CN111241893B - 一种标识识别方法、装置及*** - Google Patents
一种标识识别方法、装置及*** Download PDFInfo
- Publication number
- CN111241893B CN111241893B CN201811448571.6A CN201811448571A CN111241893B CN 111241893 B CN111241893 B CN 111241893B CN 201811448571 A CN201811448571 A CN 201811448571A CN 111241893 B CN111241893 B CN 111241893B
- Authority
- CN
- China
- Prior art keywords
- identification
- layer
- commodity
- feature layer
- picture
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种标识识别方法、装置及***。其中,所述方法包括:针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。采用本申请提供的方法,解决了现有技术中针对商品图片中的标识识别准确度低的问题。
Description
技术领域
本申请涉及数据挖掘领域,具体涉及一种标识识别方法、装置及***。
背景技术
电子商务平台向消费者提供了海量的商品,方便了消费者的购物需求。但是从海量的商品中快速检测出假冒商品,从而避免消费者的损失以及知识产权侵权是一个亟待解决的问题。
现有技术提供了针对商品图片中商品标识进行假冒商品识别的方法,该方法包括基于局部特征的检索方法和目标检测方法。基于局部特征的检索方法优势在于类别扩展便捷,但是对于标识特征描述较差;基于目标检测方式目前面临着小目标、类别扩展以及模型前馈网络性能等问题。
发明内容
本申请提供一种标识识别方法、装置及***,以解决现有技术中,针对商品图片中的标识识别准确度低的问题。
本申请提供一种标识识别方法,包括:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
可选的,所述针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层,包括:
获取待识别的商品图片;
在所述商品图片中标注所述商品图片的标识信息,获得标注商品图片;
利用标识预测神经网络针对所述标注商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
可选的,所述根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层,包括:
使用多个不同尺寸的卷积核分别与所述原始特征层进行卷积运算,获得所述不同尺寸的卷积核对应的卷积特征数据;
将所述卷积特征数据进行拼接运算,获得所述原始特征层的拼接特征数据;
将所述拼接特征数据与所述原始特征层的捷径进行加法运算,获得所述商品图片的融合特征层。
可选的,所述将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层,包括:
根据第一融合特征层,获得所述第一融合特征层对应的第一标识预测特征层;
针对所述第一标识预测特征层进行上采样,获得所述第一标识预测特征层对应的上采样数据;
将与所述第一融合特征层邻近的第二融合特征层与所述上采样数据进行加法运算,获得所述第二融合特征层对应的第二标识预测特征层。
可选的,所述根据所述标识预测特征层,针对所述商品图片进行标识识别,包括:
针对所述标识预测神经网络根据所述标识预测特征层输出的检测框进行抑制,获得所述商品图片中的每个区域是标识的可能性;
根据所述可能性,获得所述商品图片中的标识候选区域;
根据所述标识候选区域,获得所述商品图片的标识的特征码数据;
根据所述特征码数据,针对所述商品图片进行标识识别。
可选的,所述根据所述标识候选区域,获得所述商品图片的标识的特征码数据,包括:
利用标识识别神经网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据;
针对所述标识特征数据进行聚类操作,获得所述商品图片的聚类信息;
将所述聚类信息进行特征提取和乘积量化,获得所述商品图片的标识的特征码数据。
可选的,所述利用标识识别网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据,包括:
利用所述标识识别神经网络中的可变形卷积层进行特征提取,获得所述标识候选区域的标识特征数据。
可选的,所述标识识别方法,还包括:
根据交叉熵损失函数和第一层平滑损失函数确定所述标识预测神经网络的锚精损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络输出的目标区域是否包含标识;
利用所述锚精损失函数,针对所述标识预测神经网络进行训练。
可选的,所述标识识别方法还包括:
根据交叉熵损失函数和第一层平滑函数损失确定所述标识预测神经网络的探测损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络的输出是否为标识;
利用所述探测损失函数,针对所述标识识别神经网络进行训练。
本申请提供一种标识识别装置,包括:
原始特征层获得单元,用于针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
融合特征层获得单元,用于根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
