CN117671341A - 一种商品识别建模方法及装置 - Google Patents
一种商品识别建模方法及装置 Download PDFInfo
- Publication number
- CN117671341A CN117671341A CN202311609199.3A CN202311609199A CN117671341A CN 117671341 A CN117671341 A CN 117671341A CN 202311609199 A CN202311609199 A CN 202311609199A CN 117671341 A CN117671341 A CN 117671341A
- Authority
- CN
- China
- Prior art keywords
- commodity
- data set
- image
- sku
- images
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000000873 masking effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种商品识别建模方法及装置,包括:构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;所述第一数据集包括各个SKU图像;根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。本发明根据SKU图像和掩膜图像生成负样本和基于预设比例对商品图像生成负样本,提高了SKU的识别准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种商品识别建模方法及装置。
背景技术
目前在快消品消费行业里,商品SKU(Stock Keeping Unit,最小存货单位)种类多(存量多,增量也快)、SKU分类细(差异小)、SKU密集(单张图陈列数目多);同时,热门商品的类型包装更是大同小异,使得商品数据标注难度高、易错标、标注纠错成本大,导致商品数据集质量一般或者较差,从而最终影响识别模型效果。
现有的商品SKU识别方法,对目标SKU进行识别分类的时候,由于竞品等负样本的识别干扰,往往需要花费大量的人力去收集建立SKU和各种负样本的训练数据进行标注和学习来确保SKU分类器在各种负样本的干扰下保持较好的识别准确率。
发明内容
本发明提供了一种商品识别建模方法及装置,以解决现有商品识别样本标注工作量大难以保证模型准确率的技术问题。
为了解决上述技术问题,本发明实施例提供了一种商品识别建模方法,包括:
构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;所述第一数据集包括各个SKU图像;
根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;
根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;
基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。
本发明根据SKU图像和掩膜图像生成负样本和基于预设比例对商品图像生成负样本,从而根据两个不同策略生成负样本训练集,从而对商品识别模型进行训练,提高了SKU的识别准确率,同时,由于SKU的识别训练完全由端到端进行学习,不用额外的数据处理,避免商品识别样本标注工作量大。
进一步的,所述根据所述商品数据库中各个图像的获取第一数据集,具体为:
根据各个SKU图像的轮廓确定最小外接矩形框,并根据所述最小外接矩形框对所述商品数据库中的各个商品图像进行位置标注;所述各个商品图像包括一个或多个SKU图像;
根据标注好的商品图像中的位置信息将各个SKU图像进行裁剪,生成第一数据集。
进一步的,所述根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集,具体为:
获取第一数据集,并根据随机算法和预设比例随机抽取所述第一数据集中的SKU图像集;
根据预设掩膜比例对抽取的SKU图像集中的每一个SKU图像添加掩膜图像,生成第二数据集。
进一步的,所述根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,具体为:
预设若干长宽比和裁剪面积,根据预设的长宽比和裁剪面积进行随机组合,生成若干个裁剪框;
抽取所述图像数据库中的图像,根据第一裁剪算法和各个裁剪框将图像裁剪成若干个预设尺寸的商品图像,生成第三数据集。
进一步的,所述基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型,具体为:
根据深度神经网络构建商品识别模型,根据预训练权重初始化训练参数;
根据所述训练参数、第二数据集和第三数据集对所述商品识别模型进行迭代训练,所述训练参数包括训练批次和学习率;
在每一次迭代训练中动态调整所述商品识别模型的训练参数,直至所述商品识别模型的准确率达到预设阈值,停止迭代,输出训练好的商品识别模型。
第二方面,本发明提供了一种商品识别建模装置,包括:第一数据生成模块、第二数据生成模块、第三数据生成模块和模型训练模块;
