CN111814660A - 一种图像识别方法、终端设备及存储介质 - Google Patents
一种图像识别方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111814660A CN111814660A CN202010646394.3A CN202010646394A CN111814660A CN 111814660 A CN111814660 A CN 111814660A CN 202010646394 A CN202010646394 A CN 202010646394A CN 111814660 A CN111814660 A CN 111814660A
- Authority
- CN
- China
- Prior art keywords
- model
- images
- image recognition
- training set
- pix2pix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013508 migration Methods 0.000 claims abstract description 22
- 230000005012 migration Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 3
- 235000013311 vegetables Nutrition 0.000 abstract description 18
- 235000013399 edible fruits Nutrition 0.000 abstract description 17
- 235000012055 fruits and vegetables Nutrition 0.000 description 26
- 238000005303 weighing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013569 fruit product Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像识别方法、终端设备及存储介质，该方法中包括：通过训练后的cycleGan模型生成pix2pix模型的训练集，来对pix2pix模型进行训练，通过训练后的pix2pix模型对待识别图像进行风格迁移后，再进行图像识别。本发明通过利用cycleGan样式迁移来为pix2pix提供训练集，从而使用pix2pix训练出另一个样式迁移的模型，完成蔬果图像从套袋转变为未套袋的操作。该解决方案将一定程度上消除塑料袋在图像识别中的影响，提升低分辨率下的蔬果识别率。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种图像识别方法、终端设备及存储介质。
背景技术
随着深度卷积神经网络技术的成熟，利用其进行图像分类的效果变得越来越好。仅需大量的数据样本，即可完成一个领域内图像分类的任务。对于网络中复杂的结构，用户并不能清楚地了解每个网络节点在分类任务中所担任的作用，其就像一个黑盒子一样来完成用户所要求的分类任务。也正是由于网络的复杂性，深度卷积神经网络能够完成各种不同的复杂环境下的分类任务。因此，由于深度卷积神经网络的优越性和实用性，它已经成为目前最为流行的应用技术之一。
零售业作为最古老，最重要的行业之一，为人们的生活带来了生活质量的提高，极大地便利了我们的生活。超市中售卖的蔬果类产品是每个家庭的必备产品，每天售卖的数量更是不计其数。但在调研中发现，零售业在售卖散装蔬果中存在称重过程繁琐、顾客等待实践过长、浪费人力资源的问题。为了解决以上问题，零售商也做了一定的改进，有的商家就已经引入了自助称重的方式来进行改善。但是采用自助称重的方式，也可能会出现顾客所选商品与称重商品不符的现象，造成超市的差价损失。零售业在市场比重份额较大，几乎所有的商超都悬着使用人工称重或者自助称重两种方式，都存在着不同的缺点。现如今，急需一种新型的称重模式的出现--无人称重，无人称重在自助称重的基础上，增加自动识别商品类别的功能，防止了顾客存在的作弊行为，能够有效保障零售商的利益。同时无人称重智能秤的使用，减少了“打秤员”的雇佣，不仅能够减少零售商的人力成本，还能改善顾客购物环境。
现在对于图像识别的研究已经较为成熟，使用目前已经逐渐完善的神经网络模型对蔬果进行识别已经足够满足需求。但是在用户实际称重过程中是会在蔬果商品上套上塑料袋后再进行称重，增加了塑料袋的影响后，蔬果识别的准确率便会大幅度减低，仅靠卷积神经网络已经满足不了市场需求。但目前各大学者对图像识别中塑料袋影响这一领域的研究善少，没有很好的解决方案。
发明内容
为了解决上述问题，本发明提出了一种图像识别方法、终端设备及存储介质。
具体方案如下：
一种图像识别方法，包括：通过训练后的cycleGan模型生成pix2pix模型的训练集，来对pix2pix模型进行训练，通过训练后的pix2pix模型对待识别图像进行风格迁移后，再进行图像识别。
进一步的，cycleGan模型的训练方法为：采集待迁移图像和其对应的迁移图像组成第二训练集，通过第二训练集对cycleGan模型进行训练，其中，将迁移图像作为cycleGan模型的输入，对应的待迁移图像作为cycleGan模型的输出。
进一步的，pix2pix模型的训练集的生成方法为：采集迁移图像组成第一训练集，将第一训练集中的迁移图像输入训练好的cycleGan模型中，得到对应的待迁移图像，将迁移图像和对应的待迁移图像组成第三训练集，将第三训练集作为pix2pix模型的训练集。
进一步的，对pix2pix模型进行训练的方法为：通过第三训练集对pix2pix模型进行训练，其中，设定待迁移图像为pix2pix模型的输入，迁移图像为pix2pix模型的输出。
进一步的，图像识别采用的图像识别模型的训练方法为：采集迁移图像组成第一训练集，并对第一训练集中各图像的类型进行标注；构建图像识别模型，通过第一训练集对图像识别模型进行训练。
一种图像识别终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，通过利用cycleGan样式迁移来为pix2pix提供训练集，从而使用pix2pix训练出另一个样式迁移的模型，完成蔬果图像从套袋转变为未套袋的操作。该解决方案将一定程度上消除塑料袋在图像识别中的影响，提升低分辨率下的蔬果识别率。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中使用cycleGan进行样式迁移后的效果图。
