【技术实现步骤摘要】
一种图像标注方法、分类模型的训练方法、计算机设备
[0001]本申请涉及图像处理
，特别是涉及一种图像标注方法、分类模型的训练方法、计算机设备。
技术介绍
[0002]随着人工智能技术的飞速发展和逐步成熟，深度学习等人工智能技术在图像处理
的应用越来越广泛，例如，深度学习技术在图像分类任务上的应用中，通过卷积神经网络(CNN)模型实现图像分类任务，虽然CNN模型通过提取图像特征以解决图像分类任务，但是CNN模型的训练依赖于大量的训练数据，训练数据的数量和训练数据的标注质量，对训练得到的CNN模型的效果具有较大的影响。
[0003]现有技术中，在检测工业图像缺陷的过程中，会不断有新增数据产生，为了提高根据原始数据训练得到的CNN模型的精度和准确率，需要用这些新增数据再次训练根据原始数据训练得到的CNN模型。再训练时，这些新增数据都需要进行标注，新增数据的数量较多，且新增数据的标注质量有好有差，需要反复调整标注，以改善标注质量，因此，标注效率较低，从而造成CNN模型的再训练效率大大降低。
[0004]...
【技术保护点】
【技术特征摘要】
1.一种图像标注方法，其特征在于，所述图像标注方法包括：获取待标注图像以及已标注图像；其中，所述已标注图像包括目标标签；确定所述待标注图像对应的待标注图像特征参数，以及所述已标注图像对应的已标注图像特征参数；其中，所述已标注图像特征参数包括所述目标标签；根据所述待标注图像特征参数以及所述已标注图像特征参数，确定所述待标注图像对应的标签。2.根据权利要求1所述的图像标注方法，其特征在于，所述确定所述待标注图像对应的待标注图像特征参数，以及所述已标注图像对应的已标注图像特征参数，包括：将所述待标注图像和所述已标注图像输入预训练模型的卷积模块，得到所述待标注图像对应的第一图像特征参数，以及，所述已标注图像对应的第一图像特征参数，其中，所述已标注图像对应的第一图像特征参数可反映所述目标标签；将所述待标注图像对应的第一图像特征参数作为所述待标注图像对应的待标注图像特征参数；将所述已标注图像对应的第一图像特征参数作为所述已标注图像对应的已标注图像特征参数；其中，所述待标注图像对应的第一图像特征参数以及所述已标注图像对应的第一图像特征参数均为若干维度的特征向量。3.根据权利要求1所述的图像标注方法，其特征在于，所述确定所述待标注图像对应的待标注图像特征参数，以及所述已标注图像对应的已标注图像特征参数，包括：将所述待标注图像和所述已标注图像输入预训练模型的卷积模块，得到所述待标注图像对应的第一图像特征参数以及所述已标注图像对应的第一图像特征参数；将所述待标注图像对应的第一图像特征参数以及所述已标注图像对应的第一图像特征参数，输入所述预训练模型的全连接模块，得到所述待标注图像对应的第二图像特征参数以及所述已标注图像对应的第二图像特征参数，所述已标注图像对应的第二图像特征参数可反映所述目标标签；其中，所述第二图像特征参数的维度低于所述第一图像特征参数的维度；将所述待标注图像对应的第二图像特征参数作为所述待标注图像对应的待标注图像特征参数；将所述已标注图像对应的第二图像特征参数作为所述已标注图像对应的已标注图像特征参数。4.根据权利要求2或3所述的图像标注方法，其特征在于，所述预训练模型是基于所述已标注图像训练得到的。5.根据权利要求1所述的图像标注方法，其特征在于，所述已标注图像特征参数有多个；所述根据所述待标注图像特征参数以及所述已标注图像特征参数，确定所述待标注图像对应的标签，包括：根据所述待标注图像特征参数以及多个所述已标注图像特征参数，确定所述待标注图像特征参数对应的目标图像特征参数；其中，所述目标图像特征参数为多个所述已标注图像特征参数中的一个，且所述目标图像特征参数包括所述目标标签；将所述目标标签作为所述待标注图像对应的标签。
6.根据权利要求5所述的图像标注方法，其特征在于，多个所述已标注图像特征参数各自分别对应的标签有若干个；所述根据所述待标注图像特征参数以及多个所述已标注图像特征参数，确定所述待标注图像特征参数对应的目标图像特征参数，包括：针对每一个标签，根据该标签对应的已标注图像特征参数，确定该标签对应的若干个中心图像特征参数；其中，所述中心图像特征参数为已标注图像特征参数中的一个；根据所有所述中心图像特征参数以及所述待标注图像特征参数，确定所述待标注图像特征参数对应的目标图像特征参数；其中，所述目标图像特征参数为所有所述中心图像特征参数中的一个。7.根据权利要求6所述的图像标注...
【专利技术属性】
技术研发人员：俞大海，李嘉豪，
申请(专利权)人：TCL科技集团股份有限公司，
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。