图像标注

摘要： 针对基于Transformer框架的图像标注任务中提取视觉特征容易引入噪声问题且为了进一步提高视觉的上下文信息,提出了一种基于综合几何关系稀疏自注意力机制的图像标注方法。首先通过结合图像区域的绝对位置、相对位置和空间包含关系提取详细全面的视觉表示,获取图像中潜在的上下文信息;其次提出了注意力层权重矩阵的稀疏化方法,该方法解决了Transformer忽略图像区域的局部性并引入噪声信息的问题;最后,采用了强化学习方法作为指导策略,实现模型在句子级别优化目标序列。通过在MS-COCO数据集上进行的对比实验结果表明,提出的方法在BLEU1、BLEU4、METEOR、ROUGE-L、CIDEr和SPICE指标上分别比基线模型提升了0.2、0.7、0.1、0.3、1.2和0.4,有效提升了图像自动标注的性能。

摘要： Corr-LDA-ITD模型较Corr-LDA模型具有更高的文本图像关联性,并且类标信息可以一定程度影响标注的准确性。基于此,文章首先利用Corr-LDA-ITD模型对不同类别的图像进行训练,然后用每类图像训练出的模型对测试图像进行测试,选出log似然值最大的标注模型对图像进行标注。在2个真实图像集(Labelme和Uiuc-sport)上的实验结果表明该方法的标注效果较好。

摘要： 中草药数据具有丰富的数字化资源,利用标注的方法对中草药的类别和功能进行分析是一种能够实现文化识别、文化解读、文化传承的科学技术方法。本文聚焦于中草药领域的书籍图像数据,实现了对图文混排的中草药书籍数据的数字图文处理与关联标注。本文提出了基于语义一致性约束的中草药关联标注算法,针对中草药图片存在的类间差距较小,图像多形态等问题综合使用了特征提取模型,注意力机制等结构,并针对中草药数据的特点对经典标注模型结构进行优化,实现中草药图像的标注任务。

摘要： 针对变电站智能巡检,在变电站传统辅助系统及前期布设或配备的视频监控装置、机器人巡检、单兵作业装备等设备接入层基础上,通过边缘物联代理,以及人工智能(artificial intelligence, AI)分析服务器内置集成AI视觉分析算法和模型,构建分析服务层,以实现变电站智能巡检设备状态实时监测、站端表计智能识别、环境智能实时监测、人员安全智能评估、安全作业监控、电子虚拟围栏等业务场景;同时,介绍了卷积神经网络主要技术路线,着重介绍了以站内烟火作为实例对视觉学习算法构建成熟实用的视觉学习模型,验证了其技术先进性、可行性,减少了变电站巡检人员工作量,提高了站内事故隐患分析和处理效率,从而较大地提高了变电站安全管理水平。

摘要： 针对图像标注任务中的标注精度不高等问题,提出融合强化学习与迁移对抗的图像标注方法 FLTAN,利用强化学习和迁移学习的优势,有效改善了服装数据集图片标注信息不足的问题,使标注内容更加丰富。该方法在动态对抗域适应模型DAAN的基础上加入注意力机制与循环神经网络以获取图像位置信息,再利用强化学习相关算法对图像显著位置依次判断所属类别并计算期望,将期望最大的类别作为最终图像分类,从而提升模型的分类准确性。在迁移学习部分,对生成的特征进行剪裁/标准化操作以固定数据范围,并加快梯度下降求解速度,提升标注精度。将该方法与多个模型进行实验对比,结果表明,该方法相比其他模型的准确率都有一定提升。

摘要： 针对图像标注和注意力机制结合过程中特征不充分性和预测过程中特征权重不足性,提出了一种多层多模态语义空间的图像注意力标注方法.通过多层多模态公共语义空间对文本和图像改进网络,从基于文本的语言模型中利用多层的深度卷积神经网络特征提取上下文和句子;利用非线性特征图视觉映射到各层的文本和句子中获得多个公共语义空间实例,其中所有目标文本和视觉文本之间是以余弦相似度进行计算的;构建多层多模注意力机制在每个输出层都加入视觉特征,选择一层与图像上下文得分相关性最高的一层作为输出标注.实验结果表明,该方法能较好地提取注意力区域并给出标注,与其他传统方法对比,文中提出的模型标注结果具有一定优势.