所述第一数据生成模块,用于构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;
所述第二数据生成模块,用于根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;
所述第三数据生成模块,用于根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;
所述模型训练模块,用于基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。
进一步的,所述第一数据生成模块,具体用于:
根据各个SKU图像的轮廓确定最小外接矩形框,并根据所述最小外接矩形框对所述商品数据库中的各个商品图像进行位置标注;所述各个商品图像包括一个或多个SKU图像;
根据标注好的商品图像中的位置信息将各个SKU图像进行裁剪,生成第一数据集。
进一步的,所述第二数据生成模块,具体用于:
获取第一数据集,并根据随机算法和预设比例随机抽取所述第一数据集中的SKU图像集;
根据预设掩膜比例对抽取的SKU图像集中的每一个SKU图像添加掩膜图像,生成第二数据集。
进一步的,所述第三数据生成模块,具体用于:
预设若干长宽比和裁剪面积,根据预设的长宽比和裁剪面积进行随机组合,生成若干个裁剪框;
抽取所述图像数据库中的图像,根据第一裁剪算法和各个裁剪框将图像裁剪成若干个预设尺寸的商品图像,生成第三数据集。
进一步的,所述模型训练模块,具体用于:
根据深度神经网络构建商品识别模型,根据预训练权重初始化训练参数;
根据所述训练参数、第二数据集和第三数据集对所述商品识别模型进行迭代训练,所述训练参数包括训练批次和学习率;
在每一次迭代训练中动态调整所述商品识别模型的训练参数,直至所述商品识别模型的准确率达到预设阈值,停止迭代,输出训练好的商品识别模型。
附图说明
图1为本发明实施例提供的商品识别建模方法的一种流程示意图;
图2为本发明实施例的商品识别建模方法的一种掩膜处理示意图;
图3为本发明实施例提供的商品识别建模方法的商品裁剪示意图;
图4为本发明实施例提供的商品识别建模装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,图1为本发明实施例提供的商品识别建模方法的一种流程示意图,包括步骤101至步骤104,具体如下:
步骤101:构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;
在本实施例中,通过对线下的快消场景进行图片数据采集,采集的图片数据中包括不同角度的拍摄的商品图像,根据预设样本数量收集不同零售门店和不同环境下图像样本创建商品图像库,所述样本数量可预设为1000张。
在本实施例中,所述根据所述商品数据库中各个图像的获取第一数据集,具体为:
根据各个SKU图像的轮廓确定最小外接矩形框,并根据所述最小外接矩形框对所述商品数据库中的各个商品图像进行位置标注;所述各个商品图像包括一个或多个SKU图像;
根据标注好的商品图像中的位置信息将各个SKU图像进行裁剪,生成第一数据集。
步骤102:根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;
在本实施例中,对于所述商品图像库中的每一张图像,获取图像上各个SKU的坐标信息,并根据SKU产品轮廓的最小外接矩形框对所述SKU进行标注。
在本实施例中,根据不同策略获取SKU商品的负样本,策略一为对SKU图像进行掩膜处理。
请参照图2,图2为本发明实施例的商品识别建模方法的一种掩膜处理示意图。
在本实施例中,所述根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集,具体为:
获取第一数据集,并根据随机算法和预设比例随机抽取所述第一数据集中的SKU图像集;
根据预设掩膜比例对抽取的SKU图像集中的每一个SKU图像添加掩膜图像,生成第二数据集。
在本实施例中,获取第一数据集中的各个SKU图像,设置抽取预设比例为10%,掩膜比例为35%,在所述第一数据集中收取10%的SKU图像样本,并在抽取的样本上,添加35%的掩膜图像,从而实现负样本获取。
步骤103:根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;
在本实施例中,还可根据策略二对商品图像库中的各个商品图像进行裁剪,从而获取负样本。
请参照图3,图3为本发明实施例提供的商品识别建模方法的商品裁剪示意图。
在本实施例中,所述根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,具体为:
预设若干长宽比和裁剪面积,根据预设的长宽比和裁剪面积进行随机组合,生成若干个裁剪框;
抽取所述图像数据库中的图像,根据第一裁剪算法和各个裁剪框将图像裁剪成若干个预设尺寸的商品图像,生成第三数据集。
在本实施例中,设定预设若干个裁剪长宽比例和裁剪尺寸,并根据所述裁剪长宽比例和裁剪尺寸进行随机组合成裁剪框的大小,并根据第一裁剪算法和各个裁剪框对待裁剪的商品图像进行多次裁剪。所述第一裁剪算法中规定了每个待裁剪图像的裁剪框个数。
