基于深度學(xué)習(xí)的車輛部件半自動(dòng)標(biāo)注研究

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）13-0014-07

Abstract：Intheraofartifialinteligene，intelligentlossassssmenttechnologyusingdeplearningisageneraltrendin thedevelopmentandtransformationofautomobileinsurance.Itcangreatlyreduce thecostofmanuallossassessmentand improvetheefciencyoflossassessment;deeplearningmodelsrequirealargenumberofannotatedsamplesfortraining，but currentlythereisnopublicdatasetonvehicleinjurytypesandcomponents.Thispaperproposesasemi-automaticlabeling methodforvehicleparts，first，amodelthatcanberoughlylabeledistrainedthroughaseddataset，andthenthemodelis usedforautomaticlabelingofvehicleparts;onthebasisofautomaticlabeling，asmallnumberofmanualcorectionsaremade， andthenexpandedtothedataset，andthemodelisre-trainedtoimprovetheaccuracyofre-labeling.Theexperimentalresults showthatthesemi-automaticlabelingmethodcanefectivelyimprovethelabelingefciencyofvehiclepartsandreducethe labor and time costs required for data labeling work.

Keywords： deep learning; image segmentation; semi-automatic annotation; vehicle parts; data

據(jù)公安部統(tǒng)計(jì)，截至2024年底，我國(guó)汽車保有量突破4.5億輛。僅2023年，中國(guó)境內(nèi)發(fā)生的汽車交通事故就有155158起，日均425起，車險(xiǎn)理賠過(guò)程的定損主要依賴于人工進(jìn)行，耗時(shí)長(zhǎng)，并且人工成本巨大。

雖然一些保險(xiǎn)公司推出了各自的智能定損產(chǎn)品，但并沒(méi)有大面積鋪開(kāi)，原因是多方面的，包括產(chǎn)品不成熟、很難滿足保險(xiǎn)核賠的實(shí)際需求等3，但基于深度學(xué)習(xí)的識(shí)別準(zhǔn)確率不夠高是主要原因之一。深度學(xué)習(xí)需要大量的樣本進(jìn)行訓(xùn)練學(xué)習(xí)，但是自前公開(kāi)的車輛數(shù)據(jù)集都無(wú)法滿足實(shí)際的定損需求，如PASCAL-Part數(shù)據(jù)集將車輛部件劃分為13類，不符合定損時(shí)部件細(xì)分類的要求，其他數(shù)據(jù)集則不包含車輛部件相關(guān)的標(biāo)注信息。由于車牌等信息涉及個(gè)人隱私，真實(shí)的車輛損傷部件樣本數(shù)據(jù)難以獲取。此外，車輛部件標(biāo)注的標(biāo)簽數(shù)較多，若采用標(biāo)注工具進(jìn)行人工標(biāo)注，工程量巨大且效率低下，費(fèi)時(shí)費(fèi)力。人工標(biāo)注也需要車輛部件相關(guān)的先驗(yàn)知識(shí)，若非相關(guān)從業(yè)人員進(jìn)行標(biāo)注，可能會(huì)出現(xiàn)標(biāo)注不準(zhǔn)確的問(wèn)題，故需要一種準(zhǔn)確、高效的車輛部件標(biāo)注方法。

本論文提出模型訓(xùn)練和標(biāo)注工作相結(jié)合的車輛部件半自動(dòng)標(biāo)注方法，不斷增加訓(xùn)練集，提高標(biāo)注的效率，循環(huán)往復(fù)，可以提高最終的識(shí)別準(zhǔn)確率。

1相關(guān)工作

圖像標(biāo)注是一種對(duì)圖像進(jìn)行語(yǔ)義描述的方式，在生物醫(yī)學(xué)、自動(dòng)駕駛等領(lǐng)域具有廣泛的應(yīng)用。人工標(biāo)注方法包括采用標(biāo)注工具如LabelMe[4、RectLabel等進(jìn)行標(biāo)注，以及利用數(shù)據(jù)標(biāo)注眾包平臺(tái)如阿里眾包、百度眾測(cè)等進(jìn)行標(biāo)注。由于人工標(biāo)注方法時(shí)間成本高且效率低下，自動(dòng)圖像標(biāo)注技術(shù)在20世紀(jì)90年代左右被提出，用于處理海量數(shù)據(jù)、減少人工成本。

