CN112906817A - 一种智能图像标注方法 - Google Patents
一种智能图像标注方法 Download PDFInfo
- Publication number
- CN112906817A CN112906817A CN202110283095.2A CN202110283095A CN112906817A CN 112906817 A CN112906817 A CN 112906817A CN 202110283095 A CN202110283095 A CN 202110283095A CN 112906817 A CN112906817 A CN 112906817A
- Authority
- CN
- China
- Prior art keywords
- sample
- file
- folder
- image
- similarity
- 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.)
- Pending
Links
- 238000002372 labelling Methods 0.000 title abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能图像标注方法,包括以下步骤:步骤一:取得待标注的图像文件数据库,以及选取作为OK样本的图像文件;步骤二:进行判断是否与OK样本匹配成功;步骤三:将匹配出来的文件与OK样本文件进行相似度的人工对比;步骤四:若阈值合适不需要调整,则继续执行之前操作;若阈值不合适,需要进行调整之后再重复之前操作,然后根据相似度进行操作。本发明所述的一种智能图像标注方法,适用于工业图像数据的目标分类的特点,克服了人工标注中工业图像数据的数据量大、标注时间长、训练时间不足等问题,能够更好的进行工业图像数据的标注工作。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种智能图像标注方法。
背景技术
图像标注在工业视觉方面起着举足轻重的作用。图像标注的主要目标是为了完成任务需求的特定标签的标注工作。这可以包括图像分割的标注、图像识别的标注、图像缺陷的标注;其中图像分割和图像识别的标注的工作,即是使用标注软件在图像上进行标签的绘制(分割一般是用边框标注,识别一般是不规则的多边形),有时候甚至会进行像素级标签的标注工作。
计算机视觉一般的任务需求是以下几种:物体检测、线/边缘检测、分割、关键点识别、图像分类。物体检测一般是使用2D检测和3D检测这两种。其中2D检测用于定义对象在图像中的位置,优点是方便,缺点也很明显无法提供重要信息以及会包含背景元素,从而影响训练。3D则是通过二位图像的边框线投影到三维意义上的长方体来实现,一般会进行***上的区分体积和位置等特征,这种虽然会解决物体在具体方向上的问题,但还是会被背景造成一定影响。线和样条一般是进行区域的划分,多是用来检测有中断的线或是部分遮挡的物体,缺点是手工标注图像中的线,非常耗费时间以及工人体力,并且当部分物体恰巧是对齐的,这会产生训练时存在误导的可能。关键点识别一般是用于神经网络的关键点的坐标。分割顾名思义就是将图片进行划分切割,一般分为语义分割、实例分割、全景分割。图像分类与目标检测不同,目标检测的目的在于对目标图像的识别和定位,而图像分类在于识别和识别特征特定的目标。在不同行业中,图像标注起到不同的作用,零售一般是使用2D边框来进行标注产品,然后通过计算机算法来预测成本之类的属性;医学一般是使用多边形的标注,用于标记器官,将相应的数据导入深度学习的模型,以便训练对应的缺陷和畸形;工业多采用线和样条的标注,用于工厂图像的检测,这样帮助生产自动化,减小人工成本。
随着大数据和AI技术的发展,工业领域基于此也开始尝试使用新技术的创新,其中,不得不提及深度学习。主要相关的就是机器视觉、缺陷检测部分,需要对大量的工业数据进行相关缺陷的标注工作。因为工业数据的量大,有效使用工具可以大大缩短在数据标注上所花费的时间,图像标注一般服务于AI和深度学习,其中人工起到的作用比我们想象的要多。模型需要高精度的数据,因此必须对图像进行足够精确的标注,这也导致了以下几个问题:时间复杂度(手工标注大量图像数据需要很多时间,而模型训练需要大量数据集,也需要足够的时间进行训练,标注时间和训练时间任何一个时间不充分都会导致精度下降);计算复杂度(模型训练需要足够精确的数据,如果标注者在标注过程中进行错误标注,会可能影像训练,而标注者的问题一般与标注时间有关);领域知识的缺乏(比如医学上的图像标注,需要特定领域的相关知识才可以进行标注工作)。
为有效解决所述的问题,本发明提出一种图像标注的方法,通过有效使用工具来大大缩短在可避免的标注数据时间上的浪费,从而大幅度提高标注效率,减少标注时间。
发明内容
本发明的主要目的在于提供一种智能图像标注方法,可以有效解决背景技术中数据标注效率较低的问题。
为实现上述目的,本发明采取的技术方案为:
一种智能图像标注方法,包括以下步骤:
步骤一:取得待标注的图像文件数据库,以及选取作为OK样本的图像文件;
步骤二:进行判断是否与OK样本匹配成功;
步骤三:将匹配出来的文件与OK样本文件进行相似度的人工对比;
步骤四:若阈值合适不需要调整,则继续执行之前操作;若阈值不合适,需要进行调整之后再重复之前操作,然后根据相似度进行操作。
进一步的,所述步骤一包括以下分步骤:
第一步:将未标注的数据集进行打乱,然后进行随机抽取,抽取出一定数量的图像数据文件;
