CN111368902A - 一种数据标注的方法及装置 - Google Patents
一种数据标注的方法及装置 Download PDFInfo
- Publication number
- CN111368902A CN111368902A CN202010131205.9A CN202010131205A CN111368902A CN 111368902 A CN111368902 A CN 111368902A CN 202010131205 A CN202010131205 A CN 202010131205A CN 111368902 A CN111368902 A CN 111368902A
- Authority
- CN
- China
- Prior art keywords
- image
- recognition result
- recognition
- model
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本说明书公开了一种数据标注的方法及装置,在该方法中可以获取到待标注图像,并将待标注图像输入到预先训练的第一识别模型以及第二识别模型中,确定第一识别模型针对待标注图像的第一识别结果、第二识别模型针对待标注图像的第二识别结果。通过预先训练的判别模型,判断在第二识别模型输出第二识别结果的条件下,第一识别模型得到的第一识别结果是否正确,若确定第一识别结果正确,根据第一识别结果对待标注图像进行标注。本方法可以通过第一识别模型以及第二识别模型识别出待标注图像中的文本,再通过判别模型来判别第一识别模型得到的识别结果正确与否,实现对待标注图像的自动标注。因此本方法能够提高数据标注的效率,节约人工成本。
Description
技术领域
本说明书涉及计算机领域,尤其涉及一种数据标注的方法及装置。
背景技术
在实际应用中,服务平台需要对一些图片中的文字进行识别,例如,对商家招牌的图片进行识别,识别出商家的名称。在对图片进行识别的过程中,大多会使用预先训练的识别模型对图片进行识别,而在训练识别模型的过程中需要通过大量的训练样本对识别模型进行训练。
在现有技术中,训练识别模型所需的训练样本通常都是通过人工对图片进行标注的方法得到的,服务平台通过标注图片后得到的训练样本,能够对识别模型进行训练。然而这种标注方法会耗费大量的人工成本以及时间,极大的降低了数据标注的效率。
所以,如何能够提高数据的标注效率,以及降低人工成本,则是一个亟待解决的问题。
发明内容
本说明书提供一种的方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种数据标注的方法,包括:
获取待标注图像;
将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,以及将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果;
通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确;
若确定所述第一识别结果正确,根据所述第一识别结果对所述待标注图像进行标注。
可选地,将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,具体包括:
将所述待标注图像输入到预先训练的第一识别模型,确定出所述第一识别模型针对所述待标注图像的第一识别结果以及所述第一识别结果对应的第一置信度;
将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果,具体包括:
将所述待标注图像输入到预先训练的第二识别模型,确定出所述第二识别模型针对所述待标注图像的第二识别结果以及所述第二识别结果对应的第二置信度;
通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述方法还包括:
确定所述待标注图像对应的图像特征;
将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度、所述第二置信度以及所述待标注图像对应的图像特征输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,所述图像特征包括:待标注图像的图像尺寸、第一字符平均尺寸以及第二字符平均尺寸中的至少一种;
确定所述待标注图像对应的图像特征,具体包括:
根据所述第一识别结果中包含的字符的字符数以及所述待标注图像的图像尺寸,确定所述第一识别结果中每个字符在所述待标注图像中的字符平均尺寸,作为所述第一识别结果对应的第一字符平均尺寸;
根据所述第二识别结果中包含的字符的字符数以及所述待标注图像的图像尺寸,确定所述第二识别结果中每个字符在所述待标注图像中的字符平均尺寸,作为所述第二识别结果对应的第二字符平均尺寸。
可选的,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述方法还包括:
根据所述第一识别结果中包含的每个字符以及所述第二识别结果中包含的每个字符,确定所述第一识别结果和所述第二识别结果之间的字符差异度;
将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度、所述第二置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,根据所述第一识别结果中包含的每个字符以及所述第二识别结果中包含的每个字符,确定所述第一识别结果和所述第二识别结果之间的字符差异度,具体包括:
从所述第一识别结果中包含的每个字符中,确定与所述第二识别结果不同的字符,作为差异字符;
根据所述差异字符的字符数以及所述第一识别结果中包含的字符的字符数,确定所述字符差异度。
可选的,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述方法还包括:
根据所述第一置信度,将所述第一识别结果包含的每个字符的置信度中最低的置信度,作为所述第一识别结果对应的第一字符置信度;
根据所述第二置信度,将所述第二识别结果包含的每个字符的置信度中最低的置信度,作为所述第二识别结果对应的第二字符置信度;
将所述第一置信度、所述第二置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度、所述第二置信度、所述第一字符置信度、所述第二字符置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选地,训练第一识别模型,具体包括:
获取若干训练样本;
针对每个训练样本,将该训练样本中包含的样本图像输入到所述第一识别模型中,得到第一训练结果;
以所述第一训练结果和该训练样本中包含的标注文本之间的文本差异最小为训练目标,对所述第一识别模型进行训练。
可选地,训练第二识别模型,具体包括:
获取若干训练样本;
针对每个训练样本,将该训练样本中包含的样本图像输入到所述第二识别模型中,得到第二训练结果;
以所述第二训练结果和该训练样本中包含的标注文本之间的文本差异最小为训练目标,对所述第二识别模型进行训练。
可选地,训练判别模型,具体包括:
获取若干训练样本;
针对每个训练样本,将该训练样本中包含的样本图像输入到所述第一识别模型中,确定该训练样本对应的第一识别结果,以及将该训练样本中包含的样本图像输入到所述第二识别模型中,确定该训练样本对应的第二识别结果;
通过所述判别模型,判别在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,作为第一判别结果;
判别该训练样本对应的第一识别结果与该训练样本的标注文本是否相符,作为第二判别结果;
以所述第一判别结果与所述第二判别结果相一致为训练目标,对所述判别模型进行训练。
可选地,所述方法还包括:
通过所述第一识别结果对所述待标注图像进行标注,得到针对所述待标注图像对应的训练样本;
根据所述待标注图像对应的训练样本,对所述第一识别模型、所述第二识别模型和/或所述判别模型进行训练。
可选地,所述方法还包括:
将所述待标注图像进行图像变换,得到所述待标注图像对应的各变换图像;
针对每个变换图像,通过所述待标注图像对应的第一识别结果对该变换图像进行标注,得到该变换图像对应的训练样本;
根据该变换图像对应的训练样本,对所述第一识别模型、所述第二识别模型和/或所述判别模型进行训练。
本说明书提供了一种数据标注的装置,包括:
获取模块,用于获取待标注图像;
识别模块,用于将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,以及将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果;
判断模块,用于通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确;
标注模块,用于若确定所述第一识别结果正确,根据所述第一识别结果对所述待标注图像进行标注。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述数据标注的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述数据标注的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述方法中可以看出,服务平台可以获取到待标注图像,并将待标注图像输入到预先训练的第一识别模型,确定第一识别模型针对待标注图像的第一识别结果,以及将待标注图像输入到预先训练的第二识别模型,确定第二识别模型针对待标注图像的第二识别结果。通过预先训练的判别模型,判断在第二识别模型输出第二识别结果的条件下,第一识别模型得到的第一识别结果是否正确,若确定第一识别结果正确,根据第一识别结果对待标注图像进行标注。
从上述方法中可以看出,本方法可以通过第一识别模型以及第二识别模型识别出待标注图像中的文本,进而再通过判别模型来判别第一识别模型得到的识别结果正确与否,实现对待标注图像的自动标注。因此本方法可以自动的,批量的对图像进行标注,相比于现有技术中人工标注的方法,能够提高数据标注的效率,节约人工成本。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种数据标注的方法的流程示意图;
图2为本说明书提供的一种待标注图像的示意图;
图3为本说明书提供的一种将待标注图像进行图像变换后得到的各变换图像的示意图;
图4为本说明书提供的一种数据标注的装置的示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种数据标注的方法的流程示意图,具体包括以下步骤:
S101:获取待标注图像。
服务平台可以根据自己的实际业务需求获取到需要进行标注的图像,作为待标注图像。例如,若服务平台需要训练对商家招牌的图片进行识别的识别模型,从而通过该识别模型识别出商家的名称,则可以获取到包含有商家招牌的图像,作为待标注图像。这里提到的待标注图像是指包含有需要进行识别的文字的图像。
需要指出的是,本方法的执行主体可以有多种,例如,笔记本电脑,台式电脑、客户端、服务器或大型的服务平台等,而为了便于描述,下面仅以服务平台为例对本方法进行介绍。
S102:将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,以及将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果。
服务平台获取到待标注图像后,可以将该待标注图像分别输入到预先训练的第一识别模型以及第二识别模型中,来对该待标注图像中的文字进行初步识别。在本说明书中,第一识别模型在针对该待标注图像输出第一识别结果的同时,还可以输出针对该第一识别结果的置信度,称之为第一置信度。同理,第二识别模型在针对该待标注图像输出第二识别结果的同时,也可以输出针对第二识别结果的置信度,称之为第二置信度。其中,该第一识别结果与该第二识别结果可能会相同,也可能会不同。