自動(dòng)圖像標(biāo)注技術(shù)可以大致劃分為基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法。2012年前以傳統(tǒng)機(jī)器學(xué)習(xí)方法為主，包括支持向量機(jī)、近鄰模型、圖模型等，如Cusano等基于多分類支持向量機(jī)對(duì)風(fēng)景圖像中的天空、水等區(qū)域進(jìn)行標(biāo)注；Makadia等將圖像標(biāo)注視作檢索問(wèn)題，結(jié)合近鄰模型提出了新的圖像標(biāo)注方法。2012年后，隨著硬件設(shè)備的運(yùn)算能力大幅提升，深度學(xué)習(xí)技術(shù)得到了快速發(fā)展，研究人員將其應(yīng)用到自動(dòng)圖像標(biāo)注領(lǐng)域，獲得了更好的性能[]。如Ma等[采用深度學(xué)習(xí)模型AlexNet[提取圖像特征，結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)方法，在經(jīng)典圖像數(shù)據(jù)集上取得了不錯(cuò)的標(biāo)注效果;Ke等[13發(fā)揮深度學(xué)習(xí)端到端學(xué)習(xí)的優(yōu)勢(shì)，提出了基于深度CNN的自動(dòng)圖像標(biāo)注模型。除了深度卷積神經(jīng)網(wǎng)絡(luò)，基于深度學(xué)習(xí)技術(shù)的語(yǔ)義分割方法也被應(yīng)用于自動(dòng)圖像標(biāo)注領(lǐng)域，如由改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)FCN[4得到的U-Net[5]，為醫(yī)學(xué)細(xì)胞分割和標(biāo)注作出了巨大貢獻(xiàn)。Singh等將MaskR-CNN模型和PANet模型進(jìn)行集成對(duì)車輛部件進(jìn)行標(biāo)注。

此外，將人工標(biāo)注與自動(dòng)標(biāo)注相結(jié)合的半自動(dòng)標(biāo)注方法可以保證標(biāo)注的準(zhǔn)確性，并提高圖像標(biāo)注的效率。陳哲等基于U-Net模型生成初始標(biāo)注，再設(shè)計(jì)了輔助醫(yī)學(xué)圖像進(jìn)行標(biāo)注的半自動(dòng)繪畫系統(tǒng)，其將標(biāo)注工具與標(biāo)注模型相結(jié)合，采用模型進(jìn)行輔助標(biāo)注以提高標(biāo)注工作的效率。Bota等[18以人類活動(dòng)識(shí)別為任務(wù)，提出了一種基于Self-Training的半監(jiān)督主動(dòng)學(xué)習(xí)方法，從而半自動(dòng)化標(biāo)注過(guò)程，減少標(biāo)注數(shù)據(jù)的工作量。

基于深度學(xué)習(xí)技術(shù)的圖像標(biāo)注方法一定程度上提高了傳統(tǒng)圖像標(biāo)注的精度，但這些方法都依賴于一定數(shù)量的有標(biāo)簽數(shù)據(jù)。而車輛損傷部件樣本數(shù)據(jù)難以獲取，有標(biāo)簽數(shù)據(jù)的不足會(huì)導(dǎo)致模型精度的大幅下降，故這些方法難以適應(yīng)車輛部件的標(biāo)注任務(wù)。本文針對(duì)標(biāo)簽數(shù)量大、樣本數(shù)據(jù)難以獲取的車輛部件標(biāo)注任務(wù)，將標(biāo)注工作融入標(biāo)注模型的迭代訓(xùn)練中，提高標(biāo)注效率的同時(shí)提升標(biāo)注模型的精度。

2半自動(dòng)標(biāo)注方法設(shè)計(jì)

半自動(dòng)標(biāo)注的目的旨在減少人工標(biāo)注工作量，卻能不斷擴(kuò)大數(shù)據(jù)集，加大深度學(xué)習(xí)樣本，進(jìn)而進(jìn)一步提升識(shí)別精度。提出了一個(gè)半自動(dòng)標(biāo)注的框架，用于車輛零部件數(shù)據(jù)集的更新維護(hù)，也能直接嵌入到正式運(yùn)行的智能定損系統(tǒng)，實(shí)時(shí)地更新擴(kuò)大數(shù)據(jù)集，提升系統(tǒng)識(shí)別的精度。