第二步:对抽取出来的图像数据文件进行相关缺陷的标注工作;
第三步:将标注好的图像数据进行分门别类,再进行相应的计算,确定好样本池各样本的特征距离,并指定距离阈值;
第四步:抽取出样本池中大于距离阈值的样本;
第五步:把检索出来的所有图片再次进行标注,并和初始的标注文件合并,生成新的标注数据集;
第六步:把新的标注集文件夹重新命名,文件夹名需是从1开始的数字,并记住名字的对应关系;
第七步:新建一个文件夹,存放接下来需要用到的样本文件;
第八步:将文件夹名是从1开始的数字(1、2、3、4)内的文件全部重命名并存放在新文件夹下,命名规则为以类别数字开头接下划线及排列数字,此时生成文件后的文件夹将作为后续训练路径及比对样本库。
进一步的,所述步骤二中进行判断是否与OK样本匹配成功具体操作为运行脚本,一步到位的按照样本文件夹的样本进行,并且自动剪切到目标文件夹。
进一步的,所述步骤三中匹配出来的文件为脚本运行结果。
进一步的,所述步骤四中,阈值不合适为与OK样本匹配失败,阈值合适为与OK样本匹配成功;若与OK样本匹配失败,则待标注图像数据文件与OK样本文件相似度存在问题,此时需要根据相似度对预先设置的阈值进行比较,根据相似度进行阈值的调整和OK 样本的数量及质量的调整。
与现有技术相比,本发明具有如下有益效果:
1、通过本发明所提出的基于图像数据的智能标注的方法,利用样本数据进行匹配检索,实现对待标注数据库的剪切,从而进行对应缺陷文件的标注,具有适用于工业图像数据的目标分类的特点,克服了人工标注中工业图像数据的数据量大、标注时间长、训练时间不足等问题,能够更好的进行工业图像数据的标注工作。
2、本发明通过有效的使用工具,利用工具减小人工在标注工业图像数据中,标注大量数据所花费的时间,从而缩短了标注时间;对于标注者,只需要在剪切完成后进行对剪切图片的处理即可,使得标注图片的质量得到提高,从而给予模型训练更多的时间,从而提高模型精度,使得效率得到提升。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种智能图像标注方法的流程示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制,为了更好地说明本发明的具体实施方式,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸,对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的,基于本发明中的具体实施方式,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具体实施方式,都属于本发明保护的范围。
实施例1
如图1所示,一种智能图像标注方法,包括以下步骤:
步骤一:取得待标注的图像文件数据库,以及选取作为OK样本的图像文件;
步骤二:进行判断是否与OK样本匹配成功;
步骤三:将匹配出来的文件与OK样本文件进行相似度的人工对比;
步骤四:若阈值合适不需要调整,则继续执行之前操作;若阈值不合适,需要进行调整之后再重复之前操作,然后根据相似度进行操作。
步骤一包括以下分步骤:
第一步:将未标注的数据集进行打乱,然后进行随机抽取,抽取出一定数量的图像数据文件;
第二步:对抽取出来的图像数据文件进行相关缺陷的标注工作;
第三步:将标注好的图像数据进行分门别类,再进行相应的计算,确定好样本池各样本的特征距离,并指定距离阈值;
第四步:抽取出样本池中大于距离阈值的样本;
第五步:把检索出来的所有图片再次进行标注,并和初始的标注文件合并,生成新的标注数据集;
第六步:把新的标注集文件夹重新命名,文件夹名需是从1开始的数字,并记住名字的对应关系;
第七步:新建一个文件夹,存放接下来需要用到的样本文件;
第八步:将文件夹名是从1开始的数字内的文件全部重命名并存放在新文件夹下,数字开头接下划线及排列数字,此时生成文件后的文件夹将作为后续训练路径及比对样本库。
步骤二中进行判断是否与OK样本匹配成功具体操作为运行脚本,一步到位的按照样本文件夹的样本进行,并且自动剪切到目标文件夹。
步骤三中匹配出来的文件为脚本运行结果。
步骤四中,阈值不合适为与OK样本匹配失败,阈值合适为与OK样本匹配成功;若与OK样本匹配失败,则待标注图像数据文件与OK样本文件相似度存在问题,此时需要根据相似度对预先设置的阈值进行比较,根据相似度进行阈值的调整和OK 样本的数量及质量的调整。
通过采用上述技术方案,克服了人工标注中工业图像数据的数据量大、标注时间长、训练时间不足等问题,能够更好的进行工业图像数据的标注工作,能够更好的使用于工业图像数据的目标分类。
实施例2
如图1所示,一种智能图像标注方法,包括以下步骤:
步骤一:取得待标注的图像文件数据库,以及选取作为OK样本的图像文件;
步骤二:进行判断是否与OK样本匹配成功;
步骤三:将匹配出来的文件与OK样本文件进行相似度的人工对比;
步骤四:若阈值合适不需要调整,则继续执行之前操作;若阈值不合适,需要进行调整之后再重复之前操作,然后根据相似度进行操作。
步骤一包括以下分步骤:
第一步:将未标注的数据集进行打乱,然后进行随机抽取,抽取出一定数量的图像数据文件;举例如果抽取出一定数量图片数据,那么剩下的数据集就可以设为待抽取样本池子;
第二步:对抽取出来的图像数据文件进行相关缺陷的标注工作;
第三步:将标注好的图像数据进行分门别类,再进行相应的计算,确定好样本池各样本的特征距离,并指定距离阈值;
第四步:抽取出样本池中大于距离阈值的样本;
