CN111191723B - 基于级联分类器的少样本商品分类***及分类方法 - Google Patents

基于级联分类器的少样本商品分类***及分类方法 Download PDF

Info

Publication number
CN111191723B
CN111191723B CN201911398741.9A CN201911398741A CN111191723B CN 111191723 B CN111191723 B CN 111191723B CN 201911398741 A CN201911398741 A CN 201911398741A CN 111191723 B CN111191723 B CN 111191723B
Authority
CN
China
Prior art keywords
commodity
sample
few
classification
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911398741.9A
Other languages
English (en)
Other versions
CN111191723A (zh
Inventor
张发恩
刘金露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Chuangxin Qizhi Technology Group Co ltd
Original Assignee
Alnnovation Beijing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alnnovation Beijing Technology Co ltd filed Critical Alnnovation Beijing Technology Co ltd
Priority to CN201911398741.9A priority Critical patent/CN111191723B/zh
Publication of CN111191723A publication Critical patent/CN111191723A/zh
Application granted granted Critical
Publication of CN111191723B publication Critical patent/CN111191723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于级联分类器的少样本商品分类***，通过多层提取少样本商品对应的图像特征，并将每一层提取的图像特征对应输入到级联分类器的每一级分类器中，通过级联分类器计算少样本商品为对应商品类的分类权重，并通过分析少样本商品与基础商品的类间关联性，并基于类间关联性级联更新并最终得到少样本商品的分类权重，最后级联分类器根据最末层提取的图像特征和最终得到的分类权重，输出对少样本商品的分类结果，本发明通过级联分类器对特征提取器的各个隐藏层提取的隐藏特征进行分类权重计算，然后基于少样本商品与基础商品的类间区分度，级联更新少样本商品的分类权重，有利于提高对少样本商品进行分类的准确率和分类效率。

