【技术实现步骤摘要】
本申请涉及计算机视觉，尤其涉及一种图像标注方法、装置、设备、存储介质及计算机程序产品。
技术介绍
1、常规的深度学习分类或检测模型在面对新的标注任务时，往往只能对固定标注任务进行推理，缺乏灵活性和通用性。对于新的业务场景，常规机器视觉算法通常需要大量打标数据，人工打标费时费力，并且没有基础模型，需要从零开始，进一步增加了时间和资源成本。
技术实现思路
1、本申请的主要目的在于提供一种图像标注方法、装置、设备、存储介质及计算机程序产品，旨在解决对于新的业务场景，常规机器视觉算法通常需要大量打标数据，而人工打标费时费力，并且没有基础模型，需要从零开始，进一步增加了时间和资源成本的技术问题。
2、为实现上述目的，本申请提出一种图像标注方法，所述图像标注方法包括：
3、将待标注的初始图像数据输入至预设图像处理模型中进行分割，得到前景实体，并记录所述前景实体在所述初始图像数据中的位置坐标；
4、从所述前景实体中挑选出第一指定数量的第一类别样本；
5、将所述前景实体输送到预设的目标深度学习模型中，获得所述前景实体的特征矩阵；
6、根据所述第一类别样本和所述特征矩阵通过内容标注算法对所述前景实体中剩余的实体图片进行标注，并关联所述位置坐标，得到目标检测标注结果。
7、可选地，所述根据所述第一类别样本和所述特征矩阵通过内容标注算法对所述前景实体中剩余的实体图片进行标注，并关联所述位置坐标，得到目标检测标注结果的步骤包括：>
8、根据所述第一类别样本和所述特征矩阵构建内容评分矩阵；
9、基于所述内容评分矩阵确定所述前景实体中剩余的实体图片的评分向量，并计算所述评分向量与评分矩阵之间的相似度；
10、根据所述相似度确定所述实体图片的类别，并将所述类别标注在对应的所述实体图片上，得到初始标注结果；
11、基于所述位置坐标将所述初始标注结果与所述初始图像数据进行关联，得到目标检测标注结果。
12、可选地，所述根据所述相似度确定所述实体图片的类别，并将所述类别标注在对应的所述实体图片上，得到初始标注结果的步骤，包括：
13、将所述相似度进行排序，并根据排序结果统计与所述相似度最高的前n个所述第一类别样本对应的图像类别的数量，其中n为预设相似阈值，可根据历史标注数据进行调整；
14、在所述图像类别的数量超过预设类别数量时，将所述图像类别作为所述实体图片的类别，并进行标注，得到初始标注结果。
15、可选地，所述将待标注的初始图像数据输入至预设图像处理模型中进行分割，得到前景实体，并记录所述前景实体在所述初始图像数据中的位置坐标的步骤之后，还包括：
16、从所述前景实体中挑选出第二指定数量的第二类别样本；
17、根据所述第二类别样本的属性对所述第二类别样本进行标注，并根据标注结果构建属性评分矩阵；
18、基于所述属性评分矩阵计算出所述前景实体的属性相似度矩阵；
19、根据协同过滤算法和所述属性相似度矩阵对所述前景实体中未标注属性进行标注，得到多属性标注结果。
20、可选地，所述根据协同过滤算法和所述属性相似度矩阵对所述前景实体中未标注属性进行标注，得到多属性标注结果的步骤，包括：
21、根据协同过滤算法确定所述前景实体中未标注属性在所述属性相似度矩阵中的属性向量，其中所述属性向量表示未标注属性与已标注属性的相似度关系；
22、根据所述属性向量选取与所述未标注属性相似度最高的前m个已标注属性，并获取所述已标注属性在所述属性评分矩阵中对应的标注值；
23、基于所述标注值对所述未标注属性进行标注，得到多属性标注结果。
24、可选地，所述基于所述标注值对所述未标注属性进行标注，得到多属性标注结果的步骤，包括：
25、将所述属性向量设置为权重，对所述标注值进行加权平均计算，得到目标标注值；
26、基于所述目标标注值对所述未标注属性进行标注，得到多属性标注结果。
27、此外，为实现上述目的，本申请还提出一种图像标注装置，所述图像标注装置包括：
28、图像分割模块，用于将待标注的初始图像数据输入至预设图像处理模型中进行分割，得到前景实体，并记录所述前景实体在所述初始图像数据中的位置坐标；
29、样本选取模块，用于根据所述前景实体的类别从所述前景实体中挑选出第一指定数量的第一类别样本；
30、特征提取模块，用于将所述前景实体输送到预设的目标深度学习模型中，获得所述前景实体的特征矩阵；
