机器学习中的注释(Annotation)是标记数据的过程,可以是文本,视频,图像或音频等形式。在计算机视觉任务中,图像注释有助于计算机更好的理解图像,计算机尝试在带注释的数据中学习出适用于新数据识别的相似的规则。
有着以下几种不同类型的标注方式,具体使用那种标注方式还需要根据您的具体任务目标而定。
- 边界框标注(Bounding Box Annotation)
- 多边形标注(Polygonal Annotation)
- landmark或关键点标注(Landmark or Key-point Annotation)
- 线标注(Line Annotation)
- 长方体标注(Cuboid Annotation)
- 语义分割(Semantic Segmentation)
边界框标注(Bounding Box Annotation)
边界框是最常见的图像标注类型。正如其字面意思一样,标注者需要根据具体要求在目标物体周围画一个方框。可以使用边界框来训练目标检测模型。
![ae311acfd31968aa298ab6d06a74b5e2.png](https://i-blog.csdnimg.cn/blog_migrate/99f3b3f5d74474bb57f48134932b2fc9.jpeg)
多边形标注(Polygonal Annotation)
多边形掩膜(mask)主要用于标注具有不规则形状的目标。标注者必须以高精度标注出图像中目标的边界,从而清楚地了解目标的形状和大小。不同于标注框标注方式,可以框选目标周围不必要区域从而有可能在某些任务中影响模型的训练,多边形标注由于有着较高的标注精度其在任务