红外图像标注方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种红外图像标注方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.红外图像中的目标识别算法需要对大量的红外图像样本进行标注，以提高目标识别的准确性。
3.传统技术中，是通过人工标注的方法对未标注图像样本进行标注，然而人工标注的标注准确性较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高红外图像标注准确性的红外图像标注方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种红外图像标注方法。该方法包括：
6.获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间；
7.根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重；
8.根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；
9.根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
10.在其中一个实施例中，根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重包括：
11.根据共同特征子空间确定源域红外图像集与目标域红外图像之间的相似度；
12.对相似度进行归一化处理，得到源域红外图像集中各图像组对应的初始标注权重。
13.在其中一个实施例中，根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型包括：
14.获取各图像组的组分类模型；
15.根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型。
16.在其中一个实施例中，根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型包括：
17.fs(x)＝∑
g∈g
α
gfsg
(x)
18.其中，fs(x)表示初始分类模型，αg表示第g组图像组对应的初始标注权重，f
sg
(x)
表示第g组图像组的组分类模型，g表示源域红外图像集中图像组的总组数。
19.在其中一个实施例中，初始分类模型以标注误差最小为目标函数；
20.根据源域红外图像集对初始分类模型进行优化，得到目标分类模型包括：
21.根据初始分类模型对源域红外图像集进行特征提取，得到源域红外图像集对应的图像类别；
22.调用初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定初始分类模型的多个分类损失值；
23.根据多个分类损失值对初始分类模型进行迭代训练，直至目标函数的标注误差最小，得到目标分类模型；其中，标注误差是根据多个分类损失值和目标函数的复杂度确定的。
24.在其中一个实施例中，分类损失值包括第一分类损失值、第二分类损失值和第三分类损失值；
25.调用初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定初始分类模型的多个分类损失值包括：
26.调用初始分类模型的目标函数，根据源域红外图像集中各图像组的图像类别和各图像组的已标注标签数据，确定初始分类模型的第一分类损失值；
27.调用初始分类模型的目标函数，根据各图像组的图像类别确定初始分类模型的第二分类损失值；
28.调用初始分类模型的目标函数，根据各图像组对应的初始标注权重和各图像组中多个红外图像对应的图像类别，确定初始分类模型的第三分类损失值。
29.第二方面，本技术还提供了一种红外图像标注装置。该装置包括：
30.分析模块，用于获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间；
31.权重确定模块，用于根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重；
32.模型构建模块，用于根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；
33.图像标注模块，用于根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
34.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
35.获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间；
36.根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重；
37.根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；
38.根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标
分类模型对目标域红外图像进行标注。