这里提到的第一置信度可以是第一识别结果中包含的每个字符的置信度,第二置信度可以是第二识别结果中包含的每个字符的置信度。第一置信度可以表示第一识别模型确定出的第一识别结果中包含的各字符的准确程度,第二置信度可以表示第二识别模型确定出的第二识别结果中包含的各字符的准确程度。
例如,服务平台通过第一识别模型针对待标注图像确定出的第一识别结果为“ABC”,并确定出了第一识别结果“ABC”中字符“A”的置信度为0.92,字符“B”的置信度为0.91,字符“C”的置信度为0.89。因此,第一识别模型针对该第一识别结果所得到的第一置信度为[0.92,0.91,0.89]。
同理,服务平台通过第二识别模型针对待标注图像确定出的第二识别结果为“ADC”,并确定出了第二识别结果“ADC”中字符“A”的置信度为0.90,字符“D”的置信度为0.81,字符“C”的置信度为0.88。因此,第二识别模型针对该第二识别结果所得到的第二置信度为[0.90,0.81,0.88]。
该第一识别模型与该第二识别模型为不同的识别模型。比如,该第一识别模型与该第二识别模型可以是根据不同的训练样本进行训练而得来的识别模型,也可以是使用了不同的图像识别算法的识别模型。例如,第一识别模型可以是结合文字的语义,对图像中文本整体的进行识别的识别模型,如可以是使用循环神经网络(Recurrent Neural Network,RNN)结合残差网络(Residual Network,ResNet)的识别模型,也可以是使用循环神经网络(Recurrent Neural Network,RNN)结合Inception结构的识别模型等。而第二识别模型可以是不结合文字的语义,对图像中文本的每个字符单独进行识别的识别模型,如可以是使用Faster-RCNN结构进行单字检测,在结合使用Dense Convolutional Network结构进行单字识别等。本说明书不对第一识别模型和第二识别模型所采用的具体算法进行限定。
S103:通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
服务平台通过第一识别模型确定出该待标注图像对应的第一识别结果、第一置信度,通过第二识别模型确定出该待标注图像对应的第二识别结果以及第二置信度后,可以通过预先训练的判别模型,判断在第二识别模型输出第二识别结果的条件下,第一识别模型得到的第一识别结果是否正确。
由于该判别模型是参考该待标注图像对应的第二识别结果来判断第一识别结果是否正确,因此服务平台可以确定出与该第一识别结果、第二识别结果和/或待标注图像相关的特征(即,能够表示第一识别结果、第二识别结果和/或待标注图像的特点的特征),并将该特征输入到该判别模型,来判断该待标注图像对应的第一识别结果是否正确。
具体的,该特征可以包括第一识别结果对应的第一置信度、第二识别结果对应的第二置信度、待标注图像对应的图像特征、第一识别结果和第二识别结果之间的字符差异度、第一识别结果对应的第一字符置信度以及第二识别结果对应的第二字符置信度中的至少一种。服务平台可以根据自己的实际需求确定实际输入到判别模型中的特征。
例如,服务平台可以只将第一识别结果对应的第一置信度、第二识别结果对应的第二置信度输入到判别模型中,来判断该第一识别结果是否正确;也可以将第一识别结果对应的第一置信度、第二识别结果对应的第二置信度、待标注图像对应的图像特征输入到判别模型中,来判断该第一识别结果是否正确;还可以将第一识别结果对应的第一置信度、第二识别结果对应的第二置信度、待标注图像对应的图像特征、第一识别结果和第二识别结果之间的字符差异度、第一识别结果对应的第一字符置信度以及第二识别结果对应的第二字符置信度都输入到判别模型中,来判断该第一识别结果是否正确。
其中,该图像特征可以包括该待标注图像对应的图像尺寸、第一字符平均尺寸以及第二字符平均尺寸中的至少一种。
对于待标注图像对应的图像尺寸来说,若是确定出该待标注图像对应的图像尺寸过大,而第一识别结果中包含的字符的字符数很少,则有可能确定出的第一识别结果不准确,而若是确定出的该待标注图像对应的图像尺寸很小,第一识别结果中包含的字符的字符数很多,则也有可能确定出的第一识别结果不准确。所以,本说明书中的图像尺寸能够作为确定出的第一识别结果是否准确的一项参考因素,因此可以将图像尺寸作为该待标注图像对应的图像特征之一。
上述提到的第一识别结果对应的第一字符平均尺寸可以表示第一识别结果中每个字符占据该待标注图像的平均尺寸。服务平台可以根据该第一识别结果中包含的字符的字符数以及该待标注图像的对应的图像尺寸,确定第一识别结果中每个字符对应的字符平均尺寸,作为第一识别结果对应的第一字符平均尺寸。第二识别结果对应的第二字符平均尺寸可以表示第二识别结果中每个字符占据该待标注图像的平均尺寸。同理,服务平台可以根据与确定第一字符平均尺寸相同的方法确定出第二识别结果对应的第二字符平均尺寸。
需要指出的是,这里提到的第一字符平均尺寸以及第二字符平均尺寸并不一定是待标注图像中的字符在该待标注图像中的实际尺寸,第一字符平均尺寸以及第二字符平均尺寸都是根据各自对应的识别结果的字符数以及待标注图像的图像尺寸确定出的字符占据待标注图像的平均尺寸。换句话说,第一字符平均尺寸以及第二字符平均尺寸其实是指待标注图像中的字符将待标注图像均匀划分成各个图像区域后(一个字符占据一个图像区域),每个区域在待标注图像中的尺寸。
例如,如图2所示的待标注图像,服务平台可以确定出该待标注图像的像素尺寸为高度600,宽度100,若第一识别结果为“ABCD”,则该第一识别结果对应的第一字符平均尺寸为150(即600/4),若第二识别结果为“ABC”,则该第二识别结果对应的第二字符平均尺寸为200(即600/3)。
在这一例子中,可以只将长度作为第一字符平均尺寸以及第二字符平均尺寸的维度,也可以将长度与宽度一同作为该第一字符平均尺寸以及第二字符平均尺寸的维度,即,该第一识别结果对应的第一字符平均尺寸为高度150(像素尺寸),宽度100。该第二识别结果对应的第二字符平均尺寸为高度200(像素尺寸),宽度100(像素尺寸)。
