(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 202210946637.4 (22)申请日 2022.08.08 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 姜楠　聂磊　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 杨静 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/75(2022.01) G06N 20/00(2019.01) (54)发明名称 图像标注方法、 训练方法、 图像处理方法以 及电子设备 (57)摘要 本公开提供了一种图像标注方法、 训练方 法、 图像处理方法以及电子设备， 涉及人工智能 技术领域， 尤其涉及计算机视觉、 深度学习和工 业质检技术领域。 具体实现方案为： 确定测试图 像的特征信息， 其中， 特征信息包括特征点的特 征点信息和特征点描述符信息； 根据测试图像的 特征信息和与测试图像对应的模板图像的特征 信息， 确定模板图像和测试图像之间的变换信 息； 根据变换信息和模板图像的标注信息， 得到 测试图像的标注信息 。 权利要求书5页 说明书18页 附图11页 CN 115311469 A 2022.11.08 CN 115311469 A 1.一种图像标注方法， 包括： 确定测试图像的特征信息， 其中， 所述特征信息包括特征点的特征点信息和特征点描 述符信息； 根据所述测试图像的特征信 息和与所述测试图像对应的模板图像的特征信 息， 确定所 述模板图像和所述测试图像之间的变换信息； 以及 根据所述变换信息和所述模板图像的标注信息， 得到所述测试图像的标注信息 。 2.根据权利要求1所述的方法， 其中， 所述确定测试图像的特 征信息， 包括： 对所述测试图像进行 特征提取， 得到所述测试图像的特 征向量； 以及 根据所述特 征向量， 得到所述测试图像的特 征信息。 3.根据权利要求2所述的方法， 其中， 所述根据所述特征向量， 得到所述测试图像的特 征信息， 包括： 对所述特 征向量进行第一 解码， 得到所述测试图像的特 征点的特 征点信息； 以及 对所述特 征向量进行第二 解码， 得到所述测试图像的特 征点的特 征点描述符信息 。 4.根据权利要求1所述的方法， 其中， 所述确定测试图像的特 征信息， 包括： 对所述测试图像进行特征点信息提取， 得到所述测试图像的特征点的特征点信息； 以 及 根据所述测试图像的特征点的特征点信 息， 得到所述测试图像的特征点的特征点描述 符信息。 5.根据权利要求1～4中任一项所述的方法， 其中， 所述根据所述测试图像的特征信息 和与所述测试图像对应的模板图像的特征信息， 确定所述模板图像和所述测试图像之 间的 变换信息， 包括： 基于传统特征点匹配方法， 根据所述模板图像的特征点的特征点描述符信 息和所述测 试图像的特征点的特征点描述符信息， 确定所述模板图像和所述测试图像之间的特征点匹 配结果； 以及 根据所述特 征点匹配结果， 得到所述模板图像和所述测试图像之间的变换信息 。 6.根据权利要求1～4中任一项所述的方法， 其中， 所述根据所述测试图像的特征信息 和与所述测试图像对应的模板图像的特征信息， 确定所述模板图像和所述测试图像之 间的 变换信息， 包括： 基于注意力图学习方法， 根据 所述测试图像的特征信 息和与所述测试图像对应的模板 图像的特 征信息， 得到所述模板图像和所述测试图像各自的特 征点的匹配描述符信息； 根据所述模板图像和所述测试图像各自的特征点的匹配描述符信 息， 确定所述模板图 像和所述测试图像之间的匹配度评估矩阵； 以及 根据所述匹配度评估矩阵， 确定所述模板图像和所述测试图像之间的变换信息 。 7.根据权利要求6所述的方法， 其中， 所述基于注意力图学习方法， 根据所述测试图像 的特征信息和与所述测试图像对应的模板图像的特征信息， 得到所述模板图像和所述测试 图像各自的特 征点的匹配描述符信息， 包括： 分别对所述模板图像和所述测试图像各自的特征点的特征点信 息进行特征提取， 得到 所述模板图像和所述测试图像各自的特 征点的中间特 征点信息； 根据所述模板图像的特征点的中间特征点信 息和特征点描述符信 息， 得到所述模板图权　利　要　求　书 1/5 页 2 CN 115311469 A 2像的特征点的融合信息； 根据所述测试图像的特征点的中间特征点信 息和特征点描述符信 息， 得到所述测试图 像的特征点的融合信息； 以及 基于注意力图学习方法， 根据所述模板图像和所述测试图像各自的特征点的融合信 息， 得到所述模板图像和所述测试图像各自的特 征点的匹配描述符信息 。 8.根据权利要求6或7所述的方法， 其中， 所述根据所述模板 图像和所述测试图像各自 的特征点的匹配描述符信息， 确定所述模板图像和所述测试图像之间的匹配度评估矩阵， 包括： 根据所述模板图像的特征点的匹配描述符信息和所述测试图像的特征点的匹配描述 符信息， 确定所述模板图像的特 征点和所述测试图像的特 征点之间的相似度； 以及 根据所述模板图像的特征点和所述测试图像的特征点之间的相似度， 得到所述模板图 像和所述测试图像之间的匹配度评估矩阵。 9.根据权利要求6～8中任一项所述的方法， 其中， 所述根据 所述匹配度评估矩阵， 确定 所述模板图像和所述测试图像之间的变换信息， 包括： 基于最优传输方法处 理所述匹配度评估矩阵， 得到分配矩阵； 以及 根据所述分配矩阵， 确定所述模板图像和所述测试图像之间的变换信息 。 10.根据权利要求1～9中任一项所述的方法， 其中， 所述根据所述变换信 息和所述模板 图像的标注信息， 得到所述测试图像的标注信息， 包括： 基于所述变换信息， 将所述模板 图的标注信息映射至所述测试图像， 得到所述测试图 像的标注信息 。 11.根据权利要求1～10中任一项所述的方法， 其中， 所述模板 图像包括与工业产品对 应的模板图像； 所述测试图像包括与所述工业产品对应的测试图像。 12.一种指针表计图像的标注方法， 包括： 获取目标指针表计图像； 以及 利用根据权利要求1～11中任一项所述的方法对所述目标指针表计 图像进行标注， 得 到所述目标指针表计图像的标注信息 。 13.一种深度学习模型的训练方法， 包括： 获取样本图像， 其中， 所述样本图像具有标注信息， 所述样本图像的标注信息是利用根 据权利要求1～1 1中任一项所述的方法得到的； 以及 利用所述样本图像和所述样本图像的标注信息训练深度学习模型， 得到图像处理模 型。 14.一种图像处 理方法， 包括： 获取待处 理图像； 以及 将所述待处理图像输入图像处理模型， 得到图像处理结果， 其中， 所述图像处理模型是 利用根据权利要求13所述的方法训练的。 15.一种图像标注装置， 包括： 第一确定模块， 用于确定测试图像的特征信 息， 其中， 所述特征信 息包括特征点的特征 点信息和特 征点描述符信息；权　利　要　求　书 2/5 页 3 CN 115311469 A 3