在本实施例中,预设三种长款比,分别为:1:1,1:2,2:1;预设三种裁剪尺寸,分别为64,128,224;根据所述三种裁剪尺寸和三种长宽比随意组合成各个裁剪框,例如长宽比1:1,裁剪尺寸64,组成(64,64)的裁剪框,根据不同的裁剪框对各个商品图像进行随机裁剪成各个负样本数据,生成第三数据集。
步骤104:基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。
在本实施例中,所述基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型,具体为:
根据深度神经网络构建商品识别模型,根据预训练权重初始化训练参数;
根据所述训练参数、第二数据集和第三数据集对所述商品识别模型进行迭代训练,所述训练参数包括训练批次和学习率;
在每一次迭代训练中动态调整所述商品识别模型的训练参数,直至所述商品识别模型的准确率达到预设阈值,停止迭代,输出训练好的商品识别模型。
在本实施例中,将所述第二数据集中的掩膜图像和第三数据集中的商品图像作为负样本,并将所述第二数据集和第三数据集作为训练数据。
在本实施例中,商品识别模型的识别分类数量为SKU建模类别数增加一,其中的类别1为分类器负样本。
在本实施例中,基于Swi n Transformer算法构建商品识别模型,并将第二数据集、第三数据集输入所述商品识别模型中,完成端到端的学习训练。
在本实施例中,在训练商品识别模型是,根据预训练权重初始化训练参数,设置初始学习率为0.002,训练批次epoch为300,在迭代训练过程中动态调整学习率,每隔50个epoch学习率下降10%。
在本实施例中,根据所述第二数据集和第三数据集作为负样本训练商品识别模型,使得商品识别模型的目标SKU分类识别准确率达到99%时,完成商品识别模型训练。
在本实施例中,根据SKU图像和掩膜图像生成负样本和基于预设比例对商品图像生成负样本,从而根据两个不同策略生成负样本训练集,从而对商品识别模型进行训练,提高了SKU的识别准确率,同时,由于SKU的识别训练完全由端到端进行学习,不用额外的数据处理,避免商品识别样本标注工作量大。
请参照图4,图4为本发明实施例提供的商品识别建模装置的一种结构示意图,包括:第一数据生成模块401、第二数据生成模块402、第三数据生成模块403和模型训练模块404;
所述第一数据生成模块401,用于构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;
所述第二数据生成模块402,用于根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;
所述第三数据生成模块403,用于根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;
所述模型训练模块404,用于基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。
在本实施例中,所述第一数据生成模块,具体用于:
根据各个SKU图像的轮廓确定最小外接矩形框,并根据所述最小外接矩形框对所述商品数据库中的各个商品图像进行位置标注;所述各个商品图像包括一个或多个SKU图像;
根据标注好的商品图像中的位置信息将各个SKU图像进行裁剪,生成第一数据集。
在本实施例中,所述第二数据生成模块,具体用于:
获取第一数据集,并根据随机算法和预设比例随机抽取所述第一数据集中的SKU图像集;
根据预设掩膜比例对抽取的SKU图像集中的每一个SKU图像添加掩膜图像,生成第二数据集。
在本实施例中,所述第三数据生成模块,具体用于:
预设若干长宽比和裁剪面积,根据预设的长宽比和裁剪面积进行随机组合,生成若干个裁剪框;
抽取所述图像数据库中的图像,根据第一裁剪算法和各个裁剪框将图像裁剪成若干个预设尺寸的商品图像,生成第三数据集。
在本实施例中,所述模型训练模块,具体用于:
根据深度神经网络构建商品识别模型,根据预训练权重初始化训练参数;
根据所述训练参数、第二数据集和第三数据集对所述商品识别模型进行迭代训练,所述训练参数包括训练批次和学习率;
在每一次迭代训练中动态调整所述商品识别模型的训练参数,直至所述商品识别模型的准确率达到预设阈值,停止迭代,输出训练好的商品识别模型。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种商品识别建模方法,其特征在于,包括:
构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;所述第一数据集包括各个SKU图像;
根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;
根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;
基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。
2.如权利要求1所述的商品识别建模方法,其特征在于,所述根据所述商品数据库中各个图像的获取第一数据集,具体为:
根据各个SKU图像的轮廓确定最小外接矩形框,并根据所述最小外接矩形框对所述商品数据库中的各个商品图像进行位置标注;所述各个商品图像包括一个或多个SKU图像;