2.1半自動(dòng)標(biāo)注框架

半自動(dòng)標(biāo)注中，有人工干預(yù)的部分，也有自動(dòng)識(shí)別的部分，具體如圖1所示。

半自動(dòng)標(biāo)注方法首要步驟為人工標(biāo)注種子數(shù)據(jù)集，訓(xùn)練一個(gè)初始的標(biāo)注模型。人工標(biāo)注采用標(biāo)注工具對(duì)車輛部件進(jìn)行手工標(biāo)注，得到適量的車輛部件分割數(shù)據(jù)，將其作為種子數(shù)據(jù)集訓(xùn)練一個(gè)初始的車輛部件標(biāo)注模型。

然后，便可由訓(xùn)練好的模型對(duì)新數(shù)據(jù)進(jìn)行自動(dòng)標(biāo)注。通過(guò)對(duì)模型識(shí)別結(jié)果的打分，判別是否需要進(jìn)行人工修正。標(biāo)注結(jié)果較佳（模型識(shí)別分?jǐn)?shù)大于人工設(shè)定的閾值）的數(shù)據(jù)可以直接加入到數(shù)據(jù)集中，標(biāo)注有誤（包括漏標(biāo)和錯(cuò)標(biāo)）的數(shù)據(jù)通過(guò)人工采用標(biāo)注工具修改后再加入到數(shù)據(jù)集中。

當(dāng)數(shù)據(jù)集增大到一定大小，便可利用新的數(shù)據(jù)集重新訓(xùn)練模型，從而提高模型的精度，改善自動(dòng)標(biāo)注的效果。模型更新后繼續(xù)識(shí)別新數(shù)據(jù)增大數(shù)據(jù)集，以此不斷迭代更新模型，直到模型精度達(dá)到目標(biāo)要求。

隨著模型的精度不斷提升，人工修正的工作量也不斷減少。半自動(dòng)標(biāo)注便是將模型訓(xùn)練和標(biāo)注工作相結(jié)合，標(biāo)注新數(shù)據(jù)的同時(shí)提高模型的精度，以此達(dá)到良性循環(huán)解決標(biāo)注困難的問(wèn)題。

2.2 車輛部件標(biāo)注模型的設(shè)計(jì)

半自動(dòng)標(biāo)注框架中，設(shè)計(jì)一個(gè)好的標(biāo)注模型非常重要。車輛部件標(biāo)注任務(wù)本質(zhì)是圖像語(yǔ)義分割，2014年，融合深度學(xué)習(xí)技術(shù)的全卷積網(wǎng)絡(luò)FCN被Long等提出，掀起了語(yǔ)義分割方法的研究熱潮。隨后新的模型層出不窮，其中DeepLab[系列以不斷改進(jìn)的模型結(jié)構(gòu)獲得了突出的分割性能，DeepLab 提出了融合不同感受野特征圖的空洞空間金字塔池化（ASPP），DeepLab 則融合編碼-解碼結(jié)構(gòu)，引入上下文信息，在PASCALVOC2012和Cityscapes數(shù)據(jù)集上獲得了相近的準(zhǔn)確率。本文以DeepLab 模型為基礎(chǔ)，提出適應(yīng)于車輛部件標(biāo)注任務(wù)的改進(jìn)模型。

實(shí)際定損中，受損車輛圖像的拍攝角度不定，遠(yuǎn)近不一。有時(shí)為了定位部件的具體位置，將整輛汽車拍攝人鏡，該類受損車輛圖像中需進(jìn)行分割的部件類別達(dá)十多種；而有時(shí)為了清楚地拍攝受損情況，拍照視角離車輛較近，受損車輛圖像中僅包含少量的部件。表1統(tǒng)計(jì)了本文數(shù)據(jù)集中各部件類別數(shù)范圍對(duì)應(yīng)的受損車輛圖像數(shù)，數(shù)據(jù)顯示出受損車輛圖像的尺度變化較大。具體地說(shuō)，部件類別數(shù)多的圖像中，單個(gè)部件的面積占比較小，而部件類別數(shù)少的圖像則部件面積占比較大，甚至單個(gè)部件占據(jù)整張圖像。

考慮到受損車輛圖像的尺度跨度大，需要融合不同感受野的特征圖，并擴(kuò)大卷積的感受野的上下限?？斩淳矸e可以保持圖像分辨率的同時(shí)擴(kuò)大感受野，DeepLab系列的ASPP模塊聯(lián)合了不同空洞率的空洞卷積，達(dá)到了融合不同感受野特征圖的效果。ASPP模塊可以表示為公式（1）

