[发明专利]一种可在线学习的图像属性识别方法及系统

权利要求书

1.一种可在线学习的图像属性识别方法，其特征在于，包括以下步骤：

接收新图像数据，并识别新图像数据中各特征的值；

将新图像数据的各特征的值通过基础权重矩阵加权，获取新图像数据各属性的第一概率；

将新图像数据的各特征的值通过在线学习权重矩阵加权，获取新图像数据各属性的第二概率；

对新图像数据各属性的第一概率和新图像数据各属性的第二概率进行加权，并获得各属性的概率，根据各属性的概率对新图像数据标记属性标签；

更新在线学习权重矩阵：接收新图像数据的属性标签预测是否有误的线上反馈；若有线上反馈，则将预测错误的属性标签替换为正确的属性标签，并存储至反馈图像数据集；若无线上反馈，则将预测的属性标签作为正确的属性标签，并存储至反馈图像数据集；当线上反馈的数量达到设定阈值时，根据反馈图像数据集更新在线学习权重矩阵；

所述图像为服装图像。

2.根据权利要求1所述的一种可在线学习的图像属性识别方法，其特征在于，若有线上反馈；

若线上反馈为错误指令时，则将错误的属性标签修改为正确的属性标签；

若线上反馈为正确的属性标签时，则直接将正确的属性标签替换错误的属性标签。

3.根据权利要求1所述的一种可在线学习的图像属性识别方法，其特征在于，所述基础权重矩阵根据在接收新图像数据之前的训练图像数据集获得，所述训练图像数据集包括训练图像数据的特征和属性标签；

所述新图像数据的特征和属性标签，构成新图像数据集；

当接收的新图像数据达到设定阈值时，根据新图像数据集和训练图像数据集合并后的数据集更新基础权重矩阵。

4.根据权利要求3所述的一种可在线学习的图像属性识别方法，其特征在于，当基础权重矩阵更新后，用基础权重矩阵的值替换在线学习权重矩阵的对应值。

5.一种可在线学习的图像属性识别系统，其特征在于，包括图像识别模块、在线学习模块和属性标记模块；所述图像识别模块包括特征提取模块和特征处理模块；

特征提取模块，接收新图像数据，并识别新图像数据中各特征的值；

特征处理模块，将新图像数据的各特征的值通过基础权重矩阵加权，获取新图像数据各属性的第一概率；

在线学习模块，将新图像数据的各特征的值通过在线学习权重矩阵加权，获取新图像数据各属性的第二概率；

属性标记模块，对新图像数据各属性的第一概率和新图像数据各属性的第二概率进行加权，并获得各属性的概率，根据各属性的概率对新图像数据标记属性标签；

所述在线学习模块的训练步骤如下：

接收新图像数据的属性标签标注是否有误的线上反馈；

若有线上反馈，则将预测错误的属性标签替换为正确的属性标签，并存储至反馈图像数据集；

若无线上反馈，则将预测的属性标签作为正确的属性标签，并存储至反馈图像数据集；

当线上反馈的数量达到设定阈值时，根据反馈图像数据集训练在线学习模块，并更新在线学习模块中的在线学习权重矩阵；

所述图像为服装图像。

6.根据权利要求5所述的一种可在线学习的图像属性识别系统，其特征在于，所述图像识别模块的训练步骤如下：

S100、对设定量的图像数据标注属性标签并作为第一训练数据集，采用第一训练数据集中的图像数据初步训练图像识别模型；

S200、采用设定量未标注属性标签的图像数据输入至初步训练后的图像识别模型，初步训练后的图像识别模型输出获得标注属性标签后的图像数据，并人工对标注属性标签后的图像数据进行属性标签审查校正；将审查校正后的图像数据与第一训练数据集中的图像数据合并为第二训练数据集，对图像识别模型再次训练；

S300、循环步骤S200，直到通过图像识别模型标注后属性标签的图像数据稳定的标注准确，训练结束并得到训练好的图像识别模型；

所述基础权重矩阵为图像识别模型中的权重矩阵。