CN114494890B - 一种模型训练方法、商品图像管理方法及装置 - Google Patents
一种模型训练方法、商品图像管理方法及装置 Download PDFInfo
- Publication number
- CN114494890B CN114494890B CN202210386770.9A CN202210386770A CN114494890B CN 114494890 B CN114494890 B CN 114494890B CN 202210386770 A CN202210386770 A CN 202210386770A CN 114494890 B CN114494890 B CN 114494890B
- Authority
- CN
- China
- Prior art keywords
- commodity
- training
- model
- fingerprint
- loss function
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种模型训练方法、商品图像管理方法及装置。所述模型训练方法包括：将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集；通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型；将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的所述预训练模型和变分自编码器；采用所述迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件；基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。通过上述方法仅需少量标签商品图像数据便可完成商品指纹匹配模型的构建。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种模型训练方法、商品图像管理方法及装置。
背景技术
商品指纹技术是一种通过数字编码形式表示商品的独特性和其关系的技术，通过商品指纹建模技术可以得到商品图片的有效表示，无需人工做商品区分标记，因此商品指纹建模技术可快速推广至商品分类、相似商品检索等应用中。
目前，应用商品指纹匹配技术进行商品识别时，需在商品指纹数据库中存储各商品的基准指纹，以使目标商品指纹在完整的指纹数据库中进行搜索和识别。然而，在实际应用场景中，快销行业商品往往种类繁多且推陈出新较快，使得商品指纹数据库内需保存的基准指纹规模庞大，占用了大量的内存；同时，商品指纹匹配也依赖于大量有标签的商品图像数据进行模型构建，但对大规模的商品图像数据进行标注需耗费大量人工成本。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种模型训练方法、商品图像管理方法及装置，可有效降低商品指纹数据库的存储内存，同时仅需少量标签商品图像数据便可完成商品指纹匹配模型的构建。所述技术方案如下：
第一方面，本发明提供一种模型训练方法，包括：
将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集；
通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型；
将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的所述预训练模型和变分自编码器；
采用所述迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件；
基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。
作为进一步改进，所述损失函数包括类别交叉熵损失函数、散度损失函数、重构损失函数和对比学习损失函数。
作为进一步改进，所述采用所述迁移训练数据集对所述初始图像处理模型进行训练的过程中，包括：
将迁移训练数据输入至初始图像处理模型，利用预训练模型获取第一商品指纹；
利用变分自编码器的编码器对所述第一商品指纹进行编码处理，得到低维度的第二商品指纹；
根据预设长度参数设置队列，按照所述队列的长度参数，分批对所述第二商品指纹进行处理；在每批队列的处理过程中：
根据当前批队列中各所述第二商品指纹之间的距离信息，确定对比学习损失函数的值。
作为进一步改进，所述特征提取骨干网络具体为：BYOL框架中online分支的特征提取网络。
第二方面，本发明还提供一种商品图像管理方法，包括：
获取场景图像集，利用图像检测模型获取所述场景图像集中的全量商品图像；
通过商品指纹处理模型对全量所述商品图像进行处理，得到商品指纹集；其中，所述商品指纹处理模型为采用如第一方面所述的模型训练方法训练出的模型；
确定所述商品指纹集的商品类别，利用聚类算法对各所述商品类别对应的商品指纹进行压缩；
将压缩后的商品指纹存储至商品指纹数据库。
作为进一步改进，所述利用聚类算法对各所述商品类别对应的商品指纹进行压缩，具体为：
确定所述商品指纹集中各商品指纹的商品类别；
根据预设的数量参数N，利用聚类算法依次将各商品类别下的商品指纹压缩为N个类簇，并将N个所述类簇的类簇中心设置为对应商品类别的目标商品指纹；其中，N为非零自然数；
将各所述商品类别的目标商品指纹存储至商品指纹数据库。
第三方面，本发明还提供一种模型训练装置，包括：
数据获取模块，用于将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集；
预训练模块，用于通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型；
