[发明专利]一种可在线学习的辅助数据标注方法

说明书

本发明公开了一种可在线学习的辅助数据标注方法，包括第一次模型训练、使用模型标注数据、人工校正标注数据、再次训练优化模型的步骤，本发明的辅助数据标注方法可以在初试数据很少的情况下完成模型训练并将模型用于辅助数据标注，最重要的是本发明的方法通过使用每次辅助标注完成的数据再次训练模型来实现在线学习，进一步提升模型的性能，提高模型的目标检测的准确率，从而提升辅助标注数据的准确率，极大地减少了重复性的人工数据标注过程对时间和人力成本的耗费。

技术领域

本发明涉及计算机视觉领域和深度学习领域，特别涉及一种可在线学习的辅助数据标注方法。

背景技术

目标检测是计算机视觉领域很重要的一个分支，通过目标检测模型机器可以获得图片中我们感兴趣物体的区域、类别、置信度等属性，为了使得目标检测能够达到很高的准确率，必须对目标检测模型进行训练。目前深度学习领域的模型都需要大量数据进行训练，由于目标检测所需数据标签具有很多属性，因此目前的模型的训练的就是对大量数据进行人工标注，用标注的数据对模型进行训练，数据标注这种重复性工作需要耗费大量的人力和时间，而且在数据训练完成之前，模型不能用来进行数据标注，在数据训练完成之后，模型也不能通过在线学习提高性能。

发明内容

本发明的目的是解决现有数据标注过程需要重复耗费大量人力和时间的技术问题，本发明提供一种可在线学习的辅助数据标注方法。

本发明解决技术问题采用如下技术方案：

一种可在线学习的辅助数据标注方法，包括以下步骤：

1)使用最初标记好的少量数据，对模型进行一次训练得到M¹：训练时使用深度目标检测网络faster rcnn，在训练faster rcnn时使用随机梯度下降法；对模型进行第一次训练时初始学习率设置为0.001，之后的训练初始学习率设置为0.0001；每次训练时使用20％数据作为测试集数据；

2)判断是否有新的数据需要标注，如果有新的数据需要标注，重复步骤3)至步骤5)的迭代计算，直至没有新的数据需要标注，结束方法；

3)对于需要标注的第l批次数据x_l，使用上一次训练得到的模型M^l-1对数据进行预测：预测时选框置信度阈值设置为0.65，得到预测数据包括目标候选框置信度、目标候选框位置、目标物体类别信息；

4)在上一步预测得到的数据的基础上进行人工的校正微调，得到人工标记数据

5)将标记好的数据作为标签输入到目标检测模型中，对模型进行进一步优化，得到新的模型M^l；所述的优化采用联合联合损失函数，计算候选框置信度损失、分类损失、候选框位置损失之和，计算公式为：

所述的p_i和分别代表预测得到的候选框置信度以及实际的标签，只有当候选框内包含目标时，为1，否则为0；L_cls为对数损失函数，N_cls设置为256；c_i和分别代表预测目标类别和目标真实类别；L_class为softmax损失函数，目标分为车辆和行人，类别数设置为2；N_class设置为256；t_i和分别代表预测候选框位置及候选框真实位置，候选框位置以一个四元组向量(x,y,w,h)表示，参数分别代表候选框中心店横纵左边及候选框宽度、高度；N_reg设置为2400，λ设置为10。

本发明具有如下有益效果：本发明的辅助数据标注方法可以在初试数据很少的情况下完成模型训练并将模型用于辅助数据标注，最重要的是本发明的方法通过使用每次辅助标注完成的数据再次训练模型来实现在线学习，进一步提升模型的性能，提高模型的目标检测的准确率，从而提升辅助标注数据的准确率，极大地减少了重复性的人工数据标注过程对时间和人力成本的耗费。