标识预测特征层获得单元,用于将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
标识识别单元,用于根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
可选的,所述原始特征层获得单元,具体用于:
获取待识别的商品图片;
在所述商品图片中标注所述商品图片的标识信息,获得标注商品图片;
利用标识预测神经网络针对所述标注商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
可选的,所述融合特征层获得单元,具体用于:
使用多个不同尺寸的卷积核分别与所述原始特征层进行卷积运算,获得所述不同尺寸的卷积核对应的卷积特征数据;
将所述卷积特征数据进行拼接运算,获得所述原始特征层的拼接特征数据;
将所述拼接特征数据与所述原始特征层的捷径进行加法运算,获得所述商品图片的融合特征层。
可选的,所述标识预测特征层获得单元,具体用于:
根据第一融合特征层,获得所述第一融合特征层对应的第一标识预测特征层:
针对所述第一标识预测特征层进行上采样,获得所述第一标识预测特征层对应的上采样数据;
将与所述第一融合特征层邻近的第二融合特征层与所述上采样数据进行加法运算,获得所述第二融合特征层对应的第二标识预测特征层。
可选的,所述标识识别单元,具体用于:
针对所述标识预测神经网络根据所述标识预测特征层输出的检测框进行抑制,获得所述商品图片中的每个区域是标识的可能性;
根据所述可能性,获得所述商品图片中的标识候选区域;
根据所述标识候选区域,获得所述商品图片的标识的特征码数据;
根据所述特征码数据,针对所述商品图片进行标识识别。
可选的,所述标识识别单元,还用于:
利用标识识别神经网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据;
针对所述标识特征数据进行聚类操作,获得所述商品图片的聚类信息:
将所述聚类信息进行特征提取和乘积量化,获得所述商品图片的标识的特征码数据。
可选的,所述标识识别单元,还用于:
利用所述标识识别神经网络中的可变形卷积层进行特征提取,获得所述标识候选区域的标识特征数据。
可选的,所述标识识别装置,还包括第一训练单元,所述第一训练单元用于:
根据交叉熵损失函数和第一层平滑损失函数确定所述标识预测神经网络的锚精损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络输出的目标区域是否包含标识;
利用所述锚精损失函数,针对所述标识预测神经网络进行训练。
可选的,所述标识识别装置,还包括第二训练单元,所述第二训练单元用于:
根据交叉熵损失函数和第一层平滑函数损失确定所述标识预测神经网络的探测损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络的输出是否为标识;
利用所述探测损失函数,针对所述标识识别神经网络进行训练。
本申请提供一种电子设备,所述电子设备包括:
处理器;
存储器,用于存储程序,所述程序在被所述处理器读取执行时,执行如下操作:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
本申请提供一种计算机可读取存储介质,其上存储有计算机程序,该程序被处理器执行时,实现以下步骤:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
本申请提供一种假冒商品的识别方法,包括:
用于获取待识别商品的商品图片;
针对所述商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得跨层连接后的所述商品图片的商标预测特征层;
根据所述商标预测特征层,针对所述商品图片进行商标识别;
根据所述商标识别的结果,判断所述待识别商品是否为假冒商品。
本申请提供一种假冒商品检测***,包括假冒商品信息查询单元;
所述假冒商品信息查询单元,用于针对待识别商品的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;将所述融合特征层进行跨层连接,获得所述商品图片的商标预测特征层;根据所述商标预测特征层,针对所述商品图片进行商标识别;根据所述商标识别的结果,判断所述待识别商品是否为假冒商品。
本申请提供一种图片中目标图案识别方法,包括:
针对待识别的图片进行特征提取,获得反映所述图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述图片的目标图案预测特征层;
根据所述目标图案预测特征层,针对所述图片进行目标图案识别。
本申请提供一种图片中目标图案预测特征层的获得方法,包括:
针对待识别的图片进行特征提取,获得反映所述图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述图片的目标图案预测特征层。
与现有技术相比,本申请具有如下优点:
采用本申请提供的方法,根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层,从而解决了现有技术中针对商品图片中的标识识别准确度低的问题。
附图说明
图1是本申请第一实施例的流程图;
图2是本申请第一实施例涉及的获得标识预测特征层的示意图;
图3是本申请第一实施例涉及的可变形卷积的示意图;
图4是本申请第一实施例涉及的标识特征数据的聚类示意图;
图5是本申请第一实施例涉及的一个应用***的示意图;
图6是本申请第二实施例的流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种标识识别方法。本实施例中,所述标识可以为商标,地理标志等。在本实施例中,以商标为例进行了详细说明。实际上,本实施例中的标识并不限定于商标,也可以扩展为地理标志、第三方认证标识等。请参看图1,该图为本申请第一实施例的流程图。以下结合图1对本申请第一实施例提供一种标识识别方法进行详细说明。所述方法包括如下步骤:
步骤S101:针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
本步骤用于针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
本实施例中,所述针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层,包括如下步骤:
获取待识别的商品图片,所述商品图片可以是包含商标信息的商品图片。
在所述商品图片中标注所述商品图片的商标信息,获得标注商品图片。
例如,针对不同商品图片中的商标进行标注,标注内容为商标在商品图片上的位置以及商标本身属性,比如:(100,100,200,200,ABC),这里的数字表示商标在图片上的坐标位置,ABC是商标的文字。
利用商标预测神经网络针对所述标注商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
所述商标预测神经网络可以采用VGG-16、ResNet-50、ResNet-101、ResNet-152、InceptionV1-V3、ResNeXt-152等神经网络。商标预测神经网络用来针对商品图片上的区域进行特征提取,用于判别所述区域是否为可能包含商标的目标区域,而后针对可能包含商标的目标区域进行特征提取,用于判别所述目标区域是否为商标。
本实施例中,针对所述商标预测神经网络的训练可以采用如下步骤:
根据交叉熵损失函数和第一层平滑损失函数确定所述商标预测神经网络的锚精损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述商标预测神经网络输出的目标区域是否包含商标;
利用所述锚精损失函数,针对所述商标预测神经网络进行训练。
所述交叉熵损失函数即Cross Entropy Loss(cls)函数,所述第一层平滑损失函数即smoothL1函数。锚精损失函数即anchor refine loss。下面是锚精损失函数的计算公式。
Anchor refine Loss=Loss(cls)+Loss(smoothL1)
所述归一化指数函数即softmax函数,这里softmax用来判断所述商标预测神经网络输出的目标区域是否包含商标。
本实施例中,针对所述商标预测神经网络的训练还可以采用如下步骤:
根据交叉熵损失函数和第一层平滑函数损失确定所述商标预测神经网络的探测损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述商标预测神经网络的输出是否为商标;
利用所述探测损失函数,针对所述商标识别神经网络进行训练。
所述交叉熵损失函数即Cross Entropy Loss(cls)函数,所述第一层平滑损失函数即smoothL1函数。探测损失函数即detection loss。下面是探测损失函数的计算公式。
Detection loss=Loss(cls)+Loss(smoothL1)
所述归一化指数函数即softmax函数,这里softmax用来判断所述商标预测神经网络的输出是否为商标。
步骤S102:根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层。
本步骤用于根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层。
本实施例中,所述根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层,包括:
使用多个不同尺寸的卷积核分别与所述原始特征层进行卷积运算,获得所述不同尺寸的卷积核对应的卷积特征数据,例如,从商标预测神经网络输出的特征层中抽取4-6层,这里按照尺寸大小从大到小命名为(F1-F4),每一层分3个branch分别进行不同卷积核1*1,3*3,5*5的卷积运算,得到所述每一层的卷积特征数据。
将所述卷积特征数据进行拼接运算,获得所述原始特征层的拼接特征数据,拼接运算即concat运算;
将所述拼接特征数据与所述原始特征层的捷径进行加法运算,获得所述商品图片的融合特征层,所述捷径即resnet中的shortcut,在拼接运算之后,将所述拼接数据与原始特征层的shortcut进行按照元素位置相加得到(R1-R4),所述R1-R4即为融合特征层。
步骤S103:将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层。
本步骤用于将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层。
本实施例中,所述将所述融合特征层进行跨层连接,获得所述商品图片的商标预测特征层,包括:
根据第一融合特征层,获得所述第一融合特征层对应的第一商标预测特征层,例如,假设第一融合特征层为R4,第一融合特征层对应的第一商标预测特征层为P4,可以通过P4=R4获取第一商标预测特征层。
针对所述第一商标预测特征层进行上采样,获得所述第一商标预测特征层对应的上采样数据,上采样可以采用库函数upsample来实现。
将与所述第一融合特征层邻近的第二融合特征层与所述上采样数据进行加法运算,获得所述第二融合特征层对应的第二商标预测特征层,例如,所述第二融合特征层为R3,所述第二商标预测特征层为P3,P3的计算方法可以为P3=upsample(P4)+R3。类似的,P2=upsample(P3)+R2,P1=upsample(P2)+R1。请参考图2,其为获得商标预测特征层的示意图。图2中,最左边的四层从大到小F1-F4,为四个原始特征层,最右边的四层从大到小P1-P4,为四个商标预测特征层。
