【技术实现步骤摘要】
图像搜索的预测方法、装置和系统
本申请涉及图像检索领域，具体而言，涉及一种图像搜索的预测方法、装置和系统。
技术介绍
电子商务平台是建立在互联网上进行商务活动的电子平台，目前，电子商务平台不仅可以应用在企业的商务洽谈方面，还可应用在普通的商品交易方面。以商品交易为例，电子商务平台具有规模巨大、品类繁多的商品库，电子商务平台需要对商品库中的商品进行管理，通常，电子商务平台通过图像检索的方式对商品库中的商品进行管理。而图像特征提取(即图像向量化)是图像检索的第一步，通过高效的特征向量索引即可向电子商务平台返回同款商品，因此图像特征向量化的质量决定了整个检索系统是否能够检索成功。为了提高检索准确率，现有技术通常针对不同的商品类别采用不同的网络模型来提取特征，而这些网络模型结构通常相同，但采用不同类别的数据针对性训练，因此模型参数不同。例如，图1示出了现有技术的一种图像搜索的示意图，由图1可知，在现有技术中，在输入待搜索的图像之后，对待搜索的图像先进行CNN(ConvolutionalNeuralNetworks，卷积神经网...
【技术保护点】
1.一种图像搜索的预测方法，其特征在于，包括：/n利用源域模型进行领域自适应学习，训练得到目标域模型，其中，所述源域模型包括：至少两个网络模型，所述网络模型分别对应不同的商品类别；/n将待搜索图像和多个类别商品的样本集设置为所述目标域模型的输入参数，得到与所述待搜索图像对应的预测结果。/n
【技术特征摘要】
1.一种图像搜索的预测方法，其特征在于，包括：
利用源域模型进行领域自适应学习，训练得到目标域模型，其中，所述源域模型包括：至少两个网络模型，所述网络模型分别对应不同的商品类别；
将待搜索图像和多个类别商品的样本集设置为所述目标域模型的输入参数，得到与所述待搜索图像对应的预测结果。
2.根据权利要求1所述的方法，其特征在于，多个网络模型对应相同的商品类别，或者，多个商品类别对应相同的网络模型。
3.根据权利要求1所述的方法，其特征在于，利用所述源域模型进行领域自适应学习，训练得到所述目标域模型包括：
采用由图像数据集预训练成的模型对所述目标域模型进行初始化，得到初始模型参数；
分别向所述源域模型和所述目标域模型输入样本图像数据，获取所述源域模型与所述目标域模型之间的损失函数的计算结果，其中，所述损失函数用于控制所述源域模型与所述目标域模型在相同特征空间中的距离；
基于所述计算结果对所述初始模型参数进行调整，得到目标模型参数。
4.根据权利要求3所述的方法，其特征在于，分别向所述源域模型和所述目标域模型输入所述样本图像数据，获取所述计算结果包括：
计算第一特征向量与第二特征向量之间的距离，得到第一中间结果，其中，所述第一特征向量是将所述样本图像数据输入至所述源域模型中对应类别的网络模型后生成的特征向量，所述第二特征向量是将所述样本图像数据输入至所述目标域模型后生成的特征向量；
计算第一协方差矩阵与第二协方差矩阵之间的距离，得到第二中间结果，其中，所述第一协方差矩阵为所述源域模型中指定中间层特征的协方差矩阵，所述第二协方差矩阵为所述目标域模型中指定中间层特征的协方差矩阵；
基于所述第一中间结果和所述第二中间结果获取所述计算结果。
5.根据权利要求4所述的方法，其特征在于，计算所述第一协方差矩阵与所述第二协方差矩阵之间的距离，得到所述第二中间结果包括：
从与所述样本图像数据对应类别的网络模型的指定中间层获取所述第一协方差矩阵，以及从所述目标域模型的指定中间层获取所述第二协方差矩阵；
采用所述第一协方差矩阵、所述第二协方差矩阵以及指定中间层特征维度计算得到所述第二中间结果。
6.根据权利要求4所述的方法，其特征在于，基于所述第一中间结果和所述第二中间结果获取所述计算结果包括：
计算预设比例系数与所述第二中间结果的乘积结果；
计算所述第一中间结果与所述乘积结果的和值，得到所述计算结果。
7.根据权利要求1所述的方法，其特征在于，将所述待搜索图像和所述多个类别商品的样本集设置为所述输入参数，得到所述预测结果包括：
将所述待搜索图像和所述多个类别商品的样本集设置为所述输入参数，进行统一特征提取处理，得到多个备选结果；
对所述多个备选结果进行投票处理，选取投票最多的类别作为所述预测结果。
8.一种图像搜索的预测方法，其特征在于，包括：
获取待搜索图像和多个类别商品的样本集；
利用目标域模型对所述待搜索图像和所述多个类别商品的样本集进行类目预测处理，得到多个备选结果；
从所述多个备选结果中选取待输出的预测结果；
其中，所述目标域模型是利用源域模型进行领域自适应学习所...
【专利技术属性】
技术研发人员：张严浩，郑赟，潘攀，徐盈辉，金榕，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY
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。