Description

基于级联分类器的少样本商品分类***及分类方法
技术领域
本发明涉及商品分类技术领域，具体涉及一种基于级联分类器的少样本商品分类***及分类方法。
背景技术
当前，基于视觉识别技术的物品分类方法通常依赖于大量的训练数据训练分类模型，并通过分类模型识别输出对物品的分类。但是在一些特定的应用场景下，有些类别的数据是很难获取的，比如某些冷门的商品、刚上新的商品等，这些商品的商品数据很有限，因此无法以这些有限的商品数据作为训练样本训练出一个有效的商品分类器对这些冷门商品进行分类识别。
现有技术中，针对这些少样本商品的分类识别，大多采用一个特征提取器和一个分类器，特征提取器提取出少样本商品的商品图像特征，然后分类器根据商品图像特征得到对少样本特征的分类结果。而这些分类器仅对特征提取器的最终输出进行分类，没有对特征提取器的隐藏层特征进行分类，导致特征提取器的隐藏层特征的类间区分度不高，从而影响特征提取器最终输出的图像特征的类间区分度，最终影响对少样本商品的分类判断的准确度。
发明内容
本发明的目的在于提供一种基于级联分类器的少样本商品分类***，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于级联分类器的少样本商品分类***，用于对缺少样本特征的商品进行商品分类，包括：
特征提取器训练模块，用于根据输入的多个基础商品特征样本，训练形成一特征提取器并存储；
分类器训练模块，用于根据输入的多个基础商品类别样本，训练形成一级联分类器并存储；
少样本商品图像获取模块，用于获取少样本商品的商品图像；
特征提取模块，分别连接所述少样本商品图像获取模块和所述特征提取器训练模块，用于将所述少样本商品的所述商品图像输入到所述特征提取器中，随后，所述特征提取器以多层图像特征提取方式提取出关联于所述少样本商品的多层图像特征；
分类模块，分别连接所述特征提取模块和所述分类器训练模块，用于将提取到的每一层的所述图像特征对应输入到所述级联分类器的每一级的分类器中，
所述级联分类器根据输入的图像特征计算得到所述少样本商品在每一分类层为对应商品类的分类权重，并通过分析所述少样本商品与基础商品的类间关联性，级联更新所述分类权重，最终基于最末层输入的所述图像特征和经级联更新最终得到的所述分类权重对所述少样本商品进行商品分类，并最终输出对所述少样本商品的分类结果。
作为本发明的一种优选方案，所述特征提取器提取的所述图像特征包括所述少样本商品的所述商品图像经图像特征提取后的隐藏特征。
作为本发明的一种优选方案，所述级联分类器中的每一级所述分类器中具体包括：
图像特征输入单元，用于对应输入所述特征提取器提取的所述图像特征；
分类权重计算单元，连接所述图像特征输入单元，用于根据输入的所述图像特征计算出所述少样本商品为对应的所述商品类的所述分类权重；
类间关联性分析单元，连接所述图像特征输入单元，用于根据输入的所述图像特征分析得到所述少样本商品与所述基础商品的所述类间关联性；
分类权重更新单元，分别连接所述分类权重计算单元和所述类间关联性分析单元，用于根据所述类间关联性，更新所述少样本商品为对应的所述商品类的所述分类权重；
分类单元，连接所述图像特征输入单元和所述分类权重更新单元，用于根据所输入的所述图像特征和经最终更新后的所述分类权重，对所述少样本商品进行商品分类，并得到所述分类结果。
作为本发明的一种优选方案，所述少样本商品分类***根据关联于所述少样本商品的所述图像特征并通过注意力机制分析得到所述少样本商品与所述基础商品的所述类间关联性。
本发明还提供了一种基于级联分类器的少样本商品分类方法，通过应用所述少样本商品分类***实现，包括如下步骤：
步骤S1，所述少样本商品分类***获取所述少样本商品的所述商品图像；
步骤S2，所述少样本商品分类***基于预先训练的所述特征提取器对所述商品图像进行图像特征提取，提取出关联于所述少样本商品的多层图像特征；
步骤S3，所述少样本商品分类***将每一层的所述图像特征对应输入到所述级联分类器的每一级的所述分类器中；
步骤S4，所述级联分类器根据输入的所述图像特征计算得到所述少样本商品在每一所述分类层为对应的所述商品类的所述分类权重，并通过分析所述少样本商品与所述基础商品的所述类间关联性，级联更新所述分类权重；
步骤S5，所述级联分类器基于最末层提取的所述图像特征和经级联更新最终得到的所述分类权重对所述少样本商品进行商品分类，并最终输出对所述少样本商品的所述分类结果。
