[发明专利]图像标注方法、装置、设备及计算机可读存储介质

权利要求书

1.一种图像标注方法，其特征在于，包括：

获取标签集中任意两个标签之间的相关度；

提取图像的特征向量；

根据所述标签集中任意两个标签之间的相关度和所述特征向量，生成融合向量；

根据所述融合向量，得到所述图像的标签。

2.根据权利要求1所述的方法，其特征在于，所述获取标签集中任意两个标签之间的相关度，包括：

获取数据集，所述数据集包括多个样本以及所述样本的标注信息，所述样本的标注信息包括所述样本被标注的至少一个标签，所述标签集是所述数据集内所有样本被标注的标签构成的集合；

根据所述数据集的样本及其标注信息，生成所述标签集中的标签对应的标签向量；

根据所述标签集中的标签对应的标签向量，计算所述标签集中任意两个标签之间的相关度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述数据集的样本及其标注信息，生成所述标签集中的标签对应的标签向量，包括：

根据所述数据集的样本及其标注信息，生成L行N列的关联矩阵，其中L为所述标签集中的标签数量，N为所述数据集中的样本的数量；

将所述关联矩阵各行的行向量作为对应标签的标签向量。

4.根据权利要求3所述的方法，其特征在于，所述根据所述数据集的样本及其标注信息，生成L行N列的关联矩阵，其中L为所述标签集中的标签数量，N为所述数据集中的样本的数量，包括：

根据所述数据集的样本及其标注信息，采用如下公式生成所述关联矩阵的元素a_ij：

其中，a_ij表示所述关联矩阵第i行第j列的元素；

t_ij表示样本j是否具有标签i，若样本j具有标签i，则t_ij的值为1，若样本j不具有标签i，则t_ij的值为0；

I_i表示所述数据集中具有标签i的样本的总数量；

i＝1,2，…，L；

j＝1，2,…，N。

5.根据权利要求2所述的方法，其特征在于，所述根据所述标签集中的标签对应的标签向量，计算所述标签集中任意两个标签之间的相关度，包括：

根据所述标签集中的标签对应的标签向量，计算任意两个标签对应的标签向量的余弦相似度。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述标签集中任意两个标签之间的相关度和所述特征向量，生成融合向量，包括：

根据所述标签集中任意两个标签之间的相关度，生成一维的相关向量；

将所述图像的特征向量与所述一维的相关向量进行拼接处理，得到所述融合向量。

7.根据权利要求6所述的方法，其特征在于，所述根据所述标签集中任意两个标签之间的相关度，生成一维的相关向量，包括：

根据所述标签集中任意两个标签之间的相关度，生成L行L列的相关性矩阵，其中L为所述标签集中的标签数量，所述相关性矩阵中的元素值为所在行和所在列对应的标签之间的相关度；

对所述L行L列的相关性矩阵进行降维处理，得到一维的相关向量。

8.根据权利要求1-5任一项所述的方法，其特征在于，所述提取图像的特征向量，包括：

利用卷积神经网络的特征提取层，提取所述图像的局部特征和全局特征，得到所述图像的特征向量。

9.根据权利要求8所述的方法，其特征在于，所述根据所述融合向量，得到所述图像的标签，包括：

将所述融合向量输入所述卷积神经网络的预测层，得到所述图像的标签。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

采用交叉熵损失函数和梯度下降法进行模型训练，得到所述卷积神经网络。