(74)专利代理机构上海百一领御专利代理事务所(普通合伙)31243;上海百一领御专利代理

　　【图像分割标注方法及设备】技术领域本发明涉及计算机领域，尤其涉及一种图像

　　分割标注方法及设备。背景技术图像分割指的是将数字图像细分为多个图像子区域

　　(像素的集合)的过程。更精确的，图像分割是对图像中的每个像素加标签的一个过

　　程，这一过程使得具有相同标签的像素具有某种共同视觉特性。深度学习方法是一

　　种基于神经网络模型的机器学习方法，全监督的深度学习方法在图像分割领域有着

　　出色的效果，其模型的训练过程中需要大量的人工标注数据，这些标注的数据对深

　　度学习方法的表现有着十分重要的作用，但是标注数据需要大量的人力和时间。目

　　前减少标注量方法是利用半监督或者无监督的算法对图像数据直接进行深度学习，

　　这种方法一般只适用于比较简单的标注，对图像分割这种复杂的标注效果比较差。

　　现有技术仍然是在全监督深度学习方法的框架下，因此仍然需要大量的训练数据，

　　而且在处理与训练数据差别较大的数据时，需要重新标注所有数据，重新训练模型，

　　仍然需要很多时间和人力，很难达到通用的水平。发明内容本发明的一个目的是提

　　供一种图像分割标注方法及设备。根据本发明的一个方面，提供了一种图像分割标

　　注方法，该方法包括：步骤S1，初始化数据池、训练数据集和初代的神经网络模

　　型，并通过初代的神经网络模型，得到所述数据池中和训练数据集中的每张图像数

　　据对应的多边形的图片分割标注结果；步骤S2，在上一代的神经网络模型的基础

　　上，利用所述训练数据集中的图像数据对上一代神经网络进行优化训练，得到新一

　　代的神经网络模型；步骤S3，通过新一代的神经网络模型，得到所述训练数据集

　　中的每张图像数据对应的多边形的图片分割标注结果，并进行记录，将通过新一代

　　的神经网络模型得到的训练数据集中的图像数据多边形的图片分割标注结果与通过

　　上一代的神经网络模型得到的训练数据集中的图像数据的多边形的图片分割标注结

　　果，通过预设的比较算法进行量化比较，得到第一变化量，将所述第一变化量作相

　　对于所述训练数据集中的图像数据的数量的平均，得到平均变化量A；步骤S4，

　　通过新一代的神经网络模型，得到所述数据池中的每张图像数据对应的多边形的图

　　片分割标注结果，并记录下来，将通过新一代的神经网络模型得到的数据池中的图

　　像数据多边形的图片分割标注结果与通过上一代的神经网络模型得到的数据池中的

　　图像数据的多边形的图片分割标注结果，通过预设的比较算法进行量化比较，得到

　　第二变化量B；步骤S5，判断是否有大于所述平均变化量A的超过预设阈值的所