图3所示为该实施例中使用本实施例方法进行样式迁移后的效果图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种图像识别方法，以套袋果蔬图像的识别为例进行说明，其中将未套袋果蔬图像作为迁移图像，将套袋果蔬图像作为未迁移图像，目的是将套袋果蔬图像进行迁移后变为未套袋果蔬图像，进而对未套袋果蔬图像进行图像识别，提升套袋果蔬图像识别的准确率。如图1所示，所述方法包括以下步骤：
S1：采集未套袋果蔬图像组成第一训练集，并对第一训练集中各未套袋果蔬图像的类型进行标注。
需要说明的是，需要将采集的未套袋果蔬图像压缩成固定大小，以便后续用于模型的训练。
S2：构建图像识别模型，并通过第一训练集对图像识别模型进行训练。
所述图像识别模型为本领域常用的图像识别模型，在此不做限制。训练的结果是能够准确识别未套袋果蔬图像的类型。
训练好的图像识别模型用于迁移后的图像识别中。
S3：采集套袋果蔬图像和其对应的未套袋果蔬图像组成第二训练集，通过第二训练集对cycleGan模型进行训练，其中，将未套袋果蔬图像作为cycleGan模型的输入，对应的套袋果蔬图像作为cycleGan模型的输出。
cycleGan在不需要成对训练集的情况下，通过一种特别的方式完成了X类图像到Y类图像的转变。cycleGan的基本架构包括两个生成器和两个鉴别器，分别构成一对相反的逻辑过程。作为新兴的样式迁移技术，cycleGan能够将套袋果蔬图像和未套袋果蔬图像进行切换。
该实施例中将第二训练集中的套袋果蔬图像和未套袋果蔬图像分别存储在不同的文件夹下，方便后续的使用。
S4：将第一训练集中的未套袋果蔬图像输入步骤S3训练好的cycleGan模型中，得到对应的套袋果蔬图像，将未套袋果蔬图像和对应的套袋果蔬图像组成第三训练集。
如图2所示，未套袋果蔬图像经过cycleGan模型进行样式迁移(加塑料袋)后，生成的图片似乎在表面上加了一层阴影类似于套袋图的效果，图2中发白的部分为还原的塑料袋反光的效果，阴影部分为还原的塑料袋的效果。
S5：通过第三训练集对pix2pix模型进行训练，其中，设定套袋果蔬图像为pix2pix模型的输入，未套袋果蔬图像为pix2pix模型的输出。
pix2pix应用conditional GAN结构来完成图像到图像的转换，其中在训练中还能够学习出一个损失函数来控制训练图像的映射过程。pix2pix作用同cycleGan，但其需要成对的训练数据集来完成训练。
该实施例中通过cycleGan模型来为pix2pix模型的训练制备训练数据集。
S6：将待识别的待迁移图像通过步骤S5训练后的pix2pix模型后，再通过步骤S2训练后的图像识别模型进行识别。
通过训练后的pix2pix模型进行样式迁移后的效果图如图3所示，可以发现虽然图像表面的塑料袋并未被全部去除，但是却保留了图像的纹理信息，并且图像中背景部分中的塑料袋都被去除。
由于直接采用卷积神经网络对蔬果图像进行识别的情况下，塑料袋会对识别的结果造成很大的影响，很难满足实际使用的要求。即使使用套袋蔬果的数据集来训练蔬果识别模型，也会因套袋蔬果图难以获取而使得模型训练成本很高，并且也得不到很好的识别效果。本实施例中仅需获取小量的套袋蔬果图就能够训练出能够用于样式迁移的cyleGan模型，用于制作套袋与未套袋的蔬果一一对应的训练集。为此，即可使用大量容易获得的未套袋蔬果图来制作pix2pix的训练集，从而训练出一个去塑料袋效果不错的迁移模型，对套袋蔬果图进行去塑料袋的操作，提升套袋蔬果图像的识别率。
实施例二：
本发明还提供一种图像识别终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述图像识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像识别终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述图像识别终端设备的组成结构仅仅是图像识别终端设备的示例，并不构成对图像识别终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述图像识别终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述图像识别终端设备的控制中心，利用各种接口和线路连接整个图像识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述图像识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述图像识别终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (7)
1.一种图像识别方法，其特征在于，包括：通过训练后的cycleGan模型生成pix2pix模型的训练集，来对pix2pix模型进行训练，通过训练后的pix2pix模型对待识别图像进行风格迁移后，再进行图像识别。
2.根据权利要求1所述的图像识别方法，其特征在于：cycleGan模型的训练方法为：采集待迁移图像和其对应的迁移图像组成第二训练集，通过第二训练集对cycleGan模型进行训练，其中，将迁移图像作为cycleGan模型的输入，对应的待迁移图像作为cycleGan模型的输出。
3.根据权利要求1所述的图像识别方法，其特征在于：pix2pix模型的训练集的生成方法为：采集迁移图像组成第一训练集，将第一训练集中的迁移图像输入训练好的cycleGan模型中，得到对应的待迁移图像，将迁移图像和对应的待迁移图像组成第三训练集，将第三训练集作为pix2pix模型的训练集。
4.根据权利要求3所述的图像识别方法，其特征在于：对pix2pix模型进行训练的方法为：通过第三训练集对pix2pix模型进行训练，其中，设定待迁移图像为pix2pix模型的输入，迁移图像为pix2pix模型的输出。
5.根据权利要求1所述的图像识别方法，其特征在于：图像识别采用的图像识别模型的训练方法为：采集迁移图像组成第一训练集，并对第一训练集中各图像的类型进行标注；构建图像识别模型，通过第一训练集对图像识别模型进行训练。
