[发明专利]一种无人智能货柜的自主上新解决方案

权利要求书

1.一种无人智能货柜的自主上新解决方案，包括主系统(A)，其特征在于：所述主系统(A)包括自主上新系统(3)、商品库(1)和模型中心(2)，所述自主上新系统(3)包括先验树层叠算法(32)和分类器掩码层算法(31)，所述商品库(1)包括商品数据采集装置(11)和数据库(12)，所述模型中心(2)包括商品组模板(21)、商品组预训练模型(22)、个性化定制模型(23)。

2.根据权利要求1所述的一种无人智能货柜的自主上新解决方案，其特征在于：所述商品数据采集装置(11)包括商品体积采集装置(111)、商品图像采集装置(112)、商品条码采集装置(113)。

3.根据权利要求1所述的一种无人智能货柜的自主上新解决方案，其特征在于：所述分类器掩码层算法(31)包括：

步骤1：商品组模板(21)的分类器F支持分类的类别K个，则目标检测的分类器的交叉熵损失如下：

J(x，y；θ_K,θ_r)＝-logp_y ①

其中p＝softmax(θ_K·f(x；θ_r))，θ_K，θ_r是高级特征表示和多类分类器的可训练参数。

实际上，根据客户上架的商品品类，我们只需要K'类的分类任务。为了关注这个子集标签空间，我们通过掩码(设置为-∞)(K-K'不上架的商品)对应的向量来实现它。我们提出了一个掩码层：

V_K＝masked_out(V_Km) ②

其中m是来自整个商品组模板类别筛选出的K'类别的独热编码表示，并且和都是K维向量。对应于没有被筛选向量V_K的值被设置为-∞。因此，实际的掩码分类损失定义为

其中

4.根据权利要求1所述的一种无人智能货柜的自主上新解决方案，其特征在于：所述先验树层叠算法(32)包括：

步骤2：

a、通过对数据库(12)的品种、品牌包装进行索引分类，数据库(12)的知识先验树，当商品组存在与K叶类别相对应的K个叶节点，它们被分组为G个超类，其中K＞＞G；

b、再从整个商品库(1)类别中动态库动态的构建整个商品组类别的知识树；

c、分类器F的每个类别通过借用兄弟和父子节点关系，重构分类器F的分类的参数，我们在学习模型的目标中实现了这个想法，为此，每个叶类别k与权重向量相关联，并且每个超类节点g与向量相关联，其中g∈1,…,|G|。我们为θ定义了以下泛化模型

θ_G～N(0,δ·I_D),θ_K～N(θ_π(k),δ·I_D) ④

其中N(·)是具有对角协方差的高斯分布，θ_G是超类类别的可训练参数，θ_K是目标预测类别的可训练参数，我们在实验中将超参数δ设置为0.01.该先验层次结构函数π强制类之间的关系。

我们希望最小化先验树损失

其中，子项θ_k∈θ_K是可训练的，但父项θ_π(k)∈θ_G是固定的。设C_g＝{k|π(k)＝g}，则可以通过以下方式估算超类的参数：

d、算法1：