一种图像数据标注方法与流程

本发明属于图像处理，具体涉及一种图像数据标注方法。

背景技术：

1、图像数据标注是计算机视觉、深度学习模型训练的重要前置环节。标注质量直接影响目标检测、图像分割、姿态估计等任务的模型性能。

2、现有技术中，图像标注方法通常采用单一尺度的图像处理策略。具体而言，待标注图像直接输入标注工具，由标注人员手动框选目标区域或描绘轮廓。这种方式存在以下技术缺陷：

3、当图像中存在不同尺度的目标时，小目标由于特征信息量有限，标注精度较低。标注框往往偏离目标实际边界，导致训练样本存在较大噪声。对于模糊区域、粘连目标等复杂场景，传统方法无法精确贴合目标真实轮廓，容易产生标注目标遗漏或框选偏差。此外，传统人工标注缺乏智能化辅助手段，标注效率较低，且容易因疲劳导致标注一致性下降。

技术实现思路

1、本发明的目的在于提供一种图像数据标注方法，以解决现有技术中存在的尺度适应性差、边缘轮廓处理粗糙、标注效率低下的技术问题。

2、本发明提供一种图像数据标注方法，包括以下步骤：获取待标注图像；对所述待标注图像进行下采样处理，得到多个不同分辨率的图像层级，以形成图像金字塔结构；分别对所述多个不同分辨率的图像层级进行特征提取，得到各层级对应的多尺度特征图；利用注意力机制对所述多尺度特征图进行自适应融合处理，得到融合特征表征；基于所述融合特征表征，确定标注目标的位置信息和边缘轮廓信息，生成标注结果。

3、优选地，所述构建图像金字塔结构包括：对所述待标注图像进行至少三次下采样处理，得到至少四个不同分辨率的图像层级。

4、优选地，当待标注图像为视频帧序列时，还包括以下步骤：基于当前帧的标注结果，利用光流预测模型预测相邻帧的标注框初始位置；计算当前帧与相邻帧标注结果的坐标差异值；当所述坐标差异值超过预设的第一阈值时，触发人工复核机制；当所述坐标差异值未超过所述第一阈值时，自动将预测得到的标注框初始位置作为相邻帧的标注结果。

5、优选地，还包括以下步骤：获取相邻帧的类别预测概率分布；计算当前帧与相邻帧的类别预测概率分布之间的差异度；当所述差异度超过预设的第二阈值时，触发人工复核机制。

6、优选地，还包括以下步骤：构建主动学习样本选择模块；对未标注的图像进行难例挖掘处理，得到难例样本；计算所述难例样本的综合得分；按照所述综合得分降序排列，将样本按照得分从高到低的顺序推送至标注队列。

7、优选地，所述难例挖掘处理包括：计算样本的预测不确定性指标。

8、优选地，所述计算样本的预测不确定性指标包括：利用已标注图像训练初始分类模型，对未标注图像进行多次前向传播，根据多次前向传播的预测结果计算预测概率分布的熵值，将所述熵值作为预测不确定性指标。

9、优选地，所述难例挖掘处理还包括：计算样本的特征多样性指标。

10、优选地，所述计算样本的特征多样性指标包括：提取未标注图像的深度特征向量，对所述深度特征向量进行聚类分析，得到多个聚类中心，计算当前样本与各聚类中心的距离值，将最小距离值作为特征多样性指标。

11、需要说明的是，样本，指未标注图像数据中的单个图像实例；在主动学习与难例挖掘的上下文中，每个待标注的图像被称为一个样本。当前样本，指当前正在计算特征多样性指标的未标注图像。

12、优选地，所述综合得分由预测不确定性指标和特征多样性指标加权计算得到；其中，预测不确定性指标的权重系数大于特征多样性指标的权重系数。

13、本发明通过构建图像金字塔获取多尺度特征图，并利用注意力机制进行自适应融合，能够突出重要特征、抑制冗余信息，提升目标位置与边缘轮廓的标注准确性。针对视频帧序列，基于光流预测模型预测相邻帧标注框初始位置，根据坐标差异值自动决定是否触发人工复核，在保证质量前提下减少逐帧标注工作量；同时通过计算帧间类别概率分布差异度触发复核机制，进一步提升视频标注的连续性与可靠性。

14、本发明构建主动学习样本选择模块，通过难例挖掘得到预测不确定性指标，如多次前向传播的熵值；以及特征多样性指标，如深度特征与聚类中心的最小距离，加权计算综合得分后按降序推送至标注队列。其中不确定性指标的权重系数大于多样性指标，可优先筛选模型难以判断的样本，同时兼顾样本分布的代表性，从而减少冗余标注、降低标注成本，加速模型性能迭代并提升泛化能力。

1.一种图像数据标注方法，其特征在于，包括以下步骤：

2.如权利要求1所述的图像数据标注方法，其特征在于，所述构建图像金字塔结构包括：对所述待标注图像进行至少三次下采样处理，得到至少四个不同分辨率的图像层级。

3.如权利要求1所述的图像数据标注方法，其特征在于，当待标注图像为视频帧序列时，还包括以下步骤：

4.如权利要求3所述的图像数据标注方法，其特征在于，还包括以下步骤：

5.如权利要求1至3任一项所述的图像数据标注方法，其特征在于，还包括以下步骤：

6.如权利要求5所述的图像数据标注方法，其特征在于，所述难例挖掘处理包括：计算样本的预测不确定性指标。

7.如权利要求6所述的图像数据标注方法，其特征在于，所述计算样本的预测不确定性指标包括：利用已标注图像训练初始分类模型，对未标注图像进行多次前向传播，根据多次前向传播的预测结果计算预测概率分布的熵值，将所述熵值作为预测不确定性指标。

8.如权利要求7所述的图像数据标注方法，其特征在于，所述难例挖掘处理还包括：计算样本的特征多样性指标。

9.如权利要求8所述的图像数据标注方法，其特征在于，所述计算样本的特征多样性指标包括：提取未标注图像的深度特征向量，对所述深度特征向量进行聚类分析，得到多个聚类中心，计算当前样本与各聚类中心的距离值，将最小距离值作为特征多样性指标。

10.如权利要求9所述的图像数据标注方法，其特征在于：所述综合得分由预测不确定性指标和特征多样性指标加权计算得到；其中，预测不确定性指标的权重系数大于特征多样性指标的权重系数。