39.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
40.获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间；
41.根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重；
42.根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；
43.根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
44.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
45.获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间；
46.根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重；
47.根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；
48.根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
49.上述红外图像标注方法、装置、计算机设备、存储介质和计算机程序产品，通过确定源域红外图像集与目标域红外图像的共同特征子空间，解决了知识迁移过程中源域与目标域特征异构的问题，使得已标注的源域红外图像集与待标注的目标域红外图像处于统一的框架中联合学习。通过引入联合组权重学习方法，根据各图像组的组分类模型与各图像组对应的初始标注权重构建的初始分类模型，根据源域红外图像集对初始分类模型进行优化，避免了单一特征获得知识的片面性，从而提高了红外图像标注的准确性。另外，该方法能够实现样本红外图像的自动标注，从而减少人工标注的代价。
附图说明
50.图1为一个实施例中红外图像标注方法的应用环境图；
51.图2为一个实施例中红外图像标注方法的流程示意图；
52.图3为一个实施例中构建初始分类模型的流程示意图；
53.图4为一个实施例中红外图像标注装置的结构框图；
54.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不
用于限定本技术。
56.本技术实施例提供的红外图像标注方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间，从而根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重；根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型，进而根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
57.在一个实施例中，如图2所示，提供了一种红外图像标注方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
58.步骤202，获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间。
59.在迁移学习中，领域(domain)是学习的主体，可以简称为域，通常用d表示，包含特征空间x和边缘概率分布p(x)两个部分，可以表示为d＝(x，p(x))。被迁移的领域、含有知识的领域通常被称为源域，待学习的领域通常被称为目标域。本实施例中采用迁移学习方法，从大量的源域红外图像集中提取知识，并将知识应用于待标注的目标域红外图像中，对目标域红外图像进行学习。
60.其中，源域红外图像集是指标注有图像类别标签的源领域的红外图像的集合，包括多个图像组。相关性分析是指建立源域红外图像集与目标域红外图像的相关性。共同特征子空间用于表示源域红外图像集与目标域红外图像的相关性。红外图像受光照影响较小。
61.具体地，源域红外图像集可以是通过红外成像设备采集电力设备的红外图像，对采集到的红外图像中的部分图像进行标注得到的，未标注的红外图像即作为目标域红外图像。
62.迁移学习过程中，源域红外图像集和目标域红外图像存在特征异构问题，可以对源域红外图像集和目标域设备红外图像进行相关性分析，来连接源域红外图像集和目标域红外图像这两个异构的特征空间，将源域红外图像集和目标域红外图像变换至同一特征空间，从而得到源域红外图像集与目标域红外图像的共同特征子空间。其中，源域红外图像集可以表示为ds＝(xs,p(xs))，xs表示源域红外图像集的特征空间，p(xs)表示源域红外图像集的边缘概率分布。目标域可以表示为d
t
＝(x
t
,p(x
t
))，x
t
表示目标域红外图像的特征空间，p(x
t
)表示目标域红外图像的边缘概率分布。例如，源域红外图像集和目标域设备红外图像可以是电力设备红外图像。
63.可选地，通过典型相关性分析算法(canonical correlation analysis，cca)对源
域红外图像集和目标域设备红外图像进行相关性分析。
64.步骤204，根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重。
