CN114549938A - 模型训练方法、图像信息管理方法、图像识别方法及装置 - Google Patents

模型训练方法、图像信息管理方法、图像识别方法及装置 Download PDF

Info

Publication number
CN114549938A
CN114549938A CN202210436659.6A CN202210436659A CN114549938A CN 114549938 A CN114549938 A CN 114549938A CN 202210436659 A CN202210436659 A CN 202210436659A CN 114549938 A CN114549938 A CN 114549938A
Authority
CN
China
Prior art keywords
commodity
fingerprint
model
branch
feature extraction
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.)
Granted
Application number
CN202210436659.6A
Other languages
English (en)
Other versions
CN114549938B (zh
Inventor
丁明
王杰
钟忞盛
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.)
Guangzhou Xuanwu Wireless Technology Co Ltd
Original Assignee
Guangzhou Xuanwu Wireless 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 Guangzhou Xuanwu Wireless Technology Co Ltd filed Critical Guangzhou Xuanwu Wireless Technology Co Ltd
Priority to CN202210436659.6A priority Critical patent/CN114549938B/zh
Publication of CN114549938A publication Critical patent/CN114549938A/zh
Application granted granted Critical
Publication of CN114549938B publication Critical patent/CN114549938B/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
    • G06F18/21—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Discrete Mathematics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种模型训练方法、图像信息管理方法、图像识别方法及装置。所述模型训练方法包括：对初始图像处理模型进行随机初始化；所述初始图像处理模型包括特征提取分支和原型构建分支；固定原型构建分支参数，将训练图像集输入至初始图像处理模型，得到第一输出结果；根据第一输出结果确定损失函数，利用损失函数对特征提取分支的初始化参数进行更新；固定特征提取分支更新后的参数，将训练图像集输入至初始图像处理模型中，得到第二输出结果；根据第二输出结果确定损失函数，利用损失函数对原型构建分支的初始化参数进行更新；根据特征提取分支更新后的参数构建商品指纹提取模型，以使商品指纹提取模型输出的商品指纹具备更好的区分性。