以螺丝为例,假设标注完有:ok、huas、zhedang、quejian 四个文件夹,我们需要从剩下的未标注的文件池中再次尽可能的抽取出 ng 样本(此时可以不管 ok),假设要抽取huasi 样本,修改 opt.py文件相应设置设置:
1)“--dist_threshold”:指定距离阈值,推荐 0.95;
2)“--dist_dst_folder”:指定抽取后样本存放路径;
3)“--source_folder”:指定参考的原文件夹,即挑好的 huasi 文件夹路径;
4)“--library_folder”:指定待检索的样本池,即 dataset路径;
运行脚本tool_distance.py 后脚本会自动从样本池中抽出相应样本并存放到目标文件夹下;
source file number: 指检索基准样本数目,即本次的 huasi;
library file number: 指检索的样本池数目,即 dataset;
retrieve file number: 指从样本池中检索出来的与 Source file 距离大于阈值的样本数目;
第五步:把检索出来的所有图片再次进行标注,并和初始的标注文件合并,生成新的标注数据集;其他的ng样本也按照上面的步骤做一遍;
第六步:把新的标注集文件夹重新命名,文件夹名需是从1开始的数字,并记住名字的对应关系;
第七步:新建一个文件夹,存放接下来需要用到的样本文件;并且进行相关的opt设置,其中:
“—rename”设置为 True;
“--rename_scr_folder“设置成 1、2、3、4 文件夹所在的目录路径(1、2、3、4 同级);
“--rename_dst_folder“设置成新创建的要存放重命名样本的文件夹路径(要进入文件夹);
第八步:程序会将1、2、3、4 文件夹下的文件全部重命名并存放在新文件夹下,命名规则为数字开头接下划线及排列数字,此时生成文件后的文件夹将作为后续训练路径及比对样本库。
步骤一为建立待标注图像数据的数据库,该数据库包含对应的样本文件,待标注图像数据包括但不限于:笔记本内结构、SMT元器件和灯泡缺陷,所述标注后的图像数据包括笔记本黑白螺丝、笔记本钢琴盖、喇叭线、ACPIN插口、理线卡钩和电源PIN插等。
通过采用上述技术方案能够方便建立待标注图像的数据库,减少了标注时间,对于标注者,只需要在剪切完成后进行对剪切图片的处理即可,使得标注图片的质量得到提高,从而给予模型训练更多的时间,从而提高模型精度,使得效率得到提升。
实施例3
如图1所示,一种智能图像标注方法,包括以下步骤:
步骤一:取得待标注的图像文件数据库,以及选取作为OK样本的图像文件;
步骤二:进行判断是否与OK样本匹配成功;
步骤三:将匹配出来的文件与OK样本文件进行相似度的人工对比;
步骤四:若阈值合适不需要调整,则继续执行之前操作;若阈值不合适,需要进行调整之后再重复之前操作,然后根据相似度进行操作。
步骤二中进行判断是否与OK样本匹配成功具体操作为,使用只需要运行脚本tool_retrieve.py,一步到位的按照样本文件夹的样本进行,并且自动剪切到目标文件夹。
步骤二中,将待标注图像数据与样本数据进行预设规则的匹配,包括:将图片数据按照所选取的缺陷进行匹配处理(缺陷包括缺件、无效、滑丝、模糊等);根据样本文件从待标注的数据库中抽取出图片数据,根据预先设置的阈值进行相似度的比较,根据相似度的不同进行不同的操作。运行脚本 tool_retrieve.py,此时会自动进行检索,通过样本池的样本将检索出来的图像数据剪切到目标文件夹中;最后对检索出来的文件再次进行标注,合并到早期标注好的数据集中,即可作为最终数据集,如果 OK 数量不足可自己在样本池中随机挑几张。
通过采用上述技术方案能够快速的将样本剪切到目标文件夹当中,提高了效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种智能图像标注方法,其特征在于,包括以下步骤:
步骤一:取得待标注的图像文件数据库,以及选取作为OK样本的图像文件;
步骤二:进行判断是否与OK样本匹配成功;
步骤三:将匹配出来的文件与OK样本文件进行相似度的人工对比;
步骤四:若阈值不需要调整,则继续执行之前操作;若阈值需要调整,进行调整之后再重复之前操作,然后根据相似度进行操作。
2.根据权利要求1所述的一种智能图像标注方法,其特征在于:所述步骤一包括以下分步骤:
第一步:将未标注的数据集进行打乱,然后进行随机抽取,抽取出一定数量的图像数据文件;
第二步:对抽取出来的图像数据文件进行相关缺陷的标注工作;
第三步:将标注好的图像数据进行分门别类,再进行相应的计算,确定好样本池各样本的特征距离,并指定距离阈值;
第四步:抽取出样本池中大于距离阈值的样本;
第五步:把检索出来的所有图片再次进行标注,并和初始的标注文件合并,生成新的标注数据集;
第六步:把新的标注集文件夹重新命名,文件夹名是从1开始的数字,并记住名字的对应关系;
第七步:新建一个文件夹,存放接下来需要用到的样本文件;
第八步:将文件夹名是从1开始的数字内的文件,全部重命名并存放在新文件夹下,命名规则为以类别数字开头接下划线及排列数字,此时生成文件后的文件夹将作为后续训练路径及比对样本库。
3.根据权利要求1所述的一种智能图像标注方法,其特征在于:所述步骤二中进行判断是否与OK样本匹配成功具体操作为运行脚本,一步到位的按照样本文件夹的样本进行,并且自动剪切到目标文件夹。
4.根据权利要求1所述的一种智能图像标注方法,其特征在于:所述步骤三中匹配出来的文件为脚本运行结果。
