[发明专利]基于深度学习的半监督数据自动标注方法、计算机设备及存储介质

说明书

本发明提供了一种基于深度学习的半监督数据自动标注方法、计算机设备及存储介质，方法包括：获取帧对齐的待标注多模态数据集；对待标注数据集中部分数据人工标注，将待标注数据集划分为已标注数据集和未标注数据集；基于BEV深度学习算法对未标注数据集进行自动标注，获取已标注数据集和新的未标注数据集；对新的未标注数据集是否为空进行判断；若新的未标注数据集不为空，则基于二分类深度学习算法，对新的已标注数据集和新的未标注数据集进行评估。本发明设计的方法采用半监督的方式对数据集进行自动标注，同时采用二分类深度学习算法对标注的结果进行评估及优化，能够大大提高自动标注的深度学习算法输出的标注结果的精度。

技术领域

本发明涉及数据标注技术领域，具体为一种基于深度学习的半监督数据自动标注方法、计算机设备及存储介质。

背景技术

着科技的进步，深度学习算法和模型逐渐应用到各行各业中，在工业界，为了更好的用深度学习的方法解决实际的业务问题，除了在深度学习模型上不断优化之外，还可以通过针对具体业务目的数据清洗和标注来提高数据集质量，其中数据标注流程往往需要投入大量的人力和时间进行，而科学及高效的数据标注方法，能够极大的提高生产高品质数据的效率同时极大的降低生产数据的成本。

数据标注通常由专业的数据工程师或标注人员手工完成，数据标注效率低且耗时耗力，目前也有通过深度学习网络对原始数据进行处理后输出一个未经人工校准的标注结果，然后由专业的标注人员手工完成标注校准工作，尽管如此，标注人员手工校准的工作依旧耗时耗力，特别是自动驾驶领域的激光点云数据的标注工作，由于激光点云数据的特性，往往一帧数据就有上万点云数据，数据标注的效率大大降低。

再者，在数据标注完成后，通常采用传统的图像处理或者机器学习特征提取等方案去评估自动标注的深度学习算法输出的标注结果，其评估结果准确度低，不能为数据标注提供准确的数据支撑，降低了数据标注的精度。

因此，需要设计一种效率高、准确率高的数据标注方法。

发明内容

为了解决数据标注方法存在的费时费力、效率低、精度低等问题，本发明设计了一种基于深度学习的半监督数据自动标注方法、计算机设备及存储介质，该方法采用半监督的方式对数据集进行自动标注，同时采用二分类深度学习算法对标注的结果进行评估及优化，能够大大提高自动标注的深度学习算法输出的标注结果的精度。

实现发明目的的技术方案如下：一种基于深度学习的半监督数据自动标注方法，包括以下步骤：

S1、获取待标注数据集；

S2、对待标注数据集中部分数据人工标注，将待标注数据集划分为已标注数据集和未标注数据集；

S3、基于BEV深度学习算法对未标注数据集进行自动标注，获取已标注数据集和新的未标注数据集；

S4、对新的未标注数据集是否为空进行判断；

若新的未标注数据集为空，则完成待标注数据集的自动标注；

若新的未标注数据集不为空，则进入并执行S5；

S5、基于二分类深度学习算法，对新的已标注数据集和新的未标注数据集进行评估。

在一个实施例中，上述步骤S3中，基于BEV深度学习算法对未标注数据集进行自动标注，获取已标注数据集和新的未标注数据集，包括以下步骤：

S31、用预训练BEV深度学习算法对已标注数据集进行迁移训练，获得微调BEV深度学习算法；

S32、依据微调BEV深度学习算法对未标注数据集自动标注，并结合置信度阈值，将未标注数据集划分为高置信度数据集和低置信度数据集；