CN110674881A - 商标图像检索模型训练方法、系统、存储介质及计算机设备 - Google Patents
商标图像检索模型训练方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110674881A CN110674881A CN201910925704.2A CN201910925704A CN110674881A CN 110674881 A CN110674881 A CN 110674881A CN 201910925704 A CN201910925704 A CN 201910925704A CN 110674881 A CN110674881 A CN 110674881A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- negative
- samples
- difficult
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000003111 delayed effect Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种商标图像检索模型训练方法，包括：获取多组样本数据，根据相似度为每个查询样本选择最难正例样本和多个困难负例样本；将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；根据多负例对比损失函数对商标图像检索模型进行更新，直至商标图像检索模型在验证集上的验证效果不再提升，则结束训练。本发明根据相似度剔除容易样本、挖掘难分样本，充分利用了少部分难分样本，更有针对性的对神经网络参数进行调整，可以较好地推迟模型收敛/过拟合，使训练更充分，效果更好。本发明还涉及商标图像检索模型训练系统、存储介质及计算机设备。
Description
技术领域
本发明涉及模型训练技术领域，尤其涉及一种商标图像检索模型训练方法、系统、存储介质及计算机设备。
背景技术
现有技术中，商标图像检索模型训练方法一般采用固定或随机的正负例，固定的正负例容易导致模型过拟合，即只在训练数据上效果好；随机的正负例容易导致欠拟合，训练不充分，即模型见到的大多是很简单的案例，没有对易错案例针对性训练提高。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题，提供一种商标图像检索模型训练方法、系统、存储介质及计算机设备。
为解决上述技术问题，本发明实施例提供一种商标图像检索模型训练方法，包括：
获取多组样本数据，每组样本数据包括一个查询样本和一个正例样本集；将所述多组样本数据划分为训练集和验证集；
每一轮训练前，根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本；
根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本；
将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；
根据多负例对比损失函数对所述商标图像检索模型进行更新，直至所述商标图像检索模型在所述验证集上的验证效果不再提升，则结束训练。
为解决上述技术问题，本发明实施例还提供一种商标图像检索模型训练系统，包括：
样本获取模块，用于获取多组样本数据，每组样本数据包括一个查询样本和一个正例样本集；将所述多组样本数据划分为训练集和验证集；
正例选择模块，用于在每一轮训练前，在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本；
负例选择模块，用于根据所述查询样本和最难正例样本从商标图像数据库中选择多个困难负例样本；
模型训练模块，用于将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；
模型更新模块，用于根据多负例对比损失函数对所述商标图像检索模型进行更新，直至所述商标图像检索模型在所述验证集上的验证效果不再提升，则结束训练。
为解决上述技术问题，本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的商标图像检索模型训练方法。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案所述的商标图像检索模型训练方法。
本发明的有益效果是：根据相似度剔除容易样本、挖掘难分样本，为每个查询样本筛选一个对应的最难正例和多个困难负例，从而组成一组训练数据，根据获取的多组训练数据进行模型训练，进而根据多负例对比损失函数更新网络模型，一轮训练结束后统计在验证集上是否有效果提升，当不再有效果提升时结束训练。该方法充分利用了少部分难分样本，更有针对性的对神经网络参数进行调整，可以较好地推迟模型收敛/过拟合，使训练更充分，且训练数据中包括多个困难负例，使模型可以学习到更多的排序信息，差异表示能力更强，效果更好。
附图说明
图1为本发明实施例提供的商标图像检索模型训练方法的示意性流程图；
图2为本发明实施例提供的商标图像检索模型训练系统示意性结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的商标图像检索模型训练方法的示意性流程图。如图1所示，该方法包括：
获取多组样本数据，每组样本数据包括一个查询样本和一个正例样本集；将所述多组样本数据划分为训练集和验证集；每一轮训练前，根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本；根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本；将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；根据多负例对比损失函数对所述商标图像检索模型进行更新，直至所述商标图像检索模型在所述验证集上的验证效果不再提升，则结束训练。