上述提到的字符差异度可以表示第一识别结果与第二识别结果之间在字符上的差异程度。具体的,服务平台可以从第一识别结果中包含的每个字符中,确定出与第二识别结果不同的字符(即,将第一识别结果中包含的字符与第二识别结果中包含的字符一一对应,从第一识别结果中包含的字符中确定出少于、多于或是不同于第二识别结果的字符),作为差异字符,再根据差异字符的字符数以及第一识别结果中包含的字符的字符数确定该字符差异度。
例如,若第一识别结果为“ABC”,第二识别结果为“ADC”,可以确定第一识别结果中与第二识别结果不同的字符为“B”,因此差异字符的字符数为1,而第一识别结果中包含的字符的字符数为3,则字符差异度为1/3;再例如,若第一识别结果为“ABCD”,第二识别结果为“ABC”,可以确定第一识别结果中与第二识别结果不同的字符为“D”,因此差异字符的字符数为1,而第一识别结果中包含的字符的字符数为4,则字符差异度为1/4;再例如,若第一识别结果为“ABCD”,第二识别结果为“ADC”,可以确定第一识别结果中与第二识别结果不同的字符为“B”以及“D”,因此差异字符的字符数为2,而第一识别结果中包含的字符的字符数为4,则字符差异度为2/4,即,1/2。其他情况在此就不一一举例说明了。
上述提到的第一字符置信度可以在一定程度上表示确定出的第一识别结果的准确程度,第二字符置信度可以在一定程度上表示确定出的第二识别结果的准确程度。服务平台可以根据第一识别结果中的各字符的置信度,确定第一识别结果对应的第一字符置信度,根据第二识别结果中的各字符的置信度,确定第二识别结果对应的第二字符置信度。
具体的,服务平台可以从第一识别结果中的各字符的置信度中,确定出最低的置信度,作为第一字符置信度。当然,确定第一字符置信度的方式可以有多种,服务平台也可以从第一识别结果中的各字符的置信度中,确定出平均的置信度,或是确定出中位值,作为第一字符置信度。相应的,若是服务平台将第一识别结果中的各字符的置信度中的最低置信度,作为第一字符置信度,则服务平台也需将第二识别结果中的各字符的置信度中的最低置信度,作为第二字符置信度。
服务平台可以根据上述方法确定出输入到判别模型中的特征。例如,若服务平台确定将第一置信度、第二置信度、图像尺寸、第一字符置信度、第二字符置信度、字符差异度、第一字符平均尺寸以及第二字符平均尺寸都作为特征输入到判别模型中,来确定第一识别结果是否正确。
例如,服务平台可以从待标注图像对应的第一置信度[0.91,0.95,0.99]中确定出最低置信度0.91,作为第一字符置信度,从待标注图像对应的第二置信度[0.94,0.83,0.96]中确定出最低置信度0.83,作为第二字符置信度,并确定出待标注图像对应的字符差异度为1/3,第一字符平均尺寸为150mm,第二字符平均尺寸为150mm,而待标注图像对应的图像尺寸为长度450mm、宽度450mm。则服务平台可以将该第一置信度、该第二置信度、该图像尺寸、该第一字符置信度、第二字符置信度、字符差异度、第一字符平均尺寸以及第二字符平均尺寸进行拼接,则可以确定出输入到判别模型中的特征为[0.91,0.95,0.99,0.94,0.83,0.96,450,450,0.91,0.83,1/3,150,150]。
接上述示例,若服务平台确定只需要将该第一置信度、该第二置信度、该图像尺寸输入到判别模型来判断第一识别结果是否正确,则可以将该第一置信度、该第二置信度、该图像尺寸进行拼接,确定出输入到判别模型中的特征为[0.91,0.95,0.99,0.94,0.83,0.96,450,450]。由此可见,服务平台可以根据实际需求确定出实际输入到判别模型中的特征,进而可以通过该判别模型在第二识别模型输出第二识别结果的条件下确定出根据第一识别模型确定出的第一识别结果是否正确。
上述提到的第一识别模型、第二识别模型以及判别模型都需要根据获取到的标注过的训练样本进行预先训练。其中,第一识别模型与第二识别模型的训练过程大致相同。对第一识别模型进行训练时需要获取若干训练样本,并针对每个训练样本,将该训练样本中包含的样本图像输入到第一识别模型,得到第一训练结果,并将第一训练结果与该训练样本中包含的标注文本之间的文本差异最小作为训练目标,对第一识别模型进行训练。同理,训练第二识别模型时也需获取若干训练样本,并针对每个训练样本,将该训练样本中包含的样本图像输入到第二识别模型,得到第二训练结果,并将第二训练结果与该训练样本中包含的标注文本之间的文本差异最小作为训练目标,对第二识别模型进行训练。
服务平台确定出第一识别模型以及第二识别模型后,可以对判别模型进行训练。具体的,服务平台可以获取若干训练样本,并针对每个训练样本,将该训练样本中包含的样本图像分别输入到第一识别模型以及第二识别模型中,分别得到该训练样本对应的第一识别结果以及第二识别结果。服务平台可以通过该判别模型,确定出在第二识别模型输出第二识别结果的条件下,第一识别模型得到的第一识别结果是否正确,作为第一判别结果。
服务平台可以预先判别出该训练样本中包含的标注文本与该训练样本对应的第一识别结果是否相符,并将判别出的结果作为第二判别结果。服务平台可以将该第一判别结果与第二判别结果相一致(即,若第二判别结果为该训练样本中包含的标注文本与该训练样本对应的第一识别结果相符时,第一判别结果为第一识别结果正确。相应的,若第二判别结果为该训练样本中包含的标注文本与该训练样本对应的第一识别结果不相符时,第一判别结果为第一识别结果错误。)作为训练目标,对该判别模型进行训练。
该判别模型所使用到的算法可以是常规的分类算法,如,支持向量机(SupportVector Machine,SVM)、感知机、决策树等。服务平台对第一识别模型、第二识别模型以及判别模型进行训练时所用到的训练样本可以是通过标注少量的图片而得到的训练样本。
S104:若确定所述第一识别结果正确,根据所述第一识别结果对所述待标注图像进行标注。
