一种基于深度学习的图像语义分割标注方法技术

本申请公开了一种基于深度学习的图像语义分割标注方法，包括获取待标注图像；将所述待标注图像输入初始语义分割网络，获得初始数据集以及所述初始数据集中的每个数据的评估分数；根据所述评估分数，对所述初始数据集的数据进行筛选，得到初筛数据集；根据所述初筛数据集中的每个数据，得到每个数据的信息熵；根据所述信息熵，得到所述待标注图像的目标标注区域。并针对于分割后的结果进行筛选，从而可以得到相对于原始的待标注图像更小的图像，人工标注时可以从更小的图像数据中选择出目标标注区域，提高了人工标注得到神经网络的训练样本集的效率，还增加了标注的准确率，节省了时间成本和人工成本。了时间成本和人工成本。了时间成本和人工成本。

【技术实现步骤摘要】
一种基于深度学习的图像语义分割标注方法


[0001]本申请涉及图像处理
，具体涉及一种基于深度学习的图像语义分割标注方法及相关装置。

技术介绍

[0002]深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
[0003]随着深度学习的发展，对于一些针对于图像的神经网络的训练样本集，通常需要人工标注标签，再将标注标签后的训练样本集输入至神经网络对其进行训练，而这一过程对于人力成本和时间成本的花费是巨大的，因此需要提高制作神经网络的训练样本集的效率。