Description

模型训练方法、图像信息管理方法、图像识别方法及装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种模型训练方法、图像信息管理方法、图像识别方法及装置。
背景技术
商品指纹技术是一种通过数字编码形式表示商品的独特性和其关系的技术，通过商品指纹建模技术可以得到商品图片的有效表示，无需人工做商品区分标记，因此商品指纹建模技术可快速推广至商品分类、相似商品检索等应用中。
目前，应用商品指纹匹配技术进行商品识别时，需在商品指纹数据库中存储各商品的基准指纹，以使目标商品指纹在完整的指纹数据库中进行搜索和识别。然而，在实际应用场景中，快销行业商品往往种类繁多且推陈出新较快，且商品拍摄时易受斜拍、摆放姿态及光照等环境影响，使得商品指纹数据库内需保存的基准指纹规模庞大，占用了大量的内存，同时也使得商品指纹匹配过程需花费更多的指纹库遍历查找时间，识别效率低下。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种模型训练方法、图像信息管理方法、图像识别方法及装置，可提高商品指纹的区分性，同时降低存储的指纹数量，所述技术方案如下：
第一方面，本发明提供一种模型训练方法，包括：
对初始图像处理模型的参数进行随机初始化；其中，所述初始图像处理模型包括特征提取分支和原型构建分支；
固定所述原型构建分支的初始化参数，将训练图像集输入至所述初始图像处理模型，得到第一输出结果；
根据所述第一输出结果确定损失函数的值，利用所述损失函数的值对所述特征提取分支的初始化参数进行更新；
固定所述特征提取分支更新后的参数，将所述训练图像集输入至特征提取分支参数更新后的初始图像处理模型中，得到第二输出结果；
根据所述第二输出结果确定所述损失函数的值，利用所述损失函数的值对所述原型构建分支的初始化参数进行更新；
根据所述特征提取分支更新后的参数构建商品指纹提取模型。
作为进一步改进，所述第一输出结果和所述第二输出结果均包括所述特征提取分支输出的商品指纹和所述原型构建分支输出的指纹原型。
作为进一步改进，所述类别损失定义为：
Figure 868745DEST_PATH_IMAGE001
式中，f x 表示所述特征提取分支输出的商品指纹，e表示所述原型构建分支输出的指纹原型，T表示温度系数，N表示图像样本数量；
所述类内类间损失定义为：
Figure 516764DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
表示边界阈值，Z p 表示第一输出结果或第二输出结果中与所述特征提取分支输出的商品指纹类别相同的结果，Z n 表示第一输出结果或第二输出结果中与所述特征提取分支输出的商品指纹类别不相同的结果。
第二方面，本发明还提供一种图像信息管理方法，包括：
获取场景图像集，利用图像检测模型获取所述场景图像集中的全量商品图像；
根据商品指纹提取模型提取所述商品图像中的商品指纹，得到商品指纹集；其中，
所述商品指纹提取模型为采用第一方面所述的模型训练方法训练出的模型；
确定所述商品指纹集的商品类别，利用聚类算法对各所述商品类别对应的商品指纹进行压缩；
将压缩后的商品指纹存储至商品指纹数据库。
作为进一步改进，所述利用聚类算法对各所述商品类别对应的商品指纹进行压缩，具体为：确定所述商品指纹集中各商品指纹的商品类别；根据预设的数量参数N，利用聚类算法依次将各商品类别下的商品指纹压缩为N个类簇，并将N个所述类簇的类簇中心设置为对应商品类别的目标商品指纹；其中，N为非零自然数；将各所述商品类别的目标商品指纹存储至商品指纹数据库。
第三方面，本发明还提供一种图像识别方法，包括：
获取目标商品图像，利用商品指纹提取模型提取所述目标商品图像的目标商品指纹；
基于所述目标商品指纹遍历商品指纹数据库中的基准指纹，将与所述目标商品指纹相似度最高的基准指纹所对应的商品类别确定为识别结果；其中，
所述商品指纹提取模型为采用如第一方面所述的模型训练方法训练出的模型；
所述商品指纹数据库由如第二方面所述的图像信息管理方法得到。
第四方面，本发明还提供一种模型训练装置，包括：
初始化模块，用于对初始图像处理模型的参数进行随机初始化；其中，所述初始图像处理模型包括特征提取分支和原型构建分支；
第一训练模块，用于固定所述原型构建分支的初始化参数，将训练图像集输入至所述初始图像处理模型，得到第一输出结果；
根据所述第一输出结果确定损失函数的值，利用所述损失函数的值对所述特征提取分支的初始化参数进行更新；
第二训练模块，用于固定所述特征提取分支更新后的参数，将所述训练图像集输入至特征提取分支参数更新后的初始图像处理模型中，得到第二输出结果；
根据所述第二输出结果确定所述损失函数的值，利用所述损失函数的值对所述原型构建分支的初始化参数进行更新；
确定模块，用于根据所述特征提取分支更新后的参数构建商品指纹提取模型。