服务平台在上述过程中根据判别模型确定出第一识别结果是否正确后,可以根据该第一识别结果对待标注图像进行标注。若确定出该第一识别结果正确,则可以直接根据该第一识别结果对该待标注图像进行标注。否则,可以不对该待标注图像进行标注。通过该第一识别结果对待标注图像进行标注后,可以得到该待标注图像对应的训练样本。
从这里可以看出,服务平台可以通过本方法将待标注图像自动进行标注,从而能够通过不断迭代,得到大量的训练样本,还可以通过这些训练样本再次对第一识别模型、第二识别模型和/或判别模型进行训练,从而能在一定程度上提高第一识别模型、第二识别模型和/或判别模型的准确率。
另外,服务平台还可以将待标注图像进行图像变换,如,平移变换、对比度变换、旋转变换等,得到该待标注图像对应的各变换图像,并针对每个变换图像,根据该待标注图像对应的第一识别结果对该变换图像进行标注,得到该变换图像对应的训练样本。例如,如图3所示,服务平台可以将待标注图像进行平移变换、对比度变换、旋转变换等的图像变换,得到的各变换图像中的文字与待标注图像中的文字保持一致,只是形状与待标注图像中的文字略有不同,服务平台将这些变换图像进行标注,得到更多的训练样本,能够进一步的对第一识别模型、第二识别模型和/或判别模型进行训练。
可以看出,本方法不仅能提高数据标注的效率,节约人工成本,还可以通过标注后的待标注图像以及各变换图像得到训练样本,来对本方法中的第一识别模型、第二识别模型和/或判别模型做进一步的训练。这样一来还能够在一定程度上提高第一识别模型、第二识别模型和/或判别模型的准确率。
还需说明的是,第一识别模型可以针对该待标注图像只输出第一识别结果,同样的,第二识别模型也可以针对该待标注图像只输出第二识别结果。而将第一识别结果以及第二识别结果输入到判别模型后,判别模型可以根据第一识别模型以及第二识别模型确定出诸如上述字符差异度等特征,进而根据第一识别结果、第二识别结果以及确定出的这些特征,判断出在第二识别模型输出第二识别结果的条件下,对第一识别模型得到的第一识别结果是否正确进行判断。
以上为本说明书的一个或多个实施例提供的数据标注的方法,基于同样的思路,本说明书还提供了相应的数据标注的装置,如图4所示。
图4为本说明书提供的一种数据标注的装置示意图,具体包括:
获取模块401,用于获取待标注图像;
识别模块402,用于将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,以及将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果;
判断模块403,用于通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确;
标注模块404,用于若确定所述第一识别结果正确,根据所述第一识别结果对所述待标注图像进行标注。
可选的,所述识别模块402具体用于,将所述待标注图像输入到预先训练的第一识别模型,确定出所述第一识别模型针对所述待标注图像的第一识别结果以及所述第一识别结果对应的第一置信度;所述识别模块402具体用于,将所述待标注图像输入到预先训练的第二识别模型,确定出所述第二识别模型针对所述待标注图像的第二识别结果以及所述第二识别结果对应的第二置信度;
所述判断模块403具体用于,将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述判断模块403还用于确定所述待标注图像对应的图像特征;
所述判断模块403具体用于,将所述第一置信度、所述第二置信度以及所述待标注图像对应的图像特征输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,所述图像特征包括:待标注图像的图像尺寸、第一字符平均尺寸以及第二字符平均尺寸中的至少一种;所述判断模块403具体用于,根据所述第一识别结果中包含的字符的字符数以及所述待标注图像的图像尺寸,确定所述第一识别结果中每个字符在所述待标注图像中的字符平均尺寸,作为所述第一识别结果对应的第一字符平均尺寸;根据所述第二识别结果中包含的字符的字符数以及所述待标注图像的图像尺寸,确定所述第二识别结果中每个字符在所述待标注图像中的字符平均尺寸,作为所述第二识别结果对应的第二字符平均尺寸。
可选的,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述判断模块403还用于,根据所述第一识别结果中包含的每个字符以及所述第二识别结果中包含的每个字符,确定所述第一识别结果和所述第二识别结果之间的字符差异度;
所述判断模块403具体用于,将所述第一置信度、所述第二置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,所述判断模块403具体用于,从所述第一识别结果中包含的每个字符中,确定与所述第二识别结果不同的字符,作为差异字符;根据所述差异字符的字符数以及所述第一识别结果中包含的字符的字符数,确定所述字符差异度。
可选的,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述判断模块403还用于,根据所述第一置信度,将所述第一识别结果包含的每个字符的置信度中最低的置信度,作为所述第一识别结果对应的第一字符置信度;根据所述第二置信度,将所述第二识别结果包含的每个字符的置信度中最低的置信度,作为所述第二识别结果对应的第二字符置信度;
可选的,所述判断模块403具体用于,将所述第一置信度、所述第二置信度、所述第一字符置信度、所述第二字符置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
可选的,所述判断模块403具体用于,获取若干训练样本;针对每个训练样本,将该训练样本中包含的样本图像输入到所述第一识别模型中,得到第一训练结果;以所述第一训练结果和该训练样本中包含的标注文本之间的文本差异最小为训练目标,对所述第一识别模型进行训练。
