图像数据筛选方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像数据筛选方法、装置、计算机设备和存储介质。所述方法包括：获取训练图像以及训练图像对应的标注结果；将训练图像输入与训练图像对应的视觉感知神经网络，通过视觉感知神经网络对训练图像进行视觉感知任务检测，得到检测结果；根据检测结果和标注结果对训练图像进行图像数据评分，得到第一评分值；利用训练图像以及训练图像对应的第一评分值对预设的深度神经网络进行训练，将训练好的深度神经网络作为数据评分网络；当获取到待筛选图像时，将待筛选图像输入数据评分网络，通过数据评分网络对待筛选图像进行图像数据评分，得到第二评分值；根据第二评分值对待筛选图像进行筛选。采用本方法能够提高效率。

Image data filtering method, device, computer equipment and storage medium

【技术实现步骤摘要】
图像数据筛选方法、装置、计算机设备和存储介质
本申请涉及图像处理
，特别是涉及一种图像数据筛选方法、装置、计算机设备和存储介质。
技术介绍
近几年，随着深度学习技术的快速发展，使得计算机视觉领域的很多传统任务的精度能够得到大幅度的提升。加之摄像头价格的低廉以及其能够弥补一些其他传感器无法完成的工作的综合优势，让基于视觉的感知算法得到了广泛的研究和应用，尤其是在自动驾驶和辅助驾驶领域实现了真正落地使用。然而，众所周知，有价值的图像数据对于深度学习算法的训练和迭代更新至关重要。因此，如何高效准确筛选出图像数据成为了目前研究的热点。为了从海量数据中挖掘筛选得到能够进一步完善算法的数据，传统方法通常都是对这些数据进行清洗和筛选。而最常用以及最简单的做法就是通过人工的方式进行，但是由于数据量太大，人工筛选大大降低了筛选的效率。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高效率的图像数据筛选方法、装置、计算机设备和存储介质。一种图像数据筛选方法，所述方法包括：获取训练图像以及所述训练图像对应的标注结果；将所述训练图像输入与所述训练图像对应的视觉感知神经网络，通过所述视觉感知神经网络对所述训练图像进行视觉感知任务检测，得到检测结果；根据所述检测结果和所述标注结果对所述训练图像进行图像数据评分，得到第一评分值；利用所述训练图像以及所述训练图像对应的第一评分值对预设的深度神经网络进行训练，将训练好的深度神经网络作为数据评分网络；当获取到待筛选图像时，将所述待筛选图像输入所述数据评分网络，通过所述数据评分网络对所述待筛选图像进行图像数据评分，得到第二评分值；根据所述第二评分值对所述待筛选图像进行筛选。在其中一个实施例中，所述方法还包括：当从所述待筛选图像中筛选确定存在类别标签为困难样本的待筛选图像时，利用所述类别标签为困难样本的所述待筛选图像对所述视觉感知神经网络进行迭代训练。在其中一个实施例中，所述根据所述检测结果和所述标注结果对所述训练图像进行图像数据评分，得到第一评分值，包括：根据所述检测结果和所述标注结果确定真阳性数据、假阳性数据以及假阴性数据；基于所述真阳性数据、假阳性数据以及假阴性数据计算所述检测结果和所述标注结果的重叠度，得到第一评分值。在其中一个实施例中，所述将所述待筛选图像输入所述数据评分网络，通过所述数据评分网络对所述待筛选图像进行图像数据评分，得到第二评分值，包括：将所述待筛选图像输入所述数据评分网络的主干网络，通过所述主干网络提取得到所述待筛选图像的图像特征；将所述待筛选图像的图像特征输入所述数据评分网络的数据评分分支网络，通过所述数据评分分支网络对所述待筛选图像的图像特征进行全局池化和回归，输出第二评分值。在其中一个实施例中，所述视觉感知神经网络包括视觉感知主干网络和至少一个视觉感知任务分支网络；所述将所述训练图像输入与所述训练图像对应的视觉感知神经网络，通过所述视觉感知神经网络对所述训练图像进行视觉感知任务检测，得到检测结果，包括：将所述训练图像输入所述视觉感知主干网络，通过所述视觉感知主干网络提取得到所述训练图像的图像特征；将所述训练图像的图像特征输入与所述训练图像的类型对应的所述视觉感知任务分支网络，通过对应的所述视觉感知任务分支网络根据所述训练图像的图像特征进行视觉感知任务检测，得到检测结果。在其中一个实施例中，所述将所述训练图像的图像特征输入与所述训练图像的类型对应的所述视觉感知任务分支网络，通过对应的所述视觉感知任务分支网络根据所述训练图像的图像特征进行视觉感知任务检测，得到检测结果，包括：当所述训练图像的类型为车道线图像时，将所述训练图像的图像特征输入所述车道线语义分割网络，通过所述车道线语义分割网络基于所述训练图像的图像特征进行车道线检测，得到二进制车道线图像；将所述训练图像的图像特征输入所述车道线实例分割网络，通过所述车道线实例分割网络基于所述训练图像的图像特征进行车道线实例分割，得到车道线实例聚类图像；融合所述二进制车道线图像和所述车道线实例聚类图像，得到检测结果。在其中一个实施例中，所述根据所述第二评分值对所述待筛选图像进行筛选，包括：获取预设的评分阈值；将所述待筛选图像对应的所述第二评分值与所述评分阈值进行比较，确定所述待筛选图像的类别标签。一种图像数据筛选装置，所述装置包括：获取模块，用于获取训练图像以及所述训练图像对应的标注结果；检测模块，用于将所述训练图像输入与所述训练图像对应的视觉感知神经网络，通过所述视觉感知神经网络对所述训练图像进行视觉感知任务检测，得到检测结果；评分计算模块，用于根据所述检测结果和所述标注结果对所述训练图像进行图像数据评分，得到第一评分值；训练模块，用于利用所述训练图像以及所述训练图像对应的第一评分值对预设的深度神经网络进行训练，将训练好的深度神经网络作为数据评分网络；网络评分模块，用于当获取到待筛选图像时，将所述待筛选图像输入所述数据评分网络，通过所述数据评分网络对所述待筛选图像进行图像数据评分，得到第二评分值；筛选模块，用于根据所述第二评分值对所述待筛选图像进行筛选。在其中一个实施例中，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述图像数据筛选方法的步骤。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上述任一项所述图像数据筛选方法的步骤。上述图像数据筛选方法、装置、计算机设备和存储介质，在获取到训练图像以及对应的标注结果之后，通过对应的视觉感知任务对训练图像进行视觉感知任务检测，进而根据检测得到的检测结果以及标注结果对训练图像进行评价得到对应的评分值。然后，基于训练图像和评分值对深度神经网络进行训练得到数据评分网络，后续直接利用数据评分网络对大量需要筛选的新图像数据进行筛选。该方法利用训练得到的数据评分网络可以在没有任何关于新图像参考信息的条件下，完成对新图像数据的评价任务，相比传统的人工直接筛选或人工标注部分信息的方式，能够显著提高筛选效率。附图说明图1为一个实施例中图像数据筛选方法的应用环境图；图2为一个实施例中图像数据筛选方法的流程示意图；图3为一个实施例中数据评分网络中间层可视化结果示意图；图4为一个实施例中数据评分网络输出示意图；图5为一个实施例中闭环神经网络迭代更新方法的流程示意图；图6为一个实施例中数据评分网络结构的结构示意图；图7为一个实施例中视觉感知神经网络结构的结构示意图；图8为一个实施例中图像数据筛选装置的结构框图；图9为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合本文档来自技高网...

