LOGO分类模型构建方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种LOGO分类模型构建方法、系统、电子设备及存储介质，LOGO分类模型构建方法包括：LOGO图像处理步骤：对原始LOGO图像进行处理获得仅具有LOGO标志的第一图像和具有所述LOGO标志及周边区域的第二图像；特征提取步骤：通过编码模块对第一图像和第二图像进行特征提取获得第一特征和第二特征；第一处理步骤：根据第一特征及/或第二特征获得第一向量和第二向量；第二处理步骤：根据第一向量和第二向量通过嵌入模块对应地获得第三向量和第四向量；第四向量处理步骤：对第四向量与Label进行arcface

【技术实现步骤摘要】
LOGO分类模型构建方法、系统、电子设备及存储介质


[0001]本专利技术涉及图像处理
，特别涉及一种基于双流网络的LOGO分类模型构建方法、系统、电子设备及存储介质。

技术介绍

[0002]LOGO是企业形象或者产品形象的符号化体现。logo最重要的一个功能就是识别性，便于消费群体或受众将不同企业的同类产品，或同一行业的不同企业区别开来，从而将logo所代表的产品或者企业打造成一种品牌，logo是无形的资产。对于LOGO进行相应的自动识别，可以帮助企业进行更好的数据分析和市场占比分析，较高的识别精准率有助于更好的进行企业策略的规划和制定。
[0003]在LOGO识别领域，同一行业内的LOGO标识大同小异，LOGO之间的区分度不高。如化妆品行业中，兰蔻/兰芝，COLORKEY/COLORPOP等的区分度不高，传统的分类网络结构难以满足实际需求。另一方面，LOGO的周边信息对于LOGO的分类有一定的作用，以汽车的LOGO为例，不同汽车的家族式前脸对于其LOGO的识别效果是有一定的提升作用的，但是多余的周边信息带来更多有效信息的同时会带来比有效信息更多的噪声信息，如何能够使得网络结构学习到有用的信息内容是重要的也是困难的。
[0004]基于以上问题现有技术大都采取以下方案：
[0005]1.检测一体化的识别方法
[0006]目前较为简单的方法就是与检测器一体化的识别，使用目标检测领域知名的FasterRcnn，SSD以及YOLO等系列的算法将识别的过程放在检测过程的最后，使用较为简单的分类头进行分类。这种方法的好处是较为便捷，不需要重新训练识别分类器检测和识别是一个端到端的过程。但其缺点在于：无法对于检测和识别进行解耦合。这就导致了无法使用更加强大的识别网络，且对于出现频次较少的LOGO甚至是未出现过的LOGO其识别的效果会非常的差。
[0007]2.单独的分类器方法
[0008]单独分类器的方法是目前业界比较通用的方案，检测器使用一个通用的LOGO检测器，对检测器检测到的类似LOGO的图形将其送入到分类器进行LOGO的类别分类。这种方法相对于第一种方案而言有更多的设计空间，但其缺点在于：未使用LOGO的周边信息，且对于相似的LOGO无法做出有效的区分。
[0009]因此亟需开发一种克服上述缺陷的基于双流网络的LOGO分类模型构建方法、系统、电子设备及存储介质。