需要说明的是，查询样本为查询商标query，每个查询样本有具体的申请号，每个申请号对应多个引证商标positive，引证商标是经过审查认定与申请商标相似的商标，可以用来当成正例样本训练网络模型。然而如果将所有引证商标用来训练网络会出现这样的问题：经过一定样本或轮次之后，大部分的引证商标，网络模型已经可以很容易的判别出来，只有少部分还未学习好特征，但由于网络模型参数是按照全部样本整体差异来进行调整的，这就导致此时重要的“少部分难分样本”无法起到较大作用。因此本方法提出一种剔除容易样本，挖掘难分样本的方法，可以较好地推迟模型收敛/过拟合，使训练更充分，提高最终效果。
上述实施例中，根据相似度剔除容易样本、挖掘难分样本，为每个查询样本筛选一个对应的最难正例和多个困难负例，从而组成一组训练数据，根据获取的多组训练数据进行模型训练，进而根据多负例对比损失函数更新网络模型，一轮训练结束后统计在验证集上是否有效果提升，当不再有效果提升时结束训练。该方法充分利用了少部分难分样本，更有针对性的对神经网络参数进行调整，可以较好地推迟模型收敛/过拟合，使训练更充分，且训练数据中包括多个困难负例，使模型可以学习到更多的排序信息，差异表示能力更强，效果更好。
可选地，所述根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本，包括：
确定查询样本的特征向量以及对应的正例样本集中所有正例样本的特征向量；确定所述查询样本的特征向量与对应的正例样本集中所有正例样本的特征向量的余弦相似度；按照所述余弦相似度对正例样本集中所有正例样本进行相似度排序；选取相似度最低的正例样本作为最难正例样本。
需要说明的是，每个查询样本q，都对应了多个正例样本pi(i＝0,1,2,...)。多个正例样本pi都是与查询样本q相似的图片，但是相似程度是不同的。训练时，为了更有针对性的对神经网络参数进行调整，选择最难的正例输入神经网络进行训练。因为对于有些图片，神经网络已经认为和查询样本q的相似度很高，用这些图片去训练起不到太大的作用，甚至会学到无用的特征。
上述实施例中，在每轮训练前进行判断，选择相似度最低正例样本的作为本轮训练使用的正例，从而提高训练精度。
可选地，所述根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本，包括：
针对每个查询样本，随机获取第一预设数量的与查询样本的图像要素号不一致的负例样本组成负例样本集；确定查询样本的特征向量以及对应的负例样本集中所有负例样本的特征向量；确定所述查询样本的特征向量与对应的负例样本集中所有负例样本的特征向量的余弦相似度；按照所述余弦相似度对负例样本集中所有负例样本进行相似度排序；选取第二预设数量的相似度大于预设阈值的负例样本作为困难负例样本，其中预设阈值根据最难正例样本对应的相似度设定。
需要说明的是，整个商标图像数据库中，所有与查询样本q不相似的都可以作为负例，但是训练需要有针对性的选择负例，加速训练的同时提高训练精度，防止过拟合。查询样本q的负例是在整个商标图像数据库中搜索的，因为查询样本q的正例是已知的，因此将剩余的所有图片都认为是该查询样本的负例，但是由于商标图像数据库中还存在一些相似度没有正例高，但是也存在一定的相似(比如局部相似)，需要考虑这些图片的存在。
每一轮训练前，在选择负例时，随机从商标图像数据库中进行采样得到一批数据，然后用神经网络抽取特征向量，比较查询样本q的特征向量和这批数据特征向量的相似度，得到相似度后按照余弦相似度从小到大排序。其中相似度越小的图片，是神经网络分辨越差的，拿这些数据进行训练可以更有针对性地更新神经网络权重参数。但是由于混入一些确实和查询样本q有一定相似程度的图片，因此将最难正例样本对应的相似度作为预设阈值，将所有比最难正例样本与查询样本q的相似度还高的图片去掉，剩下的图片作为负例样本。该实施例中，可以从商标图像数据库中选择100负例样本，根据图像要素号的初步筛选和根据相似度进一步筛选，最终选择40个负例样本作为困难负例。
该实施例中先用图形要素标签进行初步的过滤，其中，图形要素标签是商标申请时，审查员根据商标图片内容标注的类别标签，如动物、花卉、天体(星星、月亮)等；然后按照与查询样本q的相似度从小到大进行排序，并利用最难正例对应的相似度将过于相似的去掉，防止选择的负例太难导致模型过拟合。
可选地，所述根据多负例对比损失函数对所述商标图像检索模型进行更新，包括：
根据如下公式计算当前损失值Loss，根据所述当前损失值对所述商标图像检索模型进行更新；
其中，D(q,p)表示查询样本本q与最难正例样本p之间的欧式距离，
表示查询样本本q与困难负例样本ni之间的欧式距离；ncount表示困难负样本数量，α是一个超参数。
该实施例中，采用对比损失函数contrastive loss，每一批q+p+n的完整的训练数据都经过神经网络后，再利用相互之间的欧式计算损失值，并进行反向传播。其中，q为查询样本，p为最难正例，n为困难负例。根据损失值更新神经网络模型是现有技术中较常见方法，此处不再赘述。
训练使用对比损失函数contrastive loss，用一个查询样本q、一个最难正例样本p和对多个困难负例样本n的方法，计算当前的损失值。通过该函数，在不断训练优化后，可以使正例样本p与查询样本q的欧式距离趋近于0，而负例样本n与查询样本q的欧式距离趋近于设置好的固定参数α。
可选地，商标图像检索模型训练方法还包括：对所述训练集和所述验证集中的样本数据进行预处理，获得预设格式的样本数据。所述预处理具体包括对所述训练集和所述验证集中的样本数据进行灰度化、去除周围空白区域、补成正方形、统一大小以及进行归一化处理。
