商品属性检测方法、装置、存储介质及计算机设备制造方法及图纸

本申请提供了一种商品属性检测方法、装置、存储介质及计算机设备，所述方法包括：获取待检测商品的多张商品图片；分别将每张商品图片输入至姿态检测模型中，以得到每张商品图片对应的姿态关键点数据；根据预设的图片筛选规则和各张商品图片对应的姿态关键点数据，筛选出第一目标图片；分别将各张第一目标图片对应的姿态关键点数据输入到二分类模型中，以得到每张第一目标图片的分类结果，每个分类结果用于反映对应的第一目标图片是否适合用于进行属性检测；根据各张第一目标图片的分类结果，筛选出适合用于进行属性检测的第二目标图片；基于各张第二目标图片检测待检测商品的预测商品属性值。本申请可提高属性检测的准确性。本申请可提高属性检测的准确性。本申请可提高属性检测的准确性。

【技术实现步骤摘要】
商品属性检测方法、装置、存储介质及计算机设备


[0001]本申请涉及人工智能领域，尤其涉及一种商品属性检测方法、装置、存储介质及计算机设备。

技术介绍

[0002]在电商平台中，为方便用户快速了解商品以及对用户进行个性化推送，需要确定每个商品各个属性的属性值。以服装商品为例，服装商品可包括版型属性、衣长属性、风格属性、袖长属性等商品属性，用户可通过该商品属性快速了解商品。然而，现有的商品属性检测方法却存在准确性低的问题。

