【技术实现步骤摘要】
一种线下新零售门店客流多属性单模型识别方法
本专利技术涉及客流多属性单模型识别
，具体地说，是一种线下新零售门店客流多属性单模型识别方法。
技术介绍
随着近几年人工智能概念的火速传播，人工智能的应用场景在各行各业中也不断地推出。结合当前的零售产业来说，传统零售企业也希望借助人工智能的场景落地实现产业的升级，于是催生出诸如新零售、智慧零售等一系列商业概念。俨然，新零售已成为当前零售行业的风口亮点。尤其以亚马逊、阿里巴巴等推出的线下无人零售店，通过计算机视觉技术，利用人脸识别等技术，可以实现无人管理，扫脸支付等商业行为。在传统线下零售场景中，已经存在通过监控摄像进行客流计数统计等功能，但是更多的监控摄像依然更多的只是应用于安全事务中，对于零售产业的升级并没有起到推动作用。而市场上已经存在的新零售解决方案，大部分集中在客流分析统计、用户画像构建等应用方面，真正针对导购行为、消费者行为识别分析与洞察零售行业的痛点与创新并没有实质性的进展。很多品牌店铺依旧采用传统的问卷调查、寻找分析咨询公司等昂贵的手段进行优化店铺运营效...
【技术保护点】
1.一种线下新零售门店客流多属性单模型识别方法，其特征在于，所述的线下新零售门店客流多属性单模型识别方法包括单模型多属性识别网络模型的构建、反向误差传播的损失函数设计与模型训练；/nS1、单模型多属性识别网络模型的构建：/nS11、多属性识别网络模型主要包括基础特征提取网络以及多属性识别网络；基础特征提取网络的主要作用是提取图像中的基础特征，并为后续的多属性识别网络构建多重嵌入特征向量；/nS12、所述的多属性识别网络主要包括了消费者店员检测网络、人物性别年龄识别网络、人物行为识别网络、人物姿态检测网络以及结果聚合模块；/nS13、所述的消费者店员检测网络接收基础特征提取网...
【技术特征摘要】
1.一种线下新零售门店客流多属性单模型识别方法，其特征在于，所述的线下新零售门店客流多属性单模型识别方法包括单模型多属性识别网络模型的构建、反向误差传播的损失函数设计与模型训练；
S1、单模型多属性识别网络模型的构建：
S11、多属性识别网络模型主要包括基础特征提取网络以及多属性识别网络；基础特征提取网络的主要作用是提取图像中的基础特征，并为后续的多属性识别网络构建多重嵌入特征向量；
S12、所述的多属性识别网络主要包括了消费者店员检测网络、人物性别年龄识别网络、人物行为识别网络、人物姿态检测网络以及结果聚合模块；
S13、所述的消费者店员检测网络接收基础特征提取网络输出的多重嵌入特征向量，并将消费者与店铺店员的识别结果与位置结果输出给结果聚合模块，同时将位置结果分别输出给人物性别年龄识别网络、人物行为识别网络、人物姿态检测网络；
S14、所述的人物性别年龄识别网络接收基础特征提取网络的输出特征向量以及消费者店员检测网络输出的人物位置特征，通过位置特征的信息降低了网络的计算量，提高了网络的速度，同时也提高了识别结果的准确率；
S15、所述的人物行为识别网络同样接收基础特征提取网络的输出特征向量以及消费者店员检测网络输出的人物位置特征，并作出人物是否在玩手机、打电话等行为的识别；
S16、所述的人物姿态检测网络接收基础特征提取网络的输出特征向量以及消费者店员检测网络输出的人物位置特征，并且预测出人物的具体姿态，可供后续分析人物的行为导向；
S17、所述的结果聚合模块将消费者店员检测网络、人物性别年龄识别网络、人物行为识别网络、人物姿态检测网络的识别结果进行聚合拼接得到最终的结果；
S2、反向误差传播的损失函数设计与模型训练：
损失函数主要包括两类，即分类损失和回归损失；回归损失使用常见的平方误差项；而对于分类损失采用关注损失；同时本发明中设计的单模型多属性识别网络实现了多任务的端到端训练方式；
S21、消费者店员检测网络的损失包含两部分，即回归损失Lloc和分类的关注损失Lcls，其定义分别如下：
其中，m表示训练集的样本数量，表示第i张图像中人物的真实位置向量，loci表示第i张图像中人物的预测位置向量；
其中，m表示训练集的样本数量，pi为类别i的预测概率向量，γ为关注参数，α为关注损失的权重因子；
因此，消费者店员检测网络的总体损失为回归损失Lloc与分类的关注损失Lcls的和：
L1＝Lcls+Lloc
S22、由于人物性别年龄识别网络已经使用了消费者店员检测网络输出的人物位置信息，因此没有必要再使用分类关注损失，使用交叉熵损失即可，其定义如下：
其中，m表示训练集的样本数量，pi为类别i的预测概...
【专利技术属性】
技术研发人员：胡玉琛，林博，仇文彬，
申请(专利权)人：上海尊溢商务信息咨询有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。