作为本发明的一种优选方案，所述步骤S2中，所述图像特征包括所述特征提取器提取出的关联于所述少样本商品的隐藏特征。
作为本发明的一种优选方案，所述步骤S4中，所述级联分类器计算所述少样本商品为对应的所述商品类的所述分类权重的方法具体包括如下步骤：
步骤L1，根据所输入的所述图像特征，计算所述少样本商品的特征均值F；
步骤L2，将所述特征均值F放入全连接层后得到对应的第一特征W1；
步骤L3，利用注意力机制计算所述特征均值F与对应的所述基础商品的关联系数，然后用所述关联系数与预设的所述基础商品自身对应的类别权重相乘，得到对应所述少样本商品的第二特征W2；
步骤L4，将所述第一特征W1和所述第二特征W2相加，得到所述少样本商品为对应所述商品类的所述分类权重W。
作为本发明的一种优选方案，所述步骤S4中，所述级联分类器分析所述少样本商品与所述基础商品的所述类间关联性的方法具体包括如下步骤：
步骤M1，将所述少样本商品的所述特征均值F放入全连接层，得到所述第一特征W1；
步骤M2，将所述少样本商品的所述第一特征W1与所述基础商品自身的商品特征相乘，得到一第一乘积，然后计算所述第一乘积的第一逻辑回归(Softmax)值；
步骤M3，将所述步骤M2计算得到的所述第一逻辑回归值与所述基础商品自身对应的所述类别权重相乘，得到一第二乘积，然后计算所述第二乘积的第二逻辑回归值，并将所述第二逻辑回归值作为评价所述少样本商品与所述基础商品的所述类间关联性强弱的指标。
作为本发明的一种优选方案，所述步骤S4中，所述级联分类器级联更新所述少样本商品对应的所述分类权重通过以下公式计算实现：
Wn＝W1+0.5Wn-1；
上式中，Wn用于表示经所述级联分类器中的第n级分类器权重更新后的所述少样本商品对应为所述商品类的所述分类权重；
W1用于表示所述级联分类器中的第一级分类器计算到的所述少样本商品对应为所述商品类的所述分类权重。
本发明的有益效果：
1、本发明不仅对特征提取器最终输出的图像特征进行分类，并且通过级联分类器对特征提取器的各个隐藏层提取的图像特征进行分类，增强了特征提取器的隐藏特征的类间区分度，有利于进一步提高特征提取器最终提取的图像特征的类间区分度，提高了对少样本商品进行商品分类的准确率和分类效率。
2、本发明通过注意力机制得到少样本商品和基础商品的类间关联性，然后基于类间关联性级联更新少样本商品为对应商品类的分类权重，有效提高了对少样本商品进行分类的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的基于级联分类器的少样本商品分类***的结构示意图；
图2是本发明一实施例所述的少样本商品分类***中的每个所述分类器的内部结构示意图；
图3是应用本发明一实施例所述的基于级联分类器的少样本商品分类***实现对少样本商品的商品分类的方法步骤图：
图4是本发明一实施例所述的基于级联分类器的少样本商品分类***计算少样本商品为对应商品类的分类权重的方法步骤图；
图5是本发明一实施例所述的基于级联分类器的少样本商品分类***分析少样本商品与基础商品的类间关联性的方法步骤图；
图6是本发明一实施例所述的基于级联分类器的少样本商品分类***实现对少样本商品的商品分类的流程框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参照图1，本发明实施例提供的基于级联分类器的少样本商品分类***，用于对缺少样本特征的商品进行商品分类，该少样本商品分类***具体包括：
特征提取器训练模块1，用于根据输入的多个基础商品特征样本，训练形成一特征提取器并存储；
分类器训练模块2，用于根据输入的多个基础商品类别样本，训练形成一级联分类器并存储；
少样本商品图像获取模块3，用于获取少样本商品的商品图像；
特征提取模块4，分别连接少样本商品图像获取模块3和特征提取器训练模块1，用于将少样本商品的商品图像输入到特征提取器中，随后，特征提取器以多层图像特征提取方式提取出关联于少样本商品的多层图像特征；
分类模块5，分别连接特征提取模块4和分类器训练模块2，用于将提取到的每一层的图像特征对应输入到级联分类器的每一级分类器中，
级联分类器根据输入的图像特征计算得到少样本商品为对应商品的分类权重，并通过分析少样本商品与基础商品的类间关联性，级联更新分类权重，最终基于各层输入的图像特征和经级联更新后的分类权重输出对少样本商品的分类结果。
于本实施例的一种优选方案中，特征提取器提取的图像特征包括少样本商品的商品图像经图像特征提取后的隐藏特征。
请参照图2和图6，级联分类器中的每个分类器100中具体包括：
