一种图像自动标注方法、系统及电子设备技术方案

本发明专利技术提供一种图像自动标注方法、系统及电子设备，属于图像标注领域，方法包括：获取待标注图像；基于预先训练好的标注模型对待标注图像进行标注，以确定待标注图像中的目标位置及目标类别；标注模型包括依次连接的特征提取网络、区域建议网络、兴趣域池化层、数据增强网络及检测器；特征提取网络用于提取待标注图像的特征，得到特征图；区域建议网络用于确定特征图中的初步候选区域；兴趣域池化层用于筛选特征图中的初步候选区域，得到最终候选区域；数据增强网络用于根据最终候选区域生成掩模区域；检测器用于对掩模区域进行分类回归，以得到待标注图像中的目标位置及目标类别。本发明专利技术提高了图像标注的效率及模型对被遮挡物体的检测能力。的检测能力。的检测能力。

【技术实现步骤摘要】
一种图像自动标注方法、系统及电子设备


[0001]本专利技术涉及图像标注领域，特别是涉及一种基于AdversarialFaster RCNN的图像自动标注方法、系统及电子设备。

技术介绍

[0002]随着深度学习的发展，目标检测算法的检测性能越来越高，目标检测算法的应用场景也越来越广泛，从一开始的手写字体识别、物体类别检测等简单的识别任务，发展到机器人导航、智能视频监控、工业检测、航空航天等诸多领域。
[0003]但是深度学习模型的泛化能力较差，通常只适用于某种特定的检测任务，因此为了使用目标检测算法解决实际问题，在很多情况下都需要根据实际的应用场景，收集数据对算法模型进行重新训练，才能提高模型在实际场景中检测效果。
[0004]传统的图像标注方式为人工标注，当图片数量较少时，可以采用人工标注的方式对数据进行处理，一方面既能保证标注的准确性，另一方面也不会花费过多的时间，但是当图片数量达到数万甚至几十万时，对这些图片逐个进行人工标注是一件非常困难的事情，不利于用户对模型进行个性化训练处理。
[0005]因此，亟需一种新的图像标注方法以提高标注效率，提高模型的检测能力。

