图像样本选择方法及相关设备技术

本发明专利技术涉及人工智能技术领域，提供一种图像样本选择方法及相关设备。所述图像样本选择方法用多个第一图像样本训练实例分割模型；用多个第三图像样本训练得分预测模型；基于得分预测模型计算多个第二图像样本的信息量得分；计算多个第二图像样本的特征向量；根据多个第二图像样本的特征向量对多个第二图像样本进行聚类，得到多个第二图像样本的多个样本簇；根据多个第二图像样本的信息量得分和多个样本簇从多个第二图像样本中选取多个目标图像样本。本发明专利技术从待标注图像样本中选择目标图像样本，提升样本选择的准确性。

Image sample selection method and related equipment

【技术实现步骤摘要】
图像样本选择方法及相关设备
本专利技术涉及人工智能
，具体涉及一种图像样本选择方法、装置、计算机设备及计算机可读存储介质。
技术介绍
在人工智能
中，经常需要从图像中识别实例。例如，从教学图像中识别出老师、学生、书桌等。再如，从医疗图像中识别出病灶(病变区域)。可以使用标注后的图像样本训练实例分割模型，通过训练后的实例分割模型识别图像中的实例。图像样本的标识需要由专业人员进行。然而，如果选取的图像样本不适合，即使标注人员很有经验，实例分割模型的训练效果也会不好。如何准确选取训练效果好的图像样本供专业人员进行标注，成为待解决的问题。
技术实现思路
鉴于以上内容，有必要提出一种图像样本选择方法、装置、计算机设备及计算机可读存储介质，其可以从待标注图像样本中选择目标图像样本。本申请的第一方面提供一种图像样本选择方法，所述图像样本选择方法包括：获取实例标注后的多个第一图像样本、待实例标注的多个第二图像样本和得分标注后的多个第三图像样本；构建实例分割模型，所述实例分割模型包括第一FP本文档来自技高网...

【技术保护点】
1.一种图像样本选择方法，其特征在于，所述图像样本选择方法包括：/n获取实例标注后的多个第一图像样本、待实例标注的多个第二图像样本和得分标注后的多个第三图像样本；/n构建实例分割模型，所述实例分割模型包括第一FPN主干网络、第一区域生成网络和三分支网络；/n用所述多个第一图像样本训练所述实例分割模型；/n构建得分预测模型，所述得分预测模型包括与所述第一FPN主干网络共享参数和网络结构的第二FPN主干网络、与所述第一区域生成网络共享参数和网络结构的第二区域生成网络、得分预测网络；/n用所述多个第三图像样本训练所述得分预测模型；/n基于所述得分预测模型计算所述多个第二图像样本的信息量得分；/n计算...

【技术特征摘要】
1.一种图像样本选择方法，其特征在于，所述图像样本选择方法包括：
获取实例标注后的多个第一图像样本、待实例标注的多个第二图像样本和得分标注后的多个第三图像样本；
构建实例分割模型，所述实例分割模型包括第一FPN主干网络、第一区域生成网络和三分支网络；
用所述多个第一图像样本训练所述实例分割模型；
构建得分预测模型，所述得分预测模型包括与所述第一FPN主干网络共享参数和网络结构的第二FPN主干网络、与所述第一区域生成网络共享参数和网络结构的第二区域生成网络、得分预测网络；
用所述多个第三图像样本训练所述得分预测模型；
基于所述得分预测模型计算所述多个第二图像样本的信息量得分；
计算所述多个第二图像样本的特征向量；
根据所述多个第二图像样本的特征向量对所述多个第二图像样本进行聚类，得到所述多个第二图像样本的多个样本簇；
根据所述多个第二图像样本的信息量得分和多个样本簇从所述多个第二图像样本中选取多个目标图像样本。


2.如权利要求1所述的图像样本选择方法，其特征在于，所述用所述多个第一图像样本训练所述实例分割模型包括：
对于所述多个第一图像样本中的每个第一图像样本，将所述第一图像样本输入所述第一FPN主干网络，通过所述第一FPN主干网络计算所述第一图像样本的特征表示；
将所述第一图像样本的特征表示输入所述第一区域生成网络，通过所述第一区域生成网络生成所述第一图像样本的感兴趣区域；
将所述第一图像样本的感兴趣区域输入所述三分支网络，通过所述三分支网络对所述第一图像样本的感兴趣区域进行实例分割，得到第一图像样本的实例类型、实例框和实例掩膜；
基于反向传播算法根据所述第一图像样本的实例类型与标注类型、所述第一图像样本的实例框与标注框、所述第一图像样本的实例掩膜与标注掩膜的差值对所述实例分割模型的参数进行优化。


3.如权利要求2所述的图像样本选择方法，其特征在于，所述通过所述第一FPN主干网络计算所述第一图像样本的特征表示包括：
基于所述第一FPN主干网络的自下至上子网络计算所述第一图像样本的中间特征表示，依计算先后顺序，所述第一图像样本的中间特征表示包括第一子中间特征、第二子中间特征、第三子中间特征、第四子中间特征；
基于所述第一FPN主干网络的自上至下子网络，对所述第四子中间特征进行降维计算，得到第四子特征；
根据所述第三子中间特征的尺寸对所述第四子特征进行上采样计算，对所述第三子中间特征和上采样后的第四子特征进行单位加计算，得到第三子特征；
根据所述第二子中间特征的尺寸对所述第三子特征进行上采样计算，对所述第二子中间特征和上采样后的第三子特征进行单位加计算，得到第二子特征；
根据所述第一子中间特征的尺寸对所述第二子特征进行上采样计算，对所述第一子中间特征和上采样后的第二子特征进行单位加计算，得到第一子特征，组合所述第四子特征、所述第三子特征、所述第二子特征、所述第一子特征，得到所述第一图像样本的特征表示。


4.如权利要求2所述的图像样本选择方法，其特征在于，所述三分支网络包括第一RCNN分支、第二RCNN分支和掩膜分支，所述通过所述三分支网络对所述第一图像样本的感兴趣区域进行实例分割包括：
通过所述第一RCNN分支对所述第一图像样本的感兴趣区域进行编码计算，得到所述实例类型；
通过所述第二RCNN分支对所述第一图像样本的感兴趣区域进行编码计算，得到所述实例框，所述第一RCNN分支与所述第二RCNN分支具有同一个RCNN结构；
通过所述掩膜分支对所述第一图像样本的感兴趣区域进行编码计算，得到所述...

【专利技术属性】
技术研发人员：王俊，高鹏，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44