作为进一步改进，所述第一输出结果和所述第二输出结果均包括所述特征提取分支输出的商品指纹和所述原型构建分支输出的指纹原型。
同时，本发明提供一种数据处理设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行第一方面所述的模型训练方法，或第二方面所述的图像信息管理方法，或第三方面所述的图像识别方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一方面所述的模型训练方法，或第二方面所述的图像信息管理方法，或第三方面所述的图像识别方法。
相较于现有技术，本发明提供技术方案至少具有如下的有益效果：
1、通过训练包含特征提取分支和原型构建分支的双分支模型，可确保所构建的商品指纹提取模型所输出的商品指纹具备更好的区分性；
2、通过利用双分支商品指纹提取模型和聚类方法对应用场景下的商品图像进行商品指纹提取和压缩，可在保障商品识别率的前提下，有效减小商品指纹库的存储规模，从而减少商品指纹的匹配搜索时间，提高商品指纹识别效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是本发明实施例提供的模型训练方法的流程示意图；
图2是本发明实施例提供的图像信息管理方法的流程示意图；
图3是本发明实施例提供的模型训练装置的结构示意图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
如图1所示，第一方面，本发明一个实施例提供一种模型训练方法，包括下述步骤S101至S104。
S101：对初始图像处理模型的参数进行随机初始化；其中，所述初始图像处理模型包括特征提取分支和原型构建分支。
S102：固定所述原型构建分支的初始化参数，将训练图像集输入至所述初始图像处理模型，得到第一输出结果；根据所述第一输出结果确定损失函数的值，利用所述损失函数的值对所述特征提取分支的初始化参数进行更新。
本实施例所使用的训练图像集具体为商品图像集，各商品图像通过对采集得到的大量货架、端架及冰箱等快销场景真实图像进行分割得到，具体可利用商品检测模型对所采集的真实图像进行图像分割。
S103：固定所述特征提取分支更新后的参数，将所述训练图像集输入至特征提取分支参数更新后的初始图像处理模型中，得到第二输出结果；根据所述第二输出结果确定所述损失函数的值，利用所述损失函数的值对所述原型构建分支的初始化参数进行更新。
S104：根据所述特征提取分支更新后的参数构建商品指纹提取模型。
需要说明的是，第一输出结果和所述第二输出结果均包括特征提取分支输出的商品指纹和原型构建分支输出的指纹原型。
具体地，损失函数包括类别损失和类内类间损失两个部分，其中，类别损失用于描述商品指纹与指纹原型间的相似度。
具体地，所述类别损失定义为：
Figure 884291DEST_PATH_IMAGE001
式中，f x 表示所述特征提取分支输出的商品指纹，e表示所述原型构建分支输出的指纹原型，T表示温度系数，N表示图像样本数量；
所述类内类间损失定义为：
Figure 312867DEST_PATH_IMAGE002
式中，
Figure 712625DEST_PATH_IMAGE003
表示边界阈值，Z p 表示第一输出结果或第二输出结果中与所述特征提取分支输出的商品指纹类别相同的结果，Z n 表示第一输出结果或第二输出结果中与所述特征提取分支输出的商品指纹类别不相同的结果。
在本实施例中，损失函数可具体表示为：
Figure 293779DEST_PATH_IMAGE004
其中，α表示权重系数。
示例性的，当获取训练图像集后，首先对初始图像处理模型中的特征提取分支及原型构建分支进行随机初始化，再重复下述训练步骤，直至模型收敛。
训练图像输入初始图像处理模型中，经特征提取分支输出商品指纹f x 。首先保持原型构建分支参数不变，对特征提取分支进行训练，具体通过损失函数的反向传播对特征提取分支的参数进行更新，直至迭代结束。
进一步地，保持更新后的特征提取分支参数不变，基于上述损失函数的反向传播对原型构建分支的参数进行更新。
具体地，当每个epoch完成后，将初始图像处理模型的学习率指数衰减。
完成上述训练步骤后，保存特征提取分支参数，并将其设置为最终的商品指纹提取模型。
本发明上述实施例通过训练包含特征提取分支和原型构建分支的双分支模型，可使不同环境影响下的同类别商品的指纹分布围绕在同一指纹原型下，同时拉开不同类别商品的原型距离，确保所构建的所构建的商品指纹提取模型所输出的商品指纹具备更好的区分性，且能够更好地识别相似商品和未见商品。
如图2所示，第二方面，本发明一个实施例还提供一种图像信息管理方法，包括下述步骤S201至S203。
S201：获取场景图像集，利用图像检测模型获取所述场景图像集中的全量商品图像。