摘要： 随着社交网络的快速发展,带有用户提供标签的社交网络图像呈现爆炸式增长.但是用户提供的标签是不准确的,存在很多不相关以及错误的标签.这势必会增加相关多媒体任务的困难.针对标签噪声无序性以及常用的高斯分布对标签噪声中大噪声过于敏感的问题,但是高斯分布对大噪声比较敏感.鉴于此,采用对各种噪声都具有鲁棒性的柯西分布拟合噪声,提出了一个基于噪声柯西分布的弱监督非负低秩深度学习(CDNL)模型,通过柯西分布建模标签噪声来获得理想标签,并利用深度神经网络模块学习视觉特征和理想标签之间的内在联系,来得到图像对应的正确标签,从而大幅提高社交网络图像的标签准确率.所提模型不仅可以修正错误标签、补充缺失标签,也可以对新图像进行标注.在2个公开的社交网络图像数据集上进行了验证,并且与一些最新的相关工作进行了对比,证实了所提模型的有效性.

摘要： 图像资源在非物质文化遗产的保护工作中扮演着重要角色.针对现有非遗图像资源在呈现和组织中存在的问题,基于已有的成熟理论和方法体系,提出一种专门面向非遗图像语义信息的描述方法.基于Panofsky和Shatford的图像学理论模型构建专门面向非遗数字图像的语义描述框架,针对该框架设计一个完整的图像上下文关键词提取流程,并对该流程进行相应的实验操作和有效性实证研究.实验成功从样本数据中提取出语义关键词信息,表明本文的方法在总体上优于现有的著录体系,能带来更高的精准度和召回率.

摘要： 针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法.该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注.基于所设计的方法构建了半监督图像标注系统,在试验中对系统进行性能评测和分析.结果 表明:迭代更新后的检测模型在测试集上的检测准确率为98.1％,召回率为88.5％,平均准确率为88.3％;利用所构建的半监督图像标注系统可以实现15 s/幅的标注速度,单幅图像的标注耗时仅为纯手工标注耗时的2.5％,图像标注时间代价大幅降低.研究结果为深度学习研究中的训练样本标注提供了高效的标注方法和工具,有助于提高图像标注效率,减少人力成本投入.

摘要： 随着深度学习的发展,遥感影像处理技术也从传统机器学习算法向深度学习转变,然而,用于遥感图像的训练数据集却十分稀少,且数据标注困难.本文将GIS技术与图像标注技术相结合,基于Flask Web框架设计一个可用于海量遥感数据的标注系统.该系统可用于海量遥感数据的数据框标注、数据类别标注,以及目标关键点标注,同时能将标注数据导出为深度学习训练最常用的COCO数据集和VOC2007两种格式.

摘要： 针对半监督稀疏特征选择算法进行了研究,采用自适应半监督学习来降低半监督特征选择的复杂度,进而提升大规模图像标注的性能.基于自适应半监督学习方法提出了一个新的半监督稀疏特征选择算法,即自适应半监督稀疏特征选择算法(Adaptive Semi-supervised Sparse Feature Selection,ASSFS).该方法能够克服图拉普拉斯半监督学习方法的高复杂度缺点,同时采用l2.1/2稀疏限定使选取的特征更加稀疏,更具判别性.所提算法应用到了大规模图像标注任务中,在NUS-WIDE图像数据库上进行了实验,实验结果表明了该算法适合大规模图像标注.

摘要： 文章首先对图像类型和图像标引作了介绍,然后比较了图像的folksonomy标注与受控词表标引的优劣,并对folksonomy图像标注行为、现象特点和关注因素等方面做了详细探讨.

