用于鉴别的模型的训练、鉴别方法、系统、设备及介质技术方案

本申请提供一种用于鉴别的模型的训练、鉴别方法、系统、设备及介质，所述方法包括：获取包含对应待鉴别物品的至少一个鉴别点的图像区域的训练样本图像；利用目标检测模型对训练样本图像进行处理，获取目标检测结果；利用目标检测结果训练分类模型，以输出鉴别点对应的待鉴别物品的部位的分类结果以及真伪鉴别结果。本申请通过机器学习模型实现高准确度的目标检测及后续真伪分类过程；在一些示例中，通过在训练和鉴别过程中设置使用多任务模型作为所述分类模型，通过多任务模型可以联合学习其通过不同任务获取的真伪鉴别结果和鉴别点对应的物品部位的分类结果以联合训练机器学习模型，能有效从而减少模型的数量，提高鉴别结果的准确率。结果的准确率。结果的准确率。

【技术实现步骤摘要】
用于鉴别的模型的训练、鉴别方法、系统、设备及介质


[0001]本申请涉及图像识别领域，特别是涉及一种用于鉴别的模型的训练及鉴别方法、系统、设备及介质。

技术介绍

[0002]如今，居民购买力提升、购入奢侈品增多，然而奢侈品真伪混合销售的情况层出不穷，奢侈品鉴别已成为消费者多渠道购入奢侈品的核心需求。目前国内外奢侈品鉴别的主要方式是人工鉴别，还没有通过深度学习方法鉴别奢侈品的论文或专利。
[0003]人工方式鉴别奢侈品尽管已经取得一些发展，但仍存在诸多问题。第一，国内目前没有奢侈品鉴别行业的职业资格证书，缺乏对于从业者所必备的学识、技术和能力的基本要求，且没有正规的培养方式，从业人员的职业素质很难保证。第二，培养奢侈品鉴别师的代价大，符合要求的鉴别师少，难以满足日益增大的市场需求。且奢侈品鉴别时效性强，所需知识储备量大，而人对于物品真假的理解是非常主观的，不同人依照自身的知识、经验、情绪等情况可能做出不同的判断，难以保证鉴别结果的准确率。第三，奢侈品行业利润空间大，人工鉴别方式往往难以保证其公正性，难以取得消费者的信任。
[0004]因此，如何实现对物品(如奢侈品等)进行准确、高效的真伪鉴别，已成为本领域业者亟待解决的技术问题。

