本发明实施例涉及通信领域,具体而言,涉及一种对象的标注方法、系统和芯片。
背景技术:
1、在人工智能领域,数据标注是非常重要的一环。数据标注是指将未标注的数据进行标记,以便于人工智能模型进行学习,例如对图像进行标注。现有技术中对对象进行标注通常需要人工参与,费用高、效率低。
2、针对上述问题目前尚未存在有效的解决方案。
技术实现思路
1、本发明实施例提供了一种对象的标注方法、系统和芯片,以至少解决相关技术中对象标注效率低的问题。
2、根据本发明的一个实施例,提供了一种对象的标注方法,包括:获取第i轮待标注对象集合和第i轮已标注对象集合,其中,所述第i轮待标注对象集合中包括多个待标注的对象,所述第i轮已标注对象集合中包括多个已标注的对象,i大于或等于0;使用第i轮调整后的神经网络模型对所述第i轮待标注对象集合中的对象进行标注,得到第i+1轮待标注对象集合和第i+1轮已标注对象集合;使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行调整,得到第i+1轮调整后的神经网络模型;使用第i+1轮调整后的神经网络模型对所述第i+1轮待标注对象集合中的对象进行标注。
3、在一个示例性实施例中,使用第i轮调整后的神经网络模型对所述第i轮待标注对象集合中的对象进行标注,得到第i+1轮待标注对象集合和第i+1轮已标注对象集合,包括:使用第i轮调整后的神经网络模型对所述第i轮待标注对象集合中的对象进行标注,得到标注结果;根据所述标注结果与可靠置信度之间的关系,得到所述第i+1轮待标注对象集合和第i+1轮已标注对象集合。
4、在一个示例性实施例中,所述根据所述标注结果与可靠置信度之间的关系,得到所述第i+1轮待标注对象集合和第i+1轮已标注对象集合,包括:将所述第i轮待标注对象集合中标注结果大于或等于所述可靠置信度的对象确定为第i轮已标注对象;在所述第i轮待标注对象集合中移除所述第i轮已标注对象,得到所述第i+1轮待标注对象集合;在所述第i轮已标注对象集合中增加所述第i轮已标注对象,得到所述第i+1轮已标注对象集合。
5、在一个示例性实施例中,使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行调整,得到第i+1轮调整后的神经网络模型,包括:使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行多次迭代训练,得到第i+1轮调整后的神经网络模型。
6、在一个示例性实施例中,使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行多次迭代训练,得到第i+1轮调整后的神经网络模型,包括:将所述第i+1轮已标注对象集合中已标注的对象输入所述第i轮调整后的神经网络模型,通过所述第i轮调整后的神经网络模型对所述已标注的对象进行预测,得到所述已标注的对象的预测标注结果;在所述预测标注结果与所述已标注的对象的已知标注结果之间满足预设收敛条件的情况下,得到所述第i+1轮调整后的神经网络模型;在所述预测标注结果与所述已标注的对象的已知标注结果之间的不满足所述预设收敛条件的情况下,继续对所述第i轮调整后的神经网络模型进行训练。
7、在一个示例性实施例中,当i=0时,第i轮调整后的神经网络模型为初始神经网络模型,第i轮已标注对象集合为初始已标注对象集合,所述方法还包括:将所述初始已标注对象集合中已标注的对象输入所述初始神经网络模型,通过所述初始神经网络模型对所述已标注的对象进行标注,得到所述已标注的对象的预测标注结果;确定所述预测标注结果和所述已标注的对象的已知标注结果之间的相似度;根据所述相似度和预设的相似度阈值确定可靠置信度。
8、根据本发明的另一个实施例,提供了一种对象的标注系统,应用于上述对象的标注方法,所述系统包括操作层、交互层和底层,其中,所述操作层包括第一数据获取模块和第二数据获取模块,其中,所述第一数据获取模块用于获取初始待标注对象集合,所述第二数据获取模块用于获取初始已标注对象集合;所述交互层包括数据管理模块和模型管理模块,所述数据管理模块用于对待标注的对象和已标注的对象进行管理,所述模型管理模块用于对神经网络模型进行管理;所述底层包括模型标注模块和模型升级模块,所述模型标注模块用于使用神经网络模型对对象进行标注,所述模型升级模块用于对神经网络模型进行调整。
9、在一个示例性实施例中,所述交互层还包括质量评估模块,用于对初始神经网络模型进行质量评估,以及确定可靠置信度。
10、根据本发明的另一个实施例,提供了一种对象的标注装置,包括:获取模块,用于获取第i轮待标注对象集合和第i轮已标注对象集合,其中,所述第i轮待标注对象集合中包括多个待标注的对象,所述第i轮已标注对象集合中包括多个已标注的对象,i大于或等于0;第一标注模块,用于使用第i轮调整后的神经网络模型对所述第i轮待标注对象集合中的对象进行标注,得到第i+1轮待标注对象集合和第i+1轮已标注对象集合;调整模块,用于使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行调整,得到第i+1轮调整后的神经网络模型;第二标注模块,用于使用第i+1轮调整后的神经网络模型对所述第i+1轮待标注对象集合中的对象进行标注。
11、根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
12、根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
13、通过本发明,由于通过神经网络模型对待标注的对象进行标注,避免了现有技术中人工标注导致的效率低的问题。另外,通过已标注的对象对神经网络模型进行调整,使神经网络模型标注对象的准确率更高。
1.一种对象的标注方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,当i=0时,第i轮调整后的神经网络模型为初始神经网络模型,第i轮已标注对象集合为初始已标注对象集合,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,使用第i轮调整后的神经网络模型对所述第i轮待标注对象集合中的对象进行标注,得到第i+1轮待标注对象集合和第i+1轮已标注对象集合,包括:
4.根据权利要求3所述的方法,其特征在于,所述根据所述标注结果与可靠置信度之间的关系,得到所述第i+1轮待标注对象集合和第i+1轮已标注对象集合,包括:
5.根据权利要求1所述的方法,其特征在于,使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行调整,得到第i+1轮调整后的神经网络模型,包括:
6.根据权利要求1所述的方法,其特征在于,使用所述第i+1轮已标注对象集合对所述第i轮调整后的神经网络模型进行多次迭代训练,得到第i+1轮调整后的神经网络模型,包括:
7.一种对象的标注系统,其特征在于,应用于上述权利要求1至6中任一项所述的对象的标注方法,所述系统包括操作层、交互层和底层,其中,
8.根据权利要求7所述的系统,其特征在于,所述交互层还包括质量评估模块,用于对初始神经网络模型进行质量评估,以及确定可靠置信度。
9.一种对象的标注装置,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至6任一项中所述的方法的步骤。
11.一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至6任一项中所述的方法的步骤。
12.一种芯片,其特征在于,所述芯片包括可编程逻辑电路以及可执行指令中的至少之一,所述芯片在电子设备中运行,用于实现权利要求1-6任一项所述的方法。