摘要： 语义鸿沟已成为图像自动语义标注的瓶颈,解决这个问题需要建立从图像的底层特征到高层语义的映射.该文首先阐述了图像自动标注的原理,分析了语义鸿沟问题的产生根源.然后介绍了提取底层特征和高层语义特征的相关技术,接着对现有的语义映射方法进行了述评.最后探讨了图像语义标注未来的研究方向.

摘要： 本文提出了一种基于二元语言模型的图像语义自动标注方法，该方法基于二元语言模型的概念,通过考虑一幅图像中各个图像子区域间的相邻关系,建立图像区域与关键字之间的联合概率模型，实验显示,与传统的基于语言模型的图像标注方法相比,该方法能明显地改善标注效果。

摘要： 本发明的目的是改善对从活体得到的被摄体的图像进行标注的可用性。图像分析方法通过一个或多个计算机实现并且包括：显示作为从活体得到的被摄体的图像的第一图像；基于由用户添加到第一图像的第一标注来获取关于第一区域的信息(S101)；基于关于第一区域的信息从第一图像中与第一区域不同的区域或者通过拍摄包括经过了第一图像的捕获的对象的区域的至少一部分的区域而获得的第二图像中指定与第一区域相似的相似区域(S102，S103)；以及在第一图像中与相似区域对应的第二区域中显示第二标注(S104)。

摘要： 本发明涉及计算机视觉技术领域，提供一种图像标注方法、图像标注装置及计算机存储介质。图像标注方法，包括：获取待标注图像；基于待标注图像，确定分割区域的最小尺寸；基于最小尺寸，将待标注图像进行超像素分割，得到分割图像；基于当前分割图像确定当前阈值；根据当前阈值，采用区域融合的方式将分割图像的分割区域进行融合，得到当前融合图像；对局部区域中仅包括一个目标图像的局部区域进行标注；判断当前融合图像是否包括未标注的局部区域，根据判断结果完成待标注图像的标注。根据本公开提供的图像标注方法，能够有利于降低人工标注的时间成本，提高标注效率，且不影响图像标注的准确度。

摘要： 本申请公开了一种图像标注的方法，包括：获取待标注图像，待标注图像对应于第一放大倍率；从已标注图像集合中获取已标注图像，已标注图像对应于第二放大倍率，第二放大倍率与第一放大倍率不一致，已标注图像集合包括至少一个已经标注的图像；将待标注图像与已标注图像进行匹配，得到仿射变换矩阵；根据仿射变换矩阵以及已标注图像生成待标注图像的标注信息。本申请公开了一种基于病理图像的标注展示方法及装置。本申请可以将不同倍率下的图像所对应的标注进行迁移，比如可以将低倍率图像的标注迁移到高倍率图像上，从而减少了人工标注量，避免重复标注的情况，进而提升标注效率，降低人工成本。

摘要： 本发明公开一种图像目标三维信息标注方法及图像标注工具，包括以下步骤：1)读取待标注的图像；2)设置目标物体的高度，宽度，长度；3)设置三维检测框初始X轴数值，Y轴数值，Z轴数值，朝向α的数值；4)设置拍摄待标注的图像的摄像头内参；5)根据（1），（2），（3），（4）将待标注的图像中的目标物体投影到待标注的图像上，形成三维检测框；6)调整X轴数值，Y轴数值，Z轴数值，朝向α的数值，使得三维检测框准确覆盖待标注的图像上的目标物体；7)保存调整后的X轴数值，Y轴数值，Z轴数值，朝向α的数值形成三维目标检测的训练数据。将三维检测框直接绘制到待标注的图像中，使得三维检测框覆盖待标注的图像中的目标物体，最后保存所有调整的参数信息，能够方便，快捷得到深度学习的训练数据，有利于三维目标检测算法的实现。

