[发明专利]物品识别方法、装置、售货系统和存储介质

说明书

本发明公开了一种物品识别方法、装置、售货系统和存储介质，涉及图像处理领域。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，神经网络模型包括目标对象分类器和场景负向分类器；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；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，目标对象分类模型用于售货场景中的物品识别。从而，使得完成训练的模型可以在各种已有场景下甚至新场景下具有较高的识别准确率，提高了目标对象分类模型的泛化能力，降低了训练成本。

技术领域

本发明涉及图像处理领域，特别涉及一种物品识别方法、装置、售货系统和存储介质。

背景技术

视觉识别算法可以用于识别图像中的对象类别。在进行识别之前，需要采用训练数据对视觉识别模型进行训练，以使得视觉识别模型具有较高的准确性。视觉识别算法可以广泛地应用于各类应用场景。

发明内容

发明人对相关技术进行分析后发现，当需要识别新的对象时、即对对象进行识别时，需要针对新的对象重新训练模型；当需要在新的场景下识别某个对象时，即使已经针对该对象进行了训练，也无法保证在新场景下的识别准确率。因此，目前物品识别的准确性较低。

本发明实施例所要解决的一个技术问题是：如何提高物品识别的准确性。

根据本发明一些实施例的第一个方面，提供一种物品识别方法，包括：将训练图像输入到神经网络模型中，其中，神经网络模型包括目标对象分类器和场景负向分类器；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；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，目标对象分类模型用于售货场景中的物品识别。

在一些实施例中，场景负向分类器包括场景正向分类器，场景正向分类器的其中一层具有为负的权重系数。

在一些实施例中，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。

在一些实施例中，神经网络模型还包括特征提取网络；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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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；将每张显卡计算的梯度值汇总到内存中，以便内存确定每张显卡计算的梯度值的平均值，进而计算更新后的生成式对抗网络的节点的权重。

在一些实施例中，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。