[发明专利]修正样本标注数据的方法、装置、设备及存储介质

说明书

本公开关于修正样本标注数据的方法、装置、设备及存储介质，该方法包括：获取带标注数据的图像样本，所述标注数据包括圆形目标的初始边缘位置及初始中心位置；根据所述初始边缘位置进行圆形拟合得到初始半径，将所述初始半径浮动得到多个搜索半径，将所述初始中心位置浮动得到多个搜索中心点；对所述圆形目标进行边缘检测，得到所述圆形目标的边缘像素点；计算每个搜索中心点与每个边缘像素点的距离值，确定距离值相同的次数中的最大次数；比较各搜索中心点对应的最大次数中的最大值，根据最大值对应的搜索中心点和距离值，得到修正中心位置和修正边缘位置。本公开采用非人工审核校对方式修正样本标注数据，提高了标注数据的修正效率和准确率。

技术领域

本公开涉及数据分类技术领域，尤其涉及一种修正样本标注数据的方法、装置、设备及存储介质。

背景技术

目前神经网络的应用越来越广泛，例如在图像识别领域基于神经网络的自学习功能，能够对图像进行目标识别并对识别的图像进行分类。利用神经网络模型解决图像识别分类的问题，首先需要利用大量的样本数据对神经网络模型进行训练，并且，需要对样本进行目标标注作为样本标注数据，利用样本数据以及样本标注数据对神经网络模型进行训练。

基于深度学习的神经网络模型的神经网络结构通常比较复杂，往往需要大量的训练样本对神经网络模型进行训练，训练过程一般为：向神经网络模型输入训练样本以及训练样本标注数据，依据对神经网络模型输出的训练样本标注数据与输入的训练样本标注数据进行匹配，根据匹配结果不断对神经网络模型中的各个参数进行调整，直到匹配结果满足用户需求，便完成对该神经网络模型的训练。

因此，在基于深度学习的神经网络模型训练中，训练样本目标标注数据是非常重要的一环，决定了利用训练样本训练完成后的神经网络模型的性能，如果训练样本目标标注数据不准确，则会降低神经网络模型的性能。现有技术中通常对人工标注的样本数据进行反复人工审核校正，逐个检查标注的样本数据，不仅获得的样本目标标注数据不够准确而且需耗费大量人力。

例如，通过基于深度学习的神经网络模型定位虹膜图像中的虹膜中心和预测虹膜半径时，需要大量的虹膜样本数据，以及虹膜样本标注数据对神经网络模型进行训练，从而利用训练好的神经网络模型来预测虹膜中心位置和虹膜半径，现有技术方案通常基于人工标注的虹膜中心坐标和虹膜边缘点坐标，进行反复人工审核校正，由于需要人工逐个检查并校正每一个标注数据，在训练样本量很大的情况下，需要耗费大量的人力和时间，并且，人工检查并校正后仍可能存在一定的误差，将存在误差的虹膜标注数据对神经网络模型进行训练，会导致神经网络模型输出的预测结果不够准确，降低神经网络模型的性能。

发明内容

本公开提供了一种修正样本标注数据的方法，基于预先标注的目标的初始中心坐标和初始边缘坐标，结合图像边缘特征，采用统计待测估计中心及对应的搜索半径的方法对预先标注的目标的初始中心坐标和初始边缘坐标进行修正，以获得更准确的标注数据。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种修正样本标注数据的方法，包括：

获取带标注数据的图像样本，所述标注数据包括圆形目标的初始边缘位置及初始中心位置；

根据所述初始边缘位置进行圆形拟合得到初始半径，将所述初始半径浮动得到多个搜索半径，将所述初始中心位置浮动得到多个搜索中心点；

对所述圆形目标进行边缘检测，得到所述圆形目标的边缘像素点；

计算每个搜索中心点与每个边缘像素点连线得到的距离值，确定不大于各搜索半径对应的各个相同的距离值，并对每个相同的所述距离值分别统计出现的次数，从统计的次数中确定最大次数；

比较各搜索中心点对应的最大次数中的最大值，根据最大值对应的搜索中心点和距离值，得到修正中心位置和修正边缘位置。