技术实现思路

[0003]本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中检测准确性低的技术缺陷。
[0004]第一方面，本申请实施例提供了一种商品属性检测方法，所述方法包括：
[0005]获取待检测商品的多张商品图片；
[0006]获取姿态检测模型和二分类模型；
[0007]分别将每张所述商品图片输入至所述姿态检测模型中，以得到每张所述商品图片对应的姿态关键点数据；
[0008]根据预设的图片筛选规则和各张所述商品图片对应的姿态关键点数据，在各张所述商品图片中筛选出第一目标图片；
[0009]分别将各张所述第一目标图片对应的姿态关键点数据输入到所述二分类模型中，以得到每张所述第一目标图片的分类结果，每个所述分类结果用于反映对应的第一目标图片是否适合用于进行属性检测；
[0010]根据各张所述第一目标图片的分类结果，在各张所述第一目标图片中筛选出适合用于进行属性检测的第二目标图片；
[0011]基于各张所述第二目标图片检测所述待检测商品的预测商品属性值。
[0012]在其中一个实施例中，所述基于各张所述第二目标图片检测所述待检测商品的预测商品属性值的步骤，包括：
[0013]确定待检测属性，并获取所述待检测属性对应的单标签多分类模型；
[0014]将各张所述第二目标图片输入至所述单标签多分类模型中，以得到所述单标签多分类模型输出的各个检测属性值和每个所述检测属性值对应的置信度；
[0015]基于各个所述检测属性值和每个所述检测属性值对应的置信度，在各个所述检测属性值中确定所述预测商品属性值。
[0016]在其中一个实施例中，所述商品属性检测方法还包括：
[0017]获取由人工预先标注的所述待检测商品的初始商品属性值；
[0018]若所述初始商品属性值不同于所述预测商品属性值，且所述预测商品属性值对应
的置信度大于预设的置信度阈值，则向信息维护人员推送属性修改信息。
[0019]在其中一个实施例中，所述单标签多分类模型是以Focal Loss函数作为损失函数训练得到的。
[0020]在其中一个实施例中，所述根据预设的图片筛选规则和各张所述商品图片对应的姿态关键点数据，在各张所述商品图片中筛选出第一目标图片的步骤，包括：
[0021]根据每张所述商品图片对应的姿态关键点数据，分别判断每张所述商品图片是否为模特展示图，并将各张所述模特展示图作为所述第一目标图片。
[0022]在其中一个实施例中，所述获取二分类模型的步骤，包括：
[0023]获取初始线性回归模型和训练数据集，所述训练数据集包括多张训练图片和预先标注的每张所述训练图片的人工分类结果；
[0024]分别将每张所述训练图片输入至所述姿态检测模型中，以得到每张所述训练图片对应的姿态关键点数据；
[0025]分别将各张所述训练图片对应的姿态关键点数据输入至所述初始线性回归模型中，以得到各张所述训练图片对应的训练分类结果，并根据各个所述训练分类结果和所述人工分类结果，对所述初始线性回归模型进行迭代训练，直至满足预设的训练完成条件并得到所述二分类模型。
[0026]第二方面，本申请实施例提供了一种商品属性检测装置，所述装置包括：
[0027]商品图片获取模块，用于获取待检测商品的多张商品图片；
[0028]二分类模型获取模块，用于获取姿态检测模型和二分类模型；
[0029]姿态检测模块，用于分别将每张所述商品图片输入至所述姿态检测模型中，以得到每张所述商品图片对应的姿态关键点数据；
[0030]第一目标图片筛选模块，用于根据预设的图片筛选规则和各张所述商品图片对应的姿态关键点数据，在各张所述商品图片中筛选出第一目标图片；
[0031]分类模块，用于分别将各张所述第一目标图片对应的姿态关键点数据输入到所述二分类模型中，以得到每张所述第一目标图片的分类结果，每个所述分类结果用于反映对应的第一目标图片是否适合用于进行属性检测；
[0032]第二目标图片筛选模块，用于根据各张所述第一目标图片的分类结果，在各张所述第一目标图片中筛选出适合用于进行属性检测的第二目标图片；
[0033]属性值检测模块，用于根据各张所述第二目标图片确定所述待检测商品的预测商品属性值。
[0034]在其中一个实施例中，所述属性值检测模块包括：
[0035]单标签多分类模型获取单元，用于确定待检测属性，获取所述待检测属性对应的单标签多分类模型；
[0036]检测单元，用于将各张所述第二目标图片输入至所述单标签多分类模型中，以得到所述单标签多分类模型输出的各个检测属性值和每个所述检测属性值对应的置信度；
[0037]属性值确定单元，用于基于各个所述检测属性值和每个所述检测属性值对应的置信度，在各个所述检测属性值中确定所述预测商品属性值。
[0038]第三方面，本申请实施例提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上
述任一实施例所述商品属性检测方法的步骤。
[0039]第四方面，本申请实施例提供了一种计算机设备，包括：一个或多个处理器，以及存储器；
[0040]所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行上述任一实施例所述商品属性检测方法的步骤。
[0041]本申请的商品属性检测方法、装置、存储介质及计算机设备中，通过引入姿势检测模型和二分类模型，从而可对各张商品图片进行姿态检测，并基于姿态检测模型输出的姿态关键点数据和二分类模型，分别确定每张商品图片是否适合用于进行属性检测，以便于从多张商品图片中筛选出适合用于进行属性检测的商品图片，并据此进行属性检测。如此，可排除不合适的商品图片对属性检测的干扰，进而可提高属性检测的准确性。
附图说明
[0042]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0043]图1为一个实施例中商品属性检测方法的流程示意图之一；
[0044]图2为一个实施例中获取二分类模型步骤的流程示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品属性检测方法，其特征在于，所述方法包括：获取待检测商品的多张商品图片；获取姿态检测模型和二分类模型；分别将每张所述商品图片输入至所述姿态检测模型中，以得到每张所述商品图片对应的姿态关键点数据；根据预设的图片筛选规则和各张所述商品图片对应的姿态关键点数据，在各张所述商品图片中筛选出第一目标图片；分别将各张所述第一目标图片对应的姿态关键点数据输入到所述二分类模型中，以得到每张所述第一目标图片的分类结果，每个所述分类结果用于反映对应的第一目标图片是否适合用于进行属性检测；根据各张所述第一目标图片的分类结果，在各张所述第一目标图片中筛选出适合用于进行属性检测的第二目标图片；基于各张所述第二目标图片检测所述待检测商品的预测商品属性值。2.根据权利要求1所述的商品属性检测方法，其特征在于，所述基于各张所述第二目标图片检测所述待检测商品的预测商品属性值的步骤，包括：确定待检测属性，并获取所述待检测属性对应的单标签多分类模型；将各张所述第二目标图片输入至所述单标签多分类模型中，以得到所述单标签多分类模型输出的各个检测属性值和每个所述检测属性值对应的置信度；基于各个所述检测属性值和每个所述检测属性值对应的置信度，在各个所述检测属性值中确定所述预测商品属性值。3.根据权利要求2所述的商品属性检测方法，其特征在于，所述方法还包括：获取由人工预先标注的所述待检测商品的初始商品属性值；若所述初始商品属性值不同于所述预测商品属性值，且所述预测商品属性值对应的置信度大于预设的置信度阈值，则向信息维护人员推送属性修改信息。4.根据权利要求2所述的商品属性检测方法，其特征在于，所述单标签多分类模型是以FocalLoss函数作为损失函数训练得到的。5.根据权利要求1所述的商品属性检测方法，其特征在于，所述根据预设的图片筛选规则和各张所述商品图片对应的姿态关键点数据，在各张所述商品图片中筛选出第一目标图片的步骤，包括：根据每张所述商品图片对应的姿态关键点数据，分别判断每张所述商品图片是否为模特展示图，并将各张所述模特展示图作为所述第一目标图片。6.根据权利要求1至5任一项所述的商品属性检测方法，其特征在于，所述获取二分类模型的步骤，包括：获取初始线性回归模型和训练数据集，所述训练数据集包括多张训练图片和预先标注的每张所述训练图片的人工分类结果；分别将每张所述...

【专利技术属性】
技术研发人员：谭正宇，徐旭，
申请(专利权)人：唯品会广州软件有限公司，
类型：发明
国别省市：