人工智能辅助的机器驱动数据自动标注技巧

在我们了解我们的方法之前，首先让我们了解一下外行术语中的数据标签是什么。在机器学习中，数据标签只是识别原始数据(图像、视频、音频文件、文本文件等)并添加一个或多个有意义的和信息丰富的标签以提供上下文的过程，以便机器学习模型可以从中学习和推断。大多数最先进的机器学习模型高度依赖于大量标记数据的可用性，这是监督任务中的一个重要步骤。各种用例都需要数据标签，包括计算机视觉、自然语言处理和语音识别。传统上，这一乏味而平凡的数据标注过程很大程度上是由人类完成的。为了帮助人类最大限度地减少从头开始的疯狂的数据标记工作和努力，我们建议一种自动化的算法解决方案，旨在减少大量的人工工作。让我们来看一下这样的标签数据实际需要的位置的引用。在这里，我将谈谈计算机视觉任务。计算机视觉简单地说就是复制人类视觉(人眼视觉)的复杂性，以及对周围环境的理解。计算机视觉任务包括用于获取、处理、分析和理解数字图像的方法，以及从真实世界提取高维数据以便产生例如以决策形式的数字或符号信息的方法。在计算机视觉领域，有许多不同的任务。我不会深入讨论它们的细节，例如分类、检测、分割等。但是，下面的图表提供了这些任务的简明概述和目标，并提供了一个上下文中对象的示例-“香蕉”。

标记数据的上下文需求示例ASP站长网

为了监督模型检测对象–“香蕉”，注释的标签被馈送给模型，使得它可以学习香蕉像素的表示，并且将它们定位在上下文中，然后可以使用该上下文来推断未见/新的数据。实例分割任务的目的是检测对象，定位这些对象，并提供它们的数量、大小和形状信息。我们使用了这样一种最先进的实例细分模型-“Mask R-CNN”作为我们框架的核心骨干，但是这里可以根据他们的需求和目标使用任何其他的网络体系结构。我们坚持使用掩模R-CNN，因为它在检测图像中的目标的同时为每个目标生成高质量的分割掩模。对于我们检测COVID感染的特定测试用例来说，感染区域的精确定位是至关重要的，因此像素级检测在这种情况下更合适。

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!