摘要： 本申请涉及一种图像标注方法、系统、电子装置和存储介质，通过响应于第一终端设备的操作事件，根据操作事件获取图像的当前缩放比例；根据当前缩放比例确定画布分别在水平方向和竖直方向的偏移量，其中，画布用于在HTML页面中加载标注对象；确定画布的当前尺寸，并根据画布的当前尺寸、画布分别在水平方向和竖直方向的偏移量更新画布；根据当前缩放比例、画布分别在水平方向和竖直方向的偏移量，确定标注对象的当前位置，并在更新后的画布中按照标注对象的当前位置加载标注对象，解决了相关技术中图像经缩放操作后存在标注对象偏离目标的问题，实现了动态且准确的图像标注。

摘要： 一种图像标注方法和图像标注装置，该方法包括：获取待标注图像，所述待标注图像中包括已被用户标注的参考车道和待标注的辅助车道；获取所述参考车道的边界线信息和所述辅助车道的属性信息，所述属性信息至少包括宽度信息；基于所述参考车道的边界线信息和所述辅助车道的宽度信息确定所述辅助车道的边界线信息；基于所述辅助车道的边界线信息对所述辅助车道进行车道线标注，并显示标注后的图像。根据本申请实施例的图像标注方法和装置能够基于待标注图像中已被用户标注的参考车道实现对待标注图像中其他车道的自动标注，减少用户手动标注的工作量，提高车道标注效率。

摘要： 本申请公开了图像标注、获取图像标注模型的方法、装置及设备，属于图像处理技术领域。方法包括：获取第一图像，第一图像中存在至少一个待标注的目标对象；获取第一图像的多个尺寸的特征图，多个尺寸的特征图中的各个尺寸的特征图包括多个第一特征向量；从多个尺寸的特征图的第一特征向量中选择满足筛选条件的第一特征向量，得到至少一个目标对象对应的第一特征向量；获取至少一个目标对象对应的第一特征向量之间的相关性数据，基于相关性数据标注至少一个目标对象中的各个目标对象。通过选择满足筛选条件的第一特征向量，控制了标注目标对象时的计算量，提高了标注效率。基于第一特征向量之间的相关性数据标注目标对象，提高了标注的准确率。

摘要： 本发明提供一种图像标注系统架构及图像标注方法，根据不同图像标注类型在标注过程中的共性部分开发通用操作模块，以及根据不同图像标注类型开发对应的标注组件对象；图像标注精灵通过绑定挂载桥的方式绑定多个标注组件对象；每一个标注组件对象，用于对待标注图片进行相应类型的标注。本发明将不同图像标注类型在标注过程中的共性部分找出来，开发通用操作模块，只是对不同的部分进行独立开发，如果需要对不同图像标注类型进行更改或者增加时，只需要对相应的标注组件对象进行修正或者重新开发，只需要专注某个模块的开发工作，不需要对整个标注工具的结构进行熟悉，从而达到快速上手，从而提高开发效率。

摘要： 本说明书实施例提供一种图像标注模型的训练及图像标注的方法及装置。通过本说明书实施例提供的方法和装置，针对训练集中的图像，可以通过图像级的类别标签进行像素级的标注。在具体图像标注模型训练及图像标注过程中，通过原型向量对不同图像之间的特征进行交叉比较，从而进一步挖掘图像中的目标区域，还可以筛除非目标区域，实现弱监督下的目标分割任务。在损失确定过程中，不仅考虑分类损失，还考虑修正后的分割结果与本来的分割结果之间的相似性，从而使得分割结果更加稳定。

摘要： 本申请公开了一种图像样本标注方法、装置、终端设备和图像标注系统。该方法基于第一摄像头和第二摄像头之间的位姿关系、目标对象的第n个关键点在第一图像中的第一像素坐标和所述第n个关键点在第二图像中的第二像素坐标计算所述第n个关键点在第一摄像头坐标系下的第一个三维坐标，所述第一图像和所述第二图像分别由所述第一摄像头和所述第二摄像头在同一时刻获取，1≤n≤N，N为待标注关键点的总数；利用所述第一个三维坐标对所述第一图像中的第n个关键点进行标注。本申请可以获得目标对象被遮挡部位绝对深度，解决深度相机无法获得目标对象被遮挡部位绝对深度的问题。