一种基于深度学习的箱包鉴定方法、系统及存储介质技术方案

本发明专利技术提供一种基于深度学习的箱包鉴定方法、系统及存储介质，所述方法包括：采集箱包不同位置的多张图像，输入到多头卷积神经网络模型中；对所述多头卷积神经网络模型进行联合训练；根据多头卷积神经网络模型的输出结果，得到箱包各个部位和整体的预测为真的概率以及判断是否为新的箱包造假模式。本发明专利技术基于深度学习的箱包鉴定方法和系统可以显著提高箱包的鉴定精度，并且可对新的箱包造假方法进行甄别。甄别。甄别。

【技术实现步骤摘要】
一种基于深度学习的箱包鉴定方法、系统及存储介质


[0001]本专利技术涉及箱包鉴定
，具体地，涉及一种基于深度学习的箱包鉴定方法、系统及存储介质。

技术介绍

[0002]传统对二手箱包的甄别，基本都是基于人工经验，以及通过在商品上增加一些鉴别标记比如唯一码、RFID芯片和掉包扣等。传统依赖人工的方式，鉴别专家通过观察实物或者拍摄的包含有鉴别点的关键部位照片，结合自身经验的来鉴别，人工鉴别存在效率低、成本高并且每个人的经验不同造成对同一二手箱包鉴别结果不一致的问题。传统增加鉴别标记的方法存在以下问题：1.不论是唯一码、掉包扣或者RFID都是可以仿造的；2.二手交易中这些鉴别标记可能已经损坏，无法用于鉴别；3.外设的鉴别标记会带来成本的上升。
[0003]目前，基于机器学习的赝品识别技术已经得到越来越多的研究，基于机器学习技术的图像鉴伪，实际应用的效果除了模型的拟合和泛化能力外，还取决于收集到的数据集。当数据集中存在未覆盖的造假方式时，上述方法失败的风险非常高。其次，已有识别方法都是关注分类的准确率等技术指标，在实际应用中，更加关注的是判别为良品的准确率，因为将劣品当成良品出售，不论对平台和用户都会造成严重伤害。另外，假品不一定是整个商品的各个部分都存在问题，比如在奢侈品箱包造假中常见到拉链是假的，其他部分是真的。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的在于提供一种基于深度学习的箱包鉴定方法、系统及存储介质，本专利技术的方法和系统可以显著提高箱包的鉴定精度，并且可对新的箱包造假方法进行甄别。
[0005]为解决上述问题，本专利技术的技术方案为：
[0006]一种基于深度学习的箱包鉴定方法，包括以下步骤：
[0007]采集箱包不同位置的多张图像，输入到多头卷积神经网络模型中；
[0008]对所述多头卷积神经网络模型进行联合训练；
[0009]根据多头卷积神经网络模型的输出结果，得到箱包各个部位和整体的预测为真的概率以及判断是否为新的箱包造假模式。
[0010]优选地，所述采集箱包不同位置的多张图像，输入到多头卷积神经网络系统中的步骤中，所述多头卷积神经网络包括一个共享主干CNN、若干个子网络、融合模块以及造假模式挖掘模块。
[0011]优选地，所述采集箱包不同位置的多张图像，输入到多头卷积神经网络模型中的步骤具体包括：
[0012]首先将图像缩放后输入到MH
‑
CNN中；
[0013]共享主干卷积网络CNN采用resnet
‑
50；
[0014]每个子网络结构包含一个Average Pooling层、一个带PReLU的全连接层FC以及一
个计算深度特征的全连接层；
[0015]将各个子网络输出的模式特征进行拼接，得到融合特征，并将该特征输入到所述融合模块，得到对于整个物品为真的预测概率；
[0016]所述造假模式挖掘模块由带Softmax函数的全连接层构成。
[0017]优选地，所述造假模式挖掘模块的处理流程包括以下步骤：
[0018]步骤1：将部位i的所有模式特征进行K均值聚类，得到K个聚类中心，使用K个聚类中心初始化全连接层；
[0019]步骤2：每个训练样本提取的模式特征通过全连接层后使用Softmax函数映射为K维的向量，造假模式挖掘模块优化的目标使用损失函数表示为：其中p
i,k
表示第i个样本部位得到的K维距离向量的第k个值。
[0020]优选地，所述对所述多头卷积神经网络模型进行联合训练的步骤中，采用吸引子损失函数，其形式为：其中y
j
是部位图像x
j
的标签，γ是用来平衡交叉熵损失(CE)和我们提出的吸引子损失项，表示子网络H
i
的预测结果，吸引子损失项形式为：其中表示子网络H
i
计算得到的模式特征，α是控制样本拟合程度的变量，代表部位i的真品模式特征的均值。
[0021]优选地，所述对所述多头卷积神经网络模型进行联合训练的步骤具体包括：
[0022]前向计算：给定一个训练数据集合，首先随机选择N个样本作为一批X＝[(x1,l1,1),
…
(x
j
,l
j
,j),
…
(x
N
,l
N
,N)]，其中X＝[x1,
…
x
j
,
…
x
N