可选的,所述判断模块403具体用于,获取若干训练样本;针对每个训练样本,将该训练样本中包含的样本图像输入到所述第二识别模型中,得到第二训练结果;以所述第二训练结果和该训练样本中包含的标注文本之间的文本差异最小为训练目标,对所述第二识别模型进行训练。
可选的,所述判断模块403具体用于,获取若干训练样本;针对每个训练样本,将该训练样本中包含的样本图像输入到所述第一识别模型中,确定该训练样本对应的第一识别结果,以及将该训练样本中包含的样本图像输入到所述第二识别模型中,确定该训练样本对应的第二识别结果;通过所述判别模型,判别在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,作为第一判别结果;判别该训练样本对应的第一识别结果与该训练样本的标注文本是否相符,作为第二判别结果;以所述第一判别结果与所述第二判别结果相一致为训练目标,对所述判别模型进行训练。
可选的,所述标注模块404还用于,通过所述第一识别结果对所述待标注图像进行标注,得到针对所述待标注图像对应的训练样本;根据所述待标注图像对应的训练样本,对所述第一识别模型、所述第二识别模型和/或所述判别模型进行训练。
可选的,所述标注模块404还用于,将所述待标注图像进行图像变换,得到所述待标注图像对应的各变换图像;针对每个变换图像,通过所述待标注图像对应的第一识别结果对该变换图像进行标注,得到该变换图像对应的训练样本;根据该变换图像对应的训练样本,对所述第一识别模型、所述第二识别模型和/或所述判别模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的数据标注的方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的数据标注的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (15)
1.一种数据标注的方法,其特征在于,包括:
获取待标注图像;
将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,以及将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果;
通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确;
若确定所述第一识别结果正确,根据所述第一识别结果对所述待标注图像进行标注。
2.如权利要求1所述的方法,其特征在于,将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,具体包括:
将所述待标注图像输入到预先训练的第一识别模型,确定出所述第一识别模型针对所述待标注图像的第一识别结果以及所述第一识别结果对应的第一置信度;
将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果,具体包括:
将所述待标注图像输入到预先训练的第二识别模型,确定出所述第二识别模型针对所述待标注图像的第二识别结果以及所述第二识别结果对应的第二置信度;
通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
3.如权利要求2所述的方法,其特征在于,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述方法还包括:
确定所述待标注图像对应的图像特征;
将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度、所述第二置信度以及所述待标注图像对应的图像特征输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
4.如权利要求3所述的方法,其特征在于,所述图像特征包括:待标注图像的图像尺寸、第一字符平均尺寸以及第二字符平均尺寸中的至少一种;
确定所述待标注图像对应的图像特征,具体包括:
根据所述第一识别结果中包含的字符的字符数以及所述待标注图像的图像尺寸,确定所述第一识别结果中每个字符在所述待标注图像中的字符平均尺寸,作为所述第一识别结果对应的第一字符平均尺寸;
根据所述第二识别结果中包含的字符的字符数以及所述待标注图像的图像尺寸,确定所述第二识别结果中每个字符在所述待标注图像中的字符平均尺寸,作为所述第二识别结果对应的第二字符平均尺寸。
5.如权利要求2或3所述的方法,其特征在于,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述方法还包括:
根据所述第一识别结果中包含的每个字符以及所述第二识别结果中包含的每个字符,确定所述第一识别结果和所述第二识别结果之间的字符差异度;
将所述第一置信度以及所述第二置信度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度、所述第二置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
6.如权利要求5所述的方法,其特征在于,根据所述第一识别结果中包含的每个字符以及所述第二识别结果中包含的每个字符,确定所述第一识别结果和所述第二识别结果之间的字符差异度,具体包括:
从所述第一识别结果中包含的每个字符中,确定与所述第二识别结果不同的字符,作为差异字符;
根据所述差异字符的字符数以及所述第一识别结果中包含的字符的字符数,确定所述字符差异度。
7.如权利要求5所述的方法,其特征在于,将所述第一置信度以及所述第二置信度输入到所述判别模型之前,所述方法还包括:
根据所述第一置信度,将所述第一识别结果包含的每个字符的置信度中最低的置信度,作为所述第一识别结果对应的第一字符置信度;
根据所述第二置信度,将所述第二识别结果包含的每个字符的置信度中最低的置信度,作为所述第二识别结果对应的第二字符置信度;
将所述第一置信度、所述第二置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,具体包括:
将所述第一置信度、所述第二置信度、所述第一字符置信度、所述第二字符置信度以及所述字符差异度输入到所述判别模型中,以判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确。
8.如权利要求1所述的方法,其特征在于,训练第一识别模型,具体包括:
获取若干训练样本;
针对每个训练样本,将该训练样本中包含的样本图像输入到所述第一识别模型中,得到第一训练结果;
以所述第一训练结果和该训练样本中包含的标注文本之间的文本差异最小为训练目标,对所述第一识别模型进行训练。
9.如权利要求1所述的方法,其特征在于,训练第二识别模型,具体包括:
获取若干训练样本;
针对每个训练样本,将该训练样本中包含的样本图像输入到所述第二识别模型中,得到第二训练结果;
以所述第二训练结果和该训练样本中包含的标注文本之间的文本差异最小为训练目标,对所述第二识别模型进行训练。
10.如权利要求1所述的方法,其特征在于,训练判别模型,具体包括:
获取若干训练样本;
针对每个训练样本,将该训练样本中包含的样本图像输入到所述第一识别模型中,确定该训练样本对应的第一识别结果,以及将该训练样本中包含的样本图像输入到所述第二识别模型中,确定该训练样本对应的第二识别结果;
通过所述判别模型,判别在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确,作为第一判别结果;
判别该训练样本对应的第一识别结果与该训练样本的标注文本是否相符,作为第二判别结果;
以所述第一判别结果与所述第二判别结果相一致为训练目标,对所述判别模型进行训练。
11.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过所述第一识别结果对所述待标注图像进行标注,得到针对所述待标注图像对应的训练样本;
根据所述待标注图像对应的训练样本,对所述第一识别模型、所述第二识别模型和/或所述判别模型进行训练。
12.如权利要求1所述的方法,其特征在于,所述方法还包括:
将所述待标注图像进行图像变换,得到所述待标注图像对应的各变换图像;
针对每个变换图像,通过所述待标注图像对应的第一识别结果对该变换图像进行标注,得到该变换图像对应的训练样本;
根据该变换图像对应的训练样本,对所述第一识别模型、所述第二识别模型和/或所述判别模型进行训练。
13.一种数据标注的装置,其特征在于,包括:
获取模块,用于获取待标注图像;
识别模块,用于将所述待标注图像输入到预先训练的第一识别模型,确定所述第一识别模型针对所述待标注图像的第一识别结果,以及将所述待标注图像输入到预先训练的第二识别模型,确定所述第二识别模型针对所述待标注图像的第二识别结果;
判断模块,用于通过预先训练的判别模型,判断在所述第二识别模型输出所述第二识别结果的条件下,所述第一识别模型得到的所述第一识别结果是否正确;
标注模块,用于若确定所述第一识别结果正确,根据所述第一识别结果对所述待标注图像进行标注。
14.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~12任一项所述的方法。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131205.9A CN111368902A (zh) | 2020-02-28 | 2020-02-28 | 一种数据标注的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131205.9A CN111368902A (zh) | 2020-02-28 | 2020-02-28 | 一种数据标注的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111368902A true CN111368902A (zh) | 2020-07-03 |
Family
ID=71212657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131205.9A Withdrawn CN111368902A (zh) | 2020-02-28 | 2020-02-28 | 一种数据标注的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368902A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365513A (zh) * | 2020-11-23 | 2021-02-12 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN112906349A (zh) * | 2021-03-30 | 2021-06-04 | 苏州大学 | 一种数据标注的方法、***、设备及可读存储介质 |
CN115620039A (zh) * | 2022-10-08 | 2023-01-17 | 中电金信软件有限公司 | 一种图像标注方法、装置、设备、介质和程序产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10162103A (ja) * | 1996-12-04 | 1998-06-19 | Oki Electric Ind Co Ltd | 文字認識装置 |
CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
CN109002842A (zh) * | 2018-06-27 | 2018-12-14 | 北京字节跳动网络技术有限公司 | 图像识别方法和装置 |
WO2019137196A1 (zh) * | 2018-01-11 | 2019-07-18 | 阿里巴巴集团控股有限公司 | 图像标注信息助理方法、装置、服务器及*** |