技术实现思路

[0005]鉴于以上所述现有技术的缺点，本申请的目的在于提供一种用于鉴别的模型的训练及鉴别方法、系统、设备及介质，用于解决现有技术中存在的问题。
[0006]为实现上述目的及其他相关目的，本申请的第一方面提供一种机器学习模型的训练方法，包括：获取包含对应待鉴别物品的至少一个鉴别点的图像区域的训练样本图像；利用目标检测模型对所述训练样本图像进行处理，获取目标检测结果；利用所述目标检测结果训练分类模型，以输出所述鉴别点对应的待鉴别物品的部位的分类结果以及真伪鉴别结果。
[0007]在本申请的第一方面的某些实施方式中，所述目标检测模型为语义分割模型。
[0008]在本申请的第一方面的某些实施方式中，所述语义分割模型中的至少部分卷积计算使用空洞卷积。
[0009]在本申请的第一方面的某些实施方式中，所述语义分割模型中的至少部分卷积计算使用可变形卷积。
[0010]在本申请的第一方面的某些实施方式中，所述语义分割模型包括DeepLab V1、DeepLab V2、DeepLab V3、或DeepLab V3+。
[0011]在本申请的第一方面的某些实施方式中，所述真伪鉴别结果是利用分类模型获取的；所述分类模型包含多任务模型，所述多任务模型通过不同任务获取所述鉴别点对应的物品部位的分类结果以及真伪鉴别结果。
[0012]在本申请的第一方面的某些实施方式中，所述分类模型用于在获取真伪鉴别结果的计算过程中对所述目标检测结果进行不同层次的特征提取，以得到不同层次的特征图；其中，层次越低的特征图与所述目标检测结果越接近。
[0013]在本申请的第一方面的某些实施方式中，所述分类结果是根据高于预设层次的特征图得到的；和/或，所述真伪鉴别结果是根据至少一第一特征图和至少一第二特征图连接形成的至少一第三特征图得到的；其中，所述第一特征图的层次低于所述第二特征图。
[0014]在本申请的第一方面的某些实施方式中，所述第一特征图和第二特征图是根据提取自所述分类模型的不同层次的特征图得到的。
[0015]在本申请的第一方面的某些实施方式中，所述第一特征图及第二特征图是在相同尺寸的情况下进行连接的。
[0016]在本申请的第一方面的某些实施方式中，所述目标检测结果训练分类模型以输出所述待鉴别物品的真伪鉴别结果的步骤还包括：令所述第一特征图缩小至与第二特征图尺寸相同的步骤；或者，令第二特征图放大至与第二特征图尺寸相同的步骤。
[0017]在本申请的第一方面的某些实施方式中，所述缩小和/或放大的方法包括：双线性插值法、双三次插值法、或近邻插值法。
[0018]在本申请的第一方面的某些实施方式中，还包括如下步骤：对所述机器学习模型训练以在其一或多个损失函数的约束下更新所述分类模型的模型参数；其中，所述一或多个损失函数用于约束所述真伪鉴别结果与参照数据的差异、所述分类结果与参照数据的差异、或所述所述真伪鉴别结果和分类结果与参照数据的差异。
[0019]在本申请的第一方面的某些实施方式中，所述分类模型包括Xception、ResNet、SE-Net、或DPN-Net。
[0020]在本申请的第一方面的某些实施方式中，所述待鉴别物品包括奢侈品包、鞋、或具有背透的手表。
[0021]本申请的第二方面还提供一种鉴别方法，包括：获取包含对应待鉴别物品的至少一个鉴别点的图像区域的图像；利用分类模型对经语义分割处理所述图像得到的目标检测结果进行鉴别；根据至少一个鉴定点的真伪鉴别结果输出所述待鉴别物品的真伪鉴别结果。
[0022]在本申请的第二方面的某些实施方式中，还包括输出所述鉴别点对应的待鉴别物品的部位的分类结果的步骤。
[0023]在本申请的第二方面的某些实施方式中，所述真伪鉴别结果由真伪属性和/或评估分数来表征。
[0024]在本申请的第二方面的某些实施方式中，所述语义分割处理中的至少部分卷积计算使用空洞卷积。
[0025]在本申请的第二方面的某些实施方式中，执行所述语义分割处理的语义分割模型包括DeepLab V1、DeepLab V2、DeepLab V3、或DeepLab V3+。
[0026]在本申请的第二方面的某些实施方式中，所述语义分割处理中的至少部分卷积计算使用可变形卷积
[0027]在本申请的第二方面的某些实施方式中，所述真伪鉴别结果是利用分类模型获取的；所述分类模型包含多任务模型，所述多任务模型通过不同任务获取所述真伪鉴别结果、
以及获取鉴别点对应的物品部位的分类结果。
[0028]在本申请的第二方面的某些实施方式中，所述分类模型用于在获取真伪鉴别结果的计算过程中对所述目标检测结果进行不同层次的特征提取，以得到不同层次的特征图；其中，层次越低的特征图与所述目标检测结果越接近。
[0029]在本申请的第二方面的某些实施方式中，所述分类结果是根据高于预设层次的特征图得到的；和/或，所述真伪鉴别结果是根据至少一第一特征图和至少一第二特征图连接形成的至少一第三特征图得到的；其中，所述第一特征图的层次低于所述第二特征图。
[0030]在本申请的第二方面的某些实施方式中，所述第一特征图和第二特征图是根据提取自所述分类模型的不同层次的特征图得到的。
[0031]在本申请的第二方面的某些实施方式中，所述第一特征图及第二特征图是在相同尺寸的情况下进行连接的。