迁移学习模块，用于将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的所述预训练模型和变分自编码器；
采用所述迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件；
确定模块，用于基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。
作为进一步改进，所述损失函数包括类别交叉熵损失函数、散度损失函数、重构损失函数和对比学习损失函数。
作为进一步改进，所述迁移学习模块中，所述采用所述迁移训练数据集对所述初始图像处理模型进行训练的过程中，包括：
将迁移训练数据输入至初始图像处理模型，利用预训练模型获取第一商品指纹；
利用变分自编码器的编码器对所述第一商品指纹进行编码处理，得到低维度的第二商品指纹；
根据预设长度参数设置队列，按照所述队列的长度参数，分批对所述第二商品指纹进行处理；在每批队列的处理过程中：
根据当前批队列中各所述第二商品指纹之间的距离信息，确定对比学习损失函数的值。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一方面所述的模型训练方法，或第二方面所述的商品图像管理方法。
相较于现有技术，本发明提供技术方案至少具有如下的有益效果：
1、通过采用自监督学习方法对模型进行训练和构建，实现以更少的标签数据快速训练一个商品指纹处理模型；同时，通过变分自编码器对特征提取网络提取的商品指纹进行编码压缩，还可有效降低特征间的信息冗余，得到维度更低的商品指纹。
2、通过利用商品指纹处理模型和聚类方法对应用场景下的商品图像进行商品指纹提取和压缩，可在保障商品识别率的前提下，有效减小商品指纹库的存储规模，从而减少商品指纹的匹配搜索时间，提高商品指纹识别效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的模型训练方法的流程示意图；
图2是本发明实施例提供的商品图像管理方法的流程示意图；
图3是本发明实施例提供的模型训练装置的结构示意图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
为了便于理解本发明，在详细说明实现本发明的优选实施例之前，有必要对做出本发明的背景进行再次强调。
目前，商品图像通常采用深度学习模型作为其商品指纹的提取模型。然而，由于部分类别的商品相似性较高，且所采集的业务场景商品图像不可避免地受光照、抖动模糊及斜拍等外在因素影响，使得深度学习模型变得越来越庞大。通过这样一个庞大模型提取得到的商品指纹虽然识别率较高，能较好分辨一些常见类别的商品，但同时也存在着较多不足：
一、模型训练和构建需依赖大量有标签的商品图片数据，但对成千上万的商品图像数据进行标记需要耗费大量人力，且标注过程耗时长；二、商品种类繁多且相似包装的商品也较多，使得部分商品指纹之间距离接近，匹配过程易混淆，导致指纹匹配准确率较低；三、受商品指纹长度和数量影响，商品指纹库需要大量存储空间进行数据存储，易使商品指纹匹配过程花费更多的指纹库遍历查找时间，匹配效率低下。
为了解决上述技术问题，本发明提供了一种模型训练方法和商品图像管理方法，具体如下文所述。
如图1所示，第一方面，本发明一个实施例提供一种模型训练方法，包括下述步骤S101至S104。
S101：将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集。
本实施例所获取的商品图像通过对采集得到的大量货架、端架及冰箱等快销场景真实图像进行分割得到，具体可利用商品检测模型对所采集的真实图像进行图像分割。
可以理解的是，所述迁移训练数据集的标签具体为商品类别。
S102：通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型。
在本实施例中，所述特征提取骨干网络具体为BYOL框架中online分支的特征提取网络。
具体地，在预训练过程中，利用无标签的预训练数据集，并基于BYOL模型框架训练特征提取骨干网络；当BYOL模型收敛后，保存其online分支中特征抽取层的参数，以作为预训练模型。
需要说明的是，考虑预训练数据集中的商品图像受遮挡、斜拍、光照变化、抖动模糊等因素影响，预训练过程可通过数据增强算法模拟环境影响，包括随机裁剪、透视变化、随机色度变化及高斯模糊等操作，以将上述影响因素反映至BYOL模型框架训练中。
S103：将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的预训练模型和变分自编码器，采用迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件。
在迁移过程中，可冻结预训练模型前面几层网络参数，仅保留最后一层网络进行微调。
具体地，在初始图像处理模型中，预训练模型的输出作为变分自编码器的输入。
S104：基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。
需要说明的是，初始图像处理模型的损失函数包括类别交叉熵损失函数、散度损失函数、重构损失函数和对比学习损失函数。训练过程中，具体通过损失函数反向传播对模型参数进行更新。
具体地，类别交叉熵损失用于鉴别商品类别，散度损失用于将特征压缩成符合高斯分布的向量，重建损失则用于约束指纹压缩后不丢失指纹的表征能力，实现无损压缩。
在一个实施例中，考虑商品种类繁多且相似包装商品较多的问题，采用队列形式存储训练过程中近期内产生的所有中间指纹信息，使得当前训练的商品可与更多指纹信息进行对比学习，进而拉开相似商品的指纹距离。
具体地，将迁移训练数据输入至初始图像处理模型，利用预训练模型获取第一商品指纹；再利用变分自编码器的编码器对所获取的第一商品指纹进行编码处理，得到低维度的第二商品指纹。