图像特征输入单元101，用于对应输入特征提取器提取的图像特征；
分类权重计算单元102，连接图像特征输入单元101，用于根据输入的图像特征计算出少样本商品为对应商品类的分类权重；
类间关联性分析单元103，连接图像特征输入单元101，用于根据输入的图像特征分析得到少样本商品与基础商品的类间关联性；
分类权重更新单元104，分别连接分类权重计算单元102和类间关联性分析单元103，用于根据类间关联性，更新少样本商品为对应商品类的分类权重并存储；
分类单元105，连接图像特征输入单元101和分类权重更新单元102，用于根据所输入的图像特征和经最终更新后的分类权重，对少样本商品进行商品分类，得到分类结果。
上述技术方案中，少样本商品分类***根据关联于少样本商品的图像特征，优选通过注意力机制分析得到少样本商品与基础商品之间的类间关联性。
请参照图3和图6，本发明还提供了一种基于级联分类器的少样本商品分类方法，通过应用上述的少样本商品分类***实现，具体包括如下步骤：
步骤S1，少样本商品分类***获取少样本商品的商品图像；
步骤S2，少样本商品分类***基于预先训练的特征提取器对商品图像进行图像特征提取，提取出关联于少样本商品的多层图像特征；
步骤S3，少样本商品分类***将每一层的图像特征对应输入到级联分类器的每一级的分类器中；
步骤S4，级联分类器根据输入的图像特征计算得到少样本商品在每一分类层为对应商品类的分类权重，并通过分析少样本商品与基础商品的类间关联性，级联更新分类权重；
步骤S5，级联分类器基于最末层提取的图像特征和经级联更新最终得到的分类权重对少样本商品进行商品分类，并最终输出对少样本商品的分类结果。
上述技术方案中，特征提取器和级联分类器的训练过程为现有方法，比如可以使用深度学习的卷积神经网络训练得到特征提取器和级联分类器，具体训练过程在此不作阐述。
步骤S2中，提取的图像特征包括关联于少样本商品的隐藏特征。通常情况下，通过卷积神经网络进行图像特征提取，最终输出的图像特征不包含图像隐藏特征，这些图像隐藏特征一般默认被丢弃，在本实施例中，少样本商品分类***将隐藏的图像特征作为分类样本，有利于提高对少样本商品的商品分类的准确率。
请参照图4，步骤S4中，级联分类器计算少样本商品为对应商品类的分类权重的方法具体包括如下步骤：
步骤L1，根据输入的图像特征，计算少样本商品的特征均值F；
步骤L2，将特征均值F放入全连接层后得到对应的第一特征W1；
步骤L3，利用注意力机制计算特征均值F与对应的基础商品的关联系数，然后用关联系数与预设的基础商品本身对应的类别权重相乘，得到对应少样本商品的第二特征W2；
步骤L4，将第一特征W1和第二特征W2相加，得到少样本商品为对应商品类的分类权重W。
W＝W1+W2。
这里需要说明的是，少样本商品分类***通过各级分类器计算少样本商品的特征均值的方法为现有的特征均值计算方法，由于对于特征均值的计算方法并非本发明要求权利保护的范围，所以少样本商品分类***根据关联于少样本商品的图像特征计算少样本商品对应的特征均值F的过程在此不作阐述。
请参照图5，步骤S4中，级联分类器分析少样本商品与基础商品的类间关联性的方法具体包括如下步骤：
步骤M1，将少样本商品的特征均值F放入全连接层后得到对应的第一特征W1；
步骤M2，将少样本商品对应的第一特征W1与基础商品自身的商品特征相乘，得到一第一乘积，然后计算第一乘积的第一逻辑回归(Softmax)值；
步骤M3，将步骤M2计算得到的第一逻辑回归值与基础商品自身对应的类别权重相乘，得到一第二乘积，然后计算第二乘积的第二逻辑回归值，并将第二逻辑回归值作为评价少样本商品与基础商品的类间关联性强弱的指标。
这里需要说明的是，步骤M2中计算的第一逻辑回归值即为上述步骤L3中计算的特征均值F与基础商品的关联系数(也就是少样本商品与基础商品的关联系数)。
步骤M3中计算的第二逻辑回归值即为上述步骤L3中计算的对应少样本商品的第二特征W2。
上述技术方案中，计算第一特征W1、第一逻辑回归值、第二逻辑回归值的方法均为现有的计算方法，其计算过程在此不作阐述。
级联分类器级联更新少样本商品对应的分类权重的方法通过以下公式计算实现：
Wn＝W1+0.5Wn-1；
上式中，Wn用于表示经级联分类器中的第n级分类器权重更新后的少样本商品为对应商品类的分类权重；
W1用于表示级联分类器中的第一级分类器计算到的少样本商品为对应商品类的分类权重。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (7)