6.一种图像识别终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～5中任一所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～5中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646394.3A CN111814660A (zh) | 2020-07-07 | 2020-07-07 | 一种图像识别方法、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646394.3A CN111814660A (zh) | 2020-07-07 | 2020-07-07 | 一种图像识别方法、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814660A true CN111814660A (zh) | 2020-10-23 |
Family
ID=72842599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010646394.3A Pending CN111814660A (zh) | 2020-07-07 | 2020-07-07 | 一种图像识别方法、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814660A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256778A (zh) * | 2021-07-05 | 2021-08-13 | 爱保科技有限公司 | 生成车辆外观部件识别样本的方法、装置、介质及服务器 |
| US20220138488A1 (en) * | 2020-10-30 | 2022-05-05 | Tiliter Pty Ltd. | Methods and apparatus for training a classifcation model based on images of non-bagged produce or images of bagged produce generated by a generative model |
| WO2022091043A1 (en) * | 2020-10-30 | 2022-05-05 | Tiliter Pty Ltd. | Method and apparatus for image recognition in mobile communication device to identify and weigh items |
| US11341698B1 (en) | 2020-12-18 | 2022-05-24 | Tiliter Pty Ltd. | Methods and apparatus for simulating images of produce with markings from images of produce and images of markings |
| WO2023005358A1 (zh) * | 2021-07-28 | 2023-02-02 | 北京字跳网络技术有限公司 | 风格迁移模型训练方法、图像风格迁移方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256439A (zh) * | 2017-12-26 | 2018-07-06 | 北京大学 | 一种基于循环生成式对抗网络的行人图像生成方法及*** |
| CN109284738A (zh) * | 2018-10-25 | 2019-01-29 | 上海交通大学 | 不规则人脸矫正方法和*** |
| CN111027465A (zh) * | 2019-12-09 | 2020-04-17 | 韶鼎人工智能科技有限公司 | 一种基于光照迁移的视频人脸替换方法 |
-
2020
- 2020-07-07 CN CN202010646394.3A patent/CN111814660A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256439A (zh) * | 2017-12-26 | 2018-07-06 | 北京大学 | 一种基于循环生成式对抗网络的行人图像生成方法及*** |
| CN109284738A (zh) * | 2018-10-25 | 2019-01-29 | 上海交通大学 | 不规则人脸矫正方法和*** |
| CN111027465A (zh) * | 2019-12-09 | 2020-04-17 | 韶鼎人工智能科技有限公司 | 一种基于光照迁移的视频人脸替换方法 |
Non-Patent Citations (2)
| Title |
|---|
| JUN-YAN ZHU: "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", ARXIV, pages 1 - 18 * |
| 曾 碧: "基于CycleGAN的非配对人脸图片光照归一化方法", 广东工业大学学报, vol. 35, no. 5, pages 11 - 19 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220138488A1 (en) * | 2020-10-30 | 2022-05-05 | Tiliter Pty Ltd. | Methods and apparatus for training a classifcation model based on images of non-bagged produce or images of bagged produce generated by a generative model |
| WO2022091043A1 (en) * | 2020-10-30 | 2022-05-05 | Tiliter Pty Ltd. | Method and apparatus for image recognition in mobile communication device to identify and weigh items |
| WO2022091040A1 (en) * | 2020-10-30 | 2022-05-05 | Tiliter Pty Ltd. | Methods and apparatus for training a classification model based on images of non-bagged produce or images of bagged produce generated by a generative model |