在本实施例中，第二商品指纹具体为编码器编码后，其中间输出的平均值向量。
可以理解的是，利用变分自编码器对特征提取网络提取的第一商品指纹进行编码压缩，可有效降低特征间的信息冗余，得到维度更低的第二商品指纹。
进一步地，根据预设的长度参数设置队列，并按照队列的长度参数分批对第二商品指纹进行处理，所述第二商品指纹还包含标签信息，即各商品指纹对应的商品类别信息。
具体地，在每批队列的处理过程中，根据当前批队列中各第二商品指纹之间的距离信息，确定对比学习损失函数的值。
在本实施例中，对比学习损失函数可定义为：
式中，d()表示距离度量函数，
表示边界阈值，e x 表示第二商品指纹，
表示队列中与第二商品指纹类别相同的指纹向量，
表示队列中与第二商品指纹类别不相同的指纹向量。
需要说明的是，当新的商品指纹与其对应的商品类别加入到队列中时，将其梯度属性设置为False，后续不再参与损失函数的反向传播。
本发明上述实施例具体通过设置队列，并利用队列保存当前训练的前几个批次变分自编码器中编码器编码压缩的商品指纹数据，依次在队列中寻找正样本对和负样本并进行对比学习损失函数的最小化，直至模型收敛。通过引入队列丰富了指纹间的对比信息，同时队列先进先出的结构，也使得因模型更新而过期的商品指纹不影响对比信息的正确性。完成上述训练步骤后，保存用于特征提取的预训练模型及变分自编码器模型参数，并作为最终的商品指纹提取模型。
本发明上述实施例采用自监督学习方法对模型进行训练和构建，实现以更少的标签数据快速训练一个商品指纹处理模型；同时，将提取的商品指纹通过变分自编码器进行编码压缩，可在不丢失商品指纹语义信息前提下，通过去除指纹间的冗余信息降低指纹的维度。
进一步地，本发明实施例还通过基于队列的对比学习方法缓解商品类别多且GPU显存不足情况下，模型训练mini_batch中，无法有效得到相似商品对比差异损失，而导致最终相似商品的商品指纹匹配效果不佳的问题。如图2所示，第二方面，本发明一个实施例还提供一种商品图像管理方法，包括下述步骤S201至S203。
S201：获取场景图像集，利用图像检测模型获取所述场景图像集中的全量商品图像。
可以理解的是，所述场景图像集具体包括货架、端架及冰箱等快销场景的真实图像，通过商品检测模型对真实图像进行图像分割，可得到场景图像集中的全量商品图像。
S202：通过商品指纹处理模型对全量所述商品图像进行处理，得到商品指纹集；其中，所述商品指纹处理模型通过上述模型训练方法训练得到。
S203：确定所述商品指纹集的商品类别，利用聚类算法对各所述商品类别对应的商品指纹进行压缩，将压缩后的商品指纹存储至商品指纹数据库。
在一个示例中，利用聚类算法对各商品类别对应的商品指纹进行压缩时，可先确定商品指纹集中各商品指纹的商品类别；再根据预设的数量参数N，利用聚类算法依次将各商品类别下的商品指纹压缩为N个类簇，并将N个类簇的类簇中心设置为对应商品类别的目标商品指纹；其中，N为非零自然数；最后将各商品类别的目标商品指纹存储至商品指纹数据库。
具体地，所使用的聚类算法可为K-means算法。
示例性的，当利用商品指纹提取模型提取得到第i类别的商品指纹集S i 时，可通过K-means算法将商品指纹集S i 聚类成N个类簇，并将N个类簇中心作为第i类别商品的N个商品指纹。
需要说明的是，数量参数N为小于商品指纹集S i 中商品指纹数量的值，不同商品类别可依据商品外包装是否具有多个不同的面，确定对应的数量参数。
具体地，N个类簇中心可通过下述公式计算得到：
其中，
，y表示商品类别，M表示第i类别商品第N个类簇的商品图像数量。
进一步地，将N个商品指纹及其对应的商品类别i写入商品指纹数据库中，直至在商品指纹数据库中存储全量商品类别的商品指纹。
本发明上述实施例通过利用商品指纹处理模型和聚类方法对业务场景下的商品图像进行商品指纹提取和压缩，可在保障商品识别率的前提下，以更少的指纹表征各场景下的商品，从而有效减小商品指纹库中基准指纹数量的存储规模，减少了商品指纹的匹配搜索时间，提高商品指纹识别效率。
第三方面，本发明一个实施例还提供一种模型训练装置，包括数据获取模块101、预训练模块102、迁移学习模块103和确定模块104。
数据获取模块101用于将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集。
预训练模块102用于通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型。
迁移学习模块103用于将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的所述预训练模型和变分自编码器，采用所述迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件。
确定模块104用于基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。
上述装置内的各模块之间信息交互、执行过程等内容，由于与本发明模型训练方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述第一方面所述的模型训练方法或第二方面所述的商品图像管理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可监听存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
Claims (8)
1.一种模型训练方法，其特征在于，包括：
将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集；
通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型；
