【技术实现步骤摘要】
本申请涉及计算机视觉，特别是涉及一种图像标注方法、装置、设备和存储介质。
技术介绍
1、随着深度学习的快速发展，当前已有大量基于深度学习算法的检测研究，其中，训练深度学习模型需要依赖大量含有正确标签的数据，数据量越大、标注准确度越高，使用这些数据训练出的深度学习模型的检测准确率就越高，当前，这些数据的正确标签通常使用人工标注的方式获得，标注过程缓慢，需要耗费大量的人力成本，难以获得大批量的有标注图片来训练模型。
2、因此，如何自动标注图像，得到准确的目标标注图像意义重大。
技术实现思路
1、本申请主要解决的技术问题是提供一种图像标注方法、装置、设备和存储介质，能够提高图像标注的准确性。
2、为解决上述技术问题，本申请采用的一个技术方案是：提供一种图像标注方法，该方法包括：获取待标注图像；利用多个经训练的第一语义分割模型分别对待标注图像进行语义分割，得到待标注图像的多个模型分割结果；综合多个模型分割结果标注待标注图像，得到对应的目标标注图像。
3、其中，第一语义分割模型对应的模型分割结果包括第一语义分割模型输出的待标注图像中的各像素点的类型分割结果；综合多个模型分割结果标注待标注图像，得到对应的目标标注图像，包括：利用多个第一语义分割模型关于各像素点的类型分割结果，确定待标注图像中各像素点的候选类型；将待标注图像中目标像素点的候选类型作为目标像素点的标注结果，且将预设标注信息作为待标注图像中的非目标像素点的标注结果，以得到目标标注图像，其中，目标像
4、其中，像素点的类型分割结果包括像素点属于若干预设类型的概率，候选类型为一预设类型；在将待标注图像中目标像素点的候选类型作为目标像素点的标注结果，且将预设标注信息作为待标注图像中的非目标像素点的标注结果之前，还包括：从待标注图像中各像素点中，选出候选类型为目标类型的关注像素点；对于各关注像素点，基于各第一语义分割模型关于关注像素点属于若干预设类型的概率，确定关注像素点的不确定性得分；将不确定性得分满足不确定性要求的关注像素点，确定为目标像素点。
5、其中，基于各第一语义分割模型关于关注像素点属于若干预设类型的概率，确定关注像素点的不确定性得分，包括：对于各预设类型，利用各第一语义分割模型关于关注像素点属于预设类型的概率，得到关注像素点关于预设类型的互信息；从关注像素点关于各预设类型的互信息中，选择满足预设要求的互信息，作为关注像素点的不确定性得分。和/或，在利用各第一语义分割模型关于关注像素点属于预设类型的概率，得到关注像素点关于预设类型的互信息之前，还包括：将各第一语义分割模型关于关注像素点属于各预设类型的概率进行归一化，经归一化的概率用于计算得到互信息；和/或，利用各第一语义分割模型关于关注像素点属于预设类型的概率，得到关注像素点关于预设类型的互信息，包括：获取各第一语义分割模型关于关注像素点属于预设类型的概率的平均值的熵，作为第一数值，以及获取各第一语义分割模型关于关注像素点属于预设类型的概率的熵的平均值，作为第二数值；获取第一数值和第二数值之差，作为关注像素点关于预设类型的互信息。
6、其中，不确定性要求为不确定得分低于预设阈值；和/或，预设标注信息用于表示像素点的标注结果无效。
7、其中，像素点的类型分割结果包括像素点属于若干预设类型的概率，利用多个第一语义分割模型关于各像素点的类型分割结果，确定待标注图像中各像素点的候选类型，包括：对于各像素点，分别将各预设类型作为待统计类型，基于各第一语义分割模型关于像素点的类型分割结果，确定像素点关于待统计类型的统计信息，其中，像素点关于待统计类型的统计信息包括以下至少一者：各第一语义分割模型关于像素点的输出类型为待统计类型的数量、以及像素点的各目标输出类型对应的概率的统计结果，目标输出类型为各第一语义分割模型关于像素点的输出类型中属于待统计类型的输出类型，像素点对应于第一语义分割模型的输出类型为第一语义分割模型输出的关于像素点的概率最高的预设类型；从若干预设类型中，选出统计信息满足统计条件的预设类型，作为像素点的候选类型。
8、其中，像素点的类型分割结果包括像素点属于若干预设类型的概率，若干预设类型包括至少一种目标类型和非目标类型；待标注图像中包含车道线，各目标类型均属于车道线类型。