31、目标标注模块，用于根据所述第一类别样本和所述特征矩阵通过内容标注算法对所述前景实体中剩余的实体图片进行标注，并关联所述位置坐标，得到目标检测标注结果。
32、此外，为实现上述目的，本申请还提出一种图像标注设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的图像标注方法的步骤。
33、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的图像标注方法的步骤。
34、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的图像标注方法的步骤。
35、本申请中公开了将待标注的初始图像数据输入至预设图像处理模型中进行分割，得到前景实体，并记录所述前景实体在所述初始图像数据中的位置坐标；从所述前景实体中挑选出第一指定数量的第一类别样本；将所述前景实体输送到预设的目标深度学习模型中，获得所述前景实体的特征矩阵；根据所述第一类别样本和所述特征矩阵通过内容标注算法对所述前景实体中剩余的实体图片进行标注，并关联所述位置坐标，得到目标检测标注结果。通过借助大模型的通用知识能力，与专用小模型的协同融合，在少量标注指引后，即可对新任务新场景的数据进行快速自动标注。相比传统的完全人工标注或需要大量人工标注后训练模型再标注的方法，大大减少了人工工作量，提高了标注效率。
本文档来自技高网...【技术保护点】
1.一种图像标注方法，其特征在于，所述图像标注方法包括：
2.如权利要求1所述的图像标注方法，其特征在于，所述根据所述第一类别样本和所述特征矩阵通过内容标注算法对所述前景实体中剩余的实体图片进行标注，并关联所述位置坐标，得到目标检测标注结果的步骤包括：
3.如权利要求2所述的图像标注方法，其特征在于，所述根据所述相似度确定所述实体图片的类别，并将所述类别标注在对应的所述实体图片上，得到初始标注结果的步骤，包括：
4.如权利要求1所述的图像标注方法，其特征在于，所述将待标注的初始图像数据输入至预设图像处理模型中进行分割，得到前景实体，并记录所述前景实体在所述初始图像数据中的位置坐标的步骤之后，还包括：
5.如权利要求4所述的图像标注方法，其特征在于，所述根据协同过滤算法和所述属性相似度矩阵对所述前景实体中未标注属性进行标注，得到多属性标注结果的步骤，包括：
6.如权利要求5所述的图像标注方法，其特征在于，所述基于所述标注值对所述未标注属性进行标注，得到多属性标注结果的步骤，包括：
7.一种图像标注装置，其特征在
8.一种图像标注设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至6中任一项所述的图像标注方法的步骤。
9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的图像标注方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的图像标注方法的步骤。
...【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：
2.如权利要求1所述的图像标注方法，其特征在于，所述根据所述第一类别样本和所述特征矩阵通过内容标注算法对所述前景实体中剩余的实体图片进行标注，并关联所述位置坐标，得到目标检测标注结果的步骤包括：
3.如权利要求2所述的图像标注方法，其特征在于，所述根据所述相似度确定所述实体图片的类别，并将所述类别标注在对应的所述实体图片上，得到初始标注结果的步骤，包括：
4.如权利要求1所述的图像标注方法，其特征在于，所述将待标注的初始图像数据输入至预设图像处理模型中进行分割，得到前景实体，并记录所述前景实体在所述初始图像数据中的位置坐标的步骤之后，还包括：
5.如权利要求4所述的图像标注方法，其特征在于，所述根据协同过滤算法和所述属性相似度矩阵对所述前景实体中未标注属性进行标注，得到多属性...
【专利技术属性】
技术研发人员：李一曼，唐伟炼，徐明，张浩，
申请(专利权)人：深圳力维智联技术有限公司，
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。