[发明专利]一种自学习的分割标注方法

说明书

本发明揭示了一种自学习的分割标注方法，包括如下步骤：对用户在不同类别的各自区域标记一点，对未标记的类别，统一默认为背景；对每个标记的类别点进行像素扩张后进行聚类，获得聚类结果；根据聚类结果得到训练的分割监督结果，即分割初始化边界；构建训练网络模型，并进行模型训练；对模型训练结果输出进行组合策略损失，并重复以上步骤，直至算法收敛。本发明只需要在分割物体内标记一个点，至此标注任务完成，后续交给自学习算法，通过自学习算法能很好学习到分割任务，大大提高了标注效率，同时也大大降低了标注成本。

技术领域

本发明涉及智能赋分领域，特别是涉及一种自学习的分割标注方法。

背景技术

在中学生实验智能赋分实验中，经常用到分割算法，传统的分割算法标注成本比较大，算法更新迭代慢，且时间成本比较高，标注周期较长，针对该问题，主流的解决办法是用模型预标注，然后通过人为调整，节省标注时间，该方法有一定的局限性。

现有技术中常见分割算法标注为分割模型预标注以及弱监督分割算法。其中，分割模型预标注在前期还需要提供大量的标注数据才能有一个较好的预标注效果；弱监督分割算法的标注成本太大，都需要提供分割标注数据，存在一定缺陷。

发明内容

本发明的目的在于，提供一种自学习的分割标注方法，以提高标注效率，同时降低标注成本。

为解决上述技术问题，本发明提供一种自学习的分割标注方法，包括如下步骤：

对用户在不同类别的各自区域标记一点，对未标记的类别，统一默认为背景；

对每个标记的类别点进行像素扩张后进行聚类，获得聚类结果；

根据聚类结果得到训练的分割监督结果，即分割初始化边界；

构建训练网络模型，并进行模型训练；

对模型训练结果输出进行组合策略损失，并重复以上步骤，直至算法收敛。

进一步的，所述聚类结果为：

其中，J(c,μ)表示每个样本点x(i)到其质心距离的平方和，x(i)表示样本，c(i)表示每个类别i，μ_c(i)表示每个类别的质心。

进一步的，所述聚类结果包括大目标、小目标以及大目标包含小目标。

进一步的，所述训练网络模型为FCN分割模型。

进一步的，所述组合策略损失包括所述训练网络模型输出的预测损失、像素相似度计算损失以及聚类损失。

进一步的，所述组合策略损失计算公式为：

其中，l_n为第n个样本的loss，M表示每个样本有M种可能。

相比于现有技术，本发明至少具有以下有益效果：

本发明只需要在分割物体内标记一个点，至此标注任务完成，后续交给自学习算法，通过自学习算法能很好学习到分割任务，大大提高了标注效率，同时也大大降低了标注成本。

附图说明

图1为本发明自学习的分割标注方法一个实施例的方法流程图；

图2为本发明自学习的分割标注方法一个实施例的方法节点框图。

具体实施方式