[发明专利]获得自动标注图像中检查标签的样本图像的方法和装置

说明书

本发明提供一种方法，优化手动标注抽样过程并减少注解成本的获得用于深度学习网络学习的自动标注图像中用于检查标签的样本图像，其特征在于，包括：样本图像获得装置生成第一图像和第二图像，使得卷积层生成第一特征地图和第二特征地图，使得池化层生成第一池化特征地图和第二池化特征地图，生成拼接的特征地图；使得深度学习分类器获得拼接的上述特征地图，生成等级信息；以及计算异常等级组的异常等级要素的概率，判断自动标注图像是否为复杂图像，选择上述自动标注图像作为用于检查标签的上述样本图像。并且，上述方法可以利用具有多个变形对的鲁棒算法(robust algorithm)执行。并且，通过本发明可以更加准确检测危险情况。

技术领域

本发明涉及获得用于深度学习网络学习的至少一个自动标注图像中用于检查标签的至少一个样本图像的方法及装置。

背景技术

近来，对利用机器学习(machine learning)来识别对象的方法等进行研究。通过这种机器学习环节，使利用在输入层与输出层之间具有多个隐含层(hidden layer)的神经网络的深度学习具有高识别性能。

而且，利用上述深度学习的上述神经网络通常通过利用损失的反向传播进行学习。

为了进行这种深度学习网络的学习，需要由标注者(labeler)对个别数据点添加标签(tag)，即，标签(label)的训练数据。准备这种训练数据(即，准确分类数据)，尤其，在利用大量的训练数据的情况和数据预处理的质量持续不高的情况下，劳动密集、成本高且繁琐。以往的可相互标注的方法成本高而无法导出理想结果。

因此，最近，执行利用基于深度学习的自动标注装置来对训练图像添加标签(tag)，即，标签(label)的自动标注，由检查人员检查自动标注的训练图像来校正上述标签(tag)或标签(label)。

然而，这种以往的方法中，检查人员的处理率(throughput)低于上述自动标注装置的处理率，针对全部训练图像生成真实标签需要很长时间。为了提高整体处理率需要增加检查人员数量，但这种情况下发生成本增加问题。

并且，还存在难以确保能够承受上述自动标注装置的处理率的多个熟练的检查人员的问题。

发明内容

技术问题

本发明的目的在于，解决以上提及的所有问题。

本发明的再一目的在于，通过自动标注提高所有训练图像的标注处理率(throughput)。

本发明的另一目的在于，减少检查人员数量的同时将上述自动标注的处理率维持最大值。

本发明的还有一目的在于，使不熟练的检查人员以不低于上述自动标注装置的处理率检查标注。

解决问题的手段

为了达成如上所述的本发明的目的，并带来后述的本发明的特征性效果，本发明的特征性结构如下：