该实施例中，商标图像不关心颜色，因此对样本数据进行灰度化；去除样本数据周围空白区域，使有意义区域占图像大部分，且在图像中央，由于背景比较简单，直接通过二值化分割得到图像所在位置，即可将图像截取出来；另外，还将样本数据补成正方形、统一大小，神经网络模型采用固定输入大小；并且全部图片计算得到的均值和方差进行归一化。训练阶段不需经过目标检测算法RCNN提取图形区域，可以实现网络在训练阶段提高泛化性。
上文结合图1，详细描述了根据本发明实施例提供的商标图像检索模型训练方法。下面结合图2，详细描述本发明实施例提供的商标图像检索模型训练系统。
如图2所示，本发明实施例还提供一种商标图像检索模型训练系统，包括：样本获取模块、正例选择模块、负例选择模块、模型训练模块和模型更新模块。
样本获取模块用于获取多组样本数据，每组样本数据包括一个查询样本和一个正例样本集；将所述多组样本数据划分为训练集和验证集；正例选择模块用于根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本；负例选择模块用于根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本；模型训练模块用于将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；模型更新模块用于根据多负例对比损失函数对所述商标图像检索模型进行更新，直至所述商标图像检索模型在所述验证集上的验证效果不再提升，则结束训练。
上述实施例中，根据相似度剔除容易样本、挖掘难分样本，为每个查询样本筛选一个对应的最难正例和多个困难负例，从而组成一组训练数据，根据获取的多组训练数据进行模型训练，进而根据多负例对比损失函数更新网络模型，一轮训练结束后统计在验证集上是否有效果提升，当不再有效果提升时结束训练。该方法充分利用了少部分难分样本，更有针对性的对神经网络参数进行调整，可以较好地推迟模型收敛/过拟合，使训练更充分，且训练数据中包括多个困难负例，使模型可以学习到更多的排序信息，差异表示能力更强，效果更好。
可选地，正例选择模块具体用于，确定查询样本的特征向量以及对应的正例样本集中所有正例样本的特征向量；确定所述查询样本的特征向量与对应的正例样本集中所有正例样本的特征向量的余弦相似度；按照所述余弦相似度对正例样本集中所有正例样本进行相似度排序；选取相似度最低的正例样本作为最难正例样本。
可选地，负例选择模块具体用于，针对每个查询样本，随机获取第一预设数量的与查询样本的图像要素号不一致的负例样本组成负例样本集；确定查询样本的特征向量以及对应的负例样本集中所有负例样本的特征向量；确定所述查询样本的特征向量与对应的负例样本集中所有负例样本的特征向量的余弦相似度；按照所述余弦相似度对负例样本集中所有负例样本进行相似度排序；选取第二预设数量的相似度大于预设阈值的负例样本作为困难负例样本，其中预设阈值根据最难正例样本对应的相似度设定。
可选地，还包括预处理模块，用于对所述训练集和所述验证集中的样本数据进行预处理，获得预设格式的样本数据。预处理具体包括：对所述训练集和所述验证集中的样本数据进行灰度化、去除周围空白区域、补成正方形、统一大小以及进行归一化处理。
本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的商标图像检索模型训练方法。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案所述的商标图像检索模型训练方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种商标图像检索模型训练方法，其特征在于，包括：
获取多组样本数据，每组样本数据包括一个查询样本和一个正例样本集；将所述多组样本数据划分为训练集和验证集；
根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本；
根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本；
将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；
根据多负例对比损失函数对所述商标图像检索模型进行更新，直至所述商标图像检索模型在所述验证集上的验证效果不再提升，则结束训练。
2.根据权利要求1所述的方法，其特征在于，所述根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本，包括：
确定查询样本的特征向量以及对应的正例样本集中所有正例样本的特征向量；
确定所述查询样本的特征向量与对应的正例样本集中所有正例样本的特征向量的余弦相似度；
按照所述余弦相似度对正例样本集中所有正例样本进行相似度排序；
选取相似度最低的正例样本作为最难正例样本。
3.根据权利要求2所述的方法，其特征在于，所述根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本，包括：
针对每个查询样本，随机获取第一预设数量的与查询样本的图像要素号不一致的负例样本组成负例样本集；
确定查询样本的特征向量以及对应的负例样本集中所有负例样本的特征向量；
确定所述查询样本的特征向量与对应的负例样本集中所有负例样本的特征向量的余弦相似度；
按照所述余弦相似度对负例样本集中所有负例样本进行相似度排序；
选取第二预设数量的相似度大于预设阈值的负例样本作为困难负例样本，其中预设阈值根据最难正例样本对应的相似度设定。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据多负例对比损失函数对所述商标图像检索模型进行更新，包括：
根据如下公式计算当前损失值Loss，根据所述当前损失值对所述商标图像检索模型进行更新；
其中，D(q,p)表示查询样本本q与最难正例样本p之间的欧式距离，
