[發明專利]面向預訓練標注數據不可知的圖像自動標注系統和裝置

有效

• 申請號: 202110317531.3
• 申請日: 2021-03-25
• 公開（公告）號: CN113128565B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 陳岱淵;鐘昊文;單海軍
• 申請（專利權）人: 之江實驗室
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/762;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 楊小凡

本發明公開了面向預訓練標注數據不可知的圖像自動標注系統，包括：獲取模塊和圖像標注模塊，及分別與所述獲取模塊和圖像標注模塊連接的模型遷移模塊；所述獲取模塊，用于獲取一組圖像標注任務和待標注圖像；所述模型遷移模塊，用于將一組確定的預訓練圖像處理模型無監督遷移至適配于待標注圖像域的更新后的圖像處理模型，包括依次連接的模型拆分單元、信息最大化損失約束單元、聚類單元、標簽空間分類單元、標簽分配單元、分配更新單元和收斂單元；所述圖像標注模塊，用于生成與待標注圖像相匹配的標注信息，并進行可視化標注。

技術領域

本發明涉及人工智能和計算機視覺領域，尤其是涉及了一種面向預訓練標注數據不可知的圖像自動標注系統和裝置。

背景技術

隨著網絡信息時代的到來，每分每秒都有海量的圖像數據生成。針對不同視覺任務，訓練對應的深度學習模型往往需要大量的標注數據。但現有利用人工標注的方法不僅耗費大量人力和物力，同時不可避免地存在標注誤差。因此各種圖像自動標注方法被提出。目前，大部分圖像自動標注方法采用有監督的方法來訓練深度學習模型，以獲得高準確率的標注結果。但是由于圖像采集時存在光照、角度、背景等方面的影響，使得不同數據集之間存在較大分布差異。因此，這類有監督的方法很難保證模型在待標注數據上的泛化性能。

鑒于此現狀，越來越多的圖像自動標注工作利用遷移學習進行有效訓練。遷移學習是將基于預訓練數據集（源域）訓練好的模型遷移到新數據集（目標域）來加速并優化新模型學習。其中，域適應是一種特殊的遷移學習方法，適用于以下情形：當有標注的源域數據和沒有標注的目標域數據分布不同，但兩個學習任務相同時。其常見的實現方式是學習一種特征轉換，使得在轉換后的空間中，源域數據和目標域數據分布的可區分度最小（即提取到不同域共有特征），從而使更新后的源域模型適用于無標注的目標域數據。但是基于域適應的方法需要同時獲取源域數據和目標域數據。這對于數據存儲和傳輸的要求十分高。相對應的，針對這些數據集訓練好的預訓練模型大小往往只有數據集大小的千分之一甚至更低。因此，采用依賴于沒有標注數據的無監督訓練方法進行自動標注更具實際應用價值。

發明內容

為解決現有技術的不足，通過自動化的手段，完成對待標注圖像的自動標注，實現降低人工標注成本、提高圖像標注的效率的同時，提升自動標注實際應用價值、降低了裝置存儲壓力的目的，本發明采用如下的技術方案：

面向預訓練標注數據不可知的圖像自動標注系統，包括：獲取模塊和圖像標注模塊，及分別與所述獲取模塊和圖像標注模塊連接的模型遷移模塊；

所述獲取模塊，用于獲取一組圖像標注任務和待標注圖像；

所述模型遷移模塊，用于將一組確定的預訓練圖像處理模型無監督遷移至適配于待標注圖像域的更新后的圖像處理模型，包括依次連接的模型拆分單元、信息最大化損失約束單元、聚類單元、標簽空間分類單元、標簽分配單元、分配更新單元和收斂單元；

所述模型拆分單元，將確定的預訓練圖像處理模型拆分為特征提取模型和標注預測模型，通過輸入待標注圖像對特征提取模型進行參數更新，并得到更新后的模型，固定標注預測模型的參數，使得；

所述信息最大化損失約束單元，采用信息最大化損失約束預訓練圖像處理模型的特征提取模型，使預訓練圖像處理模型輸出的具體類別確定，整體類別分布離散；

所述聚類單元，通過加權聚類，對預訓練圖像處理模型的特征提取模型的輸出特征進行聚類；

所述標簽空間分類單元，使用大津法自適應地獲取聚類簇大小的閾值，根據閾值區分預訓練數據集標簽空間，具體分為預訓練數據集與待標注圖像的共有類別，預訓練數據集的獨有類別；

所述標簽分配單元，計算所有待標注圖像與每個共有類別的距離，并據此給所有待標注圖像打上偽標簽；

所述分配更新單元，使用自監督方法對待標注圖像重新聚類，并根據重新聚類后的聚類中心分配偽標簽；