(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210977321.1 (22)申请日 2022.08.15 (71)申请人 广州广电运 通金融电子股份有限公 司 地址 510000 广东省广州市高新 技术产业 开发区科 学城科林路9、 1 1号 (72)发明人 王丹丹　黄宇恒　金晓峰　徐天适　 戴巾帼　 (74)专利代理 机构 杭州创智卓英知识产权代理 事务所(普通 合伙) 33324 专利代理师 季健康 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/44(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 图像自动标注方法、 装置、 设备及 介质 (57)摘要 本发明图像自动标注方法、 装置、 设备及介 质， 包括， 获取多个待标注样本图像， 并基于CNN 卷积神经网络特征提取模型提取网络表征层的 图像特征， 构建第一KNN关系图； 将密度节点低于 经验值的所述待标注样本图像的第一KNN 关系图 输入预先训练的GCN ‑V节点亲和度预测模型， 预 测所述KNN关系图节点间的亲和度； 根据亲和度 裁剪节点间的边， 使同一簇的节 点属于同一类样 本， 剪枝获得所述待标注样本图像的第二KNN关 系图； 将所述待标注样本图像的第二KNN关系图 输入预先训练的GCN ‑C边连接强度预测模型， 预 测簇与簇之间的边连接强度； 提取边连接强度大 于阀值的簇聚类形成所述待标注样本图像的聚 类。 权利要求书2页 说明书7页 附图4页 CN 115331039 A 2022.11.11 CN 115331039 A 1.一种图像自动标注方法， 其特 征在于， 包括： 获取多个待标注样本图像， 并基于CNN卷积神经网络特征提取模型提取每一所述待标 注样本图像网络表征层的图像特征， 并根据图像特征基于聚类算法构建每一所述待标注样 本图像的第一KN N关系图； 将密度节点低于经验值的所述待标注样本图像的第一KNN关系图输入预先训练的GCN ‑ V节点亲和度预测模型， 预测所述所述KN N关系图节点间的亲和度； 根据亲和度裁剪节点间的边， 使 同一簇的节点属于同一类样本， 剪枝获得所述待标注 样本图像的第二KN N关系图； 将所述待标注样本图像的第二KNN关系图输入预先训练的GCN ‑C边连接强度预测模型， 预测簇与簇之间的边连接强度； 提取边连接强度大于阀值的簇聚类形成所述待标注样本图像的聚类。 2.跟据权利要求1所述的图像自动标注方法， 其特征在于， 所述GCN ‑V节点亲和度预测 模型利用CN N模型计算已标注图像的节点亲和度对图卷积神经网络进行训练得到 。 3.跟据权利要求1所述的图像自动标注方法， 其特征在于， 所述GCN ‑C边连接强度预测 模型利用CNN模型计算已标注图像的簇关系图的特征矩阵对图卷积神经网络进行训练得 到。 4.跟据权利要求1所述的图像自动标注方法， 其特征在于， 所述CNN卷积神经网络特征 提取模型提取每一所述待标注样本图像网络表征层的图像特征包括所述待标注样本图像 网络表征层的特征向量F， F∈R(N×D)， 其中N表示未标注图像数量， D表示特征向量的维度， 所 述第一KNN关系图为使用K近邻算法(KNN),根据特征向量和向量内积度量， 获得的每一所述 待标注样本图像的K值数据。 5.根据权利要求1所述的图像自动标注方法， 其特征在于， 所述第一KNN关系图G(V,E) 是无向图， 节点Vi(i∈[0,N))表示图像数据， 由特征向量Fi表征； 边Ej(i∈[0,K))表示两个 连接节点间的关系， 由邻接矩阵表征。 6.根据权利要求1所述的图像自动标注方法， 其特征在于， 预先训练的GCN ‑V节点亲和 度预测模型的方法具体为： 将已标注图形输入CN N卷积神经网络特 征提取模型提取识别特 征； 根据识别特 征基于K近邻算法构建标注图像的KN N亲和关系图； 选择低于经验值密度节点的KN N亲和关系图训练获得 所述GCN‑V节点亲和度预测模型。 7.根据权利要求4所述的图像自动标注方法， 其特征在于， 预先训练的GCN ‑C边连接强 度预测模型的方法具体为： 基于所述KN N亲和关系图设置第一阀值形成节点簇； 设置第二阀值构建新的簇关系图； 计算所述簇关系图的特 征矩阵， 训练获得GCN ‑C边连接强度预测模型。 8.一种图像自动标注装置， 其特 征在于， 包括： 图像采集模块， 获取多个待标注样本图像， 并基于CNN卷积神经网络特征提取模型提取 每一所述待标注样本图像网络表征层的图像特征， 并根据图像特征基于K近邻算法构建每 一所述待标注样本图像的第一KN N关系图； 亲和度计算模块， 将密度节点低于经验值的所述待标注样本 图像的第一KNN关系图输权　利　要　求　书 1/2 页 2 CN 115331039 A 2入预先训练的GCN ‑V节点亲和度预测模型， 预测所述所述KN N关系图节点间的亲和度； 亲和度裁剪模块， 根据 亲和度裁剪节点间的边， 使同一簇的节点属于同一类样本， 剪枝 获得所述待标注样本图像的第二KN N关系图； 边连接强度计算模块， 将所述待标注样本图像的第二KNN关系图输入预先训练的GCN ‑C 边连接强度预测模型， 预测簇与簇之间的边连接强度； 图像聚类模块， 提取边连接强度大于阀值的簇聚类形成所述待标注样本图像的聚类。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 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如权利要求 1至 7任一项所述方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115331039 A 3