表示查询样本本q与困难负例样本ni之间的欧式距离；ncount表示困难负样本数量，α是一个超参数。
5.根据权利要求1至3任一项所述的方法，其特征在于，还包括对所述训练集和所述验证集中的样本数据进行预处理，获得预设格式的样本数据。
6.根据权利要求5所述的方法，其特征在于，所述对所述训练集和所述验证集中的样本数据进行预处理，获得预设格式的样本数据，包括：
对所述训练集和所述验证集中的样本数据进行灰度化、去除周围空白区域、补成正方形、统一大小以及进行归一化处理。
7.一种商标图像检索模型训练系统，其特征在于，其特征在于，包括：
样本获取模块，用于获取多组样本数据，每组样本数据包括一个查询样本和一个正例样本集；将所述多组样本数据划分为训练集和验证集；
正例选择模块，用于根据相似度在所述训练集中为每个查询样本从对应的正例样本集中选择最难正例样本；
负例选择模块，用于根据相似度为每个查询样本从商标图像数据库中选择多个困难负例样本；
模型训练模块，用于将一个查询样本、对应的最难正例样本和对应的多个困难负例样本作为一组训练数据，根据多组训练数据利用神经网络进行商标图像检索模型训练；
模型更新模块，用于根据多负例对比损失函数对所述商标图像检索模型进行更新，直至所述商标图像检索模型在所述验证集上的验证效果不再提升，则结束训练。
8.根据权利要求7述的系统，其特征在于，还包括预处理模块，用于对所述训练集和所述验证集中的样本数据进行预处理，获得预设格式的样本数据。
9.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1-6任一项所述的商标图像检索模型训练方法。
10.一种计算机设备，包括存储器、处理器及存储在所述存储器上的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程序时实现如权利要求1-6任一项所述的商标图像检索模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925704.2A CN110674881B (zh) | 2019-09-27 | 2019-09-27 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925704.2A CN110674881B (zh) | 2019-09-27 | 2019-09-27 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110674881A true CN110674881A (zh) | 2020-01-10 |
| CN110674881B CN110674881B (zh) | 2022-02-11 |
Family
ID=69079601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910925704.2A Active CN110674881B (zh) | 2019-09-27 | 2019-09-27 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674881B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723856A (zh) * | 2020-06-11 | 2020-09-29 | 广东浪潮大数据研究有限公司 | 一种图像数据处理方法、装置、设备及可读存储介质 |
| CN112270361A (zh) * | 2020-10-30 | 2021-01-26 | 重庆紫光华山智安科技有限公司 | 一种人脸数据处理方法、系统、存储介质及设备 |
| CN112561060A (zh) * | 2020-12-15 | 2021-03-26 | 北京百度网讯科技有限公司 | 神经网络训练方法及装置、图像识别方法及装置和设备 |
| CN112580734A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
| CN112861656A (zh) * | 2021-01-21 | 2021-05-28 | 平安科技（深圳）有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
| CN113129337A (zh) * | 2021-04-14 | 2021-07-16 | 桂林电子科技大学 | 背景感知跟踪方法、计算机可读存储介质及计算机设备 |
| CN113361568A (zh) * | 2021-05-18 | 2021-09-07 | 北京迈格威科技有限公司 | 目标识别方法、装置和电子系统 |
| CN113377991A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于最难正负样本的图像检索方法 |
| CN113673692A (zh) * | 2020-04-30 | 2021-11-19 | 北京世纪好未来教育科技有限公司 | 神经网络的训练方法、装置、电子设备及存储介质 |
| CN113807516A (zh) * | 2021-09-13 | 2021-12-17 | 长城计算机软件与系统有限公司 | 神经网络模型的训练方法及图像检索方法 |
| CN113947701A (zh) * | 2021-10-18 | 2022-01-18 | 北京百度网讯科技有限公司 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
| CN114510559A (zh) * | 2022-01-27 | 2022-05-17 | 福建博思软件股份有限公司 | 一种基于深度学习语义蕴含的商品检索方法及存储介质 |
