用于训练深度学习网络模型的方法、用于识别物品类别的方法、装置、电子设备制造方法及图纸

本申请涉及图像识别技术领域，公开一种用于训练深度学习网络模型的方法，包括：建立初始网络模型；利用预设物品图片数据集对所述初始网络模型进行多次迁移训练获得预设深度学习网络模型。利用预设深度学习网络模型对待识别物品图片中的物品的物品类别进行识别，由于预设深度学习网络模型是利用预设物品图片数据集对初始网络模型进行多次迁移训练获得的，预设深度学习网络模型的精度更高，分类准确性也更好。本申请还公开一种用于识别物品类别的方法及装置、电子设备。

【技术实现步骤摘要】
用于训练深度学习网络模型的方法、用于识别物品类别的方法、装置、电子设备
本申请涉及图像识别
，例如涉及一种用于训练深度学习网络模型的方法、用于识别物品类别的方法、装置、电子设备。
技术介绍
目前，在线购物已经成为大多数用户的日常习惯，因此物品图像内容的识别也变得十分重要。通过识别图片中的物品类别，我们就可以使用图片搜索同款物品；通过识别用户购买过的物品图片中的物品类别，就可以给用户推荐同款的物品。这些应用都是基于性能良好的物品类别分类器实现的，如果能提高物品类别分类器的分类准确度就可以提高相关应用的性能。在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：对于通过深度学习网络模型进行物品类别识别的分类器来说，由于当前深度学习网络模型通常是利用统一的数据进行训练形成的，分类精确度较低。
技术实现思路
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。本公开实施例提供了一种用于训练深度学习网络模型的方法、用于识别物品类别的方法、装置、电子设备，以解决目前深度学习网络模型利用统一的数据进行训练导致分类精确度较低的问题。在一些实施例中，用于训练深度学习网络模型的方法包括：建立初始网络模型；利用预设物品图片数据集对初始网络模型进行多次迁移训练获得预设深度学习网络模型。在一些实施例中，用于识别物品类别的方法包括：>获得待识别物品图片；利用预设深度学习网络模型对待识别物品图片进行识别；获得待识别物品图片中的物品的物品类别；其中，预设深度学习网络模型是经过上述用于训练深度学习网络模型的方法训练获得的。在一些实施例中，用于识别物品类别的装置包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述用于识别物品类别的方法。在一些实施例中，电子设备包括上述用于识别物品类别的装置。本公开实施例提供的用于训练深度学习网络模型的方法、用于识别物品类别的方法、装置、电子设备，可以实现以下技术效果：利用预设深度学习网络模型对待识别物品图片中的物品的物品类别进行识别，由于预设深度学习网络模型是利用预设物品图片数据集对初始网络模型进行多次迁移训练获得的，预设深度学习网络模型的精度更高，分类准确性也更好。以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。附图说明一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：图1是本公开实施例提供的一个用于训练网络模型的方法的示意图；图2是本公开实施例提供的另一个用于训练网络模型的方法的示意图；图3是本公开实施例提供的另一个用于训练深度学习网络模型的方法的示意图；图4是本公开实施例提供的一个用于识别物品类别的方法的示意图；图5是本公开实施例提供的一个用于识别物品类别的装置的示意图。具体实施方式为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。除非另有说明，术语“多个”表示两个或两个以上。本公开实施例中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。结合图1所示，本公开实施例提供一种用于训练深度学习网络模型的方法，包括以下步骤：S11：建立初始网络模型。初始网络模型，即建立的未经训练的网络模型。初始网络模型包括卷积层、池化层、全连接层和分类器，其中，卷积层用于初步提取图片中物品的初步特征；池化层用于提取图片中物品的主要特征；全连接层用于将图片中物品的各特征进行汇总；分类器用于进行物品类别的预测识别。例如，选定ResNet101为初始网络模型。S12：利用预设物品图片数据集对初始网络模型进行多次迁移训练获得预设深度学习网络模型。预设物品图片数据集包括含有物品的图片及对图片中物品的属性进行标注的类别标签。以物品为衣物为例，搜集穿着衣物的模特图或者仅含衣物的图片，对图片中衣物的属性(例如领型、袖型、衣型、裙型或裤型)进行相应的类别标注，获得相应的类别标签(例如长袖)，以形成一个有效可靠的衣物图片数据集。采用本公开实施例提供的用于训练深度学习网络模型的方法，利用预设深度学习网络模型对待识别物品图片中的物品的物品类别进行识别，由于预设深度学习网络模型是利用预设物品图片数据集对初始网络模型进行多次迁移训练获得的，预设深度学习网络模型的精度更高，分类准确性也更好。可选地，结合图2所示，利用预设物品图片数据集对初始网络模型进行多次迁移训练获得预设深度学习网络模型包括以下步骤：S121：将预设物品图片数据集按照与待识别物品图片的相似度划分为多个预设物品图片子数据集。与待识别物品图片的相似度为与待识别物品图片的图片大小与图片背景颜色(即图片中除去物品的图片颜色)的相似程度。以物品为衣物为例，待识别衣物图片为真实场景中拍摄的仅含衣物的衣物图片时，认为从网络中爬取的衣物图片与待识别衣物图片的相似度较低，从真实应用场景中获得的仅含衣物的衣物图片与待识别衣物图片的相似度较高；待识别衣物图片为网络中的仅含衣物的衣物图片时，认为从网络中爬取的仅含衣物的衣物图片与待识别衣物图片的相似度较高，从真实应用场景中获得衣物图片与待识别衣物图片的相似度较低。可选地，预设物品图片数据集中相似度小于预设相似度的物品图片为第一物品图片子数据集；和/或，预设物品图片数据集中相似度大于或等于预设相似度的物品图片为第二物品图片子数据集。预设物品图片数据集中的物品图片与待识别物品图片的相似度可以通过以下公式计算获得：其中，S为预设物品图片数据集中的物品图片与待识别物品图片的相似度，m1为预设物品图片数据集中的物品图片的图片大小，m0为待识别物品图片的图片大小，β为图片大小相似度的权重值，c1为预设物品图片数据集中的物品图片背景颜色的平均色度值，c0为待识别物品图片背景颜色的平均色度值，γ为图片背景颜色大小相似度的权重值。本领域技术人员可本文档来自技高网...

