[发明专利]自动图像标注方法、装置、设备及计算机可读存储介质

权利要求书

1.一种自动图像标注方法，其特征在于，包括：

将待标注图像输入至预先构建的深度学习网络模型中，并提取所述深度学习网络模型中间层输出的卷积结果；

基于所述卷积结果，通过稀疏编码生成所述待标注图像的图像视觉特征向量；

计算所述图像视觉特征向量与预先构建的文本词汇视觉特征向量库中的各文本词汇的文本视觉特征向量的相似度；

将满足相似度条件的文本词汇作为标注词，自动对所述待标注图像进行图像标注；

其中，所述文本词汇视觉特征向量库的构建过程包括：

文本词汇视觉特征向量库包括M个词汇，利用第一公式表示所述文本词汇视觉特征向量库中第j个词汇w_j基于正例图像集的视觉特征向量其中，所述第一公式为：

式中，利用第二公式表示所述词汇w_j的视觉特征向量所述第二公式为：

为所述正例图像集I中每i张正例图像的特征向量，s_j为所述词汇w_j的正例图像集合，N为正例图像个数；所述正例图像集表示为所述正例图像集I中每张正例图像由第三公式表示，所述第三公式为：

式中，为词汇特征向量，a为布尔类型。

2.根据权利要求1所述的自动图像标注方法，其特征在于，所述基于所述卷积结果，通过稀疏编码生成所述待标注图像的图像视觉特征向量包括：

将所述卷积结果进行规格化并转化为二维特征矩阵；

利用聚类算法对所述二维特征矩阵进行聚类处理，得到所述待标注图像的多个视觉词汇；

利用所述聚类算法产生的多个聚类中心点将所述二维特征矩阵进行局部聚合向量编码，以得到所述待标注图像的图像视觉特征向量。

3.根据权利要求2所述的自动图像标注方法，其特征在于，所述利用聚类算法对所述二维特征矩阵进行聚类处理之前，还包括：

利用主成分分析对所述二维特征矩阵进行约减处理，以用于执行后续聚类操作。

4.根据权利要求3所述的自动图像标注方法，其特征在于，所述利用聚类算法对所述二维特征矩阵进行聚类处理为：

利用K-Means聚类算法对经过降维处理的二维特征矩阵进行聚类处理。

5.根据权利要求2-4任意一项所述的自动图像标注方法，其特征在于，所述待标注图像的图像视觉特征向量利用第四公式表示，所述第四公式为：

式中，f_i为所述待标注图像的图块特征，[C₁,C₂,…,C_m]为各聚类中心点，m为所述待标注图像的视觉词汇总个数。

6.根据权利要求1-4任意一项所述的自动图像标注方法，其特征在于，所述计算所述图像视觉特征向量与预先构建的文本词汇视觉特征向量库中的各文本词汇的文本视觉特征向量的相似度为：

利用第五公式依次计算所述图像视觉特征向量和各文本词汇的文本视觉特征向量的相似度，所述第五公式为：

式中，I_o为所述待标注图像，为所述图像视觉特征向量，w_j为所述文本词汇视觉特征向量库第j个词汇，为所述词汇w_j的文本视觉特征向量。