【技术实现步骤摘要】
标注图片的方法、电子终端、计算机可读存储介质及设备
[0001]本申请涉及图片处理
，尤其涉及标注图片的方法、电子终端、计算机可读存储介质及设备。
技术介绍
[0002]在一些图像处理任务中，往往需要对海量的图片进行标注。目前对图片进行标注的方式一种是人工标注，另一种的机器自动化标注。针对人工标注而言，人工标注需要耗费大量的人力资源，且当需要标注的图片的数量巨大时，采用人工标注的方式，标注效率低下；针对机器自动化标注而言，目前一般是直接对待标注的图片进行聚类
[0003]自动标注，这种方式提高了标注效率，但是忽视了标注精度，导致标注结果的准确度不高。即现有技术中的对图片进行标注的方式无法同时达到高效率以及高精度的效果。
[0004]申请内容
[0005]本申请提供了一种标注图片的方法、电子终端、计算机可读存储介质及设备，以解决或者部分解决现有技术中的对图片进行标注的方式无法兼备高效率以及高精度的技术问题。
[0006]为解决上述技术问题，本申请提供了一种标注图片的方法，所述方法包括：
【技术保护点】
【技术特征摘要】
1.一种标注图片的方法，其特征在于，所述方法包括：通过G张已标注图片对第一深度学习模型进行训练，得到第二深度学习模型，其中G为大于或等于2的正整数；将S张未标注图片输入所述第二深度学习模型，得到所述第二深度学习模型输出的所述S张未标注图片的置信度，其中S为大于或等于2的正整数；将所述S张未标注图片中置信度大于或等于第一阈值的M张未标注图片放入第一图片组，并获取所述第二深度学习模型的全连接层输出的所述M张未标注图片的特征值，其中，M为小于或等于S的正整数；基于所述M张未标注图片的特征值，对所述第一图片组中的所述M张未标注图片进行聚类，以供将所述M张未标注图片分为K个类别，其中K为大于或等于2的正整数；获取每个类别的标注信息，并根据所述每个类别的标注信息对每个类别包含的未标注图片进行标注，得到M张新的已标注图片。2.如权利要求1所述的方法，其特征在于，在所述将S张未标注图片输入所述第二深度学习模型，得到所述第二深度学习模型输出的所述S张未标注图片的置信度，其中S为大于或等于2的正整数之后，还包括：将所述S张未标注图片中置信度小于所述第一阈值的Q张未标注图片放入第二图片组，其中，Q＝S-M。3.如权利要求2所述的方法，其特征在于，在所述获取每个类别的标注信息，并根据所述每个类别的标注信息对每个类别包含的未标注图片进行标注，得到M张新的已标注图片之后，还包括：当所述Q大于或等于第二阈值时，通过当前所有的已标注图片对所述第二深度学习模型进行训练，得到第三深度学习模型；将所述Q张未标注图片作为所述S张未标注图片，将所述第三深度学习模型作为所述第二深度学习模型，并执行上述将S张未标注图片输入所述第二深度学习模型，得到所述第二深度学习模型输出的所述S张未标注图片的置信度的步骤，直至检测到所述第二图片组中的未标注图片数量小于所述第二阈值。4.如权利要求1所述的方法，其特征在于，所述基于所述M张未标注图片的特征值，对所述第一图片组中的所述M张未标注图片进行聚类，以供将所述M张未标注图片分为K个类别，其中K为大于或等于2的正整数包括：对所述M张未标注图片的特征值进行归一化处理，得到所述M张未标注图片的新特征值；基于所述M张未标注图片的新特征值，通过K-means算法对所述M张未标注图片进行聚类，将所述M张未标注图片分为K个类别，其中K为大于或等于2的正整数。5.如权利要求4所述的方法，其特征在于，所述特征值包括各个维度上的特征值，所述对所述M张未标注图片的特征值进行归一化处理，得到所述M张未标注图片的新特征值包括：通过归一化公式对M张未标注图片中的每张未标注图片的各个维度上的特征值进行归一化处理，得到M张未标注图片各个维度上的新特征值，其中归一化处理的方式为：
其...
【专利技术属性】
技术研发人员：吕志高，
申请(专利权)人：武汉斗鱼鱼乐网络科技有限公司，
类型：发明
国别省市：
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。