技术实现思路

[0004]本申请针对现有的问题，提出了一种基于深度学习的图像语义分割标注方法及相关装置，具体技术方案如下：
[0005]在本申请的第一方面，提供一种基于深度学习的图像语义分割标注方法，所述方法包括：
[0006]获取待标注图像；
[0007]将所述待标注图像输入初始语义分割网络，获得初始数据集以及所述初始数据集中的每个数据的评估分数，所述初始语义分割网络是待训练的初始语义分割网络；
[0008]根据所述评估分数，对所述初始数据集的数据进行筛选，得到初筛数据集；
[0009]根据所述初筛数据集中的每个数据，得到每个数据的信息熵；
[0010]根据所述信息熵，得到所述待标注图像的目标标注区域。
[0011]可选地，根据所述信息熵，得到所述待标注图像的目标标注区域的步骤，包括：
[0012]根据所述信息熵，从所述初筛数据集中进行二次筛选，得到所述待标注图像的候选区域图像；
[0013]将所述候选区域图像输入至所述初始语义分割网络，得到粗粒度区域图像；
[0014]根据所述粗粒度区域图像，得到所述目标标注区域。
[0015]可选地，根据所述粗粒度区域图像，得到所述目标标注区域的步骤，包括：
[0016]对所述粗粒度区域图像进行优化更新，得到目标标注区域。
[0017]可选地，根据所述评估分数，对所述初始数据集的数据进行筛选，得到初筛数据集的步骤，包括：
[0018]根据所述评估分数，对所述初始数据集中的数据进行排序，得到待筛选数据序列；
[0019]根据所述待筛选数据序列中的排名靠前的多个数据，得到所述初筛数据集。
[0020]可选地，所述初始语义分割网络采用DeepLabV3网络模型。
[0021]可选地，根据所述信息熵，得到所述待标注图像的目标标注区域的步骤之后，所述方法包括：
[0022]获取带有标签的训练样本集；
[0023]将所述训练样本集输入至所述初始语义分割网络，对所述初始语义分割网络进行迭代训练，得到训练后的初始语义分割网络。
[0024]可选地，所述迭代训练的停止条件为迭代训练的迭代次数达到预设阈值或者所述初始语义分割网络的损失函数收敛。
[0025]在本申请的第二方面，提供一种基于深度学习的图像语义分割标注装置，所述装置包括：
[0026]获取模块，用于获取待标注图像；
[0027]第一获得模块，用于将所述待标注图像输入初始语义分割网络，获得初始数据集以及所述初始数据集中的每个数据的评估分数，所述初始语义分割网络是待训练的初始语义分割网络；
[0028]第二获得模块，用于根据所述评估分数，对所述初始数据集的数据进行筛选，得到初筛数据集；
[0029]第三获得模块，用于根据所述初筛数据集中的每个数据，得到每个数据的信息熵；
[0030]第四获得模块，用于根据所述信息熵，得到所述待标注图像的目标标注区域。
[0031]在本申请的第三方面，提供一种电子设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上述第一方面所述的方法。
[0032]在本申请的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现上述第一方面所述的方法。
[0033]本申请具有以下有益效果：
[0034]本申请的实施例通过将待标注图像输入初始语义分割网络中，以划分得到初始数据集及初始数据集中的每个数据所对应的评估分数，根据评估分数对初始数据集进行筛选得到初筛数据集，并根据初筛数据集中的每个数据的信息熵得到目标标注区域。相比于现有技术中采用人工标注的方式对待标注图像进行标注，通过将待标注图像投入初始语义分割网络进行分割，并针对于分割后的结果进行筛选，从而可以得到相对于原始的待标注图像更小的图像，人工标注时可以从更小的图像数据中选择出目标标注区域，提高了人工标注得到神经网络的训练样本集的效率，还增加了标注的准确率，节省了时间成本和人工成本。
附图说明
[0035]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0036]图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图；
[0037]图2为根据一示例性实施例示出的一种基于深度学习的图像语义分割标注方法的流程图；
[0038]图3为根据一示例性实施例示出的一种基于深度学习的图像语义分割标注装置的框图。
具体实施方式
[0039]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0040]相关技术中，语义分割任务就是深度学习视觉领域的一大重要方向。语义分割任务在自动驾驶、医学影像以及场景理解等任务上起着很重要的作用。通过语义分割可以在目前的图像和视频上展现出对任务相关的目标位置和形状信息，相比于目标检测任务，语义分割的信息细节更加丰富，因此也让视觉任务能够更好地理解整个场景。
[0041]基于深度学习的语义分割技术都是依靠大量数据才能达到较好的泛化性，从而在其他没有标签的RGB图像上进行高精度的分割任务。在真实的数据分析场景中，我们可以通过相机或者摄像机获得很多我们需要的RGB图像，但是这些数据都是未标注的数据，不能为神经网络提供一个有利的监督学习，因此不能直接为其所用。虽然尝试通过人工标注就可以使得该数据成为网络的训练集，但是语义分割任务是基于像素层面的分类任务，通过人来标注会消耗大量的人力和时间，制作这样的数据集所消耗的金钱和时间成本是巨大的。
[0042]主动式学习可以主动地提出一些标注请求，将一些经过筛选的数据提交给专家(标注者)进行标注，通过这样的筛选操作可以很大程度上减少人工标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像语义分割标注方法，其特征在于，所述方法包括：获取待标注图像；将所述待标注图像输入初始语义分割网络，获得初始数据集以及所述初始数据集中的每个数据的评估分数，所述初始语义分割网络是待训练的初始语义分割网络；根据所述评估分数，对所述初始数据集的数据进行筛选，得到初筛数据集；根据所述初筛数据集中的每个数据，得到每个数据的信息熵；根据所述信息熵，得到所述待标注图像的目标标注区域。2.根据权利要求1所述的方法，其特征在于，根据所述信息熵，得到所述待标注图像的目标标注区域的步骤，包括：根据所述信息熵，从所述初筛数据集中进行二次筛选，得到所述待标注图像的候选区域图像；将所述候选区域图像输入至所述初始语义分割网络，得到粗粒度区域图像；根据所述粗粒度区域图像，得到所述目标标注区域。3.根据权利要求2所述的方法，其特征在于，根据所述粗粒度区域图像，得到所述目标标注区域的步骤，包括：对所述粗粒度区域图像进行优化更新，得到目标标注区域。4.根据权利要求1所述的方法，其特征在于，根据所述评估分数，对所述初始数据集的数据进行筛选，得到初筛数据集的步骤，包括：根据所述评估分数，对所述初始数据集中的数据进行排序，得到待筛选数据序列；根据所述待筛选数据序列中的排名靠前的多个数据，得到所述初筛数据集。5.根据权利要求4所述的方法，其特征在于，所述初始语义分割网络采用DeepLabV3网络模型。6.根据权利要求1或2所述的方法...

【专利技术属性】
技术研发人员：朱锦程，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：