[发明专利]基于弱标注图像的服装识别方法及系统

权利要求书

1.一种基于弱标注图像的服装识别方法，其特征在于，包括：

采集完全标注样本数据和弱标注样本数据；

对完全标注样本数据进行算法训练，获取初始模型；

同时从完全标注样本数据和弱标注样本数据中获取有效信息，根据有效信息对所述初始模型进行进一步训练，获取最终模型；

通过最终模型进行服装图像识别；

所述同时从完全标注样本数据和弱标注样本数据中获取有效信息，包括：

将若干完全标注样本数据集和弱标注样本数据集作为训练集输入至初始模型进行训练；

分别获取完全标注样本数据的权重和弱标注样本数据在训练集的权重，以及权重阈值；

将弱标注样本数据的权重与权重阈值进行比较，对弱标注样本数据集中的弱标注样本数据进行筛选。

2.根据权利要求1所述的基于弱标注图像的服装识别方法，其特征在于：所述初始模型为多层结构，多层结构至少包括多个卷积层、inception层、池化层和全连接层，将多个inception层的输出合并添加到最后一个全连接层，形成多尺度卷积神经网络结构。

3.根据权利要求2所述的基于弱标注图像的服装识别方法，其特征在于：所述初始模型还包括用于特征分类的softmax loss层和用于相似性排序的triplet loss层，同时通过特征分类和相似性排序的混合损失函数来训练所述完全标注样本数据，建立初始模型。

4.根据权利要求3所述的基于弱标注图像的服装识别方法，其特征在于：通过特征分类和相似性排序的混合损失函数来训练完全标注样本数据，所述特征分类和相似性排序的混合损失函数为：

L(d₁,d₂,d₃)＝L_cls(d₁,d₂,d₃)+λ*L_rank(d₁,d₂,d₃)

其中，λ是特征分类信号和相似性排序信号之间的权重参数，L_cls(d₁,d₂,d₃)是特征分类损失函数，L_rank(d₁,d₂,d₃)是相似性排序损失函数，d₁，d₂，d₃分别是训练样本，L(d₁,d₂,d₃)是特征分类和相似性排序的混合损失函数。

5.根据权利要求1所述的基于弱标注图像的服装识别方法，其特征在于，所述权重阈值通过如下公式获取：

其中，d_c为权重阈值，Mc为完全标注数据集的类别数，S_i为类别i所在的数据集，w(p)为训练样本p在训练集中所占权重，N为每个类别包含的图像数据数量。

6.根据权利要求1所述的基于弱标注图像的服装识别方法，其特征在于，所述同时从完全标注样本数据和弱标注样本数据中获取有效信息，还包括：在初始模型的训练集中计入易混淆的类别对，通过初始模型获取模糊度，并根据所述模糊度对初始模型进行二次训练。

7.根据权利要求6所述的基于弱标注图像的服装识别方法，其特征在于，所述模糊度通过如下公式获取：

其中，N_i为类别i的样本个数，N_i→j为通过初始模型将类别i误判为类别j的样本个数，f_ij为类别i和j之间的模糊度。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至7中任一项所述方法。

9.一种基于弱标注图像的服装识别系统，其特征在于，包括：

采集单元，用于采集完全标注样本数据和弱标注样本数据；

存储器，用于存储计算机程序；

处理器，用于执行存储器存储的计算机程序，以使所述基于弱标注图像的服装识别系统执行如权利要求1至7中任一项所述方法。