可以理解的是，所述场景图像集具体包括货架、端架及冰箱等快销场景的真实图像，通过商品检测模型对真实图像进行图像分割，可得到场景图像集中的全量商品图像。
S202：根据商品指纹提取模型提取所述商品图像中的商品指纹，得到商品指纹集。其中，所述商品指纹提取模型为通过上述实施例所述的模型训练方法训练得到。
S203：确定所述商品指纹集的商品类别，利用聚类算法对各所述商品类别对应的商品指纹进行压缩，将压缩后的商品指纹存储至商品指纹数据库。
在一个示例中，利用聚类算法对各商品类别对应的商品指纹进行压缩时，可先确定商品指纹集中各商品指纹的商品类别；再根据预设的数量参数N，利用聚类算法依次将各商品类别下的商品指纹压缩为N个类簇，并将N个类簇的类簇中心设置为对应商品类别的目标商品指纹；其中，N为非零自然数；最后将各商品类别的目标商品指纹存储至商品指纹数据库。
具体地，所使用的聚类算法可为K-means算法。
示例性的，当利用商品指纹提取模型提取得到第i类别的商品指纹集S i 时，可通过K-means算法将商品指纹集S i 聚类成N个类簇，并将N个类簇中心作为第i类别商品的N个商品指纹。
需要说明的是，数量参数N为小于商品指纹集S i 中商品指纹数量的值，不同商品类别可依据商品外包装是否具有多个不同的面，确定对应的数量参数。
具体地，N个类簇中心可通过下述公式计算得到：
Figure 810036DEST_PATH_IMAGE005
其中，
Figure 476641DEST_PATH_IMAGE006
，y表示商品类别，M表示第i类别商品第N个类簇的商品图像数量。
进一步地，将N个商品指纹及其对应的商品类别i写入商品指纹数据库中，直至在商品指纹数据库中存储全量商品类别的商品指纹。
本发明上述实施例通过利用双分支商品指纹提取模型和聚类方法对应用场景下的商品图像进行商品指纹提取和压缩，可在保障商品识别率的前提下，以更少的指纹表征各场景下的商品，从而有效减小商品指纹库中基准指纹数量的存储规模，减少了商品指纹的匹配搜索时间，提高商品指纹识别效率。
第三方面，本发明一个实施例还提供一种图像识别方法，具体包括：获取目标商品图像，利用商品指纹提取模型提取目标商品图像的目标商品指纹，再基于目标商品指纹遍历商品指纹数据库中的基准指纹，将与目标商品指纹相似度最高的基准指纹确定为识别结果。
其中，所述商品指纹提取模型为第一方面所述的模型训练方法训练出的模型，所述商品指纹库通过第二方面所述的图像信息管理方法得到。
具体地，当目标商品图像为已见类商品时，可直接对商品图像进行商品指纹提取，并采用余弦距离作为度量函数，在商品指纹数据库中提取与其余弦相似性最大的基准指纹所对应的商品类别作为最终识别结果。
另一方面，当目标商品图像为未见类商品时，首先随机抽取M张未见类商品图像进行标记，即设置商品类别标签；再通过商品指纹提取模型对其进行指纹提取，将提取的商品指纹及其对应商品类别加入至商品指纹数据库中。
进一步地，从商品指纹数据库中取余弦相似性最大的基准指纹所对应的商品类别作为最终识别结果。
请参阅图3，本发明另一实施例还提供一种模型训练装置，包括初始化模块101、第一训练模块102、第二训练模块103和确定模块104。
初始化模块101用于对初始图像处理模型的参数进行随机初始化；其中，所述初始图像处理模型包括特征提取分支和原型构建分支。
第一训练模块102用于固定所述原型构建分支的初始化参数，将训练图像集输入至所述初始图像处理模型，得到第一输出结果。
根据所述第一输出结果确定损失函数的值，利用所述损失函数的值对所述特征提取分支的初始化参数进行更新。
第二训练模块103用于固定所述特征提取分支更新后的参数，将所述训练图像集输入至特征提取分支参数更新后的初始图像处理模型中，得到第二输出结果。
根据所述第二输出结果确定所述损失函数的值，利用所述损失函数的值对所述原型构建分支的初始化参数进行更新。
确定模块104用于根据所述特征提取分支更新后的参数构建商品指纹提取模型。
上述装置内的各模块之间信息交互、执行过程等内容，由于与本发明模型训练方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明提供一种数据处理设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行上述第一方面所述的模型训练方法，或第二方面所述的图像信息管理方法，或第三方面所述的图像识别方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述第一方面所述的模型训练方法，或第二方面所述的图像信息管理方法，或第三方面所述的图像识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可监听存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (10)

