【技术实现步骤摘要】
以下描述涉及用于图像标注的方法和装置。
技术介绍
1、图像识别处理的技术自动化已经使用例如由处理器实现的神经网络模型来实现，神经网络模型用作专用计算结构。这样的自动化可在大量的训练之后提供输入模式与输出模式之间的计算上直觉的映射。神经网络模型生成这样的映射的可训练性可被称为神经网络的学习能力。由于专门训练，这种专门和特意训练的神经网络可具有泛化能力，该泛化能力允许神经网络针对神经网络尚未训练的输入模式生成相对准确的输出。
技术实现思路
1、提供本
技术实现思路
以简化的形式介绍在下面的具体实施方式中进一步描述的构思的选择。本
技术实现思路
不意在确定要求保护的主题的关键特征或必要特征，也不意在用于帮助确定要求保护的主题的范围。
2、在一个总体方面，一种图像标注方法包括：获取第一输入图像作为验证输入；通过由包括在集成模型中的神经网络模型对验证输入执行分类推断操作来生成验证结果数据；基于验证结果数据与验证输入的每个标签之间的比较结果，确定包括在集成模型中的各个神经网络模型的推断性能特性，其中，所述推断性能特性与神经网络模型关于集成模型的推断类别的性能对应；基于所述推断性能特性，确定权重数据，所述权重数据指示神经网络模型中的每个神经网络模型针对类别中的每个类别的权重，其中，所述权重不是神经网络模型的节点的权重；获取第二输入图像作为标注目标输入；通过由神经网络模型对标注目标输入执行分类推断操作来生成分类结果数据；通过将权重数据的权重应用于分类结果数据，确定针对标注目标输入的表示每个类别
3、所述方法还可包括：通过由神经网络模型对验证输入执行第一分类推断操作来生成验证结果数据的第一部分数据；通过对验证输入进行变换来生成附加验证输入；以及通过由神经网络模型对附加验证输入执行第二推断分类操作来生成验证结果数据的第二部分数据。
4、确定所述权重数据的步骤可包括：基于验证输入的标签与验证结果数据之间的比较结果，确定指示神经网络模型的模型置信度的模型置信度数据和指示神经网络模型的针对每个类别的分类一致性的一致性数据；以及通过对模型置信度数据和一致性数据进行集成来确定所述权重数据。
5、度量分类准确度的步骤可包括：基于得分数据，确定基于标注目标输入的代表得分值；以及基于代表得分值将标注目标输入中的每个分类到第一组或第二组中。
6、得分数据可包括每个标注目标输入的个体得分数据，并且确定代表得分值的步骤包括：将得分数据的标注目标输入的每条个体得分数据的最大值确定为每个标注目标输入的代表得分值。
7、所述权重数据可与m×n权重矩阵对应，其中，m可以是神经网络模型的数量，并且其中，n可以是类别的数量。
8、生成分类结果数据的步骤可包括：基于标注目标输入中的第一标注目标输入生成第一分类结果矩阵，并且确定得分数据的步骤可包括：通过将权重矩阵应用于第一分类结果矩阵来确定m×n第一个体得分矩阵。
9、度量分类准确度的步骤可包括：从第一个体得分矩阵确定第一标注目标输入的第一代表得分值；以及基于第一代表得分值将第一标注目标输入分类到确信标签组或审查组中。
10、确定第一代表得分值的步骤可包括：通过对第一个体得分矩阵的针对每个类别的元素进行集成来确定1×n第一个体得分向量；以及将第一个体得分向量的元素的最大值确定为第一代表得分值。
11、验证输入和标注目标输入可与基于半导体制造工艺的半导体图像对应，并且神经网络模型的类别可与基于半导体制造工艺的制造缺陷的类型对应
12、在另一总体方面，一种图像标注装置包括：一个或多个处理器；以及存储器，存储指令，所述指令被配置为在由所述一个或多个处理器执行时使所述一个或多个处理器：获取第一输入图像作为验证输入；通过由神经网络模型对验证输入执行分类操作来生成验证结果数据，基于验证结果数据与验证输入的每个标签之间的比较结果，确定指示神经网络模型的针对每个类别的权重的权重数据，其中，所述权重不是神经网络模型的节点的权重；获取第二输入图像作为标注目标输入；通过由神经网络模型对标注目标输入执行分类操作来生成分类结果数据；通过将所述权重数据的权重应用于分类结果数据，确定针对标注目标输入的表示每个类别的置信度的得分数据，并且基于得分数据来度量针对标注目标输入的分类操作的分类准确度。
13、所述指令还可被配置为使所述一个或多个处理器：通过由神经网络模型对验证输入执行第一分类操作来生成验证结果数据的第一部分数据，通过对验证输入进行变换来生成附加验证输入，并且通过由神经网络模型对附加验证输入执行第二分类操作来生成验证结果数据的第二部分数据。
14、为了确定所述权重数据，所述指令还可被配置为使所述一个或多个处理器：基于验证输入的每个标签与验证结果数据之间的比较结果，确定指示神经网络模型的模型置信度的模型置信度数据和指示神经网络模型的针对每个类别的分类一致性的一致性数据，并且通过对模型置信度数据和一致性数据进行集成来确定所述权重数据。
15、为了度量分类准确度，所述指令还可被配置为使所述一个或多个处理器：基于得分数据，确定基于标注目标输入的代表得分值，并且基于代表得分值将标注目标输入中的每个分类到确信标签组或审查组中。
