基于人工智能的图像实例标注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，提供一种基于人工智能的图像实例标注方法及相关设备，通过调用预设实例分割模型识别目标图像中每个实例的信息量，从而从目标图像中获取高于预设信息量阈值的第一信息量、第一信息量对应的第一实例及除第一实例外的第二实例，进而通过人工标注第一实例的第一标签，人工标注的实例标签的准确度高，由于第二实例的信息量低，容易被模型识别和标注，则基于半监督学习方式伪标注第二实例的第二标签，标注效率高，基于所述第一标签和所述第二标签得到目标图像的实例标签。本发明专利技术可以应用于数字医疗领域，对医学图像中的实例进行标注。图像中的实例进行标注。图像中的实例进行标注。

【技术实现步骤摘要】
基于人工智能的图像实例标注方法及相关设备


[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能的图像实例标注方法、装置、电子设备及存储介质。

技术介绍

[0002]随着深度学习的不断发展，计算机视觉取得了越来越大的成功，而这要归功于大型训练数据集的支持。训练数据集是带有丰富标注信息的数据集，收集并标注这样的训练数据集通常需要庞大的人力成本。
[0003]与图像分类技术相比，图像实例分割难度系数更高，必须要大量具有标注的训练数据才能真正实现实例分割功能。但是，可获取的有标注样本数量相对于训练规模来说往往不足，或者获取样本的代价过高。在很多情况下，具备相关专业知识的标注人员(如医生)稀缺或难以抽出时间，或者标注人员的标注成本过高，再或者图像的标注或判断周期过长，这些问题都可能导致实例分割模型无法有效训练。
[0004]因此，如何能够得到大量的用于图像实例分割模型训练的样本成为了本领域技术人员的一个研究热点。

技术实现思路

[0005]鉴于以上内容，有必要提出一种基于人工智能的图像实例标注方法、装置、电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像实例标注方法，其特征在于，所述方法包括：调用预设实例分割模型识别目标图像中每个实例的信息量；从所述目标图像中获取高于预设信息量阈值的第一信息量及所述第一信息量对应的第一实例，所述目标图像中除所述第一实例外的实例为第二实例；通过人工标注所述目标图像中的所述第一实例的第一标签；基于半监督学习方式伪标注所述目标图像中的所述第二实例的第二标签；基于所述第一标签和所述第二标签得到所述目标图像的实例标签。2.如权利要求1所述的基于人工智能的图像实例标注方法，其特征在于，所述调用预设实例分割模型识别目标图像中每个实例的信息量包括：对所述目标图像进行第一扰动得到第一扰动图像，并对所述目标图像进行第二扰动得到第二扰动图像；调用所述预设实例分割模型识别所述目标图像中每个实例的第一类别标签、第一实例检测框及第一实例轮廓掩码；调用所述预设实例分割模型识别所述第一扰动图像中每个实例的第二类别标签、第二实例检测框及第二实例轮廓掩码；调用所述预设实例分割模型识别所述第二扰动图像中每个实例的第三类别标签、第三实例检测框及第三实例轮廓掩码；基于所述第一类别标签、所述第二类别标签及所述第三类别标签计算每个实例的类别标签得分；基于所述第一实例检测框、所述第二实例检测框及所述第三实例检测框计算每个实例的检测框得分；基于所述第一实例轮廓掩码、所述第二实例轮廓掩码及所述第三实例轮廓掩码计算每个实例的轮廓掩码得分；根据所述类别标签得分及对应的所述检测框得分、所述轮廓掩码得分计算对应的实例的信息量。3.如权利要求2所述的基于人工智能的图像实例标注方法，其特征在于，所述基于所述第一类别标签、所述第二类别标签及所述第三类别标签计算每个实例的类别标签得分包括：获取所述第一类别标签对应的第一预测概率、所述第二类别标签的第二预测概率及所述第三类别标签的第三预测概率；计算所述第一预测概率及对应的所述第二预测概率、所述第三预测概率的概率均值；将所述均值作为对应的实例的类别标签得分。4.如权利要求2所述的基于人工智能的图像实例标注方法，其特征在于，所述基于所述第一实例检测框、所述第二实例检测框及所述第三实例检测框计算每个实例的检测框得分包括：计算所述第一实例检测框与对应的所述第二实例检测框的第一交并比；计算所述第一实例检测框与对应的所述第三实例检测框的第二交并比；根据预设第一计算模型基...

【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：