5.根据权利要求1所述的一种智能图像标注方法,其特征在于:所述步骤四中,阈值不合适为与OK样本匹配失败,阈值合适为与OK样本匹配成功;若与OK样本匹配失败,则待标注图像数据文件与OK样本文件相似度存在问题,此时需要根据相似度对预先设置的阈值进行比较,根据相似度进行阈值的调整和OK 样本的数量及质量的调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283095.2A CN112906817A (zh) | 2021-03-16 | 2021-03-16 | 一种智能图像标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283095.2A CN112906817A (zh) | 2021-03-16 | 2021-03-16 | 一种智能图像标注方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906817A true CN112906817A (zh) | 2021-06-04 |
Family
ID=76105275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283095.2A Pending CN112906817A (zh) | 2021-03-16 | 2021-03-16 | 一种智能图像标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906817A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964634A (zh) * | 2022-12-10 | 2023-04-14 | 北京自动化控制设备研究所 | 一种数据标注优化方法 |
CN117093548A (zh) * | 2023-10-20 | 2023-11-21 | 公诚管理咨询有限公司 | 一种招投标管理稽核*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871114A (zh) * | 2016-09-23 | 2018-04-03 | 杭州海康威视数字技术股份有限公司 | 一种推送目标人员跟踪信息的方法、装置及*** |
CN108319938A (zh) * | 2017-12-31 | 2018-07-24 | 奥瞳***科技有限公司 | 用于高性能人脸识别***的高质量训练数据准备*** |
CN108830294A (zh) * | 2018-05-09 | 2018-11-16 | 四川斐讯信息技术有限公司 | 一种图像数据的增广方法 |
CN111046770A (zh) * | 2019-12-05 | 2020-04-21 | 上海中信信息发展股份有限公司 | 一种照片档案人物自动标注方法 |
CN111353549A (zh) * | 2020-03-10 | 2020-06-30 | 创新奇智(重庆)科技有限公司 | 图像标签的核验方法及装置、电子设备、存储介质 |
CN111986785A (zh) * | 2020-08-26 | 2020-11-24 | 北京至真互联网技术有限公司 | 医学影像标注方法和装置、设备及存储介质 |
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112131447A (zh) * | 2020-09-29 | 2020-12-25 | 中国船舶重工集团公司第七二四研究所 | 一种雷达信号侦测数据样本标注方法 |
CN112308139A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种基于主动学习的样本标注方法 |
CN112348203A (zh) * | 2020-11-05 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 模型训练方法、装置、终端设备及存储介质 |
-
2021
- 2021-03-16 CN CN202110283095.2A patent/CN112906817A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871114A (zh) * | 2016-09-23 | 2018-04-03 | 杭州海康威视数字技术股份有限公司 | 一种推送目标人员跟踪信息的方法、装置及*** |
CN108319938A (zh) * | 2017-12-31 | 2018-07-24 | 奥瞳***科技有限公司 | 用于高性能人脸识别***的高质量训练数据准备*** |
CN108830294A (zh) * | 2018-05-09 | 2018-11-16 | 四川斐讯信息技术有限公司 | 一种图像数据的增广方法 |
CN111046770A (zh) * | 2019-12-05 | 2020-04-21 | 上海中信信息发展股份有限公司 | 一种照片档案人物自动标注方法 |
CN111353549A (zh) * | 2020-03-10 | 2020-06-30 | 创新奇智(重庆)科技有限公司 | 图像标签的核验方法及装置、电子设备、存储介质 |
CN111986785A (zh) * | 2020-08-26 | 2020-11-24 | 北京至真互联网技术有限公司 | 医学影像标注方法和装置、设备及存储介质 |
