物品分类方法、装置、电子设备和计算机可读介质制造方法及图纸

本公开的实施例公开了物品分类方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取物品图像；将物品图像输入至预先训练的物品分类模型包括的物品图像特征提取模型，得到物品图像全局特征向量；将物品图像全局特征向量输入至物品分类子模型中，得到物品类别信息；将物品类别信息发送至显示终端以供分类存放物品。该实施方式可以提高物品分类的准确度。高物品分类的准确度。高物品分类的准确度。

【技术实现步骤摘要】
物品分类方法、装置、电子设备和计算机可读介质


[0001]本公开的实施例涉及计算机
，具体涉及物品分类方法、装置、电子设备和计算机可读介质。

技术介绍

[0002]通过对获取的物品图像进行类别识别处理，得到类别信息，然后对物品进行分类和存放。目前，在对物品进行分类时，通常采用的方式为：通过全量学习模型(例如，Image Classification，图像分类任务模型)，识别出图像中物品的类别，以对物品进行分类。
[0003]然而，专利技术人发现，当采用上述方式对物品进行分类时，经常会存在如下技术问题：
[0004]第一，全量学习模型只使用一个分类器对图像中的类别信息进行识别，当出现相似度较高的不同物品图像时，单个分类器的准确度会降低，导致物品分类的准确度降低；
[0005]第二，全量学习模型中只有一个分类器，并且模型参数的更新是全量更新，即使是符合训练要求的参数，也可能会被更改，导致全量识别模型对物品类别识别的准确度降低，从而导致物品分类的准确度降低；
[0006]第三，全量学习模型的训练过程中，需要人工标记出每个样本图像的正确类别，当人工标记出错时，需要重复标记样本图像，导致标记时间的浪费，从而导致模型训练时间的浪费。
[0007]该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0008]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0009]本公开的一些实施例提出了物品分类方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
[0010]第一方面，本公开的一些实施例提供了一种物品分类方法，该方法包括：获取物品图像；将上述物品图像输入至预先训练的物品分类模型包括的物品图像特征提取模型，得到物品图像全局特征向量，其中，上述预先训练的物品分类模型还包括：物品分类子模型；将上述物品图像全局特征向量输入至上述物品分类子模型中，得到物品类别信息；将上述物品类别信息发送至显示终端以供分类存放物品。
[0011]第二方面，本公开的一些实施例提供了一种物品分类装置，装置包括：获取单元，被配置成获取物品图像；第一输入单元，被配置成将上述物品图像输入至预先训练的物品分类模型包括的物品图像特征提取模型，得到物品图像全局特征向量，其中，上述预先训练的物品分类模型还包括：物品分类子模型；第二输入单元，被配置成将上述物品图像全局特
征向量输入至上述物品分类子模型中，得到物品类别信息；发送单元，被配置成将上述物品类别信息发送至显示终端以供分类存放物品。
[0012]第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
[0013]第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
[0014]本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品分类方法，可以提高物品分类的准确度。具体来说，造成物品分类的准确度降低的原因在于：全量学习模型只使用一个分类器对图像中的类别信息进行识别，当出现相似度较高的不同物品图像时，单个分类器的准确度会降低。基于此，本公开的一些实施例的物品分类方法，首先，获取物品图像。其次，将上述物品图像输入至预先训练的物品分类模型包括的物品图像特征提取模型，得到物品图像全局特征向量。其中，上述预先训练的物品分类模型还包括：物品分类子模型。由此，可以得到上述物品图像的特征信息，以便对物品图像中物品的类别进行识别。然后，将上述物品图像全局特征向量输入至上述物品分类子模型中，得到物品类别信息。由此，可以通过多个二分类子模型拼接得到的物品分类子模型，对物品图像的特征信息进行分类。最后，将上述物品类别信息发送至显示终端以供分类存放物品。由此，可以根据识别得到的物品类别信息，对物品进行分类。因此，本公开的一些物品分类方法，可以通过预先训练的物品分类模型对物品图像中物品的类别信息进行识别，其中，上述预先训练的物品分类模型包括了图像特征提取模型和多个二分类子模型拼接合成的物品分类子模型，可以提高对类别信息识别的准确度，从而，可以提高物品分类的准确度。