| US11720650B2 (en) * | 2020-10-30 | 2023-08-08 | Tiliter Pty Ltd. | Methods and apparatus for training a classification model based on images of non-bagged produce or images of bagged produce generated by a generative model |
| US11727678B2 (en) | 2020-10-30 | 2023-08-15 | Tiliter Pty Ltd. | Method and apparatus for image recognition in mobile communication device to identify and weigh items |
| US11341698B1 (en) | 2020-12-18 | 2022-05-24 | Tiliter Pty Ltd. | Methods and apparatus for simulating images of produce with markings from images of produce and images of markings |
| WO2022130363A1 (en) * | 2020-12-18 | 2022-06-23 | Tiliter Pty Ltd. | Methods and apparatus for simulating images of produce with markings from images of produce and images of markings |
| US12020356B2 (en) | 2020-12-18 | 2024-06-25 | Tiliter Pty Ltd. | Methods and apparatus for simulating images of produce with markings from images of produce and images of markings |
| CN113256778A (zh) * | 2021-07-05 | 2021-08-13 | 爱保科技有限公司 | 生成车辆外观部件识别样本的方法、装置、介质及服务器 |
| WO2023005358A1 (zh) * | 2021-07-28 | 2023-02-02 | 北京字跳网络技术有限公司 | 风格迁移模型训练方法、图像风格迁移方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814660A (zh) | 一种图像识别方法、终端设备及存储介质 | |
| CN107622427B (zh) | 深度学习的方法、装置及*** | |
| CN108921645B (zh) | 一种商品购买判定方法、装置和用户终端 | |
| CN111666275B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN109977983A (zh) | 获得训练图像的方法及装置 | |
| CN108090807B (zh) | 信息推荐方法及装置 | |
| CN112906697B (zh) | 商品识别及结算方法、装置、电子设备、存储介质 | |
| CN113344012B (zh) | 物品识别方法、装置及设备 | |
| CN114663186A (zh) | 一种应用于私域和电商平台的商品推荐方法、***和存储介质 | |
| CN116420154A (zh) | 基于空间图像分析的配色推荐装置及方法 | |
| WO2020041335A1 (en) | Item line assignment systems and methods | |
| CN108197980B (zh) | 个性化购物者的肖像生成方法/***、存储介质及终端 | |
| CN113888254A (zh) | 货架商品管理方法和电子设备 | |
| Fengzi et al. | Neural networks for fashion image classification and visual search | |
| CN106991191B (zh) | 商品筛选方法及装置、存储介质、电子设备 | |
| Lee et al. | Cashierless checkout vision system for smart retail using deep learning | |
| TWI804090B (zh) | 學習系統、學習方法及程式產品 | |
| Nangoy et al. | Analysis of chatbot-based image classification on Social Commerce line@ platform | |
| CN117194764A (zh) | 一种基于多平台融合商城的商品展示方法、设备及介质 | |
| CN112001957B (zh) | 一种基于纹理算法的菜品分类计价方法及其*** | |
| CN114821234A (zh) | 网络训练及目标检测方法、装置、设备及存储介质 | |
| CN114359767A (zh) | 产品数据的处理方法、装置、存储介质和处理器 | |
| US20190019339A1 (en) | Systems and methods for dynamically displaying information about an object using augmented reality | |
| Comlan et al. | Sales Forecast and Design Generation for Textile Products Using Machine Learning | |
| US11948181B2 (en) | Systems and methods for using SKU vector information |
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 |