将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的所述预训练模型和变分自编码器；
采用所述迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件；其中，所述损失函数包括对比学习损失函数，所述采用所述迁移训练数据集对所述初始图像处理模型进行训练的过程中，包括：
将迁移训练数据输入至初始图像处理模型，利用预训练模型获取第一商品指纹；
利用变分自编码器的编码器对所述第一商品指纹进行编码处理，得到低维度的第二商品指纹；
根据预设长度参数设置队列，按照所述队列的长度参数，分批对所述第二商品指纹进行处理；在每批队列的处理过程中：
根据当前批队列中各所述第二商品指纹之间的距离信息，确定对比学习损失函数的值；
基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述损失函数包括类别交叉熵损失函数、散度损失函数和重构损失函数。
3.根据权利要求2所述的模型训练方法，其特征在于，所述特征提取骨干网络具体为：BYOL框架中online分支的特征提取网络。
4.一种商品图像管理方法，其特征在于，包括：
获取场景图像集，利用图像检测模型获取所述场景图像集中的全量商品图像；
通过商品指纹处理模型对全量所述商品图像进行处理，得到商品指纹集；其中，所述商品指纹处理模型为采用如权利要求1～3任一项所述的模型训练方法训练出的模型；
确定所述商品指纹集的商品类别，利用聚类算法对各所述商品类别对应的商品指纹进行压缩；
将压缩后的商品指纹存储至商品指纹数据库。
5.根据权利要求4所述的商品图像管理方法，其特征在于，所述利用聚类算法对各所述商品类别对应的商品指纹进行压缩，具体为：
确定所述商品指纹集中各商品指纹的商品类别；
根据预设的数量参数N，利用聚类算法依次将各商品类别下的商品指纹压缩为N个类簇，并将N个所述类簇的类簇中心设置为对应商品类别的目标商品指纹；其中，N为非零自然数；
将各所述商品类别的目标商品指纹存储至商品指纹数据库。
6.一种模型训练装置，其特征在于，包括：
数据获取模块，用于将所获取的商品图像划分为无标签的预训练数据集和有标签的迁移训练数据集；
预训练模块，用于通过自监督学习方式，采用所述预训练数据集对预设特征提取骨干网络进行预训练，得到预训练模型；
迁移学习模块，用于将预训练模型迁移至初始图像处理模型中，所述初始图像处理模型包括依次连接的所述预训练模型和变分自编码器；
采用所述迁移训练数据集对所述初始图像处理模型进行训练，直至模型的损失函数达到预设收敛条件；其中，所述损失函数包括对比学习损失函数，所述采用所述迁移训练数据集对所述初始图像处理模型进行训练的过程中，包括：
将迁移训练数据输入至初始图像处理模型，利用预训练模型获取第一商品指纹；
利用变分自编码器的编码器对所述第一商品指纹进行编码处理，得到低维度的第二商品指纹；
根据预设长度参数设置队列，按照所述队列的长度参数，分批对所述第二商品指纹进行处理；在每批队列的处理过程中：
根据当前批队列中各所述第二商品指纹之间的距离信息，确定对比学习损失函数的值；
确定模块，用于基于完成训练后的预训练模型和变分自编码器构建商品指纹处理模型。
7.根据权利要求6所述的模型训练装置，其特征在于，所述损失函数包括类别交叉熵损失函数、散度损失函数和重构损失函数。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令用于执行如权利要求1～3任一项所述的模型训练方法，或如权利要求4～5任一项所述的商品图像管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210386770.9A CN114494890B (zh) | 2022-04-14 | 2022-04-14 | 一种模型训练方法、商品图像管理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210386770.9A CN114494890B (zh) | 2022-04-14 | 2022-04-14 | 一种模型训练方法、商品图像管理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494890A CN114494890A (zh) | 2022-05-13 |
| CN114494890B true CN114494890B (zh) | 2022-08-23 |
Family
ID=81489196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210386770.9A Active CN114494890B (zh) | 2022-04-14 | 2022-04-14 | 一种模型训练方法、商品图像管理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494890B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071268B (zh) * | 2023-03-01 | 2023-06-23 | 中国民用航空飞行学院 | 基于对比学习的图像去光照模型及其训练方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020207216A1 (zh) * | 2019-04-09 | 2020-10-15 | 新立讯科技股份有限公司 | 一种商品溯源码生成及查询方法和装置 |
