[发明专利]图像标注模型训练和图像标注方法、系统、设备及介质

权利要求书

1.一种图像标注模型训练方法，其特征在于，所述图像标注模型训练方法包括：

获取图像数据并构造训练数据集，所述训练数据集包括被预设的分类标签标注的所述图像数据；所述分类标签包括若干不同的目标标签和一个非目标标签；所述非目标标签与所述目标标签的类别不同；

在残差网络结构包括的卷积层后增加注意力机制模块，以构建图像标注模型，其中，所述注意力机制模块用于对所述卷积层输出的特征图的不同通道和区域进行调整，所述残差网络结构包括依次连接的至少一个卷积层和一个全连接层；

将所述训练数据集输入到所述图像标注模型进行训练，得到目标图像标注模型。

2.如权利要求1所述的图像标注模型训练方法，其特征在于，所述在残差网络结构包括的卷积层后增加注意力机制模块的步骤包括：

将所述卷积层输出的第一特征图输入到所述注意力机制模块得到注意力权重特征图；

根据所述第一特征图和所述注意力权重特征图确定所述注意力机制模块输出的第二特征图。

3.如权利要求1所述的图像标注模型训练方法，其特征在于，所述残差网络结构包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层；

所述在残差网络结构包括的卷积层后增加注意力机制模块的步骤包括：

在所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层后分别增加一个注意力机制模块。

4.如权利要求1所述的图像标注模型训练方法，其特征在于，所述将所述训练数据集输入到所述图像标注模型进行训练，得到目标图像标注模型的步骤包括：

将所述训练数据集输入到所述图像标注模型，得到模型输出结果；

根据所述模型输出结果和平衡因子，利用第一损失函数计算所述图像标注模型的错误损失；

所述平衡因子为所述训练数据集中各所述分类标签标注的样本数与所述训练数据集的样本总数的比例。

5.如权利要求4所述的图像标注模型训练方法，其特征在于，所述将所述训练数据集输入到所述图像标注模型进行训练，得到目标图像标注模型的步骤包括：

根据所述模型输出结果，利用第二损失函数计算所述图像标注模型的约束损失；

根据所述错误损失和所述约束损失确定所述图像标注模型的总损失；

根据所述总损失调整所述图像标注模型的参数，直至达到收敛条件。

6.一种图像标注方法，其特征在于，所述图像标注方法包括：

获取待标注图像数据；

将所述待标注图像数据输入到利用如权利要求1-5中任意一项所述的图像标注模型训练方法得到的目标图像标注模型中，得到所述待标注图像数据的标注结果。

7.一种图像标注模型训练系统，其特征在于，所述图像标注模型训练系统包括：

数据集构造模块，所述数据集构造模块用于获取图像数据并构造训练数据集，所述训练数据集包括被预设的分类标签标注的所述图像数据；所述分类标签包括若干不同的目标标签和一个非目标标签；所述非目标标签与所述目标标签的类别不同；

模型构建模块，所述模型构建模块用于在残差网络结构包括的卷积层后增加注意力机制模块，以构建图像标注模型，其中，所述注意力机制模块用于对所述卷积层输出的特征图的不同通道和区域进行调整，所述残差网络结构包括依次连接的至少一个卷积层和一个全连接层；

模型训练模块，所述模型训练模块用于将所述训练数据集输入到所述图像标注模型进行训练，得到目标图像标注模型。

8.一种图像标注系统，其特征在于，所述图像标注系统包括：

图像获取模块，所述图像获取模块用于获取待标注图像数据；

图像标注模块，所述图像标注模块用于将所述待标注图像数据输入到利用如权利要求1-5中任意一项所述的图像标注模型训练方法得到的目标图像标注模型中，得到所述待标注图像数据的标注结果。