65.源域红外图像组中包括多个图像组，各图像组中包括至少一个红外图像，图像组可以是随机分配得到的。根据共同特征子空间得到源域红外图像集中各图像组与目标域红外图像的相关性，即相似度。从而根据源域红外图像集中各图像组与目标域红外图像的相似度，确定源域红外图像集中各图像组对应的初始标注权重。各图像组对应的初始标注权重用于表示各图像组对于图像标注的贡献度。
66.步骤206，根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型。
67.其中，初始分类模型是指对组分类模型进行整合得到的分类模型，用于从源域红外图像集中学习知识。
68.源域红外图像集中的各图像组，均对应有一个组分类模型。根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型。
69.步骤208，根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
70.在迁移学习中，调用迁移学习的目标函数，即初始分类模型的目标函数，根据源域红外图像集对初始分类模型进行优化，得到初始分类模型的多个分类损失值。其中，目标函数是以标注误差最小为目标。标注误差是根据初始分类模型的多个分类损失值和目标函数的复杂度所确定的。根据初始分类模型的多个分类损失值调整初始分类模型的模型参数，直至目标函数的标注误差最小，得到目标分类模型。
71.从而将目标域红外图像输入至目标分类模型中，对目标域分类图像进行分类，得到目标域红外图像的图像类别标签，进而实现对目标域红外图像的标注。例如，图像类别标签可以是红外图像中电力设备的气体泄漏类别。
72.示例性地，对变电站现场实测的200张红外图像进行套管部位利用本技术中的方法进行标注测试，将结果与人工确认进行对比，对准确率达到95％以上。并且将未标注的图像样本利用迁移学习方法标注后，加入图像识别的训练样本集，未知图像的识别准确率提高10％以上。
73.上述红外图像标注方法中，通过确定源域红外图像集与目标域红外图像的共同特征子空间，解决了知识迁移过程中源域与目标域特征异构的问题，使得已标注的源域红外图像集与待标注的目标域红外图像处于统一的框架中联合学习。通过引入联合组权重学习方法，根据各图像组的组分类模型与各图像组对应的初始标注权重构建的初始分类模型，根据源域红外图像集对初始分类模型进行优化，避免了单一特征获得知识的片面性，从而提高了红外图像标注的准确性。另外，该方法能够实现样本红外图像的自动标注，从而减少人工标注的代价。
74.在一个实施例中，根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重包括：根据共同特征子空间确定源域红外图像集与目标域红外图像之间的相似度；对相似度进行归一化处理，得到源域红外图像集中各图像组对应的初始标注权重。
75.利用相似度算法，根据共同特征子空间计算源域红外图像集中各图像组与目标域
红外图像的相似度。例如，相似度算法可以为余弦相似度算法。从而对源域红外图像集中各图像组与目标域红外图像的相似度进行归一化处理，确定源域红外图像集中各图像组对应的初始标注权重。多个图像组的初始标注权重之和为1。
76.在本实施例中，通过对源域红外图像集与目标域红外图像之间的相似度进行归一化处理，得到源域红外图像集中各图像组对应的初始标注权重，归一化能够统一相似度的度量单位，能够加快模型的收敛速度。
77.在一个实施例中，如图3所示，根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型包括：
78.步骤302，获取各图像组的组分类模型。
79.步骤304，根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型。
80.源域红外图像集中的各图像组，均对应有一个组分类模型，也可以称为分类器。组分类模型用于提取图像组的红外图像特征以及图像组中各图像之间的共同特征。其中，红外图像特征为sift(scale invariant feature transform，尺度不变特征变换)特征，sift特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。共同特征可以包括颜色特征、性状特征、纹理特征和空间关系特征等。
81.定义已标注的第g组图像组的分类器为：
82.f
sg
(x
s，g
)＝ω1ψ(x
s，g
)+ω2ν(x
s，g
)
83.其中，ω＝[ω1；ω2]为分类器模板，ω1和ω2表示特征权重，xs，g为第g组图像组中的第s个样本图像，ψ(x
s，g
)和ν(x
s，g
)分别是共同特征和红外图像特征。
[0084]
在确定各图像组对应的初始标注权重后，将各图像组对应的组分类模型与各图像组对应的初始标注权重进行加权求和，得到初始分类模型。
[0085]
在其中一个实施例中，初始分类模型可以如下所示：
[0086][0087]
其中，fs(x)表示初始分类模型，αg表示第g组图像组对应的初始标注权重，f
sg
(x)表示第g组图像组的组分类模型，g表示源域红外图像集中图像组的总组数，0＜αg＜1，∑αg＝1。
[0088]
本实施例中，通过联合组权重学习方法，将各图像组的组分类模型与各图像组对应的初始标注权重进行加权求和，构建得到初始分类模型，避免了单一特征获得知识的片面性，进一步提高了红外图像标注的准确性。