【技术保护点】
1.一种用于训练深度学习网络模型的方法，其特征在于，包括：/n建立初始网络模型；/n利用预设物品图片数据集对所述初始网络模型进行多次迁移训练获得预设深度学习网络模型。/n

【技术特征摘要】
1.一种用于训练深度学习网络模型的方法，其特征在于，包括：
建立初始网络模型；
利用预设物品图片数据集对所述初始网络模型进行多次迁移训练获得预设深度学习网络模型。


2.根据权利要求1所述的方法，其特征在于，所述利用预设物品图片数据集对所述初始网络模型进行多次迁移训练获得预设深度学习网络模型，包括：
将所述预设物品图片数据集按照与待识别物品图片的相似度划分为多个预设物品图片子数据集；
利用多个所述预设物品图片子数据集，按照预设迁移训练策略对所述初始网络模型进行训练；
将经过训练的初始网络模型作为所述预设深度学习网络模型。


3.根据权利要求2所述的方法，其特征在于，所述预设物品图片数据集中相似度小于预设相似度的物品图片为第一物品图片子数据集；和/或，
所述预设物品图片数据集中相似度大于或等于所述预设相似度的物品图片为第二物品图片子数据集。


4.根据权利要求3所述的方法，其特征在于，所述利用多个所述预设物品图片子数据集，按照预设迁移训练策略对所述初始网络模型进行训练，包括：
利用所述第一物品图片子数据集对所述初始网络模型进行初始训练并获得初始分类模型；
利用所述第二物品图片子数据集对所述初始分类模型进行二次训练并获得深度学习分类模型。


5.根据权利要求4所述的方法，其特征在于，所述利用多个所述预设物品图片子数据集，按照预设迁移训练策略对所述初始网络模型进行训练，还包括：
获得所述深度学习分类模型后，根据所述第一物品图片子数...

【专利技术属性】
技术研发人员：吴贵英，姜大鹏，苏明月，
申请(专利权)人：青岛海尔智能技术研发有限公司，海尔智家股份有限公司，
类型：发明
国别省市：山东;37