[发明专利]顾客属性预测方法、存储介质、系统及设备

权利要求书

1.一种顾客属性预测方法，其特征在于，所述顾客属性预测方法包括：

获取顾客图像；

将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集；

构建网络并进行随机初始化；该步骤包括：选取能融合各个尺寸所述顾客图像的网络；所述网络的其中一个分支用于在语义较低的层预测顾客图像情况；所述网络的其中一个分支用于在较高的语义信息环境下对所述顾客图像属性进行后续预测；将各个分支的预测结果进行融合并计算出结果；将置信度信息与预测分支进行融合并计算出结果；将上述融合结果进行加权计算推算出预测结果；将属性预测置信度高于一定值的属性输出；

输入所述顾客图像数据并用所述训练集训练网络；训练网络的步骤包括：对批输入图像依据所对应的类别进行相似性计算得到相似度矩阵，将相似度矩阵中的众数记为该批次数据的基准；对一图像与该批次的图像所计算的相似度，取众数代表该图像的基准，依据该批次数据的基准与该图像的基准计算贡献度；

计算回传梯度后的模型参数；

在所述测试集上选取最优模型。

2.根据权利要求1所述的顾客属性预测方法，其特征在于，所述将所述顾客图像进行预处理的一种实现过程包括：

将所述顾客图像的属性的数据集划分为训练集、验证集和测试集；

对所述验证集的其中一部分进行手工校对；

将所述顾客图像的大小进行调节以适应检测器的输入；

保存固定尺寸的所述顾客图像。

3.根据权利要求1所述的顾客属性预测方法，其特征在于，所述用所述训练集训练网络的一种实现过程包括：

将获取的用于训练的顾客图像，依据标注类别计算相互间的相似度，根据相似度来抑制训练过程中部分类别主导的问题，对其进行数据增强后输入网络；

定义损失函数的计算并对损失进行加权计算；以处理各个所述顾客图像属性之间的不平衡问题；

判断回传梯度是否能够使得所述网络在所述验证集上的精度提高；

若是，则进行权重更新；

否则，则不进行更新；

当网络模型的损失不再下降时，训练停止，此时获得最优训练参数；

依据最优训练参数，让网络模型在训练集和验证集上训练，得到每次迭代的模型；

在测试集对所述网络模型进行评估，并将所述网络模型按照一定阈值进行选取输出。

4.根据权利要求3所述的顾客属性预测方法，其特征在于，所述定义损失函数的一种实现过程包括：

设所述权重为W；所述训练集上各个属性的比例为ratios；

则：W＝Exp(-ratios)；

其中某个属性在训练集中所占比重越低，对网络模型损失的贡献越大。

5.一种顾客属性预测系统，其特征在于，所述顾客属性预测系统包括：

摄像模块，获取顾客图像；

处理模块，与所述摄像模块通信相连，将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集并进行数据增强；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型；其中，所述处理模块构建网络并进行随机初始化的过程包括选取能融合各个尺寸所述顾客图像的网络；所述网络的其中一个分支用于在语义较低的层预测顾客图像情况；所述网络的其中一个分支用于在较高的语义信息环境下对所述顾客图像属性进行后续预测；将各个分支的预测结果进行融合并计算出结果；将置信度信息与预测分支进行融合并计算出结果；将上述融合结果进行加权计算推算出预测结果；将属性预测置信度高于一定值的属性输出；所述处理模块训练网络的过程包括：对批输入图像依据所对应的类别进行相似性计算得到相似度矩阵，将相似度矩阵中的众数记为该批次数据的基准；对一图像与该批次的图像所计算的相似度，取众数代表该图像的基准，依据该批次数据的基准与该图像的基准计算贡献度。