[0089]
在一个实施例中，根据源域红外图像集对初始分类模型进行优化，得到目标分类模型包括：根据初始分类模型对源域红外图像集中各图像组进行特征提取，得到源域红外图像集对应的图像类别；调用初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定初始分类模型的多个分类损失值；根据多个分类损失值对初始分类模型进行迭代训练，直至目标函数的标注误差最小，得到目标分类模型。
[0090]
其中，已标注标签数据是指源域红外图像集中已标注的图像标签。初始分类模型以标注误差最小为目标函数。标注误差是根据多个分类损失值和目标函数的复杂度确定
的。复杂度是根据模型参数确定的，复杂度函数用于控制目标函数的复杂度。
[0091]
具体地，将源域红外图像集输入至初始分类模型中，通过初始分类模型对源域红外图像集中各图像组的红外图像进行特征提取，得到各红外图像对应的图像类别。将源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，输入至目标函数中，计算得到初始分类模型的多个分类损失值。进而根据多个分类损失值对初始分类模型进行迭代训练，即对初始分类模型的模型参数进行调整，直至目标函数的标注误差最小，将此时的模型确定为目标分类模型。
[0092]
在本实施例中，通过引入目标函数，能够在控制目标函数的复杂度的情况下，根据初始分类模型的多个分类损失值进行模型优化，得到标注误差最小的目标分类模型，不仅能够提高模型优化效率，还有助于得到更准确的分类模型。
[0093]
在上述实施例中，调用初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定初始分类模型的多个分类损失值包括：调用初始分类模型的目标函数，根据源域红外图像集中各图像组的图像类别和各图像组的已标注标签数据，确定初始分类模型的第一分类损失值；调用初始分类模型的目标函数，根据各图像组的图像类别确定初始分类模型的第二分类损失值；调用初始分类模型的目标函数，根据各图像组对应的初始标注权重和各图像组中多个红外图像对应的图像类别，确定初始分类模型的第三分类损失值。
[0094]
其中，分类损失值包括第一分类损失值、第二分类损失值和第三分类损失值。第一分类损失值，可以是均方差损失。第三分类损失值可以是目标函数在图像分组上的平滑性损失。
[0095]
初始分类模型的目标函数可以如下所示：
[0096][0097]
其中，λ
l
，λ
t
，λg＞0，为平衡参数，f
t
和fs均表示初始分类模型，ω(f
t
)表示目标函数的复杂度，ω
l
(fs)表示第一分类损失值，ω
t
(f
t
)表示第二分类损失值，ωg(f
t
)表示第三分类损失值。
[0098]
复杂度函数为：
[0099]
ω(f
t
)＝||α||2/2
[0100]
其中，α＝(α1，α2，
…
，αg)
t
，表示多个图像组对应的初始标注权重的集合。
[0101]
将源域红外图像集中各图像组的图像类别和各图像组的已标注标签数据代入至第一分类损失值计算公式中，得到初始分类模型的第一分类损失值：
[0102][0103]
其中，ng表示源域红外图像集中第g组图像的总数，表示第i组图像中的第s个样本，表示初始分类模型，表示第i组图像的第s个样本的已标注标签。
[0104]
将各图像组的图像类别代入至第二分类损失值计算公式中，得到第二分类损失值：
[0105][0106]
其中，nt表示第t类图像的样本数，表示初始分类模型。
[0107]
将各图像组对应的初始标注权重和各图像组中多个红外图像对应的图像类别代入至第三分类损失值计算公式中，得到第三分类损失值：
[0108][0109]
其中，g表示源域红外图像集中图像组的总组数，表示第i组图像中的第t个样本；表示的第s类分类模型的第k个元素的值；表示的第s类分类模型的第g个元素的值。
[0110]
综合以上各项，得到的目标函数可以表示为：
[0111][0112]
在本实施例中，根据多个维度的分类损失对初始分类模型进行优化，能够从多方面综合提高模型的标注准确性。
[0113]
在另一个实施例中，提供了一种红外图像标注方法，还方法包括以下步骤：
[0114]
获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间。
[0115]
根据共同特征子空间确定源域红外图像集与目标域红外图像之间的相似度。
[0116]
对相似度进行归一化处理，得到源域红外图像集中各图像组对应的初始标注权重。
[0117]
获取各图像组的组分类模型。
[0118]
根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型；初始分类模型以标注误差最小为目标函数，标注误差是根据多个分类损失值和目标函数的复杂度确定的。
[0119]
根据初始分类模型对源域红外图像集中各图像组进行特征提取，得到各图像组对应的图像类别。
[0120]
调用初始分类模型的目标函数，根据源域红外图像集中各图像组的图像类别和各图像组的已标注标签数据，确定初始分类模型的第一分类损失值；
[0121]
调用初始分类模型的目标函数，根据各图像组的图像类别确定初始分类模型的第
二分类损失值；