| CN115311477A (zh) * | 2022-08-09 | 2022-11-08 | 北京惠朗时代科技有限公司 | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
| CN115344728A (zh) * | 2022-10-17 | 2022-11-15 | 北京百度网讯科技有限公司 | 图像检索模型训练、使用方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
| CN108021920A (zh) * | 2017-11-09 | 2018-05-11 | 华南理工大学 | 一种图像对象协同发现的方法 |
| CN110070120A (zh) * | 2019-04-11 | 2019-07-30 | 清华大学 | 基于判别采样策略的深度度量学习方法及系统 |
| CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
-
2019
- 2019-09-27 CN CN201910925704.2A patent/CN110674881B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
| CN108021920A (zh) * | 2017-11-09 | 2018-05-11 | 华南理工大学 | 一种图像对象协同发现的方法 |
| CN110070120A (zh) * | 2019-04-11 | 2019-07-30 | 清华大学 | 基于判别采样策略的深度度量学习方法及系统 |
| CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| NINGNING LI ET AL: "CENTER CONTRASTIVE LOSS REGULARIZED CNN FOR TRACKING", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO WORKSHOPS》 * |
| 艾拓等: "基于难负样本挖掘的改进Faster RCNN训练方法", 《计算机科学》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673692A (zh) * | 2020-04-30 | 2021-11-19 | 北京世纪好未来教育科技有限公司 | 神经网络的训练方法、装置、电子设备及存储介质 |
| CN111723856A (zh) * | 2020-06-11 | 2020-09-29 | 广东浪潮大数据研究有限公司 | 一种图像数据处理方法、装置、设备及可读存储介质 |
| CN111723856B (zh) * | 2020-06-11 | 2023-06-09 | 广东浪潮大数据研究有限公司 | 一种图像数据处理方法、装置、设备及可读存储介质 |
| CN112270361B (zh) * | 2020-10-30 | 2021-10-22 | 重庆紫光华山智安科技有限公司 | 一种人脸数据处理方法、系统、存储介质及设备 |
| CN112270361A (zh) * | 2020-10-30 | 2021-01-26 | 重庆紫光华山智安科技有限公司 | 一种人脸数据处理方法、系统、存储介质及设备 |
| CN112561060A (zh) * | 2020-12-15 | 2021-03-26 | 北京百度网讯科技有限公司 | 神经网络训练方法及装置、图像识别方法及装置和设备 |
| CN112580734A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
| CN112580734B (zh) * | 2020-12-25 | 2023-12-29 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、系统、终端设备及存储介质 |
| CN112861656B (zh) * | 2021-01-21 | 2024-05-14 | 平安科技（深圳）有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
| CN112861656A (zh) * | 2021-01-21 | 2021-05-28 | 平安科技（深圳）有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
| CN113129337A (zh) * | 2021-04-14 | 2021-07-16 | 桂林电子科技大学 | 背景感知跟踪方法、计算机可读存储介质及计算机设备 |
| CN113129337B (zh) * | 2021-04-14 | 2022-07-19 | 桂林电子科技大学 | 背景感知跟踪方法、计算机可读存储介质及计算机设备 |
| CN113361568A (zh) * | 2021-05-18 | 2021-09-07 | 北京迈格威科技有限公司 | 目标识别方法、装置和电子系统 |
| CN113377991B (zh) * | 2021-06-10 | 2022-04-15 | 电子科技大学 | 一种基于最难正负样本的图像检索方法 |
| CN113377991A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于最难正负样本的图像检索方法 |
| CN113807516A (zh) * | 2021-09-13 | 2021-12-17 | 长城计算机软件与系统有限公司 | 神经网络模型的训练方法及图像检索方法 |
| CN113807516B (zh) * | 2021-09-13 | 2024-05-14 | 新长城科技有限公司 | 神经网络模型的训练方法及图像检索方法 |
