图像标注方法及装置与流程

技术特征：
1.一种图像标注方法，其特征在于，包括以下步骤：接收目标深度学习模型对未标注的样本图像的预测结果，基于所述预测结果筛选出若干样本图片的预测标签，作为训练标注图像；获取所述训练标注图像的多尺度图像金字塔，复制为两份；对其中一份的所述多尺度图像金字塔执行第一数据处理，得到第一图像，并对另一份的所述多尺度图像金字塔执行与所述第一数据处理不同的第二数据处理或不执行处理，得到第二图像；将所述第一图像和第二图像输入至所述目标深度学习模型，得到相应的第一预测标签和第二预测标签，根据所述第一预测标签及所述第二预测标签，计算相应的损失函数，对所述目标深度学习模型进行迭代更新。2.根据权利要求1所述的图像标注方法，其特征在于，基于所述预测结果筛选出若干样本图片的预测标签，作为训练标注图像的方法包括：接收未标注的样本图像的所述预测结果；从所述预测结果中，选取置信度在预设阈值以上的预测框作为所述样本图像的标注；将具有标注的所述样本图像作为所述训练标注图像。3.根据权利要求1所述的图像标注方法，其特征在于，所述第一数据处理为数据强增加，所述第二数据处理为数据弱增强。4.根据权利要求1所述的图像标注方法，其特征在于，所述根据所述第一预测标签及所述第二预测标签，计算相应的损失函数，包括：将所述第二预测标签作为执行所述第一数据处理后的所述第一多尺度图像金字塔的真实标签，并与所述第一预测标签进行比对，计算相应的损失函数。5.根据权利要求1所述的图像标注方法，其特征在于，对所述目标深度学习模型的迭代更新方法包括：将所述第一图像和第二图像输入至所述目标深度学习模型的第二多尺度细化分支，并计算出所述第二多尺度细化分支的损失函数，合并至所述目标深度学习模型的主分支相应的损失函数中，对所述目标深度学习模型进行迭代更新。6.根据权利要求5所述的图像标注方法，其特征在于，所述目标深度学习模型的所述第二多尺度细化分支与所述目标深度学习模型的主分支的特征提取网络的权值共享。7.根据权利要求1所述的图像标注方法，其特征在于，其特征在于，对所述目标深度学习模型的迭代更新方法包括：将所述第一图像和第二图像输入至所述目标深度学习模型，并计算出相应的损失函数，对所述目标深度学习模型进行迭代更新。8.一种图像标注装置，使用权利要求1至7中任一项的方法，其特征在于，包括：选取模块，用于接收目标深度学习模型对未标注的样本图像的预测结果，基于所述预测结果筛选出若干样本图片的预测标签，作为训练标注图像；图像处理模块，用于获取所述训练标注图像的多尺度图像金字塔，复制为两份；对其中一份的所述多尺度图像金字塔执行第一数据处理，得到第一图像，并对另一份的所述多尺度图像金字塔执行与所述第一数据处理不同的第二数据处理或不执行处理，得到第二图像；训练模块，用于将所述第一图像和第二图像输入至所述目标深度学习模型，得到相应
的第一预测标签和第二预测标签，根据所述第一预测标签及所述第二预测标签，计算相应的损失函数，对所述目标深度学习模型进行迭代更新。9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项的方法。

技术总结
本发明公开了图像标注方法及装置，该方法包括：接收目标深度学习模型对未标注的样本图像的预测结果，基于预测结果筛选出若干样本图片的预测标签，作为训练标注图像；获取训练标注图像的多尺度图像金字塔，复制为两份；对其中一份的多尺度图像金字塔执行第一数据处理，得到第一图像，并对另一份的多尺度图像金字塔执行与第一数据处理不同的第二数据处理或不执行处理，得到第二图像；将第一图像和第二图像输入至目标深度学习模型，得到相应的第一预测标签和第二预测标签，计算相应的损失函数，对目标深度学习模型进行迭代更新。本发明能够充分利用原目标深度学习模型输出的标注数据，在减少标注成本的同时，提高标注数据的精度。提高标注数据的精度。提高标注数据的精度。


技术研发人员：钟成 周颖婕 邓星 张泽熙
受保护的技术使用者：珠高智能科技（深圳）有限公司
技术研发日：2022.01.24
技术公布日：2022/5/25