根据标注好的商品图像中的位置信息将各个SKU图像进行裁剪,生成第一数据集。
3.如权利要求2所述的商品识别建模方法,其特征在于,所述根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集,具体为:
获取第一数据集,并根据随机算法和预设比例随机抽取所述第一数据集中的SKU图像集;
根据预设掩膜比例对抽取的SKU图像集中的每一个SKU图像添加掩膜图像,生成第二数据集。
4.如权利要求1所述的商品识别建模方法,其特征在于,所述根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,具体为:
预设若干长宽比和裁剪面积,根据预设的长宽比和裁剪面积进行随机组合,生成若干个裁剪框;
抽取所述图像数据库中的图像,根据第一裁剪算法和各个裁剪框将图像裁剪成若干个预设尺寸的商品图像,生成第三数据集。
5.如权利要求1所述的商品识别建模方法,其特征在于,所述基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型,具体为:
根据深度神经网络构建商品识别模型,根据预训练权重初始化训练参数;
根据所述训练参数、第二数据集和第三数据集对所述商品识别模型进行迭代训练,所述训练参数包括训练批次和学习率;
在每一次迭代训练中动态调整所述商品识别模型的训练参数,直至所述商品识别模型的准确率达到预设阈值,停止迭代,输出训练好的商品识别模型。
6.一种商品识别建模装置,其特征在于,包括:第一数据生成模块、第二数据生成模块、第三数据生成模块和模型训练模块;
所述第一数据生成模块,用于构建商品图像库,并根据所述商品数据库中各个图像的获取第一数据集;
所述第二数据生成模块,用于根据随机算法对所述第一数据集中的SKU图像进行掩膜处理,生成第二数据集;
所述第三数据生成模块,用于根据第一裁剪算法对所述商品图像库中的各个图像进行裁剪,生成第三数据集,所述第三数据集中包括若干尺寸的商品图像;
所述模型训练模块,用于基于深度神经网络构建商品识别模型,并根据所述第二数据集和所述第三数据集迭代训练所述商品识别模型,直至达到预设条件,输出训练好的商品识别模型。
7.如权利要求6所述的商品识别建模装置,其特征在于,所述第一数据生成模块,具体用于:
根据各个SKU图像的轮廓确定最小外接矩形框,并根据所述最小外接矩形框对所述商品数据库中的各个商品图像进行位置标注;所述各个商品图像包括一个或多个SKU图像;
根据标注好的商品图像中的位置信息将各个SKU图像进行裁剪,生成第一数据集。
8.如权利要求7所述的商品识别建模装置,其特征在于,所述第二数据生成模块,具体用于:
获取第一数据集,并根据随机算法和预设比例随机抽取所述第一数据集中的SKU图像集;
根据预设掩膜比例对抽取的SKU图像集中的每一个SKU图像添加掩膜图像,生成第二数据集。
9.如权利要求6所述的商品识别建模装置,其特征在于,所述第三数据生成模块,具体用于:
预设若干长宽比和裁剪面积,根据预设的长宽比和裁剪面积进行随机组合,生成若干个裁剪框;
抽取所述图像数据库中的图像,根据第一裁剪算法和各个裁剪框将图像裁剪成若干个预设尺寸的商品图像,生成第三数据集。
10.如权利要求6所述的商品识别建模装置,其特征在于,所述模型训练模块,具体用于:
根据深度神经网络构建商品识别模型,根据预训练权重初始化训练参数;
根据所述训练参数、第二数据集和第三数据集对所述商品识别模型进行迭代训练,所述训练参数包括训练批次和学习率;
在每一次迭代训练中动态调整所述商品识别模型的训练参数,直至所述商品识别模型的准确率达到预设阈值,停止迭代,输出训练好的商品识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311609199.3A CN117671341A (zh) | 2023-11-28 | 2023-11-28 | 一种商品识别建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311609199.3A CN117671341A (zh) | 2023-11-28 | 2023-11-28 | 一种商品识别建模方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671341A true CN117671341A (zh) | 2024-03-08 |
Family
ID=90081909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311609199.3A Pending CN117671341A (zh) | 2023-11-28 | 2023-11-28 | 一种商品识别建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671341A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
CN111753882A (zh) * | 2020-06-01 | 2020-10-09 | Oppo广东移动通信有限公司 | 图像识别网络的训练方法和装置、电子设备 |