步骤S104:根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
本步骤用于根据所述商标预测特征层,针对所述商品图片进行商标识别。
本实施例中,所述根据所述商标预测特征层,针对所述商品图片进行商标识别,包括:
针对所述商标预测神经网络根据所述商标预测特征层输出的检测框进行抑制,获得所述商品图片中的每个区域是商标的可能性。这里可以采用NMS(non-maximumsuppression、)或者Soft-NMS来实现。利用NMS对于网络输出的检测框进行抑制:例如选取IoU(intersection over Union)区域大于0.5的区域按照分类分数进行排序,选取分数最高的进行输出,这里分类分数用来表示每个区域是商标的可能性。或者利用Soft-NMS,对于分数低于最高分的检测进行分数降权,降权函数可以使用线性函数和高斯函数。
根据所述可能性,获得所述商品图片中的商标候选区域,这里商标候选区域即根据可能性大小确定的区域。
根据所述商标候选区域,获得所述商品图片的商标的特征码数据。
首先,利用商标识别神经网络针对所述商标候选区域进行特征提取,获得所述商标候选区域的商标特征数据。这里的商标识别神经网络可以为AlexNet、LeNet、CaffeNet、GoogleNet、VGG-19、ResNet-50、ResNet-101、ResNet-152、InceptionV1-V3、ResNeXt-152中的一种。
利用所述商标识别神经网络中的可变形卷积层进行特征提取,获得所述商标候选区域的商标特征数据。例如,可以使用一个7层CNN网络,并在conv4层加入可变形卷积(deformable convolution)层,使得提取的特征更加聚集在目标区域。请参考图3,其为可变形卷积的示意图。
其次,针对所述商标特征数据进行聚类操作,获得所述商品图片的聚类信息。由于商标特征数据是海量的,为了使用方便,将所述商标特征数据进行聚类。例如将100000中商标特征数据分为20类,每类5000个商标特征数据,这样查找起来速度就非常快。请参考图4,其为商标特征数据的聚类示意图。这里的聚类操作,包括使用SNR将特征降维进行无监督聚类,查看具体特征类别,针对不同的类别进行pair配对,利用Triplet-loss,retrain特征网络进行特征空间优化。
最后,将所述聚类信息进行特征提取和乘积量化,获得所述商品图片的商标的特征码数据。进行特征提取后,获得不同商标的特征向量。乘积量化(ProductQuantization),是一种用于提高检索速度的检索算法。
根据所述特征码数据,针对所述商品图片进行商标识别,获得了特征码数据后,可以利用所述特征码数据在数据库中查找,获得对应的商标识别结果。
本实施例中,可以利用上述特征码数据建立商品的商标库,建立商标名称:商标标准中文名:商标标准英文名:商标ID:商标属性知识库,对于用户输入的每个查询结果进行匹配后输出。
关于本申请提供的技术方案的应用实例,请参考图5。其是采用本申请提供的商标识别方法的一个应用***的示意图。
在上述的实施例中,提供了一种标识识别方法,与之相对应的,本申请还提供一种标识识别装置。本实施例中,所述标识可以为商标,地理标志等。在本实施例中,以商标为例进行了详细说明。实际上,本实施例中的标识并不限定于商标,也可以扩展为地理标志、第三方认证标识等。请参看图6,其为本申请的一种标识识别装置实施例的流程图。由于本实施例,即第二实施例,基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例的一种标识识别装置,包括:
原始特征层获得单元601,用于针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
融合特征层获得单元602,用于根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
标识预测特征层获得单元603,用于将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
标识识别单元604,用于根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
本实施例中,所述原始特征层获得单元,具体用于:
获取待识别的商品图片;
在所述商品图片中标注所述商品图片的标识信息,获得标注商品图片;
利用标识预测神经网络针对所述标注商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
本实施例中,所述融合特征层获得单元,具体用于:
使用多个不同尺寸的卷积核分别与所述原始特征层进行卷积运算,获得所述不同尺寸的卷积核对应的卷积特征数据;
将所述卷积特征数据进行拼接运算,获得所述原始特征层的拼接特征数据;
将所述拼接特征数据与所述原始特征层的捷径进行加法运算,获得所述商品图片的融合特征层。
本实施例中,所述标识预测特征层获得单元,具体用于:
根据第一融合特征层,获得所述第一融合特征层对应的第一标识预测特征层:
针对所述第一标识预测特征层进行上采样,获得所述第一标识预测特征层对应的上采样数据;
将与所述第一融合特征层邻近的第二融合特征层与所述上采样数据进行加法运算,获得所述第二融合特征层对应的第二标识预测特征层。
本实施例中,所述标识识别单元,具体用于:
针对所述标识预测神经网络根据所述标识预测特征层输出的检测框进行抑制,获得所述商品图片中的每个区域是标识的可能性;
根据所述可能性,获得所述商品图片中的标识候选区域;
根据所述标识候选区域,获得所述商品图片的标识的特征码数据;
根据所述特征码数据,针对所述商品图片进行标识识别。
本实施例中,所述标识识别单元,还用于:
利用标识识别神经网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据;