式中： x 表示骨干網(wǎng)絡(luò)提取的高層語(yǔ)義特征； 表示卷積操作， r 表示空洞率， k 表示卷積核的尺寸； p （ x ） 表示

全局平均池化。

本文將空洞卷積空間金字塔模塊（ASPP）替換為密集連接型的ASPP[22]，如圖2所示，進(jìn)一步擴(kuò)大了ASPP模塊的最大感受野，利于處理部件面積占比較大的圖像。密集連接型ASPP在進(jìn)行不同空洞卷積之間增加連邊，獲得更大的感受野和更密集的特征金字塔。普通ASPP模塊的最大感受野即最大空洞率的卷積的感受野，而密集連接型ASPP采用級(jí)聯(lián)空洞卷積，將不同空洞率的卷積堆疊起來(lái)，從而增大了感受野。密集連接型ASPP模塊可表示為公式（2）

式中： 和 分別表示空洞率為6和12的卷積輸出。

此外，考慮到部件類別數(shù)較多，部件面積占比較小的情況，需要增強(qiáng)模型在細(xì)節(jié)上的分割效果，故而在解碼器模塊中增加額外的上下文語(yǔ)義信息。原DeepLab 模型解碼模塊僅融合了1/4特征圖譜的信息，容易導(dǎo)致部分細(xì)節(jié)分割丟失。本文增加與1/2大小特征圖譜的融合，并通過(guò) 1 × 1 的卷積降低其通道數(shù)，融合前后的解碼模塊如圖2所示。

2.3數(shù)據(jù)集的產(chǎn)生與更新

種子數(shù)據(jù)集是初始訓(xùn)練模型時(shí)所使用的數(shù)據(jù)集，完全由人工標(biāo)注。采用標(biāo)注工具LableMe進(jìn)行人工標(biāo)注，其支持多邊形、圓形、線等多種形式進(jìn)行標(biāo)注，可以準(zhǔn)確勾畫出零部件輪廓。人工標(biāo)注的車輛部件樣例如圖3所示。LabelMe的標(biāo)注結(jié)果以json格式數(shù)據(jù)保存，將其轉(zhuǎn)換成mask圖像，然后生成模型訓(xùn)練接收的voc格式數(shù)據(jù)集。

采用種子數(shù)據(jù)集訓(xùn)練得到模型后，便開(kāi)始數(shù)據(jù)集的擴(kuò)大及模型的迭代更新。模型的輸出為多維矩陣，為了進(jìn)行人工修正，需要將模型輸出轉(zhuǎn)化成json文件。轉(zhuǎn)換的流程圖如圖4所示。

Deeplab 模型的輸出為圖像各像素分類結(jié)果的多維矩陣，即圖像像素點(diǎn)屬于33個(gè)分類的概率。通過(guò)在分類維度上取最大值，可得到和原始圖像相同大小的像素點(diǎn)分類矩陣，再將矩陣轉(zhuǎn)換成圖像輸出即可得到mask圖像。然后，需要對(duì)mask圖像進(jìn)行邊緣檢測(cè)，獲取車輛部件分割邊界信息。

但實(shí)際邊緣檢測(cè)得到的邊界點(diǎn)過(guò)多，不利于人工修正標(biāo)注結(jié)果，故需要進(jìn)行多余點(diǎn)的去除。

采用2種去點(diǎn)方式，第一種方式為根據(jù)曼哈頓距離去點(diǎn)，曼哈頓距離為2個(gè)點(diǎn)在標(biāo)準(zhǔn)坐標(biāo)系中 x 軸和y 軸的距離絕對(duì)值之和。當(dāng)2點(diǎn)之間的曼哈頓距離大于設(shè)定的閾值時(shí)，刪除其中一個(gè)點(diǎn)。第二種方式為根據(jù)余弦值去點(diǎn)，當(dāng)3點(diǎn)所成角接近 時(shí)，去除角所在的點(diǎn)。圖5展示了自動(dòng)標(biāo)注樣例去點(diǎn)前后效果，樣例顯示根據(jù)曼哈頓距離去除了大量多余的點(diǎn)，而根據(jù)余弦值則去除了直線邊多余的點(diǎn)。