WO2020253505A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技(深圳)有限公司 | 一种手掌图像的检测方法及装置 |
CN113780441A (zh) * | 2021-09-16 | 2021-12-10 | 广东佩服科技有限公司 | 一种商品识别模型的构建方法 |
CN115170932A (zh) * | 2022-07-22 | 2022-10-11 | 广州市玄武无线科技股份有限公司 | 门店终端识别方法、装置、系统及计算机可读存储介质 |
CN117011638A (zh) * | 2023-06-28 | 2023-11-07 | 湖南大学 | 一种端到端的图像掩码预训练方法及装置 |
-
2023
- 2023-11-28 CN CN202311609199.3A patent/CN117671341A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
WO2020253505A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技(深圳)有限公司 | 一种手掌图像的检测方法及装置 |
CN111753882A (zh) * | 2020-06-01 | 2020-10-09 | Oppo广东移动通信有限公司 | 图像识别网络的训练方法和装置、电子设备 |
CN113780441A (zh) * | 2021-09-16 | 2021-12-10 | 广东佩服科技有限公司 | 一种商品识别模型的构建方法 |
CN115170932A (zh) * | 2022-07-22 | 2022-10-11 | 广州市玄武无线科技股份有限公司 | 门店终端识别方法、装置、系统及计算机可读存储介质 |
CN117011638A (zh) * | 2023-06-28 | 2023-11-07 | 湖南大学 | 一种端到端的图像掩码预训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘照邦;袁明辉;: "基于深度神经网络的货架商品识别方法", 包装工程, no. 01, 10 January 2020 (2020-01-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN109446889B (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN111699494A (zh) | 使用通过主成分分析和重复频谱聚类进行训练的卷积神经网络的对象识别 | |
US20210150283A1 (en) | Noise-Resistant Object Detection with Noisy Annotations | |
CN110929665B (zh) | 一种自然场景曲线文本检测方法 | |
CN104599275A (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN111027493A (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
CN112016400B (zh) | 一种基于深度学习的单类目标检测方法、设备及存储介质 | |
CN115830471B (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
CN105574848A (zh) | 用于对象的自动分割的方法和装置 | |
CN113221987A (zh) | 一种基于交叉注意力机制的小样本目标检测方法 | |
CN103824090A (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
CN113221852B (zh) | 一种目标识别方法及装置 | |
US20210034907A1 (en) | System and method for textual analysis of images | |
CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
Heo et al. | Estimation of pedestrian pose orientation using soft target training based on teacher–student framework | |
CN113689436A (zh) | 图像语义分割方法、装置、设备及存储介质 | |
CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN110851627B (zh) | 一种用于描述全日面图像中太阳黑子群的方法 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN111612000A (zh) | 一种商品分类方法、装置、电子设备及存储介质 | |
CN113642602B (zh) | 一种基于全局与局部标签关系的多标签图像分类方法 |
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 |