1.一种基于级联分类器的少样本商品分类***，用于对缺少样本特征的商品进行商品分类，其特征在于，包括：
特征提取器训练模块，用于根据输入的多个基础商品特征样本，训练形成一特征提取器并存储；
分类器训练模块，用于根据输入的多个基础商品类别样本，训练形成一级联分类器并存储；
少样本商品图像获取模块，用于获取少样本商品的商品图像；
特征提取模块，分别连接所述少样本商品图像获取模块和所述特征提取器训练模块，用于将所述少样本商品的所述商品图像输入到所述特征提取器中，随后，所述特征提取器以多层图像特征提取方式提取出关联于所述少样本商品的多层图像特征；
分类模块，分别连接所述特征提取模块和所述分类器训练模块，用于将提取到的每一层的所述图像特征对应输入到所述级联分类器的每一级的分类器中，
所述级联分类器根据输入的图像特征计算得到所述少样本商品在每一分类层为对应商品类的分类权重，并通过分析所述少样本商品与基础商品的类间关联性，级联更新所述分类权重，最终基于最末层输入的所述图像特征和经级联更新最终得到的所述分类权重对所述少样本商品进行商品分类，并最终输出对所述少样本商品的分类结果；
所述特征提取器提取的所述图像特征包括所述少样本商品的所述商品图像经图像特征提取后的隐藏特征。
2.如权利要求1所述的少样本商品分类***，其特征在于，所述级联分类器中的每一级所述分类器中具体包括：
图像特征输入单元，用于对应输入所述特征提取器提取的所述图像特征；
分类权重计算单元，连接所述图像特征输入单元，用于根据输入的所述图像特征计算出所述少样本商品为对应的所述商品类的所述分类权重；
类间关联性分析单元，连接所述图像特征输入单元，用于根据输入的所述图像特征分析得到所述少样本商品与所述基础商品的所述类间关联性；
分类权重更新单元，分别连接所述分类权重计算单元和所述类间关联性分析单元，用于根据所述类间关联性，更新所述少样本商品为对应的所述商品类的所述分类权重；
分类单元，连接所述图像特征输入单元和所述分类权重更新单元，用于根据所输入的所述图像特征和经最终更新后的所述分类权重，对所述少样本商品进行商品分类，并得到所述分类结果。
3.如权利要求1所述的少样本商品分类***，其特征在于，所述少样本商品分类***根据关联于所述少样本商品的所述图像特征并通过注意力机制分析得到所述少样本商品与所述基础商品的所述类间关联性。
4.一种基于级联分类器的少样本商品分类方法，通过应用如权利要求1-3任意一项的所述少样本商品分类***实现，其特征在于，包括如下步骤：
步骤S1，所述少样本商品分类***获取所述少样本商品的所述商品图像；
步骤S2，所述少样本商品分类***基于预先训练的所述特征提取器对所述商品图像进行图像特征提取，提取出关联于所述少样本商品的多层图像特征；
步骤S3，所述少样本商品分类***将每一层的所述图像特征对应输入到所述级联分类器的每一级的所述分类器中；
步骤S4，所述级联分类器根据输入的所述图像特征计算得到所述少样本商品在每一所述分类层为对应的所述商品类的所述分类权重，并通过分析所述少样本商品与所述基础商品的所述类间关联性，级联更新所述分类权重；
步骤S5，所述级联分类器基于最末层提取的所述图像特征和经级联更新最终得到的所述分类权重对所述少样本商品进行商品分类，并最终输出对所述少样本商品的所述分类结果；
所述步骤S2中，所述图像特征包括所述特征提取器提取出的关联于所述少样本商品的隐藏特征。
5.如权利要求4所述的少样本商品分类方法，其特征在于，所述步骤S4中，所述级联分类器计算所述少样本商品为对应的所述商品类的所述分类权重的方法具体包括如下步骤：
步骤L1，根据所输入的所述图像特征，计算所述少样本商品的特征均值F；
步骤L2，将所述特征均值F放入全连接层后得到对应的第一特征W1；
步骤L3，利用注意力机制计算所述特征均值F与对应的所述基础商品的关联系数，然后用所述关联系数与预设的所述基础商品自身对应的类别权重相乘，得到对应所述少样本商品的第二特征W2；
步骤L4，将所述第一特征W1和所述第二特征W2相加，得到所述少样本商品为对应所述商品类的所述分类权重W。
6.如权利要求5所述的少样本商品分类方法，其特征在于，所述步骤S4中，所述级联分类器分析所述少样本商品与所述基础商品的所述类间关联性的方法具体包括如下步骤：
步骤M1，将所述少样本商品的所述特征均值F放入全连接层，得到所述第一特征W1；
步骤M2，将所述少样本商品的所述第一特征W1与所述基础商品自身的商品特征相乘，得到一第一乘积，然后计算所述第一乘积的第一逻辑回归值；
步骤M3，将所述步骤M2计算得到的所述第一逻辑回归值与所述基础商品自身对应的所述类别权重相乘，得到一第二乘积，然后计算所述第二乘积的第二逻辑回归值，并将所述第二逻辑回归值作为评价所述少样本商品与所述基础商品的所述类间关联性强弱的指标。
7.如权利要求6所述的少样本商品分类方法，其特征在于，所述步骤S4中，所述级联分类器级联更新所述少样本商品对应的所述分类权重通过以下公式计算实现：
Wn＝W1+0.5Wn-1；
上式中，Wn用于表示经所述级联分类器中的第n级分类器权重更新后的所述少样本商品对应为所述商品类的所述分类权重；
W1用于表示所述级联分类器中的第一级分类器计算到的所述少样本商品对应为所述商品类的所述分类权重。
CN201911398741.9A 2019-12-30 2019-12-30 基于级联分类器的少样本商品分类***及分类方法 Active CN111191723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911398741.9A CN111191723B (zh) 2019-12-30 2019-12-30 基于级联分类器的少样本商品分类***及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911398741.9A CN111191723B (zh) 2019-12-30 2019-12-30 基于级联分类器的少样本商品分类***及分类方法

