[发明专利]基于深度学习的物品特征模型计算方法及装置

权利要求书

1.一种基于深度学习的物品特征模型计算方法，其特征在于，所述方法包括：

采集用于训练所述物品特征模型的训练数据；

对所述训练数据进行数据分解；以及

对经过数据分解后的所述训练数据进行卷积神经网络训练，得到训练后的所述物品特征模型。

2.根据权利要求1所述的物品特征模型计算方法，其特征在于，所述训练数据包括：物品基本信息、物品位置信息和物品图像信息中的至少一种。

3.根据权利要求2所述的物品特征模型计算方法，其特征在于，所述对训练数据进行数据分解包括：

将所述训练数据按照预设分类规则进行分类操作，得到物品类别信息。

4.根据权利要求2所述的物品特征模型计算方法，其特征在于，所述对训练数据进行数据分解包括：

对所述训练数据中的物品图像信息进行区域划分，得到划分后的多个所述物品图像信息。

5.根据权利要求1所述的物品特征模型计算方法，其特征在于，所述对经过数据分解后的所述训练数据进行卷积神经网络训练，得到训练后的所述物品特征模型包括：

对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；

对所述误差值进行纠正操作；

判断纠正后的当前所述误差值是否达到预设目标值；以及

如果判定纠正后的当前所述误差值达到预设目标值，则结束训练，得到所述物品特征模型。

6.一种基于深度学习的物品特征模型计算装置，其特征在于，包括：

训练数据获取单元，用于采集用于训练所述物品特征模型的训练数据；

训练数据分解单元，用于对所述训练数据获取单元获取得到的训练数据进行数据分解；以及

特征模型获取单元，用于对经过所述训练数据分解单元进行数据分解后得到的所述训练数据进行卷积神经网络训练，得到训练后的所述物品特征模型。

7.根据权利要求6所述的物品特征模型计算装置，其特征在于，所述训练数据分解单元包括：

数据分类模块，用于将所述训练数据按照预设分类规则进行分类操作，得到物品类别信息。

8.根据权利要求6所述的物品特征模型计算装置，其特征在于，所述训练数据分解单元包括：

图像划分模块，用于对所述训练数据中的物品图像信息进行区域划分，得到划分后的多个所述物品图像信息。

9.根据权利要求6所述的物品特征模型计算装置，其特征在于，所述特征模型获取单元包括：

训练误差获取模块，用于对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；

训练误差纠正模块，用于对所述误差值进行纠正操作；

训练误差判断模块，用于判断纠正后的当前所述误差值是否达到预设目标值；以及

特征模型获取模块，用于如果判定纠正后的当前所述误差值达到预设目标值，则结束训练，得到所述物品特征模型。