【技术保护点】
1.一种图像数据筛选方法，所述方法包括：/n获取训练图像以及所述训练图像对应的标注结果；/n将所述训练图像输入与所述训练图像对应的视觉感知神经网络，通过所述视觉感知神经网络对所述训练图像进行视觉感知任务检测，得到检测结果；/n根据所述检测结果和所述标注结果对所述训练图像进行图像数据评分，得到第一评分值；/n利用所述训练图像以及所述训练图像对应的第一评分值对预设的深度神经网络进行训练，将训练好的深度神经网络作为数据评分网络；/n当获取到待筛选图像时，将所述待筛选图像输入所述数据评分网络，通过所述数据评分网络对所述待筛选图像进行图像数据评分，得到第二评分值；/n根据所述第二评分值对所述待筛选图像进行筛选。/n

【技术特征摘要】
1.一种图像数据筛选方法，所述方法包括：
获取训练图像以及所述训练图像对应的标注结果；
将所述训练图像输入与所述训练图像对应的视觉感知神经网络，通过所述视觉感知神经网络对所述训练图像进行视觉感知任务检测，得到检测结果；
根据所述检测结果和所述标注结果对所述训练图像进行图像数据评分，得到第一评分值；
利用所述训练图像以及所述训练图像对应的第一评分值对预设的深度神经网络进行训练，将训练好的深度神经网络作为数据评分网络；
当获取到待筛选图像时，将所述待筛选图像输入所述数据评分网络，通过所述数据评分网络对所述待筛选图像进行图像数据评分，得到第二评分值；
根据所述第二评分值对所述待筛选图像进行筛选。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当从所述待筛选图像中筛选确定存在类别标签为困难样本的待筛选图像时，利用所述类别标签为困难样本的所述待筛选图像对所述视觉感知神经网络进行迭代训练。


3.根据权利要求1所述的方法，其特征在于，所述根据所述检测结果和所述标注结果对所述训练图像进行图像数据评分，得到第一评分值，包括：
根据所述检测结果和所述标注结果确定真阳性数据、假阳性数据以及假阴性数据；
基于所述真阳性数据、假阳性数据以及假阴性数据计算所述检测结果和所述标注结果的重叠度，得到第一评分值。


4.根据权利要求1所述的方法，其特征在于，所述将所述待筛选图像输入所述数据评分网络，通过所述数据评分网络对所述待筛选图像进行图像数据评分，得到第二评分值，包括：
将所述待筛选图像输入所述数据评分网络的主干网络，通过所述主干网络提取得到所述待筛选图像的图像特征；
将所述待筛选图像的图像特征输入所述数据评分网络的数据评分分支网络，通过所述数据评分分支网络对所述待筛选图像的图像特征进行全局池化和回归，输出第二评分值。


5.根据权利要求1所述的方法，其特征在于，所述视觉感知神经网络包括视觉感知主干网络和至少一个视觉感知任务分支网络；
所述将所述训练图像输入与所述训练图像对应的视觉感知神经网络，通过所述视觉感知神经网络对所述训练图像进行视觉感知任务检测，得到检测结果，包括：
将所述训练图像输入所述视觉感知主干网络，通过所述视觉感知主干网络提取得到所述训练图像的图像特征；
将所述训练图像的图像特征输入与所述训练图像的类型对应的所述视觉感...

【专利技术属性】
技术研发人员：李宇明，刘国清，郑伟，杨广，
申请(专利权)人：深圳佑驾创新科技有限公司，
类型：发明
国别省市：广东;44