编译：ronghuaiyang
导读
给大家介绍图像标注的种类，应用场景，以及各种标注的优缺点。
介绍
“如果没有数据分析图片标注，公司就会变得既盲又聋，就像高速公路上的鹿一样在网络上游荡。”
— Geoffrey Moore
每个数据科学任务都需要数据。具体地说，是输入系统的干净易懂的数据。说到图像，计算机需要看到人类眼睛看到的东西。
例如，人类有识别和分类物体的能力。同样，我们可以使用计算机视觉来解释它接收到的视觉数据。这就是图像标注的作用。
图像标注在计算机视觉中起着至关重要的作用。图像标注的目标是为和任务相关的、特定于任务的标签。这可能包括基于文本的标签(类)，绘制在图像上的标签(即边框)，甚至是像素级的标签。我们将在下面探讨这一系列不同的标注技术。
人工智能需要的人工干预比我们想象的要多。为了准备高精度的训练数据，我们必须对图像进行标注以得到正确的结果。数据注释通常需要较高水平的领域知识，只有来自特定领域的专家才能提供这些知识。
需要标注的计算机视觉任务：
1) 目标检测
进行目标检测的技术主要有两种，即2D和3D包围框。
对于多边形物体，可以使用多边形方法。让我们详细讨论一下。
2D 包围框
在这种方法中，只需要在被检测的物体周围绘制矩形框。它们用于定义对象在图像中的位置。边框可以由矩形左上角的x、y轴坐标和右下角的x、y轴坐标来确定。
优点和缺点：
3D 包围框或者立方体
类似于2D边框，除了它们还可以显示目标的深度。这种标注是通过将二维图像平面上的边界框向后投影到三维长方体来实现的。它允许系统区分三维空间中的体积和位置等特征。
优点和缺点:
多边形
有时，必须标记形状不规则的物体。在这种情况下，使用多边形。注释时只需标记物体的边缘，我们就能得到要检测的物体的完美轮廓。
优点和缺点:
注：多边形方法也用于物体形状的分割。我们将在下面讨论分割。
数据采集是ML冷启动的问题。但是，即使你有了一个可行的数据集，构建和测试模型也是需要技巧的。
2) 线/边缘检测（线和样条）
在划分边界时，线和样条是有用的。将区分一个区域和另一个区域的像素进行标注。
优点和缺点:
3) 姿态预测 / 关键点识别
在许多计算机视觉应用中，神经网络常常需要识别输入图像中重要的感兴趣的点。我们把这些点称为地标或关键点。在这种应用中，我们希望神经网络输出关键点的坐标(x, y)。
4) 分割
图像分割是将一幅图像分割为多个部分的过程。图像分割通常用于在像素级定位图像中的物体和边界。图像分割方法有很多种。
5) 图像分类
图像分类不同于目标检测。目标检测的目的是识别和定位目标图片标注，而图像分类的目的是识别和识别特定的目标类。这个用例的一个常见示例是对猫和狗的图片进行分类。标注者必须为一只狗的图像分配一个类标签“dog”，对猫的图像分配类标签“cat”。
图像标注的用例
在本节中，我们将讨论如何使用图像标注来帮助机器模型执行特定行业的任务：
图像标注的一些挑战
—END—
英文原文：
1、本站资源针对会员完全免费，站点中所有资源大部分为投稿作者付费教程，切勿轻易添加教程上除本站信息外的任何联系方式，谨防被割，如有疑问请随时联系客服。
2、本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
×