]是样本图像，L＝[l1,
…
l
j
,
…
l
N
]是各个部位对应的标签,J＝[1,
…
j,
…
N]是序列索引，首先把X输入到MH
‑
CNN，假设O＝[o1,
…
o
j
，
…
o
N
]是共享主干CNN的输出，然后根据其部位分类标签l
j
，把O
j
送入到对应的子网络，假设子网络H
i
的输出使用表示，计算出损失：最后得到总损失为：
[0023]误差反传：当得到总损失，根据链式法则计算每一层的梯度。
[0024]优选地，所述根据多头卷积神经网络模型的输出结果，得到箱包各个部位和整体的预测为真的概率以及判断是否为新的箱包造假模式的步骤具体包括：仅当箱包所有采集部位的多头卷积神经网络模型输出结果大于设定的真假分界值，且整体预测结果也为真的情况下，才判定当前箱包商品为真，在其他的情况下均判定该箱包商品为非真。
[0025]进一步地，本专利技术还提供一种基于深度学习的箱包鉴定系统，所述系统包括图像采集装置和多头卷积神经网络，通过图像采集装置采集箱包不同位置的多张图像并输入到多头卷积神经网络中，所述多头卷积神经网络包括一个共享主干CNN、若干个子网络、融合
模块以及造假模式挖掘模块。
[0026]优选地，所述共享主干CNN采用resnet
‑
50，每个子网络结构包含一个Average Pooling层、一个带PReLU的全连接层FC以及一个计算深度特征的全连接层，所述融合模块包括多个带PReLU的全连接层，将各个子网络输出的模式特征进行拼接后输入到所述融合模块，得到整个物品为真的预测概率，所述造假模式挖掘模块由带Softmax函数的全连接层构成。
[0027]进一步地，本专利技术还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的基于深度学习的箱包鉴定方法。
[0028]与现有技术相比，本专利技术提出了一种基于深度学习的箱包鉴定方法和系统，本专利技术方法将多头卷积神经网络(MH
‑
CNN)应用到商品图像的真假鉴别中，并且与吸引子损失(AtL)的损失函数相结合，从而可以显著提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的箱包鉴定方法，其特征在于，所述方法包括以下步骤：采集箱包不同位置的多张图像，输入到多头卷积神经网络模型中；对所述多头卷积神经网络模型进行联合训练；根据多头卷积神经网络模型的输出结果，得到箱包各个部位和整体的预测为真的概率以及判断是否为新的箱包造假模式。2.根据权利要求1所述的基于深度学习的箱包鉴定方法，其特征在于，所述采集箱包不同位置的多张图像，输入到多头卷积神经网络模型中的步骤中，所述多头卷积神经网络包括一个共享主干CNN、若干个子网络、融合模块以及造假模式挖掘模块。3.根据权利要求2所述的基于深度学习的箱包鉴定方法，其特征在于，所述采集箱包不同位置的多张图像，输入到多头卷积神经网络系统中的步骤具体包括：首先将图像缩放后输入到MH
‑
CNN中；共享主干卷积网络CNN采用resnet
‑
50；每个子网络结构包含一个Average Pooling层、一个带PReLU的全连接层FC以及一个计算深度特征的全连接层；将各个子网络输出的模式特征进行拼接，得到融合特征，并将该特征输入到所述融合模块，得到对于整个物品为真的预测概率；所述造假模式挖掘模块由带Softmax函数的全连接层构成。4.根据权利要求3所述的基于深度学习的箱包鉴定方法，其特征在于，所述造假模式挖掘模块的处理流程包括以下步骤：步骤1：将部位i的所有模式特征进行K均值聚类，得到K个聚类中心，使用K个聚类中心初始化全连接层；步骤2：每个训练样本提取的模式特征通过全连接层后使用Softmax函数映射为K维的向量，造假模式挖掘模块优化的目标使用损失函数表示为：其中pi,k表示第i个样本部位得到的K维距离向量的第k个值。5.根据权利要求1所述的基于深度学习的箱包鉴定方法，其特征在于，所述对所述多头卷积神经网络模型进行联合训练的步骤中，采用吸引子损失函数，其形式为：其中y
j
是部位图像x
j
的标签，γ是用来平衡交叉熵损失(CE)和我们提出的吸引子损失项，表示子网络H
i
的预测结果，吸引子损失项形式为：其中表示子网络H
i
计算得到的模式特征，α是控制样本拟合程度的变量，代表部位i的真品模式特征的均值。6.根据权利要求5所述的基于深度学习的箱包鉴定方法，其特征在于，所述对所述多头卷积神经网络模型进行联合训练的步骤具体包括：前向计算：给定一个训练数据集合，首先随机选择N个样本作为一批X＝[(x1,l1,1),
…
(x
j
,l

【专利技术属性】
技术研发人员：李莉，祁斌川，龚炜，赵慧，于青云，
申请(专利权)人：同济大学，
类型：发明
国别省市：