图像标注方法、目标检测方法、装置及存储介质制造方法及图纸

本申请公开了图像标注方法、目标检测方法、装置及存储介质。其中，一种图像标注方法，包括：获取第一图像集合和第二图像集合；根据所述标签，从第一图像集合的图像中提取一个或多个第一图像区域和一个或多个第二图像区域；将第一图像区域生成为正样本；对于任一个第二图像区域，为其添加标签而得到一个负样本；通过区域推荐方式，从第二图像集合提取候选图像区域；基于图的半监督学习方式，确定候选图像区域的标签；根据候选图像区域的标签，确定第二图像集合的图像中目标对象对应的区域并添加与目标对象有关的标签。

【技术实现步骤摘要】
图像标注方法、目标检测方法、装置及存储介质
本申请涉及目标检测
，尤其涉及图像标注方法、目标检测方法、装置及存储介质。
技术介绍
目标检测(也可以称为目标提取)，可以对图像中目标对象进行识别和分割。随着计算机视觉技术的发展，目标检测广泛应用在交通、安防、军事等领域中。为了训练目标检测模型，各种目标检测的应用方案中需要大量经过标注的图像作为训练样本。然而，现有的训练样本通常需要人工标注。因此，标注图像的效率有待提高。
技术实现思路
本申请提出了一种图像标注方案，能够提高图像标注的效率。根据本申请一方面，提供一种图像标注方法。所述方法包括：获取第一图像集合和第二图像集合，其中，所述第一图像集合中图像包含目标对象的标签，所述第二图像集合待对其包含的所述目标对象进行标注；根据所述标签，从所述第一图像集合的图像中提取一个或多个第一图像区域和一个或多个第二图像区域，其中，所述第一图像区域包含所述目标对象，所述第二图像区域未包含所述目标对象；将所述第一图像区域生成为正样本，其中，所述正样本包括所述目标对象的标签；对于任一个所述第二图像区域，为其添加标签而得到一个负样本，所述负样本的标签表示所述第二图像区域未包含所述目标对象；通过区域推荐方式，从所述第二图像集合提取候选图像区域；基于图的半监督学习方式，利用所述正样本的标签和所述负样本的标签确定所述候选图像区域的标签；以及根据所述候选图像区域的标签，确定所述第二图像集合的图像中所述目标对象对应的区域并添加与所述目标对象有关的标签。根据本申请一方面，提供一种目标检测模型的训练方法。所述训练方法包括：利用根据本申请的图像标注方法获取具有与目标对象有关的标签的图像；利用所述具有与所述目标对象有关的标签的图像，训练所述目标检测模型。根据本申请一方面，提供一种目标检测方法。所述方法包括：获取待检测的图像；利用根据本申请的训练方法得到的经过训练的目标检测模型，对待检测的图像进行目标检测。根据本申请一方面，提供一种图像标注装置。所述装置包括：图像获取单元，用于获取第一图像集合和第二图像集合，其中，所述第一图像集合中图像包含目标对象的标签，所述第二图像集合待对其包含的所述目标对象进行标注；区域提取单元，用于根据所述标签，从所述第一图像集合的图像中提取一个或多个第一图像区域和一个或多个第二图像区域，其中，所述第一图像区域包含所述目标对象，所述第二图像区域未包含所述目标对象；正样本生成单元，用于将所述第一图像区域生成为正样本，其中，所述正样本包括所述目标对象的标签；负样本生成单元，用于对于任一个所述第二图像区域，为其添加标签而得到一个负样本，所述负样本的标签表示所述第二图像区域未包含所述目标对象；候选区域获取单元，用于通过区域推荐方式，从所述第二图像集合提取候选图像区域；标签确定单元，用于基于图的半监督学习方式，利用所述正样本的标签和所述负样本的标签确定所述候选图像区域的标签；以及标注单元，用于根据所述候选图像区域的标签，确定所述第二图像集合的图像中所述目标对象对应的区域并添加与所述目标对象有关的标签。根据本申请一方面，提供一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序。一个或多个程序存储在该存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行本申请的图像标注方法的指令、目标检测模型的训练方法的指令或者目标检测方法的指令。根据本申请一方面，提供一种存储介质，存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行本申请的本申请的图像标注方法、目标检测模型的训练方法或者目标检测方法。综上，根据本申请的技术方案可以利用已标注的第一图像集合对未标注的第二图像集合进行标注，从而可以避免人工对第二图像集合进行标注的麻烦，进而可以提高图像标注的效率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1示出了根据本申请一些实施例的应用场景100的示意图；图2示出了根据本申请一些实施例的图像标注方法200的流程图；图3示出了根据本申请一些实施例的图像标注方法300的流程图；图4示出了根据本申请一些实施例的确定正样本和负样本的示意图；图5示出了根据本申请一些实施例的提取候选图像区域的方法500的流程图；图6示出了根据本申请一些实施例的从一张图像中提取候选图像区域的示意图；图7示出了根据本申请一些实施例的确定候选图像区域的标签的方法700的流程图；图8A示出了根据本申请一些实施例的无向加权图中部分节点的示意图；图8B示出了据本申请一些实施例的无向加权图中部分节点之间的相关度；图8C至8E分别示出了无向加权图的连通子图的示意图；图9示出了根据本申请一些实施例目标检测模型的训练方法900的流程图；图10示出了根据本申请一些实施例的图像标注装置1000的示意图；以及图11示出了一个计算设备的组成结构图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在一些实施例中，为了获取用于训练目标检测模型的训练样本，标注人员需要人工对图像进行标注。这里，标注是指确定图像中目标对象对应的区域和标记目标对象所对应的区域的类别。在一些实施例中，标注的具体操作可以包括：在图像中确定目标对象对应区域的边界框和标记边界框的类别标签。这里，一个边界框的类别标签用于描述这个边界框内目标对象的类别。类别标签例如可以用边界框的颜色表示，但不限于此。为了简化描述，下文中类别标签简称为标签。在一些应用场景中，由于训练目标检测网络需要大量的训练样本，标注图像的效率有待提高。图1示出了根据本申请一些实施例的应用场景100的示意图。如图1所述，图像标注系统102可以通过一个或多个网络106与模型训练系统104通信。图像标注系统102可以对图像进行标注处理。图像标注系统102可以对图像中一类或多类目标对象进行标注。在此基础上，图像标注系统102可以向模型训练系统104提供经过标注的图像。模型训练系统104可以利用经过标注的图像训练目标检测模型。目标检测模型例如可以是深度神经网络模型等等，本申请对此不做限制。在一些实施例中，图像标注系统102和模型训练系统104均可以包括一个或多个计算设备(图1未示出)。这里，计算设备例如可以是笔记本电脑、台式计算机或者服务器等等，本申请对此不做限制。一个或多个网络106的示例包括局域网(LAN)和广域网(WAN)诸如互联网。可选地，本申请的实施例可以使用任意公知的网络协议来实现一个或多个网络106，包括各种有线或无线协议，诸如，以太网、通用串行总线(USB)、FIREWIRE、全球移动通讯系统(GSM)、增强数据GSM环境(EDGE)、码分多址(CDMA)、时分多址(TDMA)、蓝牙、WiFi、IP语音(VoIP)本文档来自技高网...

【技术保护点】
1.一种图像标注方法，其特征在于，所述方法包括：获取第一图像集合和第二图像集合，其中，所述第一图像集合中图像包含目标对象的标签，所述第二图像集合待对其包含的所述目标对象进行标注；根据所述标签，从所述第一图像集合的图像中提取一个或多个第一图像区域和一个或多个第二图像区域，其中，所述第一图像区域包含所述目标对象，所述第二图像区域未包含所述目标对象；将所述第一图像区域生成为正样本，其中，所述正样本包括所述目标对象的标签；对于任一个所述第二图像区域，为其添加标签而得到一个负样本，所述负样本的标签表示所述第二图像区域未包含所述目标对象；通过区域推荐方式，从所述第二图像集合提取候选图像区域；基于图的半监督学习方式，利用所述正样本的标签和所述负样本的标签确定所述候选图像区域的标签；以及根据所述候选图像区域的标签，确定所述第二图像集合的图像中所述目标对象对应的区域并添加与所述目标对象有关的标签。

【技术特征摘要】
1.一种图像标注方法，其特征在于，所述方法包括：获取第一图像集合和第二图像集合，其中，所述第一图像集合中图像包含目标对象的标签，所述第二图像集合待对其包含的所述目标对象进行标注；根据所述标签，从所述第一图像集合的图像中提取一个或多个第一图像区域和一个或多个第二图像区域，其中，所述第一图像区域包含所述目标对象，所述第二图像区域未包含所述目标对象；将所述第一图像区域生成为正样本，其中，所述正样本包括所述目标对象的标签；对于任一个所述第二图像区域，为其添加标签而得到一个负样本，所述负样本的标签表示所述第二图像区域未包含所述目标对象；通过区域推荐方式，从所述第二图像集合提取候选图像区域；基于图的半监督学习方式，利用所述正样本的标签和所述负样本的标签确定所述候选图像区域的标签；以及根据所述候选图像区域的标签，确定所述第二图像集合的图像中所述目标对象对应的区域并添加与所述目标对象有关的标签。2.如权利要求1所述的方法，其特征在于，所述根据所述标签，从所述第一图像集合的图像中提取一个或多个第一图像区域和一个或多个第二图像区域，包括：从所述第一图像集合的图像中提取与所述目标对象的标签对应的边界框内的区域，并将每个所述边界框内的区域作为一个所述第一图像区域；从所述第一图像集合的图像中提取所述边界框之外的子区域，并将所述边界框之外的每个子区域作为一个所述第二图像区域。3.如权利要求1所述的方法，其特征在于，所述通过区域推荐方式，从所述第二图像集合提取候选图像区域，包括：利用选择性搜索方式，确定所述第二图像集合中图像的所述候选图像区域。4.如权利要求3所述的方法，其特征在于，所述利用选择性搜索方式，确定所述第二图像集合中图像的所述候选图像区域，包括：对于所述第二图像集合中任一个图像，将该图像划分成多个区域，以得到包含所述多个区域的第一集合；确定所述第一集合中各对相邻的两个区域之间的相似度，而得到包含所述相似度的第二集合；迭代执行下述操作，直到所述第二集合为空：确定所述第二集合中最大值，将所述最大值对应的两个区域合并为一个新的区域，删除所述第二集合中与所述最大值对应的两个区域有关的相似度，计算所述新的区域与相邻区域的相似度，并将所述计算得到的所述相似度添加到所述第二集合中，将所述新的区域加入到所述第一集合中；从所述第一集合中挑选区域作为所述候选图像区域。5.如权利要求1所述的方法，其特征在于，所述基于图的半监督学习方式，利用所述正样本的标签和所述负样本的标签确定所述候选图像区域的标签，包括：基于所述正样本、所述负样本和所述候选图像区域，生成无向加权图，其中，所述无向加权图中任一个节点表示所述正样本、所述负样本和所述候选图像区域中一个区域，所述无向加权图中任意两个节点之间的权重表示这两个节点对应的区域之间的图像相似度；基于所述无向加权图，利用所述正样本的标签和所述负样本的标签，确定所述候选图像区域的标签。6.如权利要求5所述的方法，其特征在于，所述基于所述无向加权图，利用所述正样本的标签和所述负样本的标签，确定所述候选图像区域的标签，包括：为所述无向加权图中各个节点确定k个与这个节点相关联的节点，以使所述无向加权图中各对相关联的节点之间所述权重的累积和达到最大极值，其中，k为正整数；将所述无向加权图中各对相关联的节点连通，以生成所述无向加权图的连通子图，其中，各个所述连通子图中任意两个节点路径连通；在包含代表所述正样本的节点的连通子图中，为与该连通子图中节点对应的候选图像区域添加对应所述目标对象的第一标签；在包含代表所述负样本的节点的连通子图中，为与该连通子图中节点...

【专利技术属性】
技术研发人员：何长伟，汪铖杰，李季檩，熊意超，钮小光，彭瑾龙，吴永坚，黄飞跃，
申请(专利权)人：腾讯科技深圳有限公司，腾讯云计算北京有限责任公司，
类型：发明
国别省市：广东,44