[0032]在本申请的第二方面的某些实施方式中，包括：令所述第一特征图缩小至与第二特征图尺寸相同；或者，令第二特征图升放大至与第二特征图尺寸相同。
[0033]在本申请的第二方面的某些实施方式中，所述缩小和/或放大的方法包括：双线性插值法、双三次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于鉴别的模型的训练方法，其特征在于，包括：获取包含对应待鉴别物品的至少一个鉴别点的图像区域的训练样本图像；利用目标检测模型对所述训练样本图像进行处理，获取目标检测结果；利用所述目标检测结果训练分类模型，以输出所述鉴别点对应的待鉴别物品的部位的分类结果以及真伪鉴别结果。2.根据权利要求1所述的用于鉴别的模型的训练方法，其特征在于，所述目标检测模型为语义分割模型。3.根据权利要求2所述的用于鉴别的模型的训练方法，其特征在于，所述语义分割模型中的至少部分卷积计算使用空洞卷积。4.根据权利要求2所述的用于鉴别的模型的训练方法，其特征在于，所述语义分割模型中的至少部分卷积计算使用可变形卷积。5.根据权利要求2所述的用于鉴别的模型的训练方法，其特征在于，所述语义分割模型包括DeepLab V1、DeepLab V2、DeepLab V3、或DeepLab V3+。6.根据权利要求1所述的用于鉴别的模型的训练方法，其特征在于，所述真伪鉴别结果是利用分类模型获取的；所述分类模型包含多任务模型，所述多任务模型通过不同任务获取所述鉴别点对应的物品部位的分类结果以及真伪鉴别结果。7.根据权利要求1所述的用于鉴别的模型的训练方法，其特征在于，所述分类模型用于在获取真伪鉴别结果的计算过程中对所述目标检测结果进行不同层次的特征提取，以得到不同层次的特征图；其中，层次越低的特征图与所述目标检测结果越接近。8.根据权利要求1或6所述的用于鉴别的模型的训练方法，其特征在于，所述分类结果是根据高于预设层次的特征图得到的；和/或，所述真伪鉴别结果是根据至少一第一特征图和至少一第二特征图连接形成的至少一第三特征图得到的；其中，所述第一特征图的层次低于所述第二特征图。9.根据权利要求8所述的用于鉴别的模型的训练方法，其特征在于，所述第一特征图和第二特征图是根据提取自所述分类模型的不同层次的特征图得到的。10.根据权利要求8所述的用于鉴别的模型的训练方法，其特征在于，所述第一特征图及第二特征图是在相同尺寸的情况下进行连接的。11.根据权利要求10所述的用于鉴别的模型的训练方法，其特征在于，所述目标检测结果训练分类模型以输出所述待鉴别物品的真伪鉴别结果的步骤还包括：令所述第一特征图缩小至与第二特征图尺寸相同的步骤；或者，令第二特征图放大至与第二特征图尺寸相同的步骤。12.根据权利要求10所述的用于鉴别的模型的训练方法，其特征在于，所述缩小和/或放大的方法包括：双线性插值法、双三次插值法、近邻插值法、区域关系重采样法、或Lanczos插值法。13.根据权利要求1所述的用于鉴别的模型的训练方法，其特征在于，还包括如下步骤：对所述机器学习模型训练以在其一或多个损失函数的约束下更新所述分类模型的模型参数；其中，所述一或多个损失函数用于约束所述真伪鉴别结果与预期数据的差异、所述分类结果与预期数据的差异、或所述所述真伪鉴别结果和分类结果与预期数据的差异。14.根据权利要求1所述的用于鉴别的模型的训练方法，其特征在于，所述分类模型包
括Xception、ResNet、SE-Net、或DPN-Net。15.根据权利要求1所述的用于鉴别的模型的训练方法，其特征在于，所述待鉴别物品包括奢侈品包、鞋、或具有背透的手表。16.一种鉴别方法，其特征在于，包括：获取包含对应待鉴别物品的至少一个鉴别点的图像区域的图像；利用分类模型对经语义分割处理所述图像得到的目标检测结果进行鉴别；根据所述分类模型对目标检测结果的真伪鉴别结果输出所述待鉴别物品的真伪鉴别结果。17.根据权利要求16所述的鉴别方法，其特征在于，还包括输出所述鉴别点对应的待鉴别物品的部位的分类结果的步骤。18.根据权利要求16所述的鉴别方法，其特征在于，所述真伪鉴别结果由真伪属性和/或评估分数来表征。19.根据权利要求16所述的鉴别方法，其特征在于，所述语义分割处理中的至少部分卷积计算使用空洞卷积。20.根据权利要求16所述的鉴别方法，其特征在于，执行所述语义分割处理的语义分割模型包括DeepLab V1、DeepLab V2、DeepLab V3、或DeepLab V3+。21.根据权利要求16所述的鉴别方法，其特征在于，所述语义分割处理中的至少部分卷积计算使用可变形卷积。22.根据权利要求16所述的鉴别方法，其特征在于，所述真伪鉴别结果是利用分类模型获取的；所述分类模型包含多任务模型，所述多任务模型通过不同任务获取所述真伪鉴别结果、以及获取鉴别点对应的物品部位的分类结果。23.根据权利要求16所述的鉴别方法，其特征在于，所述分类模型用于在获取真伪鉴别结果的计算过程中对所述目标检测结果进行不同层次的特征提取，以得到不同层次的特征图；其中，层次越低的特征图与所述目标检测结果越接近。24.根据权利要求17或23所述的鉴别方法，其特征在于，所述分类结果是根据高于预设层次的特征图得到的；和/...

【专利技术属性】
技术研发人员：李俊，
申请(专利权)人：图灵深视南京科技有限公司，
类型：发明
国别省市：