| CN113947701A (zh) * | 2021-10-18 | 2022-01-18 | 北京百度网讯科技有限公司 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
| CN113947701B (zh) * | 2021-10-18 | 2024-02-23 | 北京百度网讯科技有限公司 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
| CN114510559A (zh) * | 2022-01-27 | 2022-05-17 | 福建博思软件股份有限公司 | 一种基于深度学习语义蕴含的商品检索方法及存储介质 |
| CN114510559B (zh) * | 2022-01-27 | 2023-08-29 | 福建博思软件股份有限公司 | 一种基于深度学习语义蕴含的商品检索方法及存储介质 |
| CN115311477A (zh) * | 2022-08-09 | 2022-11-08 | 北京惠朗时代科技有限公司 | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
| CN115311477B (zh) * | 2022-08-09 | 2024-01-16 | 北京惠朗时代科技有限公司 | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
| CN115344728A (zh) * | 2022-10-17 | 2022-11-15 | 北京百度网讯科技有限公司 | 图像检索模型训练、使用方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110674881B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674881B (zh) | 商标图像检索模型训练方法、系统、存储介质及计算机设备 | |
| CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
| CN110287328B (zh) | 一种文本分类方法、装置、设备及计算机可读存储介质 | |
| CN107122375A (zh) | 基于图像特征的图像主体的识别方法 | |
| CN112734775A (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
| CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
| CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
| CN110134777B (zh) | 问题去重方法、装置、电子设备和计算机可读存储介质 | |
| CN112667979A (zh) | 密码生成方法及装置、密码识别方法及装置、电子设备 | |
| CN112613293A (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
| CN116612308A (zh) | 一种异常数据检测方法、装置、设备及存储介质 | |
| CN113343012B (zh) | 一种新闻配图方法、装置、设备及存储介质 | |
| CN111178153A (zh) | 一种交通标志检测方法及系统 | |
| CN115063604B (zh) | 特征提取模型训练、目标重识别方法及装置 | |
| CN116340825A (zh) | 一种基于迁移学习的跨被试rsvp脑电信号的分类方法 | |
| CN111831819A (zh) | 一种文本更新方法及装置 | |
| CN113158745B (zh) | 一种基于多特征算子的乱码文档图片识别方法及系统 | |
| CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
| CN111382741B (zh) | 一种自然场景图片中文本检测方法、系统及设备 | |
| CN111401252B (zh) | 一种基于视觉的图书盘点系统的书脊匹配方法和设备 | |
| CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
| CN113569018A (zh) | 问答对挖掘方法及装置 | |
| CN113379004B (zh) | 一种数据表分类方法、装置、电子设备及存储介质 | |
| CN115065841B (zh) | 基于多层次内容感知边界检测的视频处理方法及存储介质 | |
| CN116151249B (zh) | 一种基于困难样本筛选的即兴委婉语检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100190 17-19 / F, building a 1, 66 Zhongguancun East Road, Haidian District, Beijing Patentee after: New Great Wall Technology Co.,Ltd. Address before: 100190 17-19 / F, building a 1, 66 Zhongguancun East Road, Haidian District, Beijing Patentee before: GREAT WALL COMPUTER SOFTWARE & SYSTEMS Inc. |
|
| CP01 | Change in the name or title of a patent holder |