Inspector Gadget：基于数据编程的工业图像标注系统

在Software 2.0时代，面向图像的机器学习日益普及，而确保充足的标注数据用于训练是一大严重瓶颈。该问题在制造场景中尤为关键，智能工厂依赖机器学习通过分析工业图像进行产品质量控制。此类图像通常尺寸较大，且可能仅需局部分析，其中仅小部分存在异常（例如识别表面缺陷）。由于人工标注这些图像成本高昂，弱监督成为一种颇具吸引力的替代方案，其思想是生成不完美但可规模化产出的弱标签。数据编程是此类范式中的近期进展，其以标注函数的形式利用人类知识并将其组合为一个生成模型。数据编程在基于文本或结构化数据的应用中已取得成功，通常也可应用于图像，前提是能将其转化为结构化数据。本工作中，我们拓展数据编程的边界，直接将其应用于图像而无需此类转化，这正是工业应用中的常见情形。我们提出Inspector Gadget，一种结合众包、数据增强与数据编程以规模化产出图像分类弱标签的图像标注系统。我们在真实工业图像数据集上开展实验，表明Inspector Gadget优于其他弱标注技术：Snuba、GOGGLES，以及使用卷积神经网络（CNNs）且无预训练的自学习基线。