你好，朋友們。在這篇博客文章中，我想分享我們在使用人工智能技術自主生成數據標簽方面所做的工作。

標記數據的上下文需求示例

為了監督模型檢測對象–“香蕉”，注釋的標簽被饋送給模型，使得它可以學習香蕉像素的表示，并且將它們定位在上下文中，然后可以使用該上下文來推斷未見/新的數據。實例分割任務的目的是檢測對象，定位這些對象，并提供它們的數量、大小和形狀信息。我們使用了這樣一種最先進的實例細分模型-“Mask R-CNN”作為我們框架的核心骨干，但是這里可以根據他們的需求和目標使用任何其他的網絡體系結構。我們堅持使用掩模R-CNN，因為它在檢測圖像中的目標的同時為每個目標生成高質量的分割掩模。對于我們檢測COVID感染的特定測試用例來說，感染區域的精確定位是至關重要的，因此像素級檢測在這種情況下更合適。

我們的工具流水線如下所示，主要由探測器跟蹤器、自動標簽模塊和將機器標注標簽輸出并保存到磁盤的I/O模塊組成。

步驟1：-目標檢測和跟蹤以進行像素級分類

自定義弱訓練MASK-RCNN模型用于檢測COVID感染，標記實例很少(<10個樣本)。為了標記感染區域，我們使用了VIA(VIA)圖像標注工具。它是一款簡單而獨立的圖像、音頻和視頻手動注釋軟件。VIA在Web瀏覽器中運行，不需要任何安裝或設置。完整的VIA軟件可以安裝在單個獨立的HTML頁面中，該頁面的大小小于400KB，在大多數現代Web瀏覽器中作為離線應用程序運行。VIA是一個完全基于HTML、Javascript和CSS(不依賴外部庫)的開源項目。VIA是由視覺幾何集團(VGG)開發的，并根據BSD-2條款許可發布，這使得它既可用于學術項目，也可用于商業應用。檢測器用于獲取定位的掩碼、邊界框和類。其次，采用中心跟蹤算法對輸入視頻數據流上的多個感染區域進行統一跟蹤和標記。下面給出了我們的MASK-RCNN Covid探測器的一個片段。 第2步：-逐幀標記數據 來自預先訓練的檢測器模型的推斷被用來獲得邊界框的位置，并創建JSON元數據。一旦使用Mask-RCNN分割幀，就會生成相應的感興趣區域(ROI)。此外，生成每個ROI的掩碼，然后在整個圖像幀上進行輪廓檢測。然后，從等高線中提取(x，y)坐標。最后，這些形狀、區域和坐標屬性逐幀保存到磁盤。下面給出了我們的自動標記算法的片段。 示例-冠狀病毒感染檢測和自動標記 我們測試了我們的方法，目標是為Covid感染區域生成自動計算機標簽。機器生成標簽和人工注釋標簽的結果如下所示。可以看出，自動注釋引擎生成可用于重新訓練對象檢測模型或生成可用于不同任務的更多注釋數據的合成標簽的相當好的質量。