一种基于深度学习的语义分割图像数据自动打标签方法技术

本发明专利技术公开了一种基于深度学习的语义分割图像数据自动打标签方法。采用多尺度语义分割标签文件生成网络生成大量的语义分割标签文件和每个标签文件的质量得分，然后通过得分筛选出高质量的语义分割标签文件，最后使用标签文件轻量化算法使得数据集更轻，实现语义分割图像数据自动打标签。本发明专利技术通过将深度学习与多边形逼近算法融合，可以有效地生成大量高精度的语义分割图像数据。精度的语义分割图像数据。精度的语义分割图像数据。

【技术实现步骤摘要】
一种基于深度学习的语义分割图像数据自动打标签方法


[0001]本专利技术属于计算机领域，具体涉及一种基于深度学习的语义分割图像数据自动打标签方法。

技术介绍

[0002]随着现代化的发展，计算机视觉和语义分割算法得到了广泛的应用。利用语义分割对无标签图像数据集进行像素级标注对识别和检测不同形状的目标具有重要意义，例如车辆检测、目标分类和目标颜色识别等。
[0003]目前与语义分割图像相关的数据集包括KITTI、UA
‑
DETRAC、BDD100K数据集等，但是这些数据集并不适合所有实际情况下的语义分割识别任务。在一些特定场景下进行语义分割识别时，有必要亲自收集特定环境下的无标签图像数据集，并对这些无标签图像进行语义分割标注。对于图像的语义分割任务，即训练一个性能良好的语义分割神经网络，所需的数据集是巨大的。标注语义分割图像数据集所需的时间往往是以小时为单位，训练一个高精度语义分割深度神经网络所需的数据量大约是6000个小时或更多。当每张图像中包含70个需要标注的目标时，仅对100张这类图像进行语义分割标注就需要一个人花本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的语义分割图像数据自动打标签方法，其特征在于，包括以下步骤：步骤1，采集大量的无标签图像，将其分为数量不等的少量无标签图像和大量无标签图像两组，并对这两组图像进行均值灰度化、统一尺寸预处理操作，得到预处理后的少量无标签图像和预处理后的大量无标签图像；步骤2，对步骤1中预处理后的少量无标签图像进行人工标注，得到少量有标签的图像数据集；步骤3，构建多尺度语义分割标签文件生成网络，并使用coco数据集进行训练，得到coco数据集的预训练模型；步骤4，使用迁移学习将coco数据集的预训练模型中的参数迁移到构建的多尺度语义分割标签文件生成网络中，然后使用步骤2中的少量有标签的图像数据集进行训练，得到训练好的多尺度语义分割标签文件生成网络；步骤5，使用步骤4训练好的多尺度语义分割标签文件生成网络对步骤1中的预处理后的大量无标签图像进行自动打标签和打分，保留得分高的标签文件，记为高质量标签文件；步骤6，使用语义分割标签文件轻量化算法对步骤5中得到的高质量标签文件进行轻量化，得到轻量化高质量语义分割标签文件，并与步骤1中采集的大量无标签图像进行一一对应，形成轻量化的高质量语义分割数据集，实现基于深度学习的语义分割图像数据自动打标签。2.如权利要求1所述的一种基于深度学习的语义分割图像数据自动打标签方法，其特征在于：步骤1将采集的尺寸为H
pic
×
W
pic
的图像分成少量无标签图像和大量无标签图像两组，并对采集的全部无标签图像进行均值灰度化，然后将均值灰度化后的少量无标图像和大量无标签图像缩放为n1×
n1的大小，若H
pic
>W
pic
，则缩放系数β＝H
pic
/n1，若H
pic
<W
pic
，则缩放系数β＝W
pic
/n1，并使用最邻近插值算法为缩放后的图像重新赋值，如果缩放后图像的长或者宽有一个不足n1，则采用像素值为0的点将其补齐为n1。3.如权利要求1所述的一种基于深度学习的语义分割图像数据自动打标签方法，其特征在于：步骤2是使用不规则矩形对步骤1中少量预处理后的无标签图像进行人工标注，将该不规则矩形的全部坐标点保存在JSON文件中，每幅无标签图像对应一个JSON文件，将少量预处理后的无标签图像和对应的JSON文件放在同一个文件夹中，记为少量有标签的图像数据集。4.如权利要求1所述的一种基于深度学习的语义分割图像数据自动打标签方法，其特征在于：步骤3中多尺度语义分割标签文件生成网络是将ResNet
‑
50与特征金字塔相结合，用以提取图像中的高级特征，形成五层的特征金字塔，并将后两层的特征图相减，得到多尺度特征图，接着将多尺度特征图经过多次卷积操作得到深度卷积特征图，然后将深度卷积特征图进行池化，再分别输入两个全连接层，得到语义分割的目标类别和语义分割的目标轮廓，并将得到的语义分割目标类别和语义分割目标轮廓存入JSON文件中，该JSON文件记为标签文件，最后将多尺度特征图和深度卷积特征图相加，得到标签文件质量得分特征图，并将语义分割质量得分特征图经过多次卷积、池化操作，再经过一个全连接层，得到标签文件的质量得分。5.如权利要求1所述的一种基于深度学习的语义分割图像数据自动打标签方法，其特
征在于：步骤5是将步骤4中训练好的多尺度语义分割标签文件生成模型的全部参数赋给步骤3搭建的多尺度语义分割标签文件生成网络，形成训练好的多尺度语义分割标签文件生成网络，然后将步骤1中的预处理后的大量无标签图像送入训练好的多尺度语义分割标签文件生成网络中，得到标签文件和标签文件质量得分，每幅图像对应一个标签文件和一个标签文件质量得分；当图像对应的标签文件质量得分大于n2时，保留该图像及其对应的标签文件，反之则舍弃该图像及其对应的标签文件；保留下来的图像，记为高质量图像数据集，保留下来的图像对应的标签文件，记为高质量语义分割标签文件数据集；将高质量图像数据集和高质量语义分割标签文件数据集放在同一个文件夹中，记为高质量语义分割数据集。6.如权利要求2所述的一种基于深度学习的语义分割图像数据自动打标签方法，其特征在于：步骤6包括以下几个步骤：步骤6.1，结合天牛须算法和Douglas
‑
Peucker算法构建语义分割标签文件轻量化算法；步骤6.2，将步骤5中高质量语义分割标签文件数据集逐个送入步骤6.1搭建的语义分割标签文件轻量化算法中，得到大量轻量化后的高质量语义分割标签文件，记为轻量化高质量语义分割标签文件数据集；步骤6.3，将步骤6.2中得到的轻量化高质量语...

【专利技术属性】
技术研发人员：汪璠，邓胜利，夏苏迪，朱伟杰，钱倩文，许家辉，贾哲宇，段文豪，姚苏梅，
申请(专利权)人：武汉大学，
类型：发明
国别省市：