1.一种模型训练方法，其特征在于，包括：
对初始图像处理模型的参数进行随机初始化；其中，所述初始图像处理模型包括特征提取分支和原型构建分支；
固定所述原型构建分支的初始化参数，将训练图像集输入至所述初始图像处理模型，得到第一输出结果；
根据所述第一输出结果确定损失函数的值，利用所述损失函数的值对所述特征提取分支的初始化参数进行更新；
固定所述特征提取分支更新后的参数，将所述训练图像集输入至特征提取分支参数更新后的初始图像处理模型中，得到第二输出结果；
根据所述第二输出结果确定所述损失函数的值，利用所述损失函数的值对所述原型构建分支的初始化参数进行更新；
根据所述特征提取分支更新后的参数构建商品指纹提取模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述第一输出结果和所述第二输出结果均包括：
所述特征提取分支输出的商品指纹和所述原型构建分支输出的指纹原型。
3.根据权利要求2所述的模型训练方法，其特征在于，所述损失函数包括类别损失和类内类间损失；其中，
所述类别损失定义为：
Figure 168814DEST_PATH_IMAGE001
式中，f x 表示所述特征提取分支输出的商品指纹，e表示所述原型构建分支输出的指纹原型，T表示温度系数，N表示图像样本数量；
所述类内类间损失定义为：
Figure 99861DEST_PATH_IMAGE002
式中，
Figure 41141DEST_PATH_IMAGE003
表示边界阈值，Z p 表示第一输出结果或第二输出结果中与所述特征提取分支输出的商品指纹类别相同的结果，Z n 表示第一输出结果或第二输出结果中与所述特征提取分支输出的商品指纹类别不相同的结果。
4.一种图像信息管理方法，其特征在于，包括：
获取场景图像集，利用图像检测模型获取所述场景图像集中的全量商品图像；
根据商品指纹提取模型提取所述商品图像中的商品指纹，得到商品指纹集；其中，
所述商品指纹提取模型为采用如权利要求1~3任一项所述的模型训练方法训练出的模型；
确定所述商品指纹集的商品类别，利用聚类算法对各所述商品类别对应的商品指纹进行压缩；
将压缩后的商品指纹存储至商品指纹数据库。
5.根据权利要求4所述的图像信息管理方法，其特征在于，所述利用聚类算法对各所述商品类别对应的商品指纹进行压缩，具体为：
确定所述商品指纹集中各商品指纹的商品类别；
根据预设的数量参数N，利用聚类算法依次将各商品类别下的商品指纹压缩为N个类簇，并将N个所述类簇的类簇中心设置为对应商品类别的目标商品指纹；其中，N为非零自然数；
将各所述商品类别的目标商品指纹存储至商品指纹数据库。
6.一种图像识别方法，其特征在于，包括：
获取目标商品图像，利用商品指纹提取模型提取所述目标商品图像的目标商品指纹；
基于所述目标商品指纹遍历商品指纹数据库中的基准指纹，将与所述目标商品指纹相似度最高的基准指纹所对应的商品类别确定为识别结果；其中，
所述商品指纹提取模型为采用如权利要求1~3任一项所述的模型训练方法训练出的模型；
所述商品指纹数据库由如权利要求4~5任一项所述的图像信息管理方法得到。
7.一种模型训练装置，其特征在于，包括：
初始化模块，用于对初始图像处理模型的参数进行随机初始化；其中，所述初始图像处理模型包括特征提取分支和原型构建分支；
第一训练模块，用于固定所述原型构建分支的初始化参数，将训练图像集输入至所述初始图像处理模型，得到第一输出结果；
根据所述第一输出结果确定损失函数的值，利用所述损失函数的值对所述特征提取分支的初始化参数进行更新；
第二训练模块，用于固定所述特征提取分支更新后的参数，将所述训练图像集输入至特征提取分支参数更新后的初始图像处理模型中，得到第二输出结果；
根据所述第二输出结果确定所述损失函数的值，利用所述损失函数的值对所述原型构建分支的初始化参数进行更新；
确定模块，用于根据所述特征提取分支更新后的参数构建商品指纹提取模型。
8.根据权利要求7所述的模型训练装置，其特征在于，所述第一输出结果和所述第二输出结果均包括：
所述特征提取分支输出的商品指纹和所述原型构建分支输出的指纹原型。
9.一种数据处理设备，其特征在于，包括：
处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行如权利要求1~3任一项所述的模型训练方法，或如权利要求4~5任一项所述的图像信息管理方法，或如权利要求6所述的图像识别方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令用于执行如权利要求1~3任一项所述的模型训练方法，或如权利要求4~5任一项所述的图像信息管理方法，或如权利要求6所述的图像识别方法。
CN202210436659.6A 2022-04-25 2022-04-25 模型训练方法、图像信息管理方法、图像识别方法及装置 Active CN114549938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210436659.6A CN114549938B (zh) 2022-04-25 2022-04-25 模型训练方法、图像信息管理方法、图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210436659.6A CN114549938B (zh) 2022-04-25 2022-04-25 模型训练方法、图像信息管理方法、图像识别方法及装置

