【技术实现步骤摘要】
一种精准无损标注图像实例的分布式方法及系统
本专利技术首先涉及一种精准无损标注图像实例的分布式方法；其次本专利技术还涉及一种精准无损标注图像实例的分布式系统。
技术介绍
目前，随着人工智能和深度学习的发展，对于数据集的数量和质量的要求也越来越高，为了获取到用于训练的数据集，需要借助图像标注工具对图像上的实例进行标注出来，以便在训练深度学习模型的时候提取到更加有用的实例特征，从而提高模型的泛化能力。传统的图像标注任务多利用附加文字、线条等对图像语义进行整体描述或局部细节进行提示，便于用户更清晰地理解图像含义，也易于研究人员对图像语义进行更深层次的探究。在常规做法中，或完全借助人工，耗时长、效率低，或借助已有各类成熟的图像处理软件，但此类软件存在非图像任务定制工具的缺陷，尤其是对原始图像标注时所带来的破坏，使得其难于大规模使用。其次，大多数标注工具只是利用矩形框对图像中的实例进行区分，并没有通过实例的轮廓进行标注以区分不同的对象，导致实例本身以外的区域标注为实例的一部分。此外，当处理存在比较密集实例的图像时，会不可避免的出现标注区域重叠的现象，从而造成在训练模型的时候...
【技术保护点】
1.一种精准无损标注图像实例的分布式方法，其特征在于：该方法包括以下步骤：步骤1：根据当前待标注的全体数据集状态，以及某特定标注人员的历史工作绩效，自动计算本次给某特定标注人员分发的标注任务的工作量，依据计算出的工作量从标注总数据库中自动抽取产生本次分发给该特定标注人员的待标注图像集，将其副本添加安全校验信息后打包，作为本次分发给该特定标注人员的标注任务，并进行分布式分发；步骤2：在待标注图像的副本上进行逐像素的实例轮廓描绘，暂存表达实例轮廓的像素点坐标信息，形成轮廓坐标序列；步骤3：依据经步骤2描绘所形成的平滑且封闭的实例轮廓进行自动填充形成实例掩膜，自动暂存该实例掩膜所...
【技术特征摘要】
1.一种精准无损标注图像实例的分布式方法，其特征在于：该方法包括以下步骤：步骤1：根据当前待标注的全体数据集状态，以及某特定标注人员的历史工作绩效，自动计算本次给某特定标注人员分发的标注任务的工作量，依据计算出的工作量从标注总数据库中自动抽取产生本次分发给该特定标注人员的待标注图像集，将其副本添加安全校验信息后打包，作为本次分发给该特定标注人员的标注任务，并进行分布式分发；步骤2：在待标注图像的副本上进行逐像素的实例轮廓描绘，暂存表达实例轮廓的像素点坐标信息，形成轮廓坐标序列；步骤3：依据经步骤2描绘所形成的平滑且封闭的实例轮廓进行自动填充形成实例掩膜，自动暂存该实例掩膜所涉及的像素点坐标簇形成实例掩膜坐标簇；步骤4：保存与待标注图像原始信息关联后的标注成果，含实例轮廓坐标及实例掩膜坐标；本次标注任务完成后，将本次分发标注任务的标注成果回传给标注总数据库；步骤5：依据步骤4中所保存的分发标注任务的标注成果，与标注总数据库中的信息进行比对，判断某一幅标注图像是否存在多名标注人员的交叉标注，若存在交叉标注，自动筛选合并得到该幅图像的最优标注成果，并保存更新标注总数据库；反之则直接将步骤4中所保存的标注成果直接保存至标注总数据库。2.根据权利要求1所述的精准无损标注图像实例的分布式方法，其特征在于：所述步骤1还将进行标注任务分发，在进行标注任务分发时需根据当前待标注的全体数据集状态，以及某特定标注人员的历史工作绩效综合考虑计算本次给某特定标注人员分发的标注任务的工作量；工作量的计算采用Select*算法，具体步骤如下：步骤11：获取当前标注任务全体数据集的状态信息；步骤12：依据步骤11中的数据，根据历史工作绩效计算分发工作量；步骤13：根据步骤12所确定的工作量，从原始全体数据集的已标注图片子集和待标注图片子集中按比例抽取组合形成当次标注任务分发的子数据集；步骤14：根据步骤13得到的子数据集，形成待标注图像集，制作副本，添加安全校验信息，并进行分发；其中，当前应分发的工作量的计算可用下述公式表示：上式中，Smin和Smax分别表示本次工作量分发的下限和上限，由系统在此区间随机抽取一整数值作为本次应分发的工作量；TD、C、AIm、AIn、APi皆表达本次申请任务的标注人员的历史工作绩效参数，依次表示历次分发任务难度系数、任务完成度系数、平均图片标注时间系数、平均实例标注时间系数、以及平均像素标注时间系数；N表示该标注人员接受标注任务的总次数，NU为数据集中未标注图片数量、NL为标注次数在(0、Lmax)之间的图片数量，其中Lmax为超参数，建议设置为5；Mi...
【专利技术属性】
技术研发人员：郑津，向桔冰，王杨，唐孝冬，付茂莹，甘子璐，张平，
申请(专利权)人：郑津，
类型：发明
国别省市：四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。