| CN113807183A (zh) * | 2021-08-17 | 2021-12-17 | 华为技术有限公司 | 模型训练方法及相关设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8200635B2 (en) * | 2009-03-27 | 2012-06-12 | Bank Of America Corporation | Labeling electronic data in an electronic discovery enterprise system |
| US20200151692A1 (en) * | 2018-04-18 | 2020-05-14 | Sbot Technologies, Inc. d/b/a Caper Inc. | Systems and methods for training data generation for object identification and self-checkout anti-theft |
| CN113553849A (zh) * | 2020-04-26 | 2021-10-26 | 阿里巴巴集团控股有限公司 | 模型训练方法、识别方法、装置、电子设备和计算机存储介质 |
| GB202008030D0 (en) * | 2020-05-28 | 2020-07-15 | Samsung Electronics Co Ltd | Learning the prediction distribution for semi-supervised learning with normalising flows |
| CN111476219A (zh) * | 2020-06-02 | 2020-07-31 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
| CN112069921A (zh) * | 2020-08-18 | 2020-12-11 | 浙江大学 | 一种基于自监督知识迁移的小样本视觉目标识别方法 |
| CN112990385B (zh) * | 2021-05-17 | 2021-09-21 | 南京航空航天大学 | 一种基于半监督变分自编码器的主动众包图像学习方法 |
-
2022
- 2022-04-14 CN CN202210386770.9A patent/CN114494890B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020207216A1 (zh) * | 2019-04-09 | 2020-10-15 | 新立讯科技股份有限公司 | 一种商品溯源码生成及查询方法和装置 |
| CN113807183A (zh) * | 2021-08-17 | 2021-12-17 | 华为技术有限公司 | 模型训练方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114494890A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
| CN108920720B (zh) | 基于深度哈希和gpu加速的大规模图像检索方法 | |
| CN110263659B (zh) | 一种基于三元组损失和轻量级网络的指静脉识别方法及系统 | |
| CN109118519A (zh) | 基于实例分割的目标Re-ID方法、系统、终端和存储介质 | |
| CN111090763B (zh) | 一种图片自动标签方法及装置 | |
| CN112347284B (zh) | 一种组合商标图像检索方法 | |
| CN111126197B (zh) | 基于深度学习的视频处理方法及装置 | |
| CN113254654B (zh) | 模型训练、文本识别方法、装置、设备和介质 | |
| CN111651636A (zh) | 视频相似片段搜索方法及装置 | |
| CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
| CN114494890B (zh) | 一种模型训练方法、商品图像管理方法及装置 | |
| CN110928981A (zh) | 一种文本标签体系搭建及完善迭代的方法、系统及存储介质 | |
| CN111723692B (zh) | 基于卷积神经网络语义分类的标签特征的近重复视频检测方法 | |
| CN110751191A (zh) | 一种图像的分类方法及系统 | |
| CN105389588A (zh) | 基于多语义码本图像特征表示方法 | |
| CN110110120B (zh) | 一种基于深度学习的图像检索方法和装置 | |
| CN112527959B (zh) | 基于无池化卷积嵌入和注意分布神经网络的新闻分类方法 | |
| CN117152459A (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
| CN111931856A (zh) | 视频分类方法和装置、电子设备和存储介质 | |
| CN116883740A (zh) | 相似图片识别方法、装置、电子设备和存储介质 | |
| CN111709473A (zh) | 对象特征的聚类方法及装置 | |
| CN114743170A (zh) | 一种基于ai算法的自动驾驶场景标注方法 | |
| CN114549938B (zh) | 模型训练方法、图像信息管理方法、图像识别方法及装置 | |
| CN112188215B (zh) | 视频解码方法、装置、设备及存储介质 | |
| CN117371533B (zh) | 一种生成数据标签规则的方法及装置 |
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 |