商标数据集,并基于所述预设商标数据集对初始模型进行训练,得到各个预设商标数据集所对应的第一标注模型;
第一标注模块,用于获取新增商标数据,并基于各个所述第一标注模型对所述新增商标数据进行标注,得到所述新增商标数据对应的预标注结果;所述新增商标数据包括所述预设商标数据集中的预设商标数据;
修正模块,用于对所述预标注结果进行修正,得到所述新增商标数据对应的饱和标注结果;
第二训练模块,用于基于所述新增商标数据对应的饱和标注结果对所述第一标注模型进行训练,得到第二标注模型;
第二标注模块,用于基于所述第二标注模型对待检测图像进行标注,得到包括目标标注结果的目标图像。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
添加模块,用于将所述包括目标标注结果的目标图像添加至所述预设商标数据集中,以更新所述预设商标数据集。
8.根据权利要求6所述的装置,其特征在于,所述预标注结果包括图像数据中的多个商标标注框;所述修正模块,具体用于:
确定所述图像数据中的非商标图形,并删除所述非商标图形的商标标注框;和/或
针对所述图像数据中的商标图形,删除冗余的商标标注框并仅保留其中一个商标标注框。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5任一项所述的商标标注方法。
10.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的商标标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247298.0A CN114707015A (zh) | 2022-03-14 | 2022-03-14 | 一种商标标注方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247298.0A CN114707015A (zh) | 2022-03-14 | 2022-03-14 | 一种商标标注方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707015A true CN114707015A (zh) | 2022-07-05 |
Family
ID=82168710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210247298.0A Pending CN114707015A (zh) | 2022-03-14 | 2022-03-14 | 一种商标标注方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707015A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
CN109196514A (zh) * | 2016-02-01 | 2019-01-11 | 西-奥特私人有限公司 | 图像分类和标记 |
CN111310759A (zh) * | 2020-02-13 | 2020-06-19 | 中科智云科技有限公司 | 双模式协作的目标检测抑制优化方法及设备 |
CN111414938A (zh) * | 2020-03-04 | 2020-07-14 | 中国计量大学 | 一种板式换热器内气泡的目标检测方法 |
CN111783993A (zh) * | 2019-05-23 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 智能标注方法、装置、智能平台及存储介质 |
WO2020233200A1 (zh) * | 2019-05-17 | 2020-11-26 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置、用于预测信息的方法和装置 |
CN112560971A (zh) * | 2020-12-21 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 一种主动学习自迭代的图像分类方法和系统 |
US20210142097A1 (en) * | 2017-06-16 | 2021-05-13 | Markable, Inc. | Image processing system |
CN112926621A (zh) * | 2021-01-21 | 2021-06-08 | 百度在线网络技术(北京)有限公司 | 数据标注方法、装置、电子设备及存储介质 |
CN113408566A (zh) * | 2020-11-17 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 目标检测方法及相关设备 |
CN113869211A (zh) * | 2021-09-28 | 2021-12-31 | 杭州福柜科技有限公司 | 图像自动标注和标注质量自动评价方法及系统 |
CN113903042A (zh) * | 2021-09-13 | 2022-01-07 | 同盾科技有限公司 | 商标识别方法、装置、计算机设备和存储介质 |
US20220058440A1 (en) * | 2020-08-24 | 2022-02-24 | Chevron U.S.A. Inc. | Labeling an unlabeled dataset |
-
2022
- 2022-03-14 CN CN202210247298.0A patent/CN114707015A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
CN109196514A (zh) * | 2016-02-01 | 2019-01-11 | 西-奥特私人有限公司 | 图像分类和标记 |
US20210142097A1 (en) * | 2017-06-16 | 2021-05-13 | Markable, Inc. | Image processing system |
WO2020233200A1 (zh) * | 2019-05-17 | 2020-11-26 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置、用于预测信息的方法和装置 |
CN111783993A (zh) * | 2019-05-23 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 智能标注方法、装置、智能平台及存储介质 |
CN111310759A (zh) * | 2020-02-13 | 2020-06-19 | 中科智云科技有限公司 | 双模式协作的目标检测抑制优化方法及设备 |
CN111414938A (zh) * | 2020-03-04 | 2020-07-14 | 中国计量大学 | 一种板式换热器内气泡的目标检测方法 |
US20220058440A1 (en) * | 2020-08-24 | 2022-02-24 | Chevron U.S.A. Inc. | Labeling an unlabeled dataset |
CN113408566A (zh) * | 2020-11-17 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 目标检测方法及相关设备 |
CN112560971A (zh) * | 2020-12-21 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 一种主动学习自迭代的图像分类方法和系统 |
CN112926621A (zh) * | 2021-01-21 | 2021-06-08 | 百度在线网络技术(北京)有限公司 | 数据标注方法、装置、电子设备及存储介质 |
CN113903042A (zh) * | 2021-09-13 | 2022-01-07 | 同盾科技有限公司 | 商标识别方法、装置、计算机设备和存储介质 |
CN113869211A (zh) * | 2021-09-28 | 2021-12-31 | 杭州福柜科技有限公司 | 图像自动标注和标注质量自动评价方法及系统 |
Non-Patent Citations (1)
Title |
---|
邱锡鹏等: "《神经网络与深度学习》", vol. 1, 31 July 2020, 机械工业出版社, pages: 239 - 241 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6893233B2 (ja) | 画像に基づくデータ処理方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム | |
KR101657495B1 (ko) | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 | |
Flores et al. | Saliency for fine-grained object recognition in domains with scarce training data | |
CN105930402A (zh) | 基于卷积神经网络的视频检索方法及系统 | |
CN111652202B (zh) | 利用自适应的时空图模型通过提升视频-语言表征学习来解决视频问答问题的方法及其系统 | |
Zhang et al. | Easy domain adaptation method for filling the species gap in deep learning-based fruit detection | |
CN109376757B (zh) | 一种多标签分类方法及系统 | |
CN109992266A (zh) | 一种界面元素的处理方法和装置 | |
JP7422548B2 (ja) | ラベルノイズ検出プログラム、ラベルノイズ検出方法及びラベルノイズ検出装置 | |
CN115797781A (zh) | 农作物识别方法、装置、计算机设备和存储介质 | |
CN114266988A (zh) | 基于对比学习的无监督视觉目标跟踪方法及系统 | |
Pineda et al. | Deep MAnTra: deep learning-based multi-animal tracking for Japanese macaques | |
CN117372346A (zh) | 一种小样本缺陷识别方法、系统、设备及存储介质 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN114707015A (zh) | 一种商标标注方法、装置、电子设备以及存储介质 | |
Chen et al. | MLP-based multimodal tomato detection in complex scenarios: Insights from task-specific analysis of feature fusion architectures | |
CN111382223B (zh) | 电子地图的展示方法、终端和电子设备 | |
Lv et al. | An image rendering-based identification method for apples with different growth forms | |
WO2021049119A1 (ja) | 学習装置、学習方法及び学習プログラムが格納された非一時的なコンピュータ可読媒体 | |
Zhao et al. | Expression Recognition Using Improved AlexNet Network in Robot Intelligent Interactive System | |
WO2020237674A1 (zh) | 目标跟踪方法、目标跟踪装置和无人机 | |
Hsu et al. | Densitylayout: Density-conditioned layout gan for visual-textual presentation designs | |
CN113868460A (zh) | 一种图像检索方法、装置及系统 | |
Vaishnavi et al. | Machine Learning for Air Quality Prediction: Random Forest Classifier | |
Su et al. | Interactive cell segmentation based on correction propagation |
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 |