[发明专利]形成用于全监督式学习的数据集

权利要求书

1.一种信号处理的计算机实现的方法，包括：

-提供(S10)图像；

-针对所述图像的至少一个子集中的每个相应的一个：

·应用(S20)弱监督式学习函数，所述弱监督式学习函数输出相应对，所述相应对中的每个对包括相应定位和一个或多个相应置信度分数，每个置信度分数表示相应对象类别在所述相应定位处的实例化概率；

·基于所述弱监督式学习函数的输出来确定(S30-S80)一个或多个相应注释，每个注释包括相应定位和表示相应对象类别在所述相应定位处的实例化的相应标签；以及

-形成(S90)包括数据片段的数据集，每个数据片段包括所述子集的相应图像以及针对所述相应图像确定的所述一个或多个注释的至少一部分。

2.根据权利要求1所述的方法，其中，每个相应注释的所述定位与由所述弱监督式学习函数输出的一个或多个定位相对应。

3.根据权利要求2所述的方法，其中，相应于每个相应注释的所述对象类别是在由所述弱监督式学习函数输出的与所述相应注释的定位相对应的所述一个或多个定位处具有实例化概率的对象类别，所述实例化概率由严格高于零的相应置信度分数表示。

4.根据权利要求3所述的方法，其中，相应于每个相应注释的所述对象类别是在由所述弱监督式学习函数输出的与所述相应注释的定位相对应的一个或多个定位处具有实例化概率的对象类别，所述实例化概率由最高置信度分数表示。

5.根据权利要求3或4所述的方法，其中，相应于每个相应注释的所述对象类别是在由所述弱监督式学习函数输出的与所述相应注释的定位相对应的一个或多个定位处具有实例化概率的对象类别，所述实例化概率由高于严格正阈值的相应置信度分数表示。

6.根据权利要求5所述的方法，其中，所述阈值具有取决于所述图像中的对象的平均数量的值。

7.根据权利要求3-6中的任一项所述的方法，其中，针对所述子集的至少一部分的每个相应图像：

·所述相应图像被提供有相应初始标签，每个初始标签表示所述相应图像中相应对象类别的实例化；并且

·所述相应图像的每个相应注释的标签表示与所述相应图像的初始标签相对应的相应对象类别的实例化。

8.根据权利要求2-7中的任一项所述的方法，其中，由所述弱监督式学习函数输出的与相应注释的定位相对应的所述一个或多个定位是经由聚类算法来识别的。

9.根据权利要求1-8中的任一项所述的方法，所述弱监督式学习函数是基于初始数据集来学习的，所述初始数据集包括初始数据片段，每个初始数据片段包括相应图像和相应注释，所述注释由相应一组标签组成，每个标签表示所述相应图像中相应对象类别的实例化。

10.根据权利要求1-9中的任一项所述的方法，其中，所述方法还包括基于形成的数据集来学习(S100)全监督式学习函数，所述全监督式学习函数应用于图像并且输出相应对，所述相应对中的每个对包括相应定位以及一个或多个相应置信度分数，每个置信度分数表示相应对象类别在所述相应定位处的实例化概率。

11.一种包括计算机程序的数据结构，所述计算机程序包括指令，所述指令用于执行根据权利要求1-10中的任一项所述的方法，由根据权利要求1-10中的任一项所述的方法形成的数据集，和/或能够根据权利要求10所述的方法学习的全监督式学习函数。

12.一种包括具有存储于其上的根据权利要求10所述的数据结构的计算机可读介质的设备。

13.根据权利要求12所述的设备，其中，所述设备进一步包括耦合到所述计算机可读介质的处理器。