[發明專利]基于深度學習的物品特征模型計算方法及裝置

在審

• 申請號: 201811550117.1
• 申請日: 2018-12-18
• 公開（公告）號: CN109766920A
• 公開（公告）日: 2019-05-17
• 發明（設計）人: 任飛翔
• 申請（專利權）人: 任飛翔
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京卓唐知識產權代理有限公司 11541
• 代理人: 唐海力;李志剛

本申請公開了一種基于深度學習的物品特征模型計算方法及裝置，涉及圖像識別領域，該方法包括采集用于訓練所述物品特征模型的訓練數據；對所述訓練數據進行數據分解；對經過數據分解后的所述訓練數據進行卷積神經網絡訓練，得到訓練后的所述物品特征模型；采用采集用于訓練所述物品特征模型的訓練數據的方式，通過對所述訓練數據進行數據分解，達到了對經過數據分解后的所述訓練數據進行卷積神經網絡訓練，得到訓練后的所述物品特征模型的目的，從而實現了提高物品特征模型準確度進而提高圖像識別度的技術效果，進而解決了相關技術中在對物品圖像進行圖像識別時圖像識別度較低的技術問題。

技術領域

本申請涉及圖像識別領域，具體而言，涉及一種基于深度學習的物品特征模型計算方法及裝置。

背景技術

相關技術中在對物品圖像進行圖像識別時，由于得到的物品特征模型不夠準確，導致圖像識別度較低，因此，急需一種基于深度學習的物品特征模型計算方法及裝置，以解決相關技術中在對物品圖像進行圖像識別時圖像識別度較低的技術問題。

發明內容

本申請的主要目的在于提供一種基于深度學習的物品特征模型計算方法及裝置，以解決相關技術中在對物品圖像進行圖像識別時圖像識別度較低的技術問題。

為了實現上述目的，根據本申請的第一方面，本申請實施例提供了一種基于深度學習的物品特征模型計算方法，所述方法包括：采集用于訓練所述物品特征模型的訓練數據；對所述訓練數據進行數據分解；對經過數據分解后的所述訓練數據進行卷積神經網絡訓練，得到訓練后的所述物品特征模型。

結合第一方面，本申請實施例提供了第一方面的第一種可能的實施方式，其中，所述訓練數據包括：物品基本信息、物品位置信息和物品圖像信息中的至少一種。

結合第一方面，本申請實施例提供了第一方面的第二種可能的實施方式，其中，所述對訓練數據進行數據分解包括：將所述訓練數據按照預設分類規則進行分類操作，得到物品類別信息。

結合第一方面，本申請實施例提供了第一方面的第三種可能的實施方式，其中，所述對訓練數據進行數據分解包括：對所述訓練數據中的物品圖像信息進行區域劃分，得到劃分后的多個所述物品圖像信息。

結合第一方面，本申請實施例提供了第一方面的第四種可能的實施方式，其中，所述對經過數據分解后的所述訓練數據進行卷積神經網絡訓練，得到訓練后的所述物品特征模型包括：對所述訓練數據進行卷積神經網絡訓練，得到訓練數據與真實數據的誤差值；對所述誤差值進行糾正操作；判斷糾正后的當前所述誤差值是否達到預設目標值；如果判定糾正后的當前所述誤差值達到預設目標值，則結束訓練，得到所述物品特征模型。

為了實現上述目的，根據本申請的第二方面，本申請實施例提供了一種基于深度學習的物品特征模型計算裝置，包括：訓練數據獲取單元，用于采集用于訓練所述物品特征模型的訓練數據；訓練數據分解單元，用于對所述訓練數據獲取單元獲取得到的訓練數據進行數據分解；特征模型獲取單元，用于對經過所述訓練數據分解單元進行數據分解后得到的所述訓練數據進行卷積神經網絡訓練，得到訓練后的所述物品特征模型。

結合第二方面，本申請實施例提供了第二方面的第一種可能的實施方式，其中，所述訓練數據分解單元包括：卷積分層模塊，用于將所述訓練數據按照預設分類規則進行分類操作，得到物品類別信息。

結合第二方面，本申請實施例提供了第二方面的第二種可能的實施方式，其中，所述訓練數據分解單元包括：圖像劃分模塊，用于對所述訓練數據中的物品圖像信息進行區域劃分，得到劃分后的多個所述物品圖像信息。