最后根據(jù)圖像的分割區(qū)域邊界、標(biāo)簽等信息生成json文件，人工采用LabelMe打開(kāi)json文件后將標(biāo)注錯(cuò)誤進(jìn)行修正，重新轉(zhuǎn)換成mask圖像后便可加人數(shù)據(jù)集。

3半自動(dòng)標(biāo)注效果及分析

3.1 數(shù)據(jù)預(yù)處理

車輛圖像原始數(shù)據(jù)集來(lái)自于某保險(xiǎn)公司，總共有45487張出險(xiǎn)圖像，包括了不同車型、不同角度、不同拍攝距離的各種圖像，但只關(guān)注7座及以下的小型客車。其中主要為通用小型汽車的出險(xiǎn)現(xiàn)場(chǎng)圖和汽車受損的圖像，也包含臟數(shù)據(jù)需要剔除。臟數(shù)據(jù)指的是微信截圖或者完全和車輛無(wú)關(guān)的圖像、二次拍攝的圖像以及曝光或非常模糊的圖像。筆者研究的自動(dòng)定損只關(guān)注肉眼可見(jiàn)的外觀，所以車輛內(nèi)部的圖像被劃分為臟數(shù)據(jù)而被剔除。

車輛零部件劃分為32個(gè)類別，大約 1 0 m i n 標(biāo)注一幅圖，標(biāo)注速度緩慢，初始純手工標(biāo)注的汽車圖像共1770張，形成了種子數(shù)據(jù)集。采用該數(shù)據(jù)集訓(xùn)練初始的車輛部件自動(dòng)標(biāo)注模型，按照8：1：1的比例把數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，劃分后大小分別為1416、177、177。

得到初始標(biāo)注模型后，采用上述的半自動(dòng)標(biāo)注框架，將模型更新與數(shù)據(jù)標(biāo)注工作相結(jié)合并不斷迭代。實(shí)驗(yàn)分別在標(biāo)注數(shù)據(jù)集增大至 時(shí)重新訓(xùn)練模型，新數(shù)據(jù)集均按照8：1：1的比例重新劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

3.2 模型訓(xùn)練及結(jié)果分析

3.2.1 改進(jìn)的DeepLab 模型的效果實(shí)驗(yàn)

針對(duì)車輛圖像尺度跨度大、小部件常常無(wú)法識(shí)別的問(wèn)題，嘗試了2種對(duì)DeepLab v3 + 模型網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化。模型實(shí)驗(yàn)采用的車輛部件分割數(shù)據(jù)集大小為3068，數(shù)據(jù)集按8：1：1的比例劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集。模型測(cè)試采用的指標(biāo)主要包括PA、MPA、MIoU和FWIoU4種，其中MIoU是計(jì)算每個(gè)類上的交并比后進(jìn)行求和平均得到的，其由于簡(jiǎn)潔性、代表性強(qiáng)，各種研究任務(wù)都以其為主要指標(biāo)進(jìn)行結(jié)果的評(píng)價(jià)。MIoU的計(jì)算公式表示為

式中： k 表示類別數(shù)； 表示標(biāo)簽為 i 預(yù)測(cè)為 j 的像素點(diǎn)個(gè)數(shù)。

模型采用的訓(xùn)練參數(shù)：學(xué)習(xí)率為0.015，batch-size為8，epoch為30，momentum為0.9，各模型在測(cè)試集上的指標(biāo)見(jiàn)表2。

改進(jìn)后的Deeplab 模型在指標(biāo)上具有一定的提升，在MPA和MIoU指標(biāo)上表現(xiàn)明顯，具有3個(gè)百分點(diǎn)的提升。從測(cè)試樣例中看，融合低層次特征圖后，模型對(duì)小部件的識(shí)別得到了增強(qiáng)。如圖6所示，原模型無(wú)法識(shí)別b支柱（前后窗之間的支柱），而改進(jìn)后的模型明顯識(shí)別了b支柱。

通過(guò)標(biāo)注工具LabelMe觀察模型在測(cè)試集上的自動(dòng)標(biāo)注效果，發(fā)現(xiàn)優(yōu)化后的模型可以識(shí)別出原模型識(shí)別不出的小型部件，對(duì)部件的識(shí)別更全，可以進(jìn)一步減少人工修正的工作量。