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112131447A (zh) * | 2020-09-29 | 2020-12-25 | 中国船舶重工集团公司第七二四研究所 | 一种雷达信号侦测数据样本标注方法 |
CN112308139A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种基于主动学习的样本标注方法 |
CN112348203A (zh) * | 2020-11-05 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 模型训练方法、装置、终端设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964634A (zh) * | 2022-12-10 | 2023-04-14 | 北京自动化控制设备研究所 | 一种数据标注优化方法 |
CN115964634B (zh) * | 2022-12-10 | 2024-04-02 | 北京自动化控制设备研究所 | 一种数据标注优化方法 |
CN117093548A (zh) * | 2023-10-20 | 2023-11-21 | 公诚管理咨询有限公司 | 一种招投标管理稽核*** |
CN117093548B (zh) * | 2023-10-20 | 2024-01-26 | 公诚管理咨询有限公司 | 一种招投标管理稽核*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9424277B2 (en) | Methods and apparatus for automated true object-based image analysis and retrieval | |
CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
US6606623B1 (en) | Method and apparatus for content-based image retrieval with learning function | |
CN112906817A (zh) | 一种智能图像标注方法 | |
CN108921160B (zh) | 一种图书识别方法、电子设备及存储介质 | |
JPH09293082A (ja) | 画像検索装置及び画像検索方法 | |
CN110942063B (zh) | 证件文字信息获取方法、装置以及电子设备 | |
Huang et al. | Associating text and graphics for scientific chart understanding | |
CN110443306B (zh) | 葡萄酒木塞的鉴伪方法 | |
CN112256909A (zh) | 一种图形商标检索方法、***、设备及可读存储介质 | |
CN115272649A (zh) | 分子结构图的图像识别、检索、录入方法及***、介质 | |
CN114936840A (zh) | 基于图像分类和ocr技术的电力业务工单信息智能识别方法 | |
JP2585606B2 (ja) | 画像パターン検索方法 | |
Deniziak et al. | Query-by-shape interface for content based image retrieval | |
Yu et al. | Automatic image captioning system using integration of N-cut and color-based segmentation method | |
CN115309941B (zh) | 一种基于ai的智能标签检索方法及*** | |
EP3113076A1 (en) | Method and apparatus for deriving an image similarity measure based on repetitive feature points | |
CN117237971B (zh) | 基于多模态信息抽取的食品类质检报告数据抽取方法 | |
Gony et al. | Retin: a smart interactive digital media retrieval system | |
CN117557871B (zh) | 三维模型标注方法、装置、设备及存储介质 | |
CN116977998B (zh) | 涂装生产线工件上件视觉识别***及识别方法 | |
KR20240099705A (ko) | 구조식 이미지 정보를 이용한 검색방법 및 시스템 | |
Kumar et al. | Layout Analysis of Punjabi Newspapers Using Contour Detection and Deep Learning-Based Model | |
Mahajan et al. | A Model for Content-Based Image Retrieval Using Machine Learning | |
Meghatria et al. | Detection and Recognition Approaches for Medical Labels in Algeria |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |