基于弱标注数据进行跟踪的图像标注方法及系统技术方案

本公开公开了基于弱标注数据进行跟踪的图像标注方法及系统，包括：获取训练用的待跟踪的视频，在训练用的待跟踪视频的首帧图像中，人工标注待跟踪物体的位置；利用至少两种跟踪器对人工标注后的训练用的待跟踪视频进行跟踪，并将每一种跟踪器跟踪后得到的弱标注数据集进行整合，得到整合后的弱标注数据集；将整合后的弱标注数据集输入到深度学习模型中，对深度学习模型进行训练，得到训练好的深度学习模型；基于训练好的深度学习模型，对新的待跟踪视频进行跟踪，获得新的待跟踪视频的每一帧图像的图像标注结果；所述新的待跟踪视频的首帧图像，在输入到训练好的深度学习模型之前，由人工标注待跟踪物体的位置。

Image annotation method and system based on tracking weak annotation data

【技术实现步骤摘要】
基于弱标注数据进行跟踪的图像标注方法及系统
本公开涉及人工智能
，特别是涉及基于弱标注数据进行跟踪的图像标注方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。深度学习的成功应用依赖于大量的训练数据，我们希望这些数据都是被精确标注过的。但实际应用中的许多数据都受到标签噪声的影响。数据标注比数据收集更昂贵、更消耗资源，这在一定程度上限制了深度学习的发展。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：在标注过程中，错误是不可避免的:人为的解释错误、测量错误和主观偏见都是产生标签噪声的原因。许多大规模的数据集都是从网站上搜罗来的，这是产生噪音标签的另一个原因。此外，即使是高质量的数据集也会包含标签噪声，这通常是由于数据本身的模糊性造成的。在标注的过程中，由于训练集数量大，但是训练集带有标注的样本少，这样就出现了弱标注的现象，如果逐一对训练集全部的每一帧图像的目标物体均进行逐一人工标注，会提高人工标注的工作量，而且标注的过程繁琐，容易出错。因此，如本文档来自技高网...

【技术保护点】
1.基于弱标注数据进行跟踪的图像标注方法，其特征是，包括：/n获取训练用的待跟踪的视频，在训练用的待跟踪视频的首帧图像中，人工标注待跟踪物体的位置；/n利用至少两种跟踪器对人工标注后的训练用的待跟踪视频进行跟踪，并将每一种跟踪器跟踪后得到的弱标注数据集进行整合，得到整合后的弱标注数据集；/n将整合后的弱标注数据集输入到深度学习模型中，对深度学习模型进行训练，得到训练好的深度学习模型；/n基于训练好的深度学习模型，对新的待跟踪视频进行跟踪，获得新的待跟踪视频的每一帧图像的图像标注结果；所述新的待跟踪视频的首帧图像，在输入到训练好的深度学习模型之前，由人工标注待跟踪物体的位置。/n

【技术特征摘要】
1.基于弱标注数据进行跟踪的图像标注方法，其特征是，包括：
获取训练用的待跟踪的视频，在训练用的待跟踪视频的首帧图像中，人工标注待跟踪物体的位置；
利用至少两种跟踪器对人工标注后的训练用的待跟踪视频进行跟踪，并将每一种跟踪器跟踪后得到的弱标注数据集进行整合，得到整合后的弱标注数据集；
将整合后的弱标注数据集输入到深度学习模型中，对深度学习模型进行训练，得到训练好的深度学习模型；
基于训练好的深度学习模型，对新的待跟踪视频进行跟踪，获得新的待跟踪视频的每一帧图像的图像标注结果；所述新的待跟踪视频的首帧图像，在输入到训练好的深度学习模型之前，由人工标注待跟踪物体的位置。


2.如权利要求1所述的方法，其特征是，所述深度学习模型，包括：卷积神经网络或MDNet神经网络。


3.如权利要求1所述的方法，其特征是，利用至少两种跟踪器对人工标注后的训练用的待跟踪视频进行跟踪，并将每一种跟踪器跟踪后得到的弱标注数据集进行整合，得到整合后的弱标注数据集；具体步骤包括：
利用KCF跟踪器对人工标注后的训练用的待跟踪视频进行跟踪，获得第一弱标注数据集；同时，利用CSRT跟踪器对人工标注后的训练用的待跟踪视频进行跟踪，获得第二弱标注数据集；对第一弱标注数据集和第二弱标注数据集进行整合，得到第三弱标注数据集。


4.如权利要求1所述的方法，其特征是，所述步骤S1之后，所述步骤S2之前，还包括：
数据集扩充步骤：
将被标注物体的标注框向上、下、左和右四个方向均平移1/4个单位，这样训练集扩充为原来的4倍。


5.基于弱标注数据进行跟踪的图像标注系统，其特征是，包括：
预处理模块，其被配置为：获取训练用的待跟踪的视频，在训练用的待跟踪视频的...

【专利技术属性】
技术研发人员：杨阳，王雨晨，刘云霞，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37