[发明专利]基于深度学习的物品特征模型计算方法及装置

说明书

本申请公开了一种基于深度学习的物品特征模型计算方法及装置，涉及图像识别领域，该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；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；采用采集用于训练所述物品特征模型的训练数据的方式，通过对所述训练数据进行数据分解，达到了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的目的，从而实现了提高物品特征模型准确度进而提高图像识别度的技术效果，进而解决了相关技术中在对物品图像进行图像识别时图像识别度较低的技术问题。

技术领域

本申请涉及图像识别领域，具体而言，涉及一种基于深度学习的物品特征模型计算方法及装置。

背景技术

相关技术中在对物品图像进行图像识别时，由于得到的物品特征模型不够准确，导致图像识别度较低，因此，急需一种基于深度学习的物品特征模型计算方法及装置，以解决相关技术中在对物品图像进行图像识别时图像识别度较低的技术问题。

发明内容

本申请的主要目的在于提供一种基于深度学习的物品特征模型计算方法及装置，以解决相关技术中在对物品图像进行图像识别时图像识别度较低的技术问题。

为了实现上述目的，根据本申请的第一方面，本申请实施例提供了一种基于深度学习的物品特征模型计算方法，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；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。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，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。

结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，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。

结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，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。

结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，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；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。

为了实现上述目的，根据本申请的第二方面，本申请实施例提供了一种基于深度学习的物品特征模型计算装置，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；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。

结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述训练数据分解单元包括：卷积分层模块，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。

结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，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。