[发明专利]基于弱标注图像的服装识别方法及系统

说明书

本发明提供一种基于弱标注图像的服装识别方法及系统，方法包括对完全标注的样本进行算法训练，获取初始模型；同时从完全标注的样本和弱标注的样本中获取有效信息，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；本发明中的图像识别方法通过深度学习框架下的多尺度inception模块，构建一个深度构架，可以更好的综合输入图像的多尺度信息，本发明通过双层样本选择策略，同时从完全标注样本和弱标注样本中获取信息，挖掘出较难分辨的负样本，有助于提高图像识别的准确度，尤其是在应用于衣服识别领域时，有助于提高同款衣服检索的准确度。

技术领域

本发明涉及计算机应用领域，尤其涉及一种基于弱标注图像的服装识别方法及系统。

背景技术

深度学习是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本等。

目前，深度学习(包括人脸识别、衣服识别等)模型的训练都需要大量的训练数据，如DeepFace模型(FaceBook团队)、DeepID模型(CUHK团队)、FaceNet模型(Google团队),都需要几十至上百万的数据，而这些数据都需要被完全标注，而标注如此大量的数据会花费很大的人力的时间成本。现有的深度学习算法需要人工标注大量的数据。以服装图像识别为例，训练的过程需要大量有标注信息(如颜色、季节、袖长等)的衣服图像数据，而采集数据、标注数据都是需要大量的人工和时间。虽然当前网络发展迅速，可以通过网络获得大量的数据，但是这些数据没有完备的标注信息，只有网络上的一些关键词标签，不够完备，甚至有些标注信息是错误的，不能达到训练模型的要求，但图像本身的信息是可以利用的。因此，需要一种新的方法，能够充分利用起这些弱标注的数据，提高工作效率和识别的准确度，减少资源的浪费。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种基于弱标注图像的服装识别方法及系统，以解决上述技术问题。

本发明提供的基于弱标注图像的服装识别方法，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。

进一步，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。

进一步，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，同时通过特征分类函数和相似性排序混合函数来训练完全标注的样本，建立初始模型。

进一步，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)