[发明专利]标注和标记用于深度神经网络和神经网络应用的数据流的在线增量实时学习

权利要求书

1.一种标注图像序列的方法，所述方法包括：

由用户标注图像序列中的第一图像中的对象的表示的第一实例；

由至少一个处理器学习由所述用户在所述第一图像中标注的所述对象的所述表示；

由所述至少一个处理器标注所述图像序列中的所述对象的所述表示的第二实例；

由所述用户执行对由所述至少一个处理器创建的所述对象的所述表示的所述第二实例的标注和/或位置的调整；以及

由所述至少一个处理器基于所述调整来标注所述图像序列中的所述对象的所述表示的第三实例。

2.根据权利要求1所述的方法，其中所述对象的所述表示的所述第二实例处于所述图像序列中的所述第一图像中。

3.根据权利要求1所述的方法，其中所述对象的所述表示的所述第二实例处于所述图像序列中的另一图像中。

4.根据权利要求1所述的方法，其还包括：

由所述用户执行对由所述至少一个处理器创建的所述对象的所述表示的所述第三实例的标注和/或位置的调整；以及

由所述至少一个处理器基于对所述对象的所述表示的所述第三实例的标注和/或位置的所述调整来标注所述图像序列中的所述对象的所述表示的第四实例。

5.根据权利要求1所述的方法，其还包括：

通过在所述至少一个处理器上运行的快速学习分类器来对由所述用户在所述第一图像中标注的所述对象的所述表示进行分类。

6.根据权利要求5所述的方法，其中标注所述对象的所述表示的所述第三实例包括：

通过以可操作方式联接到所述快速学习分类器的神经网络来提取卷积输出，所述卷积输出表示所述对象的所述表示的所述第三实例的特征；以及

通过所述快速学习分类器基于所述卷积输出来对所述对象的所述表示的所述第三实例进行分类。

7.根据权利要求1所述的方法，其中标注所述对象的所述表示的所述第二实例包括：

通过在所述至少一个处理器上运行的神经网络来提取卷积输出，所述卷积输出表示所述对象的所述表示的所述第二实例的特征；以及

通过以可操作方式联接到所述神经网络的分类器基于所述卷积输出来对所述对象的所述表示的所述第二实例进行分类。

8.一种标注图像序列的系统，所述系统包括：

用户界面，其使用户能够标注所述图像序列中的第一图像中的对象的表示的第一实例；以及

至少一个处理器，其以可操作方式联接到所述用户界面，用以学习所述用户在所述第一图像中标注的所述对象的所述表示并且标注所述图像序列中的所述对象的所述表示的第二实例，

其中所述用户界面使所述用户能够执行对由所述至少一个处理器创建的所述对象的所述表示的所述第二实例的标注和/或位置的调整，并且所述至少一个处理器配置成基于所述调整来标注所述图像序列中的所述对象的所述表示的第三实例。

9.根据权利要求8所述的系统，其中用户界面使所述用户能够执行由所述用户对由所述至少一个处理器创建的所述对象的所述表示的所述第三实例的标注和/或位置进行的调整，并且所述至少一个处理器配置成基于对所述对象的所述表示的所述第三实例的所述标注和/或位置的所述调整而标注所述图像序列中的所述对象的所述表示的第四实例。

10.根据权利要求8所述的系统，其中所述对象的所述表示的所述第二实例处于所述图像序列中的所述第一图像中。

11.根据权利要求8所述的系统，其中所述对象的所述表示的所述第二实例处于所述图像序列中的第二图像中。

12.根据权利要求8所述的系统，其中所述处理器配置成实施快速学习分类器以对由所述用户在所述第一图像中标注的所述对象的所述表示进行分类。