[发明专利]一种用于在线增量预测食材的模型及方法

权利要求书

1.一种用于在线增量预测食材的系统，其特征在于，所述用于在线增量预测食材的系统为基于订单CNN的多任务模型，所述基于订单CNN的多任务模型为：给定一个K个类别的词汇表，CNN模型的每个分类器学习一个按顺序指定的二进制名称类；在订单CNN模型向前传递之后，从最后一层全连接层生成的共同特征被传入K进制分类器和共同的MTL损耗层；从MTL损耗层学习的权重参数矩阵分解为共享层；同时，底层到最后一层完全连接层的组合矩阵具有相同的订单CNN模型信息；

用于在线增量预测食材的系统所述基于订单CNN的多任务模型包括：

两种基于任务的Order-CNN模型：

两种基于任务的Order-CNN模型学习通过堆叠两个CNN的softmax层的参数矩阵形成的W_Bf，W_Bb，和W_fK的矩阵；两个基于任务的Order-CNN模型在训练阶段协作在一起优化共享B层；通过共享B层，两个基于任务的Order-CNN模型与其他CNN模型进行视觉模式共享；

给定两个标签，学习用于清洁任务的二进制线性分类器和用于多类的多线性分类器；每个分类器或任务都有模型参数，用wm和re表示并专门用于预测相应的标签；W是总分类器权重矩阵；

给定N个训练图像，它们中的每一个具有两个标签C和K，C是{1}或{0}，表示训练图片i是干净还是脏的，并且Lm在{0，...，|K|}之间表示食材的指定类别，其中K是食材类别的总数；每个CNN模型中最后卷积层的输出形成输入特征向量，使两个CNN模型将生成一个两任务训练池；从两个CNN模型得出XMK+2个训练样本；

具体包括：

给定一组N个训练图像及其标签，其中每个二进制标签Ci是指示清洁或脏的位，并且类标签Ki表示食材的类别；Order-CNN提取高级特征表征

其中f(·)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射，F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F，b，ζ，η)表示要学习提取特征的所有参数；

Order-CNN模型中最后一个完全连接的层提取的特征x_i是在两个任务之间共享；假设和是食材分类的完全连接层中的权重矩阵和偏置向量，其中D_d是不同食材的总数，广泛的线性模型如下：

被传入到softmax层以计算属于训练集中的每种食材的xi的概率；

其中是中的第j种食材，softmax(·)函数将模型输出映射到所有食材的概率分布，最后，通过以下方法获得估计的食材：

指定的食材料顺序表示softmax；被传入到order softmax层以计算属于训练集中的订单的每种食材的x_i概率；

其中是订单o_t的中的第j个食材；顺序softmax(·)函数将模型输出映射到所有食材的概率分布，以o_t为顺序，并且指数选择第Ki种食材；最后，通过以下方法获得估计的食材：

Order-CNN模型的训练目标是找到一个用于预测订单中的食材的订单特殊消费模型；给定一系列训练订单o₁，o₂，o₃，...，o_t，用于进行最小化平均负对数概率，然后采用交叉熵损失；

其中α+β＝1，log(y_i|o_t)按顺序用于表示候选标签中预测分类的顺序的对数，log(p(y_i|o_t))所有类别中存在y_i的对数K用于表示所有类别标签中的预测分类，当α或β为0时，成为订单指定模型或多类模型；

在线增量式预测算法，包括：

步骤1：在线预测算法将从客户端系统捕获一个新的图像I，给出新的图像I，

步骤2：清理CNN模型M将从两个softmax函数预测两个变量b和k；

步骤3：如果b为真，则在线预测系统将立即将类索引k返回给客户端系统，否则转到步骤1，直到重复max_iteration次数；

步骤4：向客户端系统返回错误代码-1，告诉用户相机无法捕获食材的清洁图像，手动选择食材类。