Publications (2)

Publication Number Publication Date
CN111191723A CN111191723A (zh) 2020-05-22
CN111191723B true CN111191723B (zh) 2023-06-20

Family

ID=70707901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911398741.9A Active CN111191723B (zh) 2019-12-30 2019-12-30 基于级联分类器的少样本商品分类***及分类方法

Country Status (1)

Country Link
CN (1) CN111191723B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5793891A (en) * 1994-07-07 1998-08-11 Nippon Telegraph And Telephone Corporation Adaptive training method for pattern recognition
CN104182621A (zh) * 2014-08-08 2014-12-03 同济大学 基于深度信念网络的adhd判别分析方法
CN106415594A (zh) * 2014-06-16 2017-02-15 北京市商汤科技开发有限公司 用于面部验证的方法和***
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法
CN106874934A (zh) * 2017-01-12 2017-06-20 华南理工大学 基于加权极限学习机集成算法的污水处理故障诊断方法
CN107798283A (zh) * 2016-08-31 2018-03-13 西安英诺视通信息技术有限公司 一种基于决策导向无环图的神经网络故障多类分类器
CN108921198A (zh) * 2018-06-08 2018-11-30 山东师范大学 基于深度学习的商品图像分类方法、服务器及***
CN109993235A (zh) * 2019-04-10 2019-07-09 苏州浪潮智能科技有限公司 一种多变量数据分类方法与装置
CN110084318A (zh) * 2019-05-07 2019-08-02 哈尔滨理工大学 一种结合卷积神经网络和梯度提升树的图像识别方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110250626A1 (en) * 2002-09-09 2011-10-13 Reactive Surfaces, Ltd. Visual Assays for Coatings Incorporating Bioactive Enzymes for Catalytic Functions
WO2006087854A1 (ja) * 2004-11-25 2006-08-24 Sharp Kabushiki Kaisha 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム
CN103077399B (zh) * 2012-11-29 2016-02-17 西交利物浦大学 基于集成级联架构的生物显微图像分类方法
CN104751163B (zh) * 2013-12-27 2018-06-19 同方威视技术股份有限公司 对货物进行自动分类识别的透视检查***和方法
US9767385B2 (en) * 2014-08-12 2017-09-19 Siemens Healthcare Gmbh Multi-layer aggregation for object detection
US10657424B2 (en) * 2016-12-07 2020-05-19 Samsung Electronics Co., Ltd. Target detection method and apparatus
US20190122111A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions
CN108647706B (zh) * 2018-04-24 2022-03-22 广州大学 基于机器视觉的物品识别分类与瑕疵检测方法
CN109816028A (zh) * 2019-01-18 2019-05-28 创新奇智(南京)科技有限公司 一种部分特征迁移的非平衡数据集分类模型融合方法
CN109784421A (zh) * 2019-01-30 2019-05-21 北京朗镜科技有限责任公司 一种识别模型的构建方法及装置
CN109934261B (zh) * 2019-01-31 2023-04-07 中山大学 一种知识驱动参数传播模型及其少样本学习方法
CN110209811B (zh) * 2019-04-30 2023-09-22 上海艾瑞数科商务咨询有限公司 一种商品自动分类方法及***
CN110210522A (zh) * 2019-05-10 2019-09-06 无线生活(北京)信息技术有限公司 图片质量分数模型的训练方法及装置
CN110414414B (zh) * 2019-07-25 2022-02-18 合肥工业大学 基于多层级特征深度融合的sar图像舰船目标鉴别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5793891A (en) * 1994-07-07 1998-08-11 Nippon Telegraph And Telephone Corporation Adaptive training method for pattern recognition
CN106415594A (zh) * 2014-06-16 2017-02-15 北京市商汤科技开发有限公司 用于面部验证的方法和***
CN104182621A (zh) * 2014-08-08 2014-12-03 同济大学 基于深度信念网络的adhd判别分析方法
CN107798283A (zh) * 2016-08-31 2018-03-13 西安英诺视通信息技术有限公司 一种基于决策导向无环图的神经网络故障多类分类器
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法
CN106874934A (zh) * 2017-01-12 2017-06-20 华南理工大学 基于加权极限学习机集成算法的污水处理故障诊断方法
CN108921198A (zh) * 2018-06-08 2018-11-30 山东师范大学 基于深度学习的商品图像分类方法、服务器及***
CN109993235A (zh) * 2019-04-10 2019-07-09 苏州浪潮智能科技有限公司 一种多变量数据分类方法与装置
CN110084318A (zh) * 2019-05-07 2019-08-02 哈尔滨理工大学 一种结合卷积神经网络和梯度提升树的图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
*** ; 王科 ; 贺炎 ; .高可信度加权的多分类器融合行为识别模型.计算机应用.2016,(第12期),全文. *

