[发明专利]一种基于无监督或弱监督方式的图像分割数据标注方法及系统

说明书

本公开提供了一种基于无监督或弱监督方式的图像分割数据标注方法，包括：S1，获取待标注的图像数据并输入该标注系统；S2，根据待标注的图像数据选择分割任务的数据标注方式，其中，数据标注方式包括无监督标注方式或弱监督标注方式；S3，根据S2中选择的数据标注方式将待标注的图像数据输入至已训练的无监督或弱监督分割标注网络进行标注，生成待标注图像数据的数据标签；S4，输出并存储数据标签。本公开还提供了一种基于无监督或弱监督方式的图像分割数据标注系统。

技术领域

本公开涉及图像处理技术领域，具体涉及一种基于无监督或弱监督方式的图像分割数据标注方法及系统。

背景技术

随着人工智能相关技术的研究发展，计算机自动生成标注信息的无监督数据标注方法以及充分利用人工标注信息与学习规则相结合的弱监督数据标注方法成为了急需解决的关键问题。

传统的图像分割数据标注方法需要对图像进行逐一的像素级的精细的数据标注，这些手动标记的训练集创建起来既昂贵又耗时，通常需要花费许多人数月或者数年的成本来进行数据的收集、清理和调试，使得强监督信息的获得需要较大的成本。

本公开提供的一种基于无监督和弱监督方式的图像分割数据标注方法及系统，能够极大的降低数据标注的人力资源消耗，提高数据标注的效率，使得数据标注更好的适应当前人工智能相关技术的发展。

发明内容

为了解决现有技术中所存在的数据标注成本大的问题，本公开的第一方面提供了一种基于无监督或弱监督方式的图像分割数据标注方法，包括：S1，获取待标注的图像数据并输入标注系统；S2，根据待标注的图像数据选择分割任务的数据标注方式，其中，数据标注方式包括无监督标注方式或弱监督标注方式，无监督标注方式用于对待标注图像数据进行无监督方式标注，自动生成数据标签；弱监督标注方式用于对待标注图像数据进行弱监督方式标注，利用人工标注信息与学习规则相结合生成数据标签；S3，根据S2中选择的数据标注方式将待标注的图像数据输入至已训练的无监督或弱监督分割标注网络进行标注，生成待标注图像数据的数据标签；S4，输出并存储数据标签。

可选地，S3中无监督分割标注网络为全卷积自适应网络，其中，S3包括：采用图像域适应模块对待标注图像数据在像素空间中进行域的变换；采用特征适应模块指导输出的进行域变后的待标注图像数据，生成数据标签。

可选地，S3中弱监督分割标注网络为Curve-GCN网络，其中，S3包括：采用特征提取模块对待标注图像数据进行特征提取；采用GCN模块获取目标精细边界信息，生成数据标签。

可选地，S1中待标注的图像数据从本地存储设备获取，输入标注系统。

可选地，S4中该数据标签存储至本地存储设备的硬盘。

本公开的第二方面提供了一种基于无监督或弱监督方式的图像分割数据标注系统，包括：数据获取单元，用于获取待标注图像数据，并输入该标注系统；标注方式选择单元，用于根据待标注图像数据选择分割任务的数据标注方式，其中，数据标注方式包括无监督标注方式或弱监督标注方式，无监督标注方式用于对待标注图像数据进行无监督方式标注，自动生成数据标签；弱监督标注方式用于对待标注图像数据进行弱监督方式标注，利用人工标注信息与学习规则相结合生成数据标签；标签生成单元，用于根据选择的数据标注方式将待标注的图像数据输入至已训练的无监督或弱监督分割标注网络进行标注，生成待标注图像数据的数据标签；数据存储单元，用于输出并存储该数据标签。

可选地，无监督分割标注网络为全卷积自适应网络，还全卷积自适应网络包括：图像域适应模块，用于对待标注图像数据在像素空间中进行域的变换；特征适应模块，用于根据图像域适应模块输出的进行域变后的待标注图像数据，生成数据标签。

可选地，弱监督分割标注网络为Curve-GCN网络，Curve-GCN网络包括：特征提取模块，用于对待标注图像数据进行特征提取；GCN模块，用于获取目标精细边界信息，生成数据标签。