针对所述标识特征数据进行聚类操作,获得所述商品图片的聚类信息;
将所述聚类信息进行特征提取和乘积量化,获得所述商品图片的标识的特征码数据。
本实施例中,所述标识识别单元,还用于:
利用所述标识识别神经网络中的可变形卷积层进行特征提取,获得所述标识候选区域的标识特征数据。
本实施例中,所述标识识别装置,还包括第一训练单元,所述第一训练单元用于:
根据交叉熵损失函数和第一层平滑损失函数确定所述标识预测神经网络的锚精损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络输出的目标区域是否包含标识;
利用所述锚精损失函数,针对所述标识预测神经网络进行训练。
本实施例中,所述标识识别装置,还包括第二训练单元,所述第二训练单元用于:
根据交叉熵损失函数和第一层平滑函数损失确定所述标识预测神经网络的探测损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络的输出是否为标识;
利用所述探测损失函数,针对所述标识识别神经网络进行训练。
本申请第三实施例提供一种电子设备,所述电子设备包括:
处理器:
存储器,用于存储程序,所述程序在被所述处理器读取执行时,执行如下操作:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
本实施例中,所述标识可以为商标,地理标志等。在本实施例中,以商标为例进行了详细说明。实际上,本实施例中的标识并不限定于商标,也可以扩展为地理标志、第三方认证标识等。
本申请第四实施例提供一种计算机可读取存储介质,其上存储有计算机程序,该程序被处理器执行时,实现以下步骤:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
本实施例中,所述标识可以为商标,地理标志等。在本实施例中,以商标为例进行了详细说明。实际上,本实施例中的标识并不限定于商标,也可以扩展为地理标志、第三方认证标识等。
本申请第五实施例提供一种假冒商品的识别方法,包括:
获取待识别商品的商品图片;
针对所述商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的商标预测特征层;
根据所述商标预测特征层,针对所述商品图片进行商标识别;
根据所述商标识别的结果,判断所述待识别商品是否为假冒商品。
采用本申请提供的假冒商品的识别方法,通过识别商品图片包含的商标,标识假冒商品的准确率得到了提高。由于本实施例,即第五实施例与第一实施例非常相似,这里就不再详细说明了。相关信息,请参考第一实施例。
本申请第六实施例提供一种假冒商品检测***,包括假冒商品信息查询单元;
所述假冒商品信息查询单元,用于针对待识别商品的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;将所述融合特征层进行跨层连接,获得所述商品图片的商标预测特征层;根据所述商标预测特征层,针对所述商品图片进行商标识别;根据所述商标识别的结果,判断所述待识别商品是否为假冒商品。
本申请第七实施例提供一种图片中目标图案识别方法,包括:
针对待识别的图片进行特征提取,获得反映所述图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述图片的目标图案预测特征层;
根据所述目标图案预测特征层,针对所述图片进行目标图案识别。
本申请第一实施例提供了商品图片中商标的识别方法,该方法也可以应用于其他非商标领域,例如图片中的原产地标志等,本申请第七实施例对于商标进行了扩展。由于本实施例,即第七实施例与第一实施例非常相似,这里就不再详细说明了。相关信息,请参考第一实施例。
本申请第八实施例提供一种图片中目标图案预测特征层的获得方法,包括:
针对待识别的图片进行特征提取,获得反映所述图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述图片的目标图案预测特征层。
由于本实施例,即第八实施例与第一实施例非常相似,这里就不再详细说明了。相关信息,请参考第一实施例。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个操作器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (24)
1.一种标识识别方法,其特征在于,包括:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
2.根据权利要求1所述的标识识别方法,其特征在于,所述针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层,包括:
获取待识别的商品图片;
在所述商品图片中标注所述商品图片的标识信息,获得标注商品图片;
利用标识预测神经网络针对所述标注商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
3.根据权利要求1所述的标识识别方法,其特征在于,所述根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层,包括:
使用多个不同尺寸的卷积核分别与所述原始特征层进行卷积运算,获得所述不同尺寸的卷积核对应的卷积特征数据;
将所述卷积特征数据进行拼接运算,获得所述原始特征层的拼接特征数据;
将所述拼接特征数据与所述原始特征层的捷径进行加法运算,获得所述商品图片的融合特征层。
4.根据权利要求1所述的标识识别方法,其特征在于,所述将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层,包括:
根据第一融合特征层,获得所述第一融合特征层对应的第一标识预测特征层;
针对所述第一标识预测特征层进行上采样,获得所述第一标识预测特征层对应的上采样数据;
将与所述第一融合特征层邻近的第二融合特征层与所述上采样数据进行加法运算,获得所述第二融合特征层对应的第二标识预测特征层。
5.根据权利要求2所述的标识识别方法,其特征在于,所述根据所述标识预测特征层,针对所述商品图片进行标识识别,包括:
针对所述标识预测神经网络根据所述标识预测特征层输出的检测框进行抑制,获得所述商品图片中的每个区域是标识的可能性;
根据所述可能性,获得所述商品图片中的标识候选区域;
根据所述标识候选区域,获得所述商品图片的标识的特征码数据;
根据所述特征码数据,针对所述商品图片进行标识识别。
6.根据权利要求5所述的标识识别方法,其特征在于,所述根据所述标识候选区域,获得所述商品图片的标识的特征码数据,包括:
利用标识识别神经网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据;
针对所述标识特征数据进行聚类操作,获得所述商品图片的聚类信息;
将所述聚类信息进行特征提取和乘积量化,获得所述商品图片的标识的特征码数据。
7.根据权利要求6所述的标识识别方法,其特征在于,所述利用标识识别网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据,包括:
利用所述标识识别神经网络中的可变形卷积层进行特征提取,获得所述标识候选区域的标识特征数据。
8.根据权利要求2所述的标识识别方法,其特征在于,还包括:
根据交叉熵损失函数和第一层平滑损失函数确定所述标识预测神经网络的锚精损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络输出的目标区域是否包含标识,所述交叉熵损失函数即Cross Entropy Loss函数,表示为cls;所述第一层平滑损失函数即smoothL1函数;锚精损失函数即anchor refine loss;锚精损失函数的计算公式为:Anchor refine Loss=Loss(cls)+Loss(smoothL1);
利用所述锚精损失函数,针对所述标识预测神经网络进行训练。
9.根据权利要求2所述的标识识别方法,其特征在于,还包括:
根据交叉熵损失函数和第一层平滑损失函数确定所述标识预测神经网络的探测损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络的输出是否为标识;
利用所述探测损失函数,针对所述标识识别神经网络进行训练。
10.一种标识识别装置,其特征在于,包括:
原始特征层获得单元,用于针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
融合特征层获得单元,用于根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
标识预测特征层获得单元,用于将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
标识识别单元,用于根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
11.根据权利要求10所述的标识识别装置,其特征在于,所述原始特征层获得单元,具体用于:
获取待识别的商品图片;
在所述商品图片中标注所述商品图片的标识信息,获得标注商品图片;
利用标识预测神经网络针对所述标注商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层。
12.根据权利要求10所述的标识识别装置,其特征在于,所述融合特征层获得单元,具体用于:
使用多个不同尺寸的卷积核分别与所述原始特征层进行卷积运算,获得所述不同尺寸的卷积核对应的卷积特征数据;
将所述卷积特征数据进行拼接运算,获得所述原始特征层的拼接特征数据;
将所述拼接特征数据与所述原始特征层的捷径进行加法运算,获得所述商品图片的融合特征层。
13.根据权利要求10所述的标识识别装置,其特征在于,所述标识预测特征层获得单元,具体用于:
根据第一融合特征层,获得所述第一融合特征层对应的第一标识预测特征层;
针对所述第一标识预测特征层进行上采样,获得所述第一标识预测特征层对应的上采样数据;
将与所述第一融合特征层邻近的第二融合特征层与所述上采样数据进行加法运算,获得所述第二融合特征层对应的第二标识预测特征层。
14.根据权利要求11所述的标识识别装置,其特征在于,所述标识识别单元,具体用于:
针对所述标识预测神经网络根据所述标识预测特征层输出的检测框进行抑制,获得所述商品图片中的每个区域是标识的可能性;
根据所述可能性,获得所述商品图片中的标识候选区域;
根据所述标识候选区域,获得所述商品图片的标识的特征码数据;
根据所述特征码数据,针对所述商品图片进行标识识别。
15.根据权利要求14所述的标识识别装置,其特征在于,所述标识识别单元,还用于:
利用标识识别神经网络针对所述标识候选区域进行特征提取,获得所述标识候选区域的标识特征数据;
针对所述标识特征数据进行聚类操作,获得所述商品图片的聚类信息;
将所述聚类信息进行特征提取和乘积量化,获得所述商品图片的标识的特征码数据。
16.根据权利要求15所述的标识识别装置,其特征在于,所述标识识别单元,还用于:
利用所述标识识别神经网络中的可变形卷积层进行特征提取,获得所述标识候选区域的标识特征数据。
17.根据权利要求11所述的标识识别装置,其特征在于,还包括第一训练单元,用于:
根据交叉熵损失函数和第一层平滑损失函数确定所述标识预测神经网络的锚精损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络输出的目标区域是否包含标识,所述交叉熵损失函数即Cross Entropy Loss函数,表示为cls;所述第一层平滑损失函数即smoothL1函数;锚精损失函数即anchor refine loss;锚精损失函数的计算公式为:Anchor refine Loss=Loss(cls)+Loss(smoothL1);
利用所述锚精损失函数,针对所述标识预测神经网络进行训练。
18.根据权利要求11所述的标识识别装置,其特征在于,还包括第二训练单元,用于:
根据交叉熵损失函数和第一层平滑函数损失确定所述标识预测神经网络的探测损失函数,所述交叉熵损失函数作为归一化指数函数,用于判断所述标识预测神经网络的输出是否为标识;
利用所述探测损失函数,针对所述标识识别神经网络进行训练。
19.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,用于存储程序,所述程序在被所述处理器读取执行时,执行如下操作:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别。
20.一种计算机可读取存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现以下步骤:
针对待识别的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的标识预测特征层;
根据所述标识预测特征层,针对所述商品图片进行标识识别,以确定所述商品图片对应的商品是否为预设类型商品。
21.一种假冒商品的识别方法,其特征在于,包括:
获取待识别商品的商品图片;
针对所述商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述商品图片的商标预测特征层;
根据所述商标预测特征层,针对所述商品图片进行商标识别;
根据所述商标识别的结果,判断所述待识别商品是否为假冒商品。
22.一种假冒商品检测***,其特征在于,包括假冒商品信息查询单元;
所述假冒商品信息查询单元,用于针对待识别商品的商品图片进行特征提取,获得反映所述商品图片的特征的原始特征层;根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述商品图片的融合特征层;将所述融合特征层进行跨层连接,获得所述商品图片的商标预测特征层;根据所述商标预测特征层,针对所述商品图片进行商标识别;根据所述商标识别的结果,判断所述待识别商品是否为假冒商品。
23.一种图片中目标图案识别方法,其特征在于,包括:
针对待识别的图片进行特征提取,获得反映所述图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述图片的目标图案预测特征层;
根据所述目标图案预测特征层,针对所述图片进行目标图案识别。
24.一种图片中目标图案预测特征层的获得方法,其特征在于,包括:
针对待识别的图片进行特征提取,获得反映所述图片的特征的原始特征层;
根据所述原始特征层的捷径,使用不同尺寸的卷积核分别与所述原始特征层进行卷积运算和拼接运算,获得所述图片的融合特征层;
将所述融合特征层进行跨层连接,获得所述图片的目标图案预测特征层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811448571.6A CN111241893B (zh) | 2018-11-29 | 2018-11-29 | 一种标识识别方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811448571.6A CN111241893B (zh) | 2018-11-29 | 2018-11-29 | 一种标识识别方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241893A CN111241893A (zh) | 2020-06-05 |
CN111241893B true CN111241893B (zh) | 2023-06-16 |
Family
ID=70874005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811448571.6A Active CN111241893B (zh) | 2018-11-29 | 2018-11-29 | 一种标识识别方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241893B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508072B (zh) * | 2020-11-30 | 2024-04-26 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110057919A (ko) * | 2009-11-25 | 2011-06-01 | 엘지전자 주식회사 | 일반 물체를 이용한 멀티미디어 컨텐츠 관리 방법 |
CN106485268A (zh) * | 2016-09-27 | 2017-03-08 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN107862287A (zh) * | 2017-11-08 | 2018-03-30 | 吉林大学 | 一种前方小区域物体识别及车辆预警方法 |
CN108171260A (zh) * | 2017-12-15 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 一种图片识别方法及*** |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与*** |