Publications (2)

Publication Number Publication Date
CN114549938A true CN114549938A (zh) 2022-05-27
CN114549938B CN114549938B (zh) 2022-09-09

Family

ID=81667260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210436659.6A Active CN114549938B (zh) 2022-04-25 2022-04-25 模型训练方法、图像信息管理方法、图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN114549938B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104924A (zh) * 2019-12-31 2020-05-05 上海品览数据科技有限公司 一种有效的识别低分辨率商品图像的处理算法
WO2020134411A1 (zh) * 2018-12-29 2020-07-02 杭州海康威视数字技术股份有限公司 一种商品类别识别方法、装置及电子设备
WO2021087985A1 (zh) * 2019-11-08 2021-05-14 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
CN112949780A (zh) * 2020-04-21 2021-06-11 佳都科技集团股份有限公司 特征模型训练方法、装置、设备及存储介质
CN113505820A (zh) * 2021-06-23 2021-10-15 北京阅视智能技术有限责任公司 图像识别模型训练方法、装置、设备及介质
CN114120430A (zh) * 2022-01-26 2022-03-01 杭州魔点科技有限公司 基于双分支权重融合同源性自监督的口罩人脸识别方法
CN114155388A (zh) * 2022-02-10 2022-03-08 深圳思谋信息科技有限公司 一种图像识别方法、装置、计算机设备和存储介质
CN114333027A (zh) * 2021-12-31 2022-04-12 之江实验室 基于联合和交替学习框架的跨域新类人脸表情识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020134411A1 (zh) * 2018-12-29 2020-07-02 杭州海康威视数字技术股份有限公司 一种商品类别识别方法、装置及电子设备
WO2021087985A1 (zh) * 2019-11-08 2021-05-14 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
CN111104924A (zh) * 2019-12-31 2020-05-05 上海品览数据科技有限公司 一种有效的识别低分辨率商品图像的处理算法
CN112949780A (zh) * 2020-04-21 2021-06-11 佳都科技集团股份有限公司 特征模型训练方法、装置、设备及存储介质
CN113505820A (zh) * 2021-06-23 2021-10-15 北京阅视智能技术有限责任公司 图像识别模型训练方法、装置、设备及介质
CN114333027A (zh) * 2021-12-31 2022-04-12 之江实验室 基于联合和交替学习框架的跨域新类人脸表情识别方法
CN114120430A (zh) * 2022-01-26 2022-03-01 杭州魔点科技有限公司 基于双分支权重融合同源性自监督的口罩人脸识别方法
CN114155388A (zh) * 2022-02-10 2022-03-08 深圳思谋信息科技有限公司 一种图像识别方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG WANG ET AL.: "Understanding the Behaviour of Contrastive Loss", 《ARXIV:2012.09740V2》 *
贺周雨 等: "基于SHN模型的商品图像检索方法", 《计算机工程与科学》 *

Also Published As

Publication number Publication date
CN114549938B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN109587554B (zh) 视频数据的处理方法、装置及可读存储介质
Zheng et al. SIFT meets CNN: A decade survey of instance retrieval
CN108694225B (zh) 一种图像搜索方法、特征向量的生成方法、装置及电子设备
CN105912611B (zh) 一种基于cnn的快速图像检索方法
US11294624B2 (en) System and method for clustering data
US9020246B2 (en) Systems and methods for visual object matching
Watanabe et al. A new pattern representation scheme using data compression
CN111950728B (zh) 图像特征提取模型的构建方法、图像检索方法及存储介质
CN110427517B (zh) 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质
CN107291825A (zh) 一种视频中同款商品的检索方法和***
Champ et al. A comparative study of fine-grained classification methods in the context of the LifeCLEF plant identification challenge 2015
CN111090763A (zh) 一种图片自动标签方法及装置
CN114494890B (zh) 一种模型训练方法、商品图像管理方法及装置
CN112163114B (zh) 一种基于特征融合的图像检索方法
CN115482418B (zh) 基于伪负标签的半监督模型训练方法、***及应用
CN108805280B (zh) 一种图像检索的方法和装置
CN113792594B (zh) 一种基于对比学习的视频中语言片段定位方法及装置
CN114168768A (zh) 图像检索方法及相关设备
CN110110120B (zh) 一种基于深度学习的图像检索方法和装置
JP2002216132A (ja) 直線基準の映像整合方法
CN113869264A (zh) 一种商品识别方法、识别***、存储介质和服务器
CN117743596A (zh) 一种知识图谱的数据处理方法及装置
CN111414952B (zh) 行人重识别的噪声样本识别方法、装置、设备和存储介质
CN114549938B (zh) 模型训练方法、图像信息管理方法、图像识别方法及装置
CN116883740A (zh) 相似图片识别方法、装置、电子设备和存储介质

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