[发明专利]物品识别方法、装置、售货系统和存储介质

权利要求书

1.一种物品识别方法，包括：

将训练图像输入到神经网络模型中，其中，所述神经网络模型包括目标对象分类器和通过反转图像特征的梯度实现的场景负向分类器，其中，所述场景负向分类器包括场景正向分类器，所述场景正向分类器包括特征映射层、浅层神经网络和场景分类层，特征映射层、浅层神经网络和场景分类层依次连接，特征映射层具有为负数的权重系数，以将所述特征映射层与所述权重系数的乘积作为梯度反转层；

获取目标对象分类器产生的第一输出和场景负向分类器产生的第二输出；

根据基于第一输出确定的第一损失值、以及基于第二输出确定的第二损失值，计算总损失值，其中，所述目标对象分类器的分类越准确，所述第一损失值越小，所述场景正向分类器的分类越准确，所述第二损失值越大；

根据总损失值对神经网络模型中的节点的权重进行调整，以获得完成训练的目标对象分类模型，所述目标对象分类模型用于售货场景中的物品识别，其中，将目标对象分类模型的目标对象分类器的输出作为待测图像中的目标对象的物品识别结果。

2.根据权利要求1所述的物品识别方法，其中，所述神经网络模型还包括特征提取网络；

所述获取目标对象分类器产生的第一输出和场景负向分类器产生的第二输出包括：

获取特征提取网络输出的从训练图像中提取的图像特征；

将图像特征输入到目标对象分类器，获得第一输出；

将图像特征输入到场景负向分类器，获得第二输出。

3.根据权利要求1或2所述的物品识别方法，还包括：

将采集的真实图像输入到生成网络中，获得输出的虚拟图像；

将虚拟图像确定为训练图像。

4.根据权利要求3所述的物品识别方法，还包括：

将源场景图像和目标场景图像输入到生成式对抗网络的生成网络中，获得生成网络基于源场景图像生成的目标场景虚拟图像；

将目标场景虚拟图像和目标场景图像输入到生成式对抗网络的判定网络中，获取判定网络对目标场景虚拟图像和目标场景图像的场景相似程度的判定结果；

计算生成式对抗网络的损失值；

根据生成式对抗网络的损失值，对生成式对抗网络的节点的权重进行调整，以获得完成训练的生成式对抗网络。

5.根据权利要求3所述的物品识别方法，还包括：

令多张显卡同步生成式对抗网络的节点的权重；

将多对图像输入到所述多张显卡中，以便每张显卡根据输入的图像计算生成式对抗网络的损失值，进而计算生成式对抗网络的节点的权重的梯度值，其中，每张显卡接收一对或多对图像的输入，每对图像中的两个图像来自不同的场景；

获取每张显卡计算的生成式对抗网络的节点的权重的梯度值；

将每张显卡计算的所述梯度值汇总到内存中，以便内存确定每张显卡计算的所述梯度值的平均值，进而计算更新后的生成式对抗网络的节点的权重。

6.根据权利要求1所述的物品识别方法，还包括：

将待测图像输入到完成训练的目标对象分类模型中；

将目标对象分类模型的目标对象分类器的输出作为待测图像中的目标对象的物品识别结果。

7.根据权利要求6所述的物品识别方法，还包括：

响应于售货柜的柜门被开启，采集待测图像。