技术实现思路

[0010]针对上述问题，本申请实施例提供了一种LOGO分类模型构建方法、系统、电子设备及存储介质，以至少解决对相似的LOGO无法做出有效区分的问题。
[0011]本专利技术提供一种LOGO分类模型构建方法，其中，包括：
[0012]LOGO图像处理步骤：对原始LOGO图像进行处理获得仅具有LOGO标志的第一图像和具有所述LOGO标志及周边区域的第二图像；
[0013]特征提取步骤：通过编码模块对所述第一图像和所述第二图像进行特征提取获得第一特征和第二特征；
[0014]第一处理步骤：根据所述第一特征及/或所述第二特征获得第一向量和第二向量；
[0015]第二处理步骤：根据所述第一向量和所述第二向量通过嵌入模块对应地获得第三向量和第四向量；
[0016]第四向量处理步骤：对所述第四向量与Label进行arcface
‑
loss的学习形成LOGO分类模型。
[0017]上述的LOGO分类模型构建方法，其中，所述第一处理步骤包括：
[0018]第一向量获取步骤：对所述第一特征进行全局平均池化操作后通过预测器获得所述第一向量；
[0019]聚合步骤：对所述第一特征和所述第二特征进行聚合后输出聚合特征；
[0020]第二向量获取步骤：对所述聚合特征进行全局平均池化操作后获得所述第二向量；
[0021]注意力机制步骤：通过注意力机制模块根据所述聚合特征学习所述第一特征及所述第二特征间的相关关系。
[0022]上述的LOGO分类模型构建方法，其中，所述第二处理步骤还包括：对所述第一向量和所述第二向量进行相似性学习，通过回归损失函数拉近所述第一向量和所述第二向量之间的距离。
[0023]上述的LOGO分类模型构建方法，其中，所述第四向量处理步骤还包括：对所述第三向量和所述第四向量使用余弦相似度距离进行相似性学习。
[0024]本专利技术还提供一种LOGO分类模型构建系统，其中，包括：
[0025]LOGO图像处理单元，对原始LOGO图像进行处理获得仅具有LOGO标志的第一图像和具有所述LOGO标志及周边区域的第二图像；
[0026]特征提取单元，通过编码器对所述第一图像和所述第二图像进行特征提取获得第一特征和第二特征；
[0027]第一处理单元，根据所述第一特征及/或所述第二特征获得第一向量和第二向量；
[0028]第二处理单元，根据所述第一向量和所述第二向量通过嵌入器对应地获得第三向量和第四向量；
[0029]第四向量处理单元，对所述第四向量与Label进行arcface
‑
loss的学习形成LOGO分类模型。
[0030]上述的LOGO分类模型构建系统，其中，所述第一处理单元包括：
[0031]第一向量获取模块，对所述第一特征进行全局平均池化操作后通过预测器获得所述第一向量；
[0032]聚合模块，对所述第一特征和所述第二特征进行聚合后输出聚合特征；
[0033]第二向量获取模块，对所述聚合特征进行全局平均池化操作后获得所述第二向量；
[0034]注意力机制模块，根据所述聚合特征学习所述第一特征及所述第二特征间的相关
关系。
[0035]上述的LOGO分类模型构建系统，其中，所述第二处理单元对所述第一向量和所述第二向量进行相似性学习，通过回归损失函数拉近所述第一向量和所述第二向量之间的距离。
[0036]上述的LOGO分类模型构建系统，其中，所述第四向量处理单元还对所述第三向量和所述第四向量使用余弦相似度距离进行相似性学习。
[0037]本专利技术还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述中任一项所述的LOGO分类模型构建方法。
[0038]本专利技术还提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述中任一项所述的LOGO分类模型构建方法。
[0039]本专利技术相对于现有技术其有益效果在于：
[0040]本发对于LOGO的周边信息进行了添加，并设计了双流的对比学习网络结构，并加入了新颖的attention模块使得有周边LOGO信息的网络结构能够学习到中央区域的特征，从而能够更好的学习到LOGO的周边信息并且对于相似的LOGO进行有效的区分。
[0041]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种LOGO分类模型构建方法，其特征在于，包括：LOGO图像处理步骤：对原始LOGO图像进行处理获得仅具有LOGO标志的第一图像和具有所述LOGO标志及周边区域的第二图像；特征提取步骤：通过编码模块对所述第一图像和所述第二图像进行特征提取获得第一特征和第二特征；第一处理步骤：根据所述第一特征及/或所述第二特征获得第一向量和第二向量；第二处理步骤：根据所述第一向量和所述第二向量通过嵌入模块对应地获得第三向量和第四向量；第四向量处理步骤：对所述第四向量与Label进行arcface
‑
loss的学习形成LOGO分类模型。2.如权利要求1所述的LOGO分类模型构建方法，其特征在于，所述第一处理步骤包括：第一向量获取步骤：对所述第一特征进行全局平均池化操作后通过预测器获得所述第一向量；聚合步骤：对所述第一特征和所述第二特征进行聚合后输出聚合特征；第二向量获取步骤：对所述聚合特征进行全局平均池化操作后获得所述第二向量；注意力机制步骤：通过注意力机制模块根据所述聚合特征学习所述第一特征及所述第二特征间的相关关系。3.如权利要求1所述的LOGO分类模型构建方法，其特征在于，所述第二处理步骤还包括：对所述第一向量和所述第二向量进行相似性学习，通过回归损失函数拉近所述第一向量和所述第二向量之间的距离。4.如权利要求3所述的LOGO分类模型构建方法，其特征在于，所述第四向量处理步骤还包括：对所述第三向量和所述第四向量使用余弦相似度距离进行相似性学习。5.一种LOGO分类模型构建系统，其特征在于，包括：LOGO图像处理单元，对原始LOGO图像进行处理获得仅具有LOGO标志的第一图像和具有所述LOGO标志及周边区...

【专利技术属性】
技术研发人员：朱彦浩，胡郡郡，唐大闰，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：