[發明專利]一種圖像標簽標注方法、系統、設備及可讀存儲介質

有效

• 申請號: 201810178640.X
• 申請日: 2018-03-05
• 公開（公告）號: CN108416384B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 吳新建;張莉;李凡長;王邦軍;張召;梁合蘭
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種圖像標簽標注方法，其特征在于，包括：

獲取訓練樣本集、待標注圖像和預先存儲的標簽集合；

將所述訓練樣本集和所述待標注圖像，輸入卷積神經網絡中，提取所述訓練樣本集的樣本網絡特征集和所述待標注圖像的測試網絡特征集；

根據所述樣本網絡特征集、所述測試網絡特征集及所述標簽集合，計算所述待標注圖像屬于所述標簽集合中每類標簽的概率，生成標簽概率集；

根據所述標簽概率集，為所述待標注圖像的進行標簽標注；

其中，所述卷積神經網絡為被所述訓練樣本集采用反向傳播算法最小化交叉熵損失函數，以調整所述卷積神經網絡的權重進行訓練，并將訓練好的卷積神經網絡的權重進行重新加載。

2.根據權利要求1所述的圖像標簽標注方法，其特征在于，所述根據所述樣本網絡特征集、所述測試網絡特征集及所述標簽集合，計算所述待標注圖像屬于所述標簽集合中每類標簽的概率包括：

利用下述公式(1)計算所述待標注圖像屬于所述標簽集合中每類標簽的概率：

式中，

x_i為所述樣本網絡特征集中的元素；x為所述測試網絡特征集的元素；所述待標注圖像屬于j類標簽，則y_j＝+1；π_i為所述訓練樣本集中各樣本圖像預測所述待標注圖像的權重；N為所述訓練樣本集中包含樣本圖像的個數；d(x,x_i)為各樣本圖像與所述待標注圖像的歐式距離，h_i為調整參數；

最大化所述待標注圖像屬于所述標簽集合中每類標簽的概率之和，即最大化下述公式，以得到調整參數值：

L＝∑_jc_jlogp(y_j)；

式中，c_j為平衡第j類標簽存在和不存在的權重；所述待標注圖像屬于j類標簽，y_j＝+1，則為所述標簽集合中第j類標簽存在的總數；所述待標注圖像不屬于j類標簽，為所述標簽集合中第j類標簽不存在的總數；y_j為判斷所述待標注圖像是否屬于第j類的標簽，y_ij為判斷所述訓練樣本集中第i個樣本是否屬于第j類的標簽；

根據調整參數，獲取所述待標注圖像屬于所述標簽集合中每類標簽的概率。

3.根據權利要求2所述的圖像標簽標注方法，其特征在于，所述利用下述公式(1)計算所述待標注圖像屬于所述標簽集合中每類標簽的概率包括：

判斷所述標簽集合中的包含的標簽個數是否低于預設閾值；

若否，則利用下述公式(1)計算所述待標注圖像屬于所述標簽集合中每類標簽的概率；

若是，則利用下述公式(2)計算所述待標注圖像屬于所述標簽集合中每類標簽的概率：

p(y_j＝+1)＝σ(α_jz_j+β_j)；

式中，σ(t)＝(1+exp(-t))^-1，z_j＝∑_iπ_iy_j；d_hi(x,x_i)＝h_id(x,x_i)；α_j、β_j為調整參數。

4.根據權利要求2所述的圖像標簽標注方法，其特征在于，所述最大化所述待標注圖像屬于所述標簽集合中每類標簽的概率之和為：

采用投影梯度算法最大化所述待標注圖像屬于所述標簽集合中每類標簽的概率之和。

5.根據權利要求1-4任意一項所述的圖像標簽標注方法，其特征在于，所述卷積神經網絡的激勵函數為Sigmoid函數。

6.根據權利要求1-4任意一項所述的圖像標簽標注方法，其特征在于，所述根據所述標簽概率集，為所述待標注圖像的進行標簽標注包括：

從所述標簽概率集中選取概率值超過預設概率閾值的標簽，作為待標注標簽；

將待標注標簽標注在所述待標注圖像上。