[发明专利]图片预标注方法、装置及终端设备

说明书

本申请适用于目标物体预标注技术领域，提供了图片预标注方法、装置及终端设备，包括：采用第一数量的第一图片训练轻量级网络，得到第二模型；采用所述第二模型对第二数量的第二图片进行预标注，得到包含第一预标注信息的第二图片，若所述第一预标注信息的置信度大于或等于预设置信度阈值，则将置信度大于或等于预设置信度阈值对应的包含第一预标注信息的第二图片存入预标注数据集；采用所述第一图片以及所述预标注数据集中的包含第一预标注信息的第二图片训练重量级网络，得到第四模型；采用所述第四模型对剩余需要预标注的图片进行预标注。通过上述方法，能够有效减少人工预标注的时间成本。

技术领域

本申请属于目标物体预标注技术领域，尤其涉及图片预标注方法、装置、终端设备及计算机可读存储介质。

背景技术

基于机器视觉的机器人上的物体检测，是指搭载光学摄像头的机器人拍摄现实世界中的物体，然后采用物体识别算法对拍摄得到的图片进行特征提取，并根据提取的特征识别出物体所属的类别，同时回归出该物体在图片中的坐标位置，从而有助于机器人更好地感知现实世界，最终做出相应地决策。机器人虽然自带有中央处理器以及摄像头，但其本身对世界并没有感知能力，而机器视觉技术却能够对机器人使用摄像头所拍摄到的图片进行感知，识别出机器人眼前的目标物体以及目标物体所在的位置，进而辅助机器人更好的感知世界甚至认知世界。即，基于机器视觉的物体检测方案，是通过设计卷积神经网络模型对机器人上搭载的摄像头采集到的图片进行特征提取和识别，同时计算出目标物体在图片中的具体坐标位置，从而辅助机器人感知世界并作出相应的应答机制。

目前，使用卷积神经网络模型进行目标物体检测还是属于有监督学习范畴，即首先通过人工标注大量图片中的目标框，得到有标注图片，然后将标注好的各个有标注图片送入卷积神经网络模型中，该卷积神经网络模型通过对有标注图片学习到一种映射关系，最终其能达到检测出现实世界中该目标框的目标物体的目的。通过上述描述可知，要实现目标物体的检测，首先涉及到一个人工标注问题，若希望检测的目标种类越多，则需要进行人工标注的目标框也会成倍增长，此过程就需要付出大量的人力和时间成本。

现有的基于卷积神经网络模型进行目标物体的检测方法，通常是直接采用一个重量级模型对图片进行预标注。但这样又会涉及出另一问题，即重量级模型对数据吞吐量较为庞大，在预标注冷启动时，由于已标注的数量较少，势必会导致该重量级模型的性能较差，进而导致其预标注的质量较差，从而极大增大人工校准的难度和工作量。

故，需要提供一种新的物体预标注方法，以解决上述技术问题。

发明内容

本申请实施例提供了图片预标注方法，可以减少人工预标注的时间成本以及减少人工校准的难度。

第一方面，本申请实施例提供了一种图片预标注方法，包括：

采用第一数量的第一图片训练轻量级网络，得到第一模型，其中，所述第一图片中的目标物体的类别和位置均被人工通过目标框预标注；

采用所述第一模型对第二数量的第二图片进行预标注，得到包含第一预标注信息的第二图片，若所述第一预标注信息的置信度大于或等于预设置信度阈值，则将置信度大于或等于预设置信度阈值对应的包含第一预标注信息的第二图片存入预标注数据集；

采用所述第一图片以及所述预标注数据集中的包含第一预标注信息的第二图片训练重量级网络，得到第二模型；

采用所述第二模型对剩余需要预标注的图片进行预标注。