CN108520273A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 一种基于目标检测的稠密小商品快速检测识别方法 |
-
2018
- 2018-11-29 CN CN201811448571.6A patent/CN111241893B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110057919A (ko) * | 2009-11-25 | 2011-06-01 | 엘지전자 주식회사 | 일반 물체를 이용한 멀티미디어 컨텐츠 관리 방법 |
CN106485268A (zh) * | 2016-09-27 | 2017-03-08 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN107862287A (zh) * | 2017-11-08 | 2018-03-30 | 吉林大学 | 一种前方小区域物体识别及车辆预警方法 |
CN108171260A (zh) * | 2017-12-15 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 一种图片识别方法及*** |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与*** |
CN108520273A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 一种基于目标检测的稠密小商品快速检测识别方法 |
Non-Patent Citations (2)
Title |
---|
曾志等.《基于多特征融合和深度学习的商品图像分类》.《计算机工程与设计》.2017,第第38卷卷(第第11期期),第3093-3098页. * |
王慧玲等.《基于深度卷积神经网络的目标检测技术的研究进展》.《计算机科学》.2018,第第45卷卷(第第9期期),第11-19页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111241893A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390054B (zh) | 兴趣点召回方法、装置、服务器和存储介质 | |
US20190188729A1 (en) | System and method for detecting counterfeit product based on deep learning | |
CN110968654B (zh) | 文本数据的地址类目确定方法、设备以及*** | |
US9141883B1 (en) | Method, hard negative proposer, and classifier for supporting to collect hard negative images using a similarity map | |
CN104424302B (zh) | 一种同类数据对象的匹配方法和装置 | |
KR20010053788A (ko) | 내용기반 이미지 검색 시스템 및 그 방법 | |
CN110866930B (zh) | 语义分割辅助标注方法与装置 | |
CN111291765A (zh) | 用于确定相似图片的方法和装置 | |
CN111859002A (zh) | 兴趣点名称生成方法及装置、电子设备和介质 | |
CN113887821A (zh) | 一种用于风险预测的方法和装置 | |
CN112445926B (zh) | 一种图像检索方法以及装置 | |
CN108076439B (zh) | 用于基于无线接入点推送消息的方法与设备 | |
CN111159354A (zh) | 一种敏感资讯检测方法、装置、设备及*** | |
CN111241893B (zh) | 一种标识识别方法、装置及*** | |
CN107577660B (zh) | 类目信息识别方法、装置及服务器 | |
CN117235530A (zh) | 一种意图预测模型训练的方法、装置及电子设备 | |
Vidhyalakshmi et al. | Text detection in natural images with hybrid stroke feature transform and high performance deep Convnet computing | |
CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
Angeli et al. | Making paper labels smart for augmented wine recognition | |
Tian et al. | Semantic region proposals for adaptive license plate detection in open environment | |
CN113706222A (zh) | 一种门店选址的方法、装置 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN111597368A (zh) | 一种数据处理方法及装置 | |
CN113139121A (zh) | 查询方法、模型训练方法、装置、设备及存储介质 | |
CN111445375A (zh) | 水印嵌入方案和数据处理方法、装置及设备 |
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 |