[發明專利]識別產品圖像的方法和裝置、存儲介質在審
| 申請號： | 201910407628.6 | 申請日： | 2019-05-16 |
| 公開（公告）號： | CN110119749A | 公開（公告）日： | 2019-08-13 |
| 發明（設計）人： | 龐蕓萍 | 申請（專利權）人： | 北京小米智能科技有限公司 |
| 主分類號： | G06K9/46 | 分類號： | G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京英創嘉友知識產權代理事務所(普通合伙) 11447 | 代理人： | 曾堯 |
| 地址： | 100085 北京市海淀區清河*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 產品圖像 預處理 卷積神經網絡 方法和裝置 存儲介質 局部特征描述 模型識別 輸出識別 圖像識別 描述子 預設 聚合 圖像 | ||
1.一種識別產品圖像的方法，其特征在于，所述方法包括：
獲取產品圖像；
對所述產品圖像進行預處理；
基于預設的卷積神經網絡模型識別預處理后的所述產品圖像，并輸出識別結果；其中，所述卷積神經網絡模型的結構中設有可微分的局部聚合描述子。
2.根據權利要求1所述的方法，其特征在于，還包括：
構建卷積神經網絡的網絡架構，所述架構包括依次連接的卷積層、池化層、全連接層和分類器層；其中，所述全連接層中設有可微分的局部聚合描述子；
根據采集獲得的產品圖像樣本集對構建的卷積神經網絡進行訓練，獲得訓練完畢的卷積神經網絡模型。
3.根據權利要求2所述的方法，其特征在于，所述可微分的局部聚合描述子的計算方式為：
其中，給定N個D維度的局部圖像描述子，所述Xi表示第i個局部圖像描述子，V(j,k)表示圖像特征在(j,k)位置的元素值；所述xi(j)表示圖像描述子Xi的第j維元素，ck(j)表示第k個單詞中心的第j維元素；ak(Xi)為可微分的示性函數，取值范圍在[0,1]之間，表示Xi之于單詞中心ck的隸屬度。
4.根據權利要求3所述的方法，其特征在于，ak(Xi)的計算方式為：
其中，Wk＝2αck，bk＝-α||ck||2，α是用來控制ak(Xi)對距離大小的衰減程度，當α趨于正無窮時，ak(Xi)對距離最近的單詞中心的取值為1。
5.一種識別產品圖像的裝置，其特征在于，所述裝置包括：
獲取模塊，被配置為獲取產品圖像；
預處理模塊，被配置為對所述產品圖像進行預處理；
識別模塊，被配置為基于預設的卷積神經網絡模型識別預處理后的所述產品圖像，并輸出識別結果；其中，所述卷積神經網絡模型的結構中設有可微分的局部聚合描述子。
6.根據權利要求5所述的裝置，其特征在于，還包括：
構建模塊，被配置為構建卷積神經網絡的網絡架構，所述架構包括依次連接的卷積層、池化層、全連接層和分類器層；其中，所述全連接層中設有可微分的局部聚合描述子；
訓練模塊，被配置為根據采集獲得的產品圖像樣本集對構建的卷積神經網絡進行訓練，獲得訓練完畢的卷積神經網絡模型。
7.根據權利要求6所述的裝置，其特征在于，所述可微分的局部聚合描述子的計算方式為：
其中，給定N個D維度的局部圖像描述子，所述Xi表示第i個局部圖像描述子，V(j,k)表示圖像特征在(j,k)位置的元素值；所述xi(j)表示圖像描述子Xi的第j維元素，ck(j)表示第k個單詞中心的第j維元素；ak(Xi)為可微分的示性函數，取值范圍在[0,1]之間，表示Xi之于單詞中心ck的隸屬度。
8.根據權利要求7所述的裝置，其特征在于，ak(Xi)的計算方式為：
其中，Wk＝2αck，bk＝-α||ck||2，α是用來控制ak(Xi)對距離大小的衰減程度，當α趨于正無窮時，ak(Xi)對距離最近的單詞中心的取值為1。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京小米智能科技有限公司，未經北京小米智能科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910407628.6/1.html，轉載請聲明來源鉆瓜專利網。
