一种动态智能货柜商品识别模型的构建方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984653A(43)申请公布日2023.04.18(21)申请号202310109795.9(22)申请日2023.02.14(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人张健任子欣贺建飚陶泽熊友曹(74)专利代理机构长沙七源专利代理事务所(普通合伙)43214专利代理师周晓艳蔡实艳(51)Int.Cl.G06V10/774(2022.01)G06V10/44(2022.01)权利要求书3页说明书7页附图1页(54)发明名称一种动态智能货柜商品识别模型的构建方法(57)摘要本发明提供了一种动态智能货柜商品识别模型的构建方法，包括步骤S1、为动态智能货柜中的待测商品的特征提取准备用于半监督对比学习的商品数据集，将所述商品数据集随机划分为带标签训练集、无标签训练集和测试集，并分别用于特征提取网络gσ的训练和特征提取有效性的验证；步骤S2、随机初始化基于半监督对比学习的深度模型的参数；步骤S3、使用所述深度模型为所述无标签训练集预测伪标签数据集以及置信度；步骤S4、构建动态智能货柜商品识别模型。本发明能够提高对未标注的无标签训练集数据的利用率，提高所述动态智能货柜商品识别模型的泛化性和鲁棒性。CN115984653ACN115984653A权利要求书1/3页1.一种动态智能货柜商品识别模型的构建方法，其特征在于，包括以下步骤：步骤S1、为动态智能货柜中的待测商品的特征提取准备用于半监督对比学习的商品数据集，将所述商品数据集随机划分为带标签训练集、无标签训练集和测试集，并分别用于特征提取网络gσ的训练和特征提取有效性的验证；步骤S2、随机初始化基于半监督对比学习的深度模型的参数，所述深度模型的参数包括所述特征提取网络gσ的参数σ和用于评估特征提取网络gσ性能的分类器的参数，其中，参数σ表示特征提取网络各卷积层权重、学习率、权重衰减系数；利用所述带标签训练集的数据进行热启动训练，直至商品分类的准确率达到设定的阈值；步骤S3、使用所述深度模型为所述无标签训练集预测伪标签数据集以及置信度；选取置信度不低于0.8的样本作为伪标签数据集；将所述带标签训练集和伪标签数据集混合并从中采样训练任务构成集合数据，使用批训练策略将所述集合数据分为等大的批，对所述深度模型进行训练和参数更新，直至损失不高于0.5，使得所述深度模型收敛，并在所述测试集上的分类任务表现出可用性能，获得可用的所述特征提取网络gσ；步骤S4、构建动态智能货柜商品识别模型具体构建过程如下，为动态智能货柜中的待测商品识别准备元学习阶段数据集，将元学习阶段数据集的数据信息输入到步骤S3获得的所述特征提取网络gσ中，由所述特征提取网络gσ提取得到数据特征图，将所述数据特征图和商品识别任务输入到元模型fθ，由所述元模型fθ输出待测商品识别结果，从而构建得到适应于不同应用场景下动态智能货柜中商品识别任务的动态智能货柜商品识别模型。2.根据权利要求1所述的动态智能货柜商品识别模型的构建方法，其特征在于，在步骤S4中，将所述元学习阶段数据集划分为元训练集和元测试集；所述元训练集是在通用数据集上随机抽取的多组训练任务构成的任务集合Ttrain＝traintraintraintraintrain{T1，T2，......，Ti，......，Tm}，每个任务Ti均由N个类别的样本组成，每train个任务Ti均分为元训练支持集和元训练查询集，用于训练元模型fθ；所述元测试集由特定应用场景及商品组成下的识别任务的商品数据集构成，随机从所testtesttest述商品数据集中抽取多组训练任务构成的任务集合T＝{T1，T2，......，testtesttesttestTi，......，Tm}，每个任务Ti均由N个类别的样本组成，每个任务Ti均分为元测试支持集和元测试查询集，用于微调元训练阶段获得的元模型fθ；在所述元训练集和元测试集中的m均为不小于100的自然数。3.根据权利要求2所述的动态智能货柜商品识别模型的构建方法，其特征在于，在步骤S4中还包括以下数据处理步骤：步骤S4a、随机初始化元模型fθ中的参数θ，其中，参数θ表示元模型各卷积层权重、学习率、权重衰减系数；traintrain步骤S4b、从所述元训练集中随机抽取多个任务Ti，构成一个训练批，其中，Ti服traintrain从任务分布p(T)；在每个任务Ti中的每个类别中均抽取K个数据样本，其中，1≤K≤M，M表示N类别中的某一类别m在元训练集中带标签样本总数；将N类别中的各K个数据样本输入到步骤S3获得的所述特征提取网络gσ中，由所述特征提取网络gσ提取得到数据特征图；步骤S4c、根据步骤S4b所输入的数据样本的类别，将所述数据特征