3.2.2 數(shù)據(jù)集的更迭擴(kuò)增效果

半自動(dòng)標(biāo)注方法通過(guò)車輛部件標(biāo)注數(shù)據(jù)集的擴(kuò)增、模型的迭代訓(xùn)練可以不斷提高標(biāo)注精度和效率。實(shí)驗(yàn)采用改進(jìn)的DeepLab 模型進(jìn)行了4次迭代訓(xùn)練和測(cè)試，作為參照，采用相同的訓(xùn)練參數(shù)進(jìn)行訓(xùn)練，學(xué)習(xí)率為0.015，batch-size為8，epoch為30。不同的是數(shù)據(jù)集的大小，4次訓(xùn)練分別為 1 7 7 0 . 3 0 6 8 . 4 2 0 8 和6169，模型迭代訓(xùn)練后在測(cè)試集上的指標(biāo)對(duì)比見(jiàn)表3。

半自動(dòng)標(biāo)注即采用模型的預(yù)測(cè)結(jié)果輔助人工標(biāo)注，加快人工標(biāo)注的速度。迭代訓(xùn)練則是數(shù)據(jù)集增大到一定程度后再訓(xùn)練新的模型，從而提升模型性能。雖然采用模型自動(dòng)標(biāo)注的數(shù)據(jù)需要人工檢查并微調(diào)，但相比人工標(biāo)注自然快許多。從表中的數(shù)據(jù)可以明顯看出隨著部件分割數(shù)據(jù)集的增大，模型的指標(biāo)也不斷上升，說(shuō)明采用模型自動(dòng)標(biāo)注和人工修正增大的數(shù)據(jù)集，對(duì)模型的性能也具有一定的提升效果。

隨著模型性能的提升，人工修正的時(shí)間也不斷縮短。相比純手工標(biāo)注一幅車輛圖像平均需要 1 0 m i n ，模型4次迭代訓(xùn)練后，人工修正一幅模型標(biāo)注圖像平均僅需 3 0 s 。結(jié)果表明，采用半自動(dòng)標(biāo)注方法和迭代訓(xùn)練的方法在一定程度上是可以解決人工標(biāo)注速度慢，模型訓(xùn)練數(shù)據(jù)不足和模型預(yù)測(cè)效果不佳的問(wèn)題。

4結(jié)束語(yǔ)

本文基于深度學(xué)習(xí)模型設(shè)計(jì)了車輛部件的半自動(dòng)標(biāo)注方法，并將其應(yīng)用于車輛部件的標(biāo)注工作中，提高了標(biāo)注效率。DeepLab 模型通過(guò)3代的改進(jìn)在圖像分割任務(wù)中取得了不錯(cuò)的效果，為了增強(qiáng)其對(duì)車輛部件的自動(dòng)標(biāo)注效果，對(duì)其網(wǎng)絡(luò)結(jié)構(gòu)嘗試了2種優(yōu)化。通過(guò)觀察測(cè)試集的標(biāo)注結(jié)果，發(fā)現(xiàn)優(yōu)化后的模型對(duì)小型部件的識(shí)別率更佳，一定程度上減少了人工修正的工作量。隨后采用半自動(dòng)標(biāo)注方法，將DeepLab 的模型訓(xùn)練與數(shù)據(jù)標(biāo)注進(jìn)行結(jié)合并形成迭代，其主要過(guò)程為模型訓(xùn)練、模型自動(dòng)標(biāo)注、人工修正和模型更新。實(shí)驗(yàn)對(duì)DeepLab 模型進(jìn)行了3次再訓(xùn)練，每次模型更新都在測(cè)試集上取得了更高的指標(biāo)。最終結(jié)果表明，將模型訓(xùn)練與標(biāo)注工作相結(jié)合，可以逐步提高模型精度，進(jìn)而自動(dòng)標(biāo)注在半自動(dòng)標(biāo)注方法中的占比，減少人工修正的工作量。該半自動(dòng)標(biāo)注方法可以有效提高圖像標(biāo)注的效率，處理海量數(shù)據(jù)。

參考文獻(xiàn)：

[1]全國(guó)機(jī)動(dòng)車保有量達(dá)4.53億輛駕駛?cè)诉_(dá)5.42億人[EB/OL]. https：//www.mps.gov.cn/n2254314/n6409334/c9939035/content. html.