[0122]
调用初始分类模型的目标函数，根据各图像组对应的初始标注权重和各图像组中多个红外图像对应的图像类别，确定初始分类模型的第三分类损失值。
[0123]
根据第一分类损失值、第二分类损失值和第三分类损失值对初始分类模型进行迭代训练，直至目标函数的标注误差最小，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
[0124]
在本实施例中，通过确定源域红外图像集与目标域红外图像的共同特征子空间，解决了知识迁移过程中源域与目标域特征异构的问题，使得已标注的源域红外图像集与待标注的目标域红外图像处于统一的框架中联合学习。通过引入联合组权重学习方法，根据各图像组的组分类模型与各图像组对应的初始标注权重构建的初始分类模型，根据源域红外图像集对初始分类模型进行优化，避免了单一特征获得知识的片面性，从而提高了红外图像标注的准确性。另外，该方法能够实现样本红外图像的自动标注，从而减少人工标注的代价。
[0125]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0126]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的红外图像标注方法的红外图像标注装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个红外图像标注装置实施例中的具体限定可以参见上文中对于红外图像标注方法的限定，在此不再赘述。
[0127]
在一个实施例中，如图4所示，提供了一种红外图像标注装置，包括：分析模块402、权重确定模块404、模型构建模块406和图像标注模块408，其中：
[0128]
分析模块402，用于获取已标注的源域红外图像集和待标注的目标域红外图像，对源域红外图像集和目标域设备红外图像进行相关性分析，确定源域红外图像集与目标域红外图像的共同特征子空间。
[0129]
权重确定模块404，用于根据共同特征子空间确定源域红外图像集中各图像组对应的初始标注权重。
[0130]
模型构建模块406，用于根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型。
[0131]
图像标注模块408，用于根据源域红外图像集对初始分类模型进行优化，得到目标分类模型，并根据目标分类模型对目标域红外图像进行标注。
[0132]
在一个实施例中，权重确定模块404还用于根据共同特征子空间确定源域红外图像集与目标域红外图像之间的相似度；对相似度进行归一化处理，得到源域红外图像集中各图像组对应的初始标注权重。
[0133]
在一个实施例中，模型构建模块406还用于获取各图像组的组分类模型；根据各图
像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型。
[0134]
在一个实施例中，模型构建模块406还用于根据如下公式构建初始分类模型：fs(x)＝∑
g∈g
α
gfsg
(x)，其中，fs(x)表示初始分类模型，αg表示第g组图像组对应的初始标注权重，f
sg
(x)表示第g组图像组的组分类模型，g表示源域红外图像集中图像组的总组数。
[0135]
在一个实施例中，初始分类模型以标注误差最小为目标函数；图像标注模块408还用于根据初始分类模型对源域红外图像集进行特征提取，得到源域红外图像集对应的图像类别；调用初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定初始分类模型的多个分类损失值；根据多个分类损失值对初始分类模型进行迭代训练，直至目标函数的标注误差最小，得到目标分类模型；其中，标注误差是根据多个分类损失值和目标函数的复杂度确定的。
[0136]
在一个实施例中，分类损失值包括第一分类损失值、第二分类损失值和第三分类损失值；图像标注模块408还用于调用初始分类模型的目标函数，根据源域红外图像集中各图像组的图像类别和各图像组的已标注标签数据，确定初始分类模型的第一分类损失值；调用初始分类模型的目标函数，根据各图像组的图像类别确定初始分类模型的第二分类损失值；调用初始分类模型的目标函数，根据各图像组对应的初始标注权重和各图像组中多个红外图像对应的图像类别，确定初始分类模型的第三分类损失值。
[0137]
上述红外图像标注装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0138]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储已标注的源域红外图像集、待标注的目标域红外图像数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种红外图像标注方法。