技术实现思路

[0006]本专利技术的目的是提供一种图像自动标注方法、系统及电子设备，可提高图像标注的效率及对被遮挡物体的检测能力。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种图像自动标注方法，包括：
[0009]获取待标注图像；
[0010]基于预先训练好的标注模型对所述待标注图像进行标注，以确定所述待标注图像中的目标位置及目标类别；所述标注模型包括依次连接的特征提取网络、区域建议网络、兴趣域池化层、数据增强网络及检测器；所述特征提取网络用于提取所述待标注图像的特征，得到特征图；所述区域建议网络用于确定所述特征图中的初步候选区域；所述兴趣域池化层用于筛选所述特征图中的初步候选区域，得到最终候选区域；所述数据增强网络用于根据最终候选区域生成掩模区域；所述检测器用于对掩模区域进行分类回归，以得到所述待标注图像中的目标位置及目标类别。
[0011]可选地，所述标注模型的训练方法包括：
[0012]获取训练样本集；所述训练样本集中包括多张样本图像、各样本图像的目标位置标签及目标类别标签；
[0013]基于ImageNet分类模型初始化FasterRCNN的参数，得到初始Faster RCNN网络；
[0014]采用所述训练样本集对所述初始FasterRCNN网路进行训练，得到训练好的FasterRCNN网络；训练好的FasterRCNN网络包括依次连接的特征提取网络、区域建议网络、
兴趣域池化层及检测器；
[0015]基于训练好的FasterRCNN网络初始化数据增强网络的参数，得到初始数据增强网络；
[0016]通过训练好的FasterRCNN网络的特征提取网络、区域建议网络及兴趣域池化层对各样本图像依次进行特征提取、候选区域提取及候选区域筛选，得到各样本图像的最终候选区域；
[0017]针对任一样本图像的任一最终候选区域，在所述最终候选区域上叠加掩模，得到对应所述最终候选区域的掩模区域；
[0018]根据各样本图像的各最终候选区域及对应各最终候选区域的掩模区域，对所述初始数据增强网络进行训练，得到训练好的数据增强网络；
[0019]根据训练好的数据增强网络及训练好的FasterRCNN网络构建初始标注模型；
[0020]采用所述训练样本集对所述初始标注模型进行训练，得到训练好的标注模型。
[0021]可选地，基于ImageNet分类模型初始化FasterRCNN的参数，得到初始FasterRCNN网络，具体包括：
[0022]基于ImageNet分类模型初始化区域建议网络的参数，得到初始区域建议网络；
[0023]采用所述训练样本集对所述初始区域建议网络进行训练，得到训练好的区域建议网络；
[0024]基于ImageNet分类模型初始化FastRCNN网络的参数，得到初始Fast RCNN网络；
[0025]采用训练好的区域建议网络替换所述初始FastRCNN网络中的选择性搜索算法，得到初始FasterRCNN网络。
[0026]可选地，基于ImageNet分类模型初始化区域建议网络的参数，具体包括：
[0027]将区域建议网络的参数设置为ImageNet分类模型的网络参数。
[0028]可选地，基于训练好的FasterRCNN网络初始化数据增强网络的参数，得到初始数据增强网络，具体包括：
[0029]将训练好的FasterRCNN网络的卷积层参数和池化层参数与数据增强网络共享。
[0030]可选地，在所述最终候选区域上叠加掩模，得到对应所述最终候选区域的掩模区域，具体包括：
[0031]将所述最终候选区域划分为3
×
3的方格，生成9个不同的掩模；
[0032]将9个不同的掩模叠加在所述最终候选区域中，得到对应所述最终候选区域的掩模区域。
[0033]可选地，所述待标注图像为人脸检测过程中采集的人脸图像；所述待标注图像中的目标为人脸；目标位置为人脸在待标注图像中的位置，目标类别为0或1，0表示不是人脸，1表示是人脸。
[0034]为实现上述目的，本专利技术还提供了如下方案：
[0035]一种图像自动标注系统，包括：
[0036]图像获取模块，用于获取待标注图像；
[0037]标注模块，与所述图像获取模块连接，用于基于预先训练好的标注模型对所述待标注图像进行标注，以确定所述待标注图像中的目标位置及目标类别；所述标注模型包括依次连接的特征提取网络、区域建议网络、兴趣域池化层、数据增强网络及检测器；所述特
征提取网络用于提取所述待标注图像的特征，得到特征图；所述区域建议网络用于确定所述特征图中的初步候选区域；所述兴趣域池化层用于筛选所述特征图中的初步候选区域，得到最终候选区域；所述数据增强网络用于根据最终候选区域生成掩模区域；所述检测器用于对掩模区域进行分类回归，以得到所述待标注图像中的目标位置及目标类别。
[0038]为实现上述目的，本专利技术还提供了如下方案：
[0039]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的图像自动标注方法。
[0040]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0041]本专利技术利用目标检测算法代替人工对图像进行标注的过程，提高了标注效率，同时对FasterRCNN进行了改进得到标注模型，标注模型包括依次连接的特征提取网络、区域建议网络、兴趣域池化层、数据增强网络及检测器；特征提取网络用于提取待标注图像的特征，得到特征图；区域建议网络用于确定特征图中的初步候选区域；兴趣域池化层用于筛选特征图中的初步候选区域，得到最终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像自动标注方法，其特征在于，所述图像自动标注方法包括：获取待标注图像；基于预先训练好的标注模型对所述待标注图像进行标注，以确定所述待标注图像中的目标位置及目标类别；所述标注模型包括依次连接的特征提取网络、区域建议网络、兴趣域池化层、数据增强网络及检测器；所述特征提取网络用于提取所述待标注图像的特征，得到特征图；所述区域建议网络用于确定所述特征图中的初步候选区域；所述兴趣域池化层用于筛选所述特征图中的初步候选区域，得到最终候选区域；所述数据增强网络用于根据最终候选区域生成掩模区域；所述检测器用于对掩模区域进行分类回归，以得到所述待标注图像中的目标位置及目标类别。2.根据权利要求1所述的图像自动标注方法，其特征在于，所述标注模型的训练方法包括：获取训练样本集；所述训练样本集中包括多张样本图像、各样本图像的目标位置标签及目标类别标签；基于ImageNet分类模型初始化FasterRCNN的参数，得到初始Faster RCNN网络；采用所述训练样本集对所述初始FasterRCNN网路进行训练，得到训练好的FasterRCNN网络；训练好的FasterRCNN网络包括依次连接的特征提取网络、区域建议网络、兴趣域池化层及检测器；基于训练好的FasterRCNN网络初始化数据增强网络的参数，得到初始数据增强网络；通过训练好的FasterRCNN网络的特征提取网络、区域建议网络及兴趣域池化层对各样本图像依次进行特征提取、候选区域提取及候选区域筛选，得到各样本图像的最终候选区域；针对任一样本图像的任一最终候选区域，在所述最终候选区域上叠加掩模，得到对应所述最终候选区域的掩模区域；根据各样本图像的各最终候选区域及对应各最终候选区域的掩模区域，对所述初始数据增强网络进行训练，得到训练好的数据增强网络；根据训练好的数据增强网络及训练好的FasterRCNN网络构建初始标注模型；采用所述训练样本集对所述初始标注模型进行训练，得到训练好的标注模型。3.根据权利要求2所述的图像自动标注方法，其特征在于，基于ImageNet分类模型初始化FasterRCNN的参数，得到初始FasterRCNN网络，具体包括：基于ImageNet分类模型初始化区域建议网络的参数，得到初始区域建议网络；采用所述训练样本集对所述初始区域建议网络进行训练，得到训练好的区域建议网络；基于ImageNet分类模型初始化FastRCNN网络的参数，得到初始Fast RCNN网络；采用训练好的区域建议网络替换所述初始FastRCNN网络中的选择性搜索算法，得到初始FasterRCNN网络。4.根据权利要求3所述的图像自动标注方法，其特征在于，基于ImageNet分类模型初始化区域建议网络的参数，具体包括：将区域建议网络的参数设置为ImageNet分类模型的网络参数。5.根据权利要求2所述的图像自动标注方法，其特征在于，基于训练好的FasterRCNN网
络初始化数据增强网络的参数，得到初始数据增强网络，具体包括：将训练好的FasterRCNN网络的卷积层参数和池化层参数与数据增强网络共享。6.根据权利要求2所述的图像自动标注方法，其特征在于，在所述最终候选区域上叠加掩模，得到对应所述最终候选区域的掩模区域，具体包括：将所述...

【专利技术属性】
技术研发人员：程渤，刘续威，李翔，陈玉立，张书浩，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：