[发明专利]一种用于在线增量预测食材的模型及方法

说明书

本发明公开了一种用于在线增量预测食材的模型及增量预测方法，用于食材检测技术领域；在线增量预测食材的模型为基于订单CNN的多任务模型，在线增量预测食材的方法包括：构建一个结合特定订单及多类别分类的通用CNN模型；采用基于NEC负采样来替代通用模型中的多类别全负采样，训练食材供应链中大规模类别种类；使用基于结合订单模型及多分类的通用模型的在线增量式预测算法，训练非订单类别的噪声，并通过一个食材收货结束时删减可能类别的方式逐渐预测食材类别。本发明使用可共享潜在任务矩阵，这对于在属性方面生成完整的输入图像非常有帮助，为探索这个潜在矩阵为未来提供方向。

技术领域

本发明属于食材检测技术领域，尤其涉及公开了一种用于在线增量预测食材的模型及方法。

背景技术

现有技术主要涉及食材质量评估在线预测，多标签，多任务学习和深层CNN的多类课题如下：

1.食材质量评估在线预测

与之相关的许多作品已明确地适应于某些移动设备上的食材识别应用。Kong等人在2010年已经开发了DietCam，它是一种基于智能手机系统来帮助评估每日食材摄入量的软件。它使用基于SIFT的视觉词汇进行分类，然后使用最近邻分类器搜索其与已知食材的数据库的最佳匹配。Bettadapura等人在2015开始利用GPS位置来识别照片拍摄所在地的餐厅，并自动检索菜单。Yanai等人利用附加信息，提取的图片中描绘的食材的类型。Rav等人将食材识别系统与移动设备中的基于惯性传感器的日常活动和能量消耗估计器进行整合。而最终的分类是使用Fisher向量和线性SVM分类器完成的。

2.CNN

CNN是在深度学习(DL)时代诞生的(Bengio et al.，2013；Chatfield et al.，2014；Krizhevsky et al.，2012)；其目标是通过使用多个非线性变换架构来建模抽象的视觉数据。在DL模型中，CNN有非凡的表现，特别是在图像分类和对象识别应用中(Chatfield等，2014；Krizhevsky等，2012)。事实上CNN生成的学习功能是强大的，通用的，比手工制作的功能更有效的(Donahue等，2014；Sharif Razavian等，2014)。

由于学习能力强，深度表征学习取得了巨大成功，但仍然无法避免的是不平衡数据带来的负面影响。为了抵消这些负面影响，人们已经研究了几个可能的选择(Chawla etal.，2002；Chen et al.，2004；Drummond et al.，2003；Hanet al.，2005；He et al.，2009；Maciejewski et al.，2011；Tang et al.，2009；Ting et al.，2000；Zadrozny et al.，2003；Zhou et al.，2006)。然而据本发明所知，只有少数作品(Jeatrakul et al.，2010；Khan et al.，2015；Zhou et al.，2006)通过深度学习实现了不平衡分类。Jeatrakul等人(2010)使用互补神经网络作为低采样技术，将其与SMOTE过采样相结合，以平衡训练数据。Zhou和Liu(2006)研究了训练成本敏感神经网络中的数据重采样。Han等人(2015)进一步寻求联合优化类敏感成本和深度特征。

对于多标签有许多挑战，最近的一项工作提出了多标签问题的解决方案(Wei etal.，2014)。在这项工作中，共享CNN提供了任何数量的对象段假设(图像批次)，这些假设是通过诸如二进制规范梯度(BING)(Cheng等人，2014)。所有这些假设最终是由CNN通过输出最大求和进行聚合，来给出多标签预测的最终格式。Sharif Razavian等人(2014)提出了另一个多标签方向，其中CNN主要用于产生货架活动特征；而SVM主要应用于后续的类别。