[0139]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0140]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0141]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0142]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0143]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0144]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0145]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种红外图像标注方法，其特征在于，所述方法包括：获取已标注的源域红外图像集和待标注的目标域红外图像，对所述源域红外图像集和所述目标域设备红外图像进行相关性分析，确定所述源域红外图像集与所述目标域红外图像的共同特征子空间；根据所述共同特征子空间确定所述源域红外图像集中各图像组对应的初始标注权重；根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；根据所述源域红外图像集对所述初始分类模型进行优化，得到目标分类模型，并根据所述目标分类模型对所述目标域红外图像进行标注。2.根据权利要求1所述的方法，其特征在于，所述根据所述共同特征子空间确定所述源域红外图像集中各图像组对应的初始标注权重包括：根据所述共同特征子空间确定所述源域红外图像集与所述目标域红外图像之间的相似度；对所述相似度进行归一化处理，得到所述源域红外图像集中各图像组对应的初始标注权重。3.根据权利要求1所述的方法，其特征在于，所述根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型包括：获取各图像组的组分类模型；根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型。4.根据权利要求3所述的方法，其特征在于，所述根据各图像组对应的初始标注权重，对多个图像组的组分类模型进行整合，得到初始分类模型包括：f
s
(x)＝∑
g∈g
α
g
f
sg
(x)其中，f
s
(x)表示初始分类模型，α
g
表示第g组图像组对应的初始标注权重，f
sg
(x)表示第g组图像组的组分类模型，g表示源域红外图像集中图像组的总组数。5.根据权利要求1所述的方法，其特征在于，所述初始分类模型以标注误差最小为目标函数；所述根据所述源域红外图像集对所述初始分类模型进行优化，得到目标分类模型包括：根据所述初始分类模型对所述源域红外图像集进行特征提取，得到源域红外图像集对应的图像类别；调用所述初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定所述初始分类模型的多个分类损失值；根据多个分类损失值对所述初始分类模型进行迭代训练，直至所述目标函数的标注误差最小，得到目标分类模型；其中，所述标注误差是根据多个分类损失值和所述目标函数的复杂度确定的。6.根据权利要求5所述的方法，其特征在于，所述分类损失值包括第一分类损失值、第二分类损失值和第三分类损失值；所述调用所述初始分类模型的目标函数，根据源域红外图像集对应的图像类别和源域红外图像集的已标注标签数据，确定所述初始分类模型的多个分类损失值包括：
调用所述初始分类模型的目标函数，根据源域红外图像集中各图像组的图像类别和各图像组的已标注标签数据，确定所述初始分类模型的第一分类损失值；调用所述初始分类模型的目标函数，根据各图像组的图像类别确定所述初始分类模型的第二分类损失值；调用所述初始分类模型的目标函数，根据各图像组对应的初始标注权重和各图像组中多个红外图像对应的图像类别，确定所述初始分类模型的第三分类损失值。7.一种红外图像标注装置，其特征在于，所述装置包括：分析模块，用于获取已标注的源域红外图像集和待标注的目标域红外图像，对所述源域红外图像集和所述目标域设备红外图像进行相关性分析，确定所述源域红外图像集与所述目标域红外图像的共同特征子空间；权重确定模块，用于根据所述共同特征子空间确定所述源域红外图像集中各图像组对应的初始标注权重；模型构建模块，用于根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；图像标注模块，用于根据所述源域红外图像集对所述初始分类模型进行优化，得到目标分类模型，并根据所述目标分类模型对所述目标域红外图像进行标注。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种红外图像标注方法、装置、计算机设备和存储介质。所述方法包括：获取已标注的源域红外图像集和待标注的目标域红外图像，对所述源域红外图像集和所述目标域设备红外图像进行相关性分析，确定所述源域红外图像集与所述目标域红外图像的共同特征子空间；根据所述共同特征子空间确定所述源域红外图像集中各图像组对应的初始标注权重；根据各图像组的组分类模型与各图像组对应的初始标注权重，构建初始分类模型；根据所述源域红外图像集对所述初始分类模型进行优化，得到目标分类模型，并根据所述目标分类模型对所述目标域红外图像进行标注。采用本方法能够提高红外图像的标注准确性。像的标注准确性。像的标注准确性。


技术研发人员：王红斌 刘智勇 孔令明 刘俊翔 陈勉之
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：2023.06.21
技术公布日：2023/8/16