模型训练方法、服装检索方法及相关装置制造方法及图纸

本申请提供一种模型训练方法、服装检索方法及相关装置，模型训练方法包括：获取训练数据集；将各训练图像输入服装检测模型，得到各训练图像对应的预测检测信息；将各训练图像输入服装分割模型，得到各训练图像对应的预测分割信息；将各训练图像及其对应的预测检测信息和预测分割信息输入预设检索网络，得到各训练图像对应的预测检索信息；利用各训练图像对应的标注检索信息和各训练图像对应的预测检索信息，对预设检索网络进行训练，得到服装检索模型。本申请中，利用各训练图像对应的预测检索信息，训练预设检索网络，得到服装检索模型，当上述服装检索模型应用于服装检索时，识别效率与准确度高。率与准确度高。率与准确度高。

【技术实现步骤摘要】
模型训练方法、服装检索方法及相关装置


[0001]本申请涉及深度学习和计算机视觉
，尤其涉及模型训练方法、服装检索方法及相关装置。

技术介绍

[0002]服装在我国常说的“衣食住行”中排在首位，成为了人们不可或缺的东西，根据待识别图像信息进行服装检索有着非常重要的应用价值，例如商家或个人可根据获取到的图像信息进行检索，方便商家或客户进行服装的选择与搭配，如何高效且准确地根据待识别图像信息进行服装检索成为了一个关键问题。
[0003]随着计算机识别技术的普及，利用图像识别技术对待识别图像信息中的服装信息进行检索，最终的到检索结果的技术方案得到广阔的发展。深度学习是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本等。随着深度学习技术的日渐成熟，基于深度神经卷积网络模型的特征提取技术和模式识别技术较传统的统计机器学习方法得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述模型训练方法包括：获取训练数据集，所述训练数据集中的每个训练数据包括一个训练图像和所述训练图像对应的标注信息，所述训练图像对应的标注信息包括所述训练图像对应的标注检索信息，所述训练图像对应的标注检索信息用于指示与所述训练图像中的服装对应的服装数据库中的服装；将各所述训练图像输入服装检测模型，得到各所述训练图像对应的预测检测信息；将各所述训练图像输入服装分割模型，得到各所述训练图像对应的预测分割信息；将各所述训练图像及其对应的预测检测信息和预测分割信息输入预设检索网络，得到各所述训练图像对应的预测检索信息；利用各所述训练图像对应的标注检索信息和各所述训练图像对应的预测检索信息，对所述预设检索网络进行训练，得到服装检索模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述训练图像对应的标注信息还包括所述训练图像对应的标注检测信息，所述训练图像对应的标注检测信息包括所述训练图像对应的标注分类信息和标注检测框回归信息，所述模型训练方法还包括：利用各所述训练图像及其对应的标注检测信息训练预设检测网络，得到服装检测模型，所述预设检测网络包括检测RPN网络、ResNeXt50网络以及第一检测头结构至第三检测头结构；其中，所述利用各所述训练图像及其对应的标注检测信息训练预设检测网络，得到服装检测模型，包括：针对每个所述训练图像，执行以下处理：将所述训练图像输入所述检测RPN网络，得到所述训练图像对应的ROI信息；将所述训练图像输入所述ResNeXt50网络，得到所述训练图像对应的多个特征图；利用所述训练图像对应的多个特征图构建特征金字塔，得到所述训练图像对应的按照特征图尺寸顺序排列的多个特征图；将所述训练图像对应的ROI信息和所述训练图像对应的按照特征图尺寸顺序排列的多个特征图输入所述第一检测头结构，得到所述训练图像对应的第一分类信息和第一检测框回归信息；将所述训练图像对应的第一检测框回归信息与所述训练图像对应的按照特征图尺寸顺序排列的多个特征图输入第二检测头结构，得到所述训练图像对应的第二分类信息和第二检测框回归信息；将所述训练图像对应的第二检测框回归信息与所述训练图像对应的按照特征图尺寸顺序排列的多个特征图输入所述第三检测头结构，得到所述训练图像对应的第三分类信息和第三检测框回归信息；利用各所述训练图像对应的标注分类信息、标注检测框回归信息、第三分类信息以及第三检测框回归信息，对所述预设检测网络进行训练，得到所述服装检测模型。3.根据权利要求2所述的模型训练方法，其特征在于，所述第一检测头结构至第三检测头结构是结构相同的检测头结构；每个检测头结构分别包括检测ROI Align层、检测分类分支和检测回归分支，检测分类分支包括两个全连接层，检测回归分支包括两个卷积层和一个全连接层。
4.根据权利要求1所述的模型训练方法，其特征在于，所述训练图像对应的标注信息还包括所述训练图像对应的标注分割信息，所述训练图像对应的标注分割信息包括所述训练图像对应的标注分割区域信息，所述模型训练方法还包括：利用各所述训练图像及其对应的标注分割信息训练预设分割网络，得到服装分割模型，所述预设分割网络包括特征提取网络、分割RPN网络以及第一分割头结构至第三分割头结构；其中，所述利用各所述训练图像及其对应的标注分割信息训练预设分割网络，得到服装分割模型，包括：针对每个所述训练图像，执行以下处理：将所述训练图像输入所述特征提取网络，得到所述训练图像对应的特征提取信息；将所述训练图像对应的特征提取信息输入所述分割RPN网络，得到所述训练图像对应的RPN正负样本分类分数和RPN坐标框回归信息；将所述训练图像对应的特征提取信息、RPN正负样本分类分数和RPN坐标框回归信息输入所述第一分割头结构，得到所述训练图像对应的第一正负样本分类分数和第一坐标框回归信息、第一分割区域信息、各对象类别的第一得分；将所述训练图像对应的第一正负样本分类分数和各对象类别的第一得分分别相乘，得到所述训练图像对应的各对象类别的第一置信度分数；将所述训练图像对应的特征提取信息、第一正负样本分类分数和第一坐标框回归信息输入所述第二分割头结构，得到所述训练图像对应的第二正负样本分类分数和第二坐标框回归信息、第二分割区域信息、各对象类别的第二得分；将所述训练图像对应的第二正负样本分类分数和各对象类别的第二得分分别相乘，得到所述训练图像对应的各对象类别的第二置信度分数；将所述训练图像对应的特征提取信息、第二正负样本分类分数和第二坐标框回归信息输入所述第三分割头结构，得到所述训练图像对应的第三正负样本分类分数和第三坐标框回归信息、第三分割区域信息、各对象类别的第三得分；将所述训练图像对应的第三正负样本分类分数和各对象类别的第三得分分别相乘，得到所述训练图像对应的各对象类别的第三置信度分数；利用各所述训练图像对应的标注分割区域信息、第三分割区域信息以及所述训练图像对应的各对象类别的第一置信度分数至第三置信度分数，对所述预设分割网络进行训练，得到所述服装分割模型。5.根据权利要求4所述的模型训练方法，其特征在于，所述第一分割头结构至第三分割头结构是结构相同的分割头结构；每个分割头结构分别包括RCNN Head、Mask Head和MaskIoU Head，RC NN Head包括一个ROI Align层和两个全连接层，Mask Head包括一个ROI Al ign层和四个卷积层，MaskIoU Head包括四个卷积层和三个全连接层。6.根据权利要求1所述的模型训练方法，其特征在于，所述预...

【专利技术属性】
技术研发人员：陈海波，罗志鹏，
申请(专利权)人：深延科技北京有限公司，
类型：发明
国别省市：