[發明專利]基于人工智能的分類方法、裝置、服務器和存儲介質

在審

• 申請號: 202010557914.3
• 申請日: 2020-06-17
• 公開（公告）號: CN111709371A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 郭卉;盛柯愷;袁豪磊;黃飛躍;郭曉威
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;杜維

1.一種基于人工智能的分類方法，其特征在于，所述方法包括：

獲取目標圖像，所述目標圖像中包括目標待檢測商品圖像區域；

將所述目標圖像分別輸入至第一分類模型和第二分類模型中，得到針對所述目標待檢測商品的第一分類結果和第二分類結果，所述第一分類模型為在初始分類模型上基于已有商品的圖像訓練得到的模型，所述第二分類模型為在第一分類模型上基于新增商品的圖像再次訓練得到的模型；

對所述第一分類結果和第二分類結果進行處理，得到針對所述目標待檢測商品的目標分類結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取目標圖像，包括：

獲取待檢測圖像，所述待檢測圖像中包括至少一個待檢測商品圖像區域；

將所述待檢測圖像輸入至檢測模型中，得到所述至少一個待檢測商品圖像區域中各個待檢測商品圖像區域的位置；

基于所述各個待檢測商品區域的位置對所述各個待檢測商品圖像區域分別進行截取，得到每個待檢測商品對應的商品圖像；

將任意一個待檢測商品對應的商品圖像作為目標圖像。

3.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取第一樣本圖像集合，所述第一樣本圖像集合中包括N組樣本圖像，每組樣本圖像對應一個已有分類，所述每組樣本圖像包括多個樣本圖像，每一個樣本圖像中包括已有分類商品的商品圖像區域，所述N為正整數；

將所述第一樣本圖像集合輸入至初始分類模型中進行迭代訓練，以對所述初始分類模型中的參數進行更新；

當檢測到參數更新后的初始分類模型滿足預設條件時，將所述參數更新后的初始分類模型確定為第一分類模型。

4.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取第二樣本圖像集合，所述第二樣本圖像集合包括M組樣本圖像，每組樣本圖像對應一個新增分類，所述每組樣本圖像包括多個樣本圖像，每一個樣本圖像中包括新增商品的商品圖像區域，M為正整數；

將所述第二樣本圖像集合輸入至第一分類模型中進行迭代訓練，以對所述第一分類模型中的參數進行更新，所述第一分類模型為在初始分類模型上采用第一樣本圖像訓練完成的分類模型，所述第一分類模型已能對已有商品進行分類；

當檢測到參數更新后的第一分類模型滿足預設條件時，將所述參數更新后的第一分類模型確定為第二分類模型。

5.根據權利要求4所述的方法，其特征在于，所述第一分類模型包括基礎特征模塊和識別模塊，所述基礎特征模塊包括卷積層，所述識別模塊包括池化層和全連接層，所述基礎特征模塊和識別模塊的初始參數由采用第一樣本圖像訓練后確定，所述將所述第二樣本圖像集合輸入至第一分類模型中進行迭代訓練，以對所述第一分類模型中的參數進行更新，包括：

在至少一輪迭代訓練中，每輪迭代訓練從第二樣本圖像集合中選取出K組樣本圖像，輸入至所述第一分類模型中進行迭代訓練，所述K為正整數；

基于所述迭代訓練過程對所述第一分類模型中識別模塊的參數進行更新。

6.根據權利要求4所述的方法，其特征在于，所述方法還包括：

在至少一輪測試中，每輪測試從第二樣本圖像集合中選取出K組樣本圖像，輸入至參數更新后的第一分類模型中進行測試，得到針對每輪的測試的分類準確率；

基于所述至少一輪測試中每輪測試的分類準確率確定所述至少一輪測試的平均分類準確率；

若所述平均分類準確率大于預設準確率，則確定所述參數更新后的第一分類模型滿足預設條件。