[2] 國(guó)家數(shù)據(jù)，年度數(shù)據(jù)（公共管理、社會(huì)保障及其他，交通事故 發(fā)生數(shù)）[EB/OL].htps：//ata.stats.gov.cn/easyquery.htm？cn=C01.

[3]王琳.人工智能在保險(xiǎn)核賠環(huán)節(jié)應(yīng)用案例分析[D].北京：首都 經(jīng)濟(jì)貿(mào)易大學(xué)，2018.

[4] RUSSELL B C，TORRALBA A，MURPHY K P，et al. LabelMe：a database and web-based tool for image annotation[J]. International journal of computer vision，2008，77 （1-3）：157-173.

[5]蔡莉，王淑婷，劉俊暉，等.數(shù)據(jù)標(biāo)注研究綜述[J].軟件學(xué)報(bào)， 2020，31（2）：302-320.

[6] CHENG Q，ZHANG Q，F(xiàn)U P，et al. A survey and analysisonautomatic image annotation [J].Pattern Recognition， 2018，79：242-259.

[7]馬艷春，劉永堅(jiān)，解慶，等.自動(dòng)圖像標(biāo)注技術(shù)綜述[J].計(jì)算機(jī) 研究與發(fā)展，2020，57（11）：2348-2374.

[8] CUSANO C，CIOCCA G， SCHETTINI R. Image annotation using SVM [C]//Internet imaging V. International society for optics and photonics，2003，5304：330-338.

[9] MAKADIA A，PAVLOVIC V，KUMAR S. Baselines for image annotation [J]. International Jourmal of Computer Vision，2010，90（1） ：88-105.

[10]常致富，周風(fēng)余，王玉剛，等.基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注 方法綜述[J].山東大學(xué)學(xué)報(bào)（工學(xué)版），2019，49（6）：25-35.

[11] MA Y，LIU Y， XIE Q，et al. CNN-feature based automatic image annotation method [J]. Multimedia Tools and Applications，2019，78（3）：3767-3780.

[12] KRIZHEVSKY A， SUTSKEVER I，HINTON G E. Imagenet classification with deep convolutional neural networks [J]. Advances in neural information processing systems，2012，25：1097-1105.

[13] KE X， ZOU J，NIU Y. End-to-end automatic image annotation based on deep CNNand multi-label data augmentation [J]. IEEE Transactionson Multimedia，2019，21 （8） ：2093-2106.

[14] DAI J，LI Y，HE K，et al. R-fcn：Object detection via region-based fully convolutional networks[J]. arXiv preprint arXiv ：1605.06409，2016.

[15] RONNEBERGER O，F(xiàn)ISCHER P，BROX T. U -net： Convolutional networks for biomedical image segmentation[C/International Conference on Medical image computing and computer -assisted intervention.Springer，Cham， 2015：234-241.

[16]SINGH R，AYYAR MP，SRI P，etal.Automating car insurance claims using deep learning techniques [C]//2019 IEEE Fifth International Conference on Multimedia Big Data（BigMM），2019：199-207.

[17]陳哲，黃巍，陳昭.基于Web應(yīng)用的醫(yī)學(xué)圖像半自動(dòng)標(biāo)注系 統(tǒng)[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（10）：1-5.

[18] BOTA P，SILVA J，F(xiàn)OLGADO D，et al. A semi-automaticannotation approach for human activity recognition [J].Sens0rs，2019，19（3）：501.

[19] CHEN L C， GEORGE P，IASONAS K，et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs[J/OL].arXiv，2016-06[2025-04].https：//arxiv. org/abs/1412.7062.

[20] CHEN L C，PAPANDREOU G，KOKKINOS I，et al. Deeplab：Semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected crfs [J].IEEE transactions on pattern analysis and machine intelligence，2017，40（4）：834-848.

[21] CHENL C，ZHU YK，PAPANDREOU G，et al.Encoder-decoder with atrous separable convolution for semantic image segmentation [M]//Ferrari V，HebertM， Sminchisescu C，et al. Computer vision -ECCV 2018. Lecture notesin computer science. Cham： Springer， 2018，11211：833-851.

[22]劉致驛，孫韶媛，任正云，等.基于改進(jìn)DeepLabv3+的無(wú)人車 夜間紅外圖像語(yǔ)義分割[J].應(yīng)用光學(xué)，2020，41（1）：180-185.