附图说明
[0015]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0016]图1是根据本公开的物品分类方法的一些实施例的流程图；
[0017]图2是根据本公开的物品分类装置的一些实施例的结构示意图；
[0018]图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
[0019]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0020]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0021]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
Transformer，视觉转换)模型。
[0034]第二步，从上述样本物品图像序列中选取样本物品图像，对上述初始物品类别识别模型执行以下训练子步骤：
[0035]第一子步骤，将样本物品图像输入至初始物品类别识别模型包括的初始物品图像特征提取模型，得到样本物品图像全局特征向量。
[0036]第二子步骤，基于样本物品图像全局特征向量和初始图像缓存库，生成正样本分类图像序列和负样本分类图像序列集。
[0037]第三子步骤，将初始物品类别识别模型包括的初始二分类子模型集中与正样本分类图像序列对应的初始二分类子模型确定为目标物品分类子模型。
[0038]第四子步骤，基于预设的损失函数、正样本分类图像序列和负样本分类图像序列集，对初始物品图像特征提取模型和目标物品分类子模型进行调整，得到调整后的初始物品图像特征提取模型和目标物品分类子模型模型。
[0039]作为示例，上述预设的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品分类方法，包括：获取物品图像；将所述物品图像输入至预先训练的物品分类模型包括的物品图像特征提取模型，得到物品图像全局特征向量，其中，所述预先训练的物品分类模型还包括：物品分类子模型；将所述物品图像全局特征向量输入至所述物品分类子模型中，得到物品类别信息；将所述物品类别信息发送至显示终端以供分类存放物品。2.根据权利要求1所述的方法，其中，所述物品分类模型是通过以下步骤训练得到的：获取样本物品图像序列，初始图像缓存库和初始物品类别识别模型，其中，所述初始图像缓存库包括：初始分类图像序列集，所述初始物品类别识别模型包括：初始物品图像特征提取模型和初始物品分类子模型，所述初始物品分类子模型包括：初始二分类模型集，所述初始分类图像序列集中的初始分类图像序列与所述初始二分类子模型集中的初始二分类子模型一一对应；从所述样本物品图像序列中选取样本物品图像，对所述初始物品类别识别模型执行以下训练步骤：将样本物品图像输入至初始物品类别识别模型包括的初始物品图像特征提取模型，得到样本物品图像全局特征向量；基于样本物品图像全局特征向量和初始图像缓存库，生成正样本分类图像序列和负样本分类图像序列集；将初始物品类别识别模型包括的初始二分类子模型集中与正样本分类图像序列对应的初始二分类子模型确定为目标物品分类子模型；基于预设的损失函数、正样本分类图像序列和负样本分类图像序列集，对初始物品图像特征提取模型和目标物品分类子模型进行调整，得到调整后的初始物品图像特征提取模型和目标物品分类子模型模型；响应于确定样本物品图像序列满足预设条件，将初始物品类别识别模型确定为物品类别识别模型。3.根据权利要求2所述的方法，其中，所述训练步骤还包括：响应于确定所述样本物品图像序列不满足所述预设条件，再次执行所述训练步骤。4.根据权利要求2所述的方法，其中，所述基于样本物品图像全局特征向量和初始图像缓存库，生成正样本分类图像序列和负样本分类图像序列集，包括：确定所述样本物品图像全局特征向量和所述初始图像缓存库包括的初始分类图像序列集中每个初始分类图像序列对应的初始分类平均相似度，得到初始分类平均相似度集；对所述初始分类平均相似度集进行排序处理，得到初始分类平均相似度序列；将所述初始分类平均相似度序列中第一个初始分类平均相似度确定为正样本平均相似度；将所述样本物品图像添加至所述初始图像缓存库包括的初始分类图像序列集中与所述正样本平均相似度对应的初始分类图像序列中，得到所述正样本分类图像序列；将所述初始分类平均相似度序列中从第二个到预设序号之间的各个初始分类平均相似度，确定为负样本平均相似度集；将所述初始图像缓存库包括的初始分类图像序列集中与所述负样本平均相似度集中

【专利技术属性】
技术研发人员：黄龚，徐振博，刘柳，
申请(专利权)人：杭州食方科技有限公司，
类型：发明
国别省市：