16、得分数据可包括每个标注目标输入的个体得分数据，并且为了确定代表得分值，所述指令还可被配置为使所述一个或多个处理器：将得分数据的标注目标输入的每条个体得分数据的最大值确定为每个标注目标输入的代表得分值。
17、所述指令还可被配置为使所述一个或多个处理器：为了生成分类结果数据，基于标注目标输入中的第一标注目标输入生成第一分类结果矩阵，并且为了确定得分数据，通过将权重矩阵应用于第一分类结果矩阵来确定m×n第一个体得分矩阵。
18、为了度量分类准确度，所述指令还可被配置为使所述一个或多个处理器：从第一个体得分矩阵确定第一标注目标输入的第一代表得分值，以及基于第一代表得分值将第一标注目标输入分类到确信标签组或审查组中。
19、验证输入和标注目标输入可与基于半导体制造工艺的半导体图像对应，并且神经网络模型的类别可与基于半导体制造工艺的制造缺陷的类型对应。
20、在另一总体方面，一种图像标注方法包括：获取第一输入图像作为第一输入数据项；存储集成模型的组成神经网络(nn)，所述组成nn各自被训练以从输入到其的第一输入数据项推断同一组类别标签；对于每个组成nn，提供包括各个类别的得分的相应的得分集，其中，每个组成nn的得分集包括对其特定的得分，其中，每个得分包括相应的组成nn针对第一数据输入项的相应的类别标签的推断性能的度量；获取第二输入图像作为第二输入数据项；将第二输入数据项输入到组成nn，并且基于此，组成nn生成相应的预测值集，每个预测值集包括相应的组成nn的各个类别标签的预测值；通过将组成nn的得分集应用于组成nn的针对第二输入数据项的相应本文档来自技高网...
【技术保护点】
1.一种图像标注方法，包括：
2.根据权利要求1所述的标注方法，还包括：
3.根据权利要求1所述的标注方法，其中，确定所述权重数据的步骤包括：
4.根据权利要求1所述的标注方法，其中，度量分类准确度的步骤包括：
5.根据权利要求4所述的标注方法，其中，得分数据包括每个标注目标输入的个体得分数据，并且
6.根据权利要求1所述的标注方法，其中，所述权重数据与m×n权重矩阵对应，
7.根据权利要求6所述的标注方法，其中，生成分类结果数据的步骤包括：基于标注目标输入中的第一标注目标输入生成第一分类结果矩阵，并且
8.根据权利要求7所述的标注方法，其中，度量分类准确度的步骤包括：
9.根据权利要求8所述的标注方法，其中，确定第一代表得分值的步骤包括：
10.根据权利要求1至权利要求9中的任意一项所述的标注方法，其中，验证输入和标注目标输入与基于半导体制造工艺的半导体图像对应，并且
11.一种图像标注装置，包括：
12.根据权利要求11所述的标注装置，其中，所述
13.根据权利要求11所述的标注装置，其中，为了确定所述权重数据，所述指令还被配置为使所述一个或多个处理器：
14.根据权利要求11所述的标注装置，其中，为了度量分类准确度，所述指令还被配置为使所述一个或多个处理器：
15.根据权利要求14所述的标注装置，其中，得分数据包括每个标注目标输入的个体得分数据，并且
16.根据权利要求11所述的标注装置，其中，所述指令还被配置为使所述一个或多个处理器：
17.根据权利要求16所述的标注装置，其中，为了度量分类准确度，所述指令还被配置为使所述一个或多个处理器：
18.根据权利要求11至权利要求17中的任意一项所述的标注装置，其中，验证输入和标注目标输入与基于半导体制造工艺的半导体图像对应，并且
19.一种图像标注方法，包括：
20.根据权利要求19所述的方法，其中，基于组成神经网络针对所述类别标签的模型置信度和/或模型一致性的度量来生成所述得分。
...【技术特征摘要】
1.一种图像标注方法，包括：
2.根据权利要求1所述的标注方法，还包括：
3.根据权利要求1所述的标注方法，其中，确定所述权重数据的步骤包括：
4.根据权利要求1所述的标注方法，其中，度量分类准确度的步骤包括：
5.根据权利要求4所述的标注方法，其中，得分数据包括每个标注目标输入的个体得分数据，并且
6.根据权利要求1所述的标注方法，其中，所述权重数据与m×n权重矩阵对应，
7.根据权利要求6所述的标注方法，其中，生成分类结果数据的步骤包括：基于标注目标输入中的第一标注目标输入生成第一分类结果矩阵，并且
8.根据权利要求7所述的标注方法，其中，度量分类准确度的步骤包括：
9.根据权利要求8所述的标注方法，其中，确定第一代表得分值的步骤包括：
10.根据权利要求1至权利要求9中的任意一项所述的标注方法，其中，验证输入和标注目标输入与基于半导体制造工艺的半导体图像对应，并且
11.一种图像标注装置，包括：
12.根据权利要求...
【专利技术属性】
技术研发人员：李熙真，维萨姆•巴达尔，安世玹，韩承周，
申请(专利权)人：三星电子株式会社，
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。