CN110135225A (zh) * | 2018-02-09 | 2019-08-16 | 北京世纪好未来教育科技有限公司 | 样本标注方法及计算机存储介质 |
CN110222582A (zh) * | 2019-05-13 | 2019-09-10 | 青岛小鸟看看科技有限公司 | 一种图像处理方法和相机 |
CN110287850A (zh) * | 2019-06-20 | 2019-09-27 | 北京三快在线科技有限公司 | 一种模型训练以及目标物识别的方法及装置 |
CN110378350A (zh) * | 2019-07-23 | 2019-10-25 | 中国工商银行股份有限公司 | 一种文字识别的方法、装置及*** |
-
2020
- 2020-02-28 CN CN202010131205.9A patent/CN111368902A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10162103A (ja) * | 1996-12-04 | 1998-06-19 | Oki Electric Ind Co Ltd | 文字認識装置 |
WO2019137196A1 (zh) * | 2018-01-11 | 2019-07-18 | 阿里巴巴集团控股有限公司 | 图像标注信息助理方法、装置、服务器及*** |
CN110135225A (zh) * | 2018-02-09 | 2019-08-16 | 北京世纪好未来教育科技有限公司 | 样本标注方法及计算机存储介质 |
CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN109002842A (zh) * | 2018-06-27 | 2018-12-14 | 北京字节跳动网络技术有限公司 | 图像识别方法和装置 |
CN108985214A (zh) * | 2018-07-09 | 2018-12-11 | 上海斐讯数据通信技术有限公司 | 图像数据的标注方法和装置 |
CN110222582A (zh) * | 2019-05-13 | 2019-09-10 | 青岛小鸟看看科技有限公司 | 一种图像处理方法和相机 |
CN110287850A (zh) * | 2019-06-20 | 2019-09-27 | 北京三快在线科技有限公司 | 一种模型训练以及目标物识别的方法及装置 |
CN110378350A (zh) * | 2019-07-23 | 2019-10-25 | 中国工商银行股份有限公司 | 一种文字识别的方法、装置及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365513A (zh) * | 2020-11-23 | 2021-02-12 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN112906349A (zh) * | 2021-03-30 | 2021-06-04 | 苏州大学 | 一种数据标注的方法、***、设备及可读存储介质 |
CN115620039A (zh) * | 2022-10-08 | 2023-01-17 | 中电金信软件有限公司 | 一种图像标注方法、装置、设备、介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN111368902A (zh) | 一种数据标注的方法及装置 | |
US9262180B2 (en) | Method and apparatus for recommending product features in a software application in real time | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN109816650B (zh) | 一种基于二维dsa图像的目标区域识别方法及其*** | |
CN112347512A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN110991520A (zh) | 一种生成训练样本的方法以及装置 | |
CN115828162A (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN111652286A (zh) | 一种基于图嵌入的物体识别方法、设备及介质 | |
CN107577660B (zh) | 类目信息识别方法、装置及服务器 | |
CN112966577A (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN112183181A (zh) | 一种信息展示方法 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113344198B (zh) | 一种模型训练的方法及装置 | |
CN114926687A (zh) | 一种分类模型的训练方法及装置 | |
CN112560530B (zh) | 一种二维码处理方法、设备、介质及电子设备 | |
CN114187355A (zh) | 一种图像标定方法及装置 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN112287130A (zh) | 一种图形题目的搜索方法、装置以及设备 | |
CN113011424A (zh) | 一种训练样本的生成方法及生成装置 | |
CN110866478A (zh) | 一种图像中对象的识别方法、装置和设备 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200703 |
|
WW01 | Invention patent application withdrawn after publication |