面向机器学习的视觉群智感知数据贡献度评价方法及系统技术方案

本发明专利技术公开面向机器学习的视觉群智感知数据贡献度评价方法，包括如下步骤：获取视觉群智感知任务，并根据视觉群智感知任务建立任务模型；获取图像数据，并根据图像数据建立图像模型；基于任务模型和图像模型对输入的待检测图像集进行图像分类与识别；基于分类与识别的结果对待检测图像集进行评估，计算数据集质量总评分；根据数据集质量总评分进行数据贡献度评价，获得待检测图像集的贡献度评分。本发明专利技术能够合理的对感知数据的视觉质量以及用户贡献度进行评价，并且能够在保障数据质量的基础上激励用户贡献更多的图片，以满足机器学习场景对图片的质量与数量要求。

【技术实现步骤摘要】
面向机器学习的视觉群智感知数据贡献度评价方法及系统
本专利技术涉及机器学习
，尤其涉及面向机器学习的视觉群智感知数据贡献度评价方法及系统。
技术介绍
随着无线通信和传感器技术以及无线移动终端设备的爆炸式普及，市场上的手机和平板电脑等移动设备集成了越来越多的传感器，拥有越来越强大的计算和感知能力，群智感知作为一种新型的感知方式越来越广泛应用。大量的智能手机用户通过移动设备的传感器获取本地化的信息(如位置、上下文、噪声、交通等)，这些信息能够在云端进行聚合，以提供大规模的感知与社会智能挖掘。移动设备内置摄像头、声音、陀螺仪、加速度等传感器，能够完成数值、音频、图像、视频等不同类型的感知任务，在这些感知方式中，使用移动设备内置的摄像头进行感知的方式近年来越来越受到学术界与工业界的重视。郭斌教授于2017年提出了视觉群智感知的概念，视觉群智感知是移动群智感知的一种特殊形式，要求用户以图像或视频的方式获取现实世界中感兴趣目标的细节信息，由于图像与视频能够提供较为丰富的信息，因而受到了广泛关注，在城市感知、场景识别、救灾、环境检测等方面广泛应本文档来自技高网...

【技术保护点】
1.面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，包括如下步骤：/n发布视觉群智感知任务，并根据视觉群智感知任务建立任务模型；/n任务参与者提交图像数据，并根据图像数据建立图像模型；/n基于任务模型和图像模型将任务参与者提交的图像集数据通过图像分类模型自动识别图像特征，所述图像特征至少包括图像语义相似度、清晰度、重复度；/n基于图像分类模型识别的图像特征，对图像集数据进行评估，计算图像数据集质量总评分；/n根据图像集质量总评分进行数据贡献度评价，获得待检测图像集的贡献度评分。/n

【技术特征摘要】
1.面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，包括如下步骤：
发布视觉群智感知任务，并根据视觉群智感知任务建立任务模型；
任务参与者提交图像数据，并根据图像数据建立图像模型；
基于任务模型和图像模型将任务参与者提交的图像集数据通过图像分类模型自动识别图像特征，所述图像特征至少包括图像语义相似度、清晰度、重复度；
基于图像分类模型识别的图像特征，对图像集数据进行评估，计算图像数据集质量总评分；
根据图像集质量总评分进行数据贡献度评价，获得待检测图像集的贡献度评分。


2.根据权利要求1所述的面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，所述根据视觉群智感知任务建立任务模型，具体是通过一个七元组定义任务模型，所述七元组为：
task＝<tid,time,site_set,desc,cost,pic_num,vc_constrain_set>
其中，tid为任务标识符，time为任务的执行时间限制，site_set为执行任务的地点约束条件集合，desc为任务的说明信息，cost为任务发布方为该任务提供的最大奖励预算，pic_num为需要采集的图片或视频最小数量，vc_constrain_set是群智感知任务在视觉方面的约束属性，其中
vc_semantic为图像内容语义约束，为用于定义图像内容的一组标签及权值集合。


3.根据权利要求2所述的面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，所述图像内容语义约束可定义为：
vc_semantic＝{s1,s2,…,sm}
其中，m为图像中要求的语义标签数量，sm采用一个二元组来定义任务的语义标签及其权重，sm＝<Γm,wm>，Γm为第m个语义标签的标签序列，R为标签数量，一组标签序列中的标签之间为或关系，wm为第m个标签序列的权重。


4.根据权利要求1所述的面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，根据图像数据建立图像模型，具体是通过十元组定义图片模型，所述十元组为：
pic＝<pid,tid,wid,img,ts,loc,dir,light,lables,qlty>
其中，pid为图像标识符；tid为任务标识符；wid为参与人标识符；img为图像内容；ts为图像的时间戳；loc为图片的位置信息，为移动设备的GPS信息，包含经度及纬度；dir为图片拍摄时的方向信息，包含了移动设备的加速度传感器及陀螺仪传感器感知的数据；light为移动设备的光线传感器感知的数据；lables为图片内容的语义标签，反映了图片内容目标，基于深度学习分类器自动识别图像后生成；qlty用于描述图像的视觉质量。


5.根据权利要求1所述的面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，基于任务模型和图像模型对输入的待检测图像通过图像分类器自动识别图像特征，具体包括以下步骤：
采用卷积神经网络分别构建图像语义识别器、图像清晰度分类器和重复图像检测器；
通过图像语义识别器对待检测图像进行多标签语义特征识别；
通过图像清晰度分类器对待检测图像进行清晰度特征识别；
通过重复图像检测器对待检测图像的重复性特征进行自动检测，对原图复制、旋转、裁剪操作生成相似度较高的图像特征进行识别。


6.根据权利要求5所述的面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，所述重复图像检测器对待检测图像的重复性特征进行自动检测中采用ORB算法提取低阶特征，同时采用卷积神经网络提取高阶特征，低阶特征及高阶特征进行融合后计算出两个图像重复度。


7.根据权利要求1所述的面向机器学习的视觉群智感知数据贡献度评价方法，其特征在于，所述基于图像分类模型识别的图像特征，对图像集数据进行评估，计算图像数据集质量...

【专利技术属性】
技术研发人员：羊海潮，袁皓煜，郑超，吴晓阳，
申请(专利权)人：大理大学，
类型：发明
国别省市：云南;53