9、其中，多个第一语义分割模型的网络结构不同；各第一语义分割模型为利用若干已标注的第一样本图像训练得到；和/或，目标标注图像用于作为第二样本图像，第二样本图像和若干已标注的第一样本图像用于训练第二语义分割模型。
10、为解决上述技术问题，本申请采用的另一个技术方案是：提供一种图像标注装置，包括：待标注图像获取模块，用于获取待标注图像；分割结果获取模块；用于利用多个经训练的第一语义分割模型分别对待标注图像进行语义分割，得到待标注图像的多个模型分割结果；目标标注图像获取模块，用于综合多个模型分割结果标注待标注图像，得到对应的目标标注图像。
11、为解决上述技术问题，本申请采用的再一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，存储器存储有程序指令；处理器用于执行存储器中存储的程序指令，以实现上述方法。
12、为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，用于存储程序指令，该程序指令能够被执行以实现上述方法。
13、上述方案，为综合多个模型关于待标注图像的模型分割结果标注待标注图像，相比于只利用一个模型关于待标注图像的模型分割结果进行图像标注的方式，本申请可避免只依赖一个模型分割结果导致的误标注的概率，进而提高目标标注图像标注的准确性。
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，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一语义分割模型对应的模型分割结果包括所述第一语义分割模型输出的所述待标注图像中的各像素点的类型分割结果；
3.根据权利要求2所述的方法，其特征在于，所述像素点的类型分割结果包括所述像素点属于若干预设类型的概率，所述候选类型为一所述预设类型；
4.根据权利要求3所述的方法，其特征在于，所述基于各所述第一语义分割模型关于所述关注像素点属于若干预设类型的概率，确定所述关注像素点的不确定性得分，包括：
5.根据权利要求4所述的方法，其特征在于，所述预设要求为所述关注像素点关于各所述预设类型的互信息中的最高值；
6.根据权利要求3所述的方法，其特征在于，所述不确定性要求为所述不确定得分低于预设阈值；
7.根据权利要求2所述的方法，其特征在于，所述像素点的类型分割结果包括所述像素点属于若干预设类型的概率，所述利用多个所述第一语义分割模型关于各像素点的类型分割结果，确定所述待标注图像中各像素点的候选类型，包括：
8
9.根据权利要求1所述的方法，其特征在于，多个所述第一语义分割模型的网络结构不同；各所述第一语义分割模型为利用若干已标注的第一样本图像训练得到；
10.一种图像标注装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有能够被处理器运行的程序指令，所述程序指令能够被处理器执行以实现权利要求1-9任一项所述的方法。
...【技术特征摘要】
1.一种图像标注方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一语义分割模型对应的模型分割结果包括所述第一语义分割模型输出的所述待标注图像中的各像素点的类型分割结果；
3.根据权利要求2所述的方法，其特征在于，所述像素点的类型分割结果包括所述像素点属于若干预设类型的概率，所述候选类型为一所述预设类型；
4.根据权利要求3所述的方法，其特征在于，所述基于各所述第一语义分割模型关于所述关注像素点属于若干预设类型的概率，确定所述关注像素点的不确定性得分，包括：
5.根据权利要求4所述的方法，其特征在于，所述预设要求为所述关注像素点关于各所述预设类型的互信息中的最高值；
6.根据权利要求3所述的方法，其特征在于，所述不确定性要求为所述不确定得分低于预设阈值；
7.根据权利要求2所述的方法，其特征在于，所述像素点的类型分割结果包括所述...
【专利技术属性】
技术研发人员：许晗，周晨，
申请(专利权)人：浙江零跑科技股份有限公司，
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。