Also Published As

Publication number Publication date
CN111191723A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN110287320B (zh) 一种结合注意力机制的深度学习多分类情感分析模型
CN109740148B (zh) 一种BiLSTM结合Attention机制的文本情感分析方法
CN108764313B (zh) 基于深度学习的超市商品识别方法
CN113486981B (zh) 基于多尺度特征注意力融合网络的rgb图像分类方法
CN109508375A (zh) 一种基于多模态融合的社交情感分类方法
CN108363790A (zh) 用于对评论进行评估的方法、装置、设备和存储介质
CN106951825A (zh) 一种人脸图像质量评估***以及实现方法
CN107025284A (zh) 网络评论文本情感倾向的识别方法及卷积神经网络模型
CN109492750B (zh) 基于卷积神经网络和因素空间的零样本图像分类方法
CN109189767A (zh) 数据处理方法、装置、电子设备及存储介质
CN109741341A (zh) 一种基于超像素和长短时记忆网络的图像分割方法
CN112732921B (zh) 一种虚假用户评论检测方法及***
CN110532421A (zh) 一种基于人的性别、心情和年龄的音乐推荐方法及***
CN115205521B (zh) 基于神经网络的厨余垃圾检测方法
CN109960727A (zh) 针对非结构化文本的个人隐私信息自动检测方法及***
CN112364791B (zh) 一种基于生成对抗网络的行人重识别方法和***
CN108280164A (zh) 一种基于类别相关单词的短文本过滤与分类方法
CN110263174A (zh) —基于焦点关注的主题类别分析方法
US20220383606A1 (en) Data band selection using machine learning
CN117611932B (zh) 基于双重伪标签细化和样本重加权的图像分类方法及***
CN109992781A (zh) 文本特征的处理、装置、存储介质和处理器
CN111914902A (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN110852369A (zh) 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN114972222A (zh) 细胞信息统计方法、装置、设备及计算机可读存储介质
CN107291774A (zh) 错误样本识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240611

Address after: Room 501, block a, Haier International Plaza, 939 Zhenwu Road, Jimo Economic Development Zone, Qingdao, Shandong 266200

Patentee after: Qingdao Chuangxin Qizhi Technology Group Co.,Ltd.

Country or region after: China

Address before: 100080 1601-a1816, 18 / F, building 1, 3 Haidian Street, Haidian District, Beijing

Patentee before: ALNNOVATION (BEIJING) TECHNOLOGY Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right