[发明专利]自动生成显著性检测任务标注数据的方法、装置及系统

说明书

本发明实施例公开了一种自动生成显著性检测任务标注数据的方法、装置及系统，利用渲染引擎自动生成可用于显著性检测任务的标注数据，利用该方法生成的数据可以和人工标注的数据混合在一起达到数据增强的目的，从而提升显著性检测模型的准确率，在没有人工标注数据的情况下也可以使用该方法生成的数据直接训练显著性检测模型。

技术领域

本发明实施例涉及深度学习技术领域，具体涉及一种自动生成显著性检测任务标注数据的方法、装置及系统。

背景技术

显著性检测是指利用算法提取图像中的显著区域。基于深度学习的显著性检测任务通常需要大量的标注数据，而获取数据有时候并不容易。目前一般的显著性检测任务获取训练数据的方法主要还是人工标注，费时费力且昂贵。数据的数量和质量成了限制深度学习显著性检测模型能力的瓶颈。

发明内容

为此，本发明实施例提供一种自动生成显著性检测任务标注数据的方法、装置及系统，以解决现有的显著性检测任务获取训练数据的方法主是人工标注，费时费力且昂贵，数据的数量和质量成了限制深度学习显著性检测模型能力的瓶颈的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，提出了一种自动生成显著性检测任务标注数据的方法，所述方法包括：

将I_T输入至决策网络模型中得到O_T，其中I_T＝[[0,1…N],[0,1…M],[0,1…X],[0,1…Y]]表示具有N个用于显著性检测任务的三维模型、M个背景图片、X个三维模型在背景中的放置位置以及Y个三维模型旋转角度的所有组合，O_T＝(I,J,K,L)表示取第I个三维模型M[I]、第J个背景B[J]、三维模型放在第K个位置L[K]以及三维模型旋转L角度R[L]；

将获取的O_T输入至显著性检测模型，输出得到三维模型在背景中的预测框；

根据获取的O_T确定的图片通过带有渲染引擎的三维图形图像软件根据三维模型尺寸和位置得到用于显著性检测任务的三维模型在背景中的标注框；

根据获得的三维模型的预测框和标注框计算交并比IoU，若IoU＞0.5，则记录此时的O_T和I_T作为一组数据对；

当获得有预设数量组数的O_T和I_T的数据对时，则使用所获得的多组数据对对决策网络模型进行训练，使得决策网络模型朝着产生更多有效数据的方向更新梯度；

多次重复训练完后获得能够产生大量有效的用于显著性检测任务的标注数据的决策网络模型。

进一步地，所述方法还包括：

当决策网络模型输出一组O_T时，则根据O_T修改I_T，将I_T中各对应位置的值改为-1，表示该种组合已被使用，不再进行复用。

进一步地，所述方法还包括：

当一次训练完成后，将I_T恢复为初始值，只保留决策网络模型的权重，再进行重新取数和训练。

进一步地，所述决策网络模型包括多层感知机、卷积神经网络等任何已知或未知的模型。

进一步地，所述显著性检测模型包括U2Net、BANet等任何已知或未知的模型。

进一步地，所述三维图形图像软件包括Unreal、Blender、Unity、NUKE等。

进一步地，所述用于显著性检测任务的三维模型来源为人工建模、照片3D重建或者直接从第三方获取，背景为纯色或者实际业务场景的背景图片。

根据本发明实施例的第二方面，提出了一种自动生成显著性检测任务标注数据的装置，所述装置包括：