[发明专利]一种可在线学习的图像属性识别方法及系统

说明书

本公开提供了一种可在线学习的图像属性识别方法及系统，旨在解决现有技术中，在不同来源的未来图像数据上的识别表现下降的问题。可在线学习的图像属性识别方法包括：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。本公开的方法在不同来源的未来图像数据上的识别表现较好；且可以保留原有的图像属性识别特性，防止与新图像数据过度拟合。

技术领域

本公开属于图像识别技术领域，具体涉及一种可在线学习的图像属性识别方法及系统。

背景技术

基于深度学习的图像分类模型，可以对图像中服装部分的品类、面料、纹理、颜色和工艺等属性进行精准识别，能够很好的满足服装从业者的需求。该技术作为深度学习的基础算法之一，应用极其广泛。在设计环节，图像识别模型可以对海量的服装图片数据进行分类梳理，以更好地辅助设计并激发设计师的设计灵感；在服装生产环节，图像识别模型可以辅助工厂进行不良产品的识别与筛选；在电商销售环节，从业者通过图像识别模型获取的服装图片的属性信息，进行趋势分析和销量预测，有效的提高了商品销量。

基于深度学习的图像分类模型对训练数据的质量和数量有很高的要求。然而大规模、高质量的数据标注，对标注人员的专业性要求较高，且需要耗费大量的人力和时间成本。一个专业的标注人员标注1000张图片约耗费9个小时，且标注的速度随着标签数量的增加而下降。

此外，由于传统的图像识别模型，假设训练数据和测试数据服从独立同分布(即训练样本和测试样本的数据分布一致)，拟合在历史数据上的深度学习模型，往往会在不同来源的未来数据上表现下降。

发明内容

本公开提供了一种可在线学习的图像属性识别方法及系统，旨在解决现有技术中的图像属性识别技术，在不同来源的未来图像数据上的识别表现下降的问题。

为了解决上述技术问题，本公开所采用的技术方案为：

第一方面本公开提供了一种可在线学习的图像属性识别方法，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。

基于上述方案：采用本公开中可在线学习的图像属性识别方法，新图像数据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；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；各属性的概率受到基础权重矩阵和在线学习权重矩阵的共同影响。基础权重矩阵可以保存了基础的图像属性识别特性，防止与新图像数据过度拟合，不会使得属性识别受到新数据的过度影响，以免降低模型预测的稳定性；在线学习权重矩阵在该基础上保留了新数据集的特异性；这种特异性的特点使得在线学习权重矩阵的更新过程是严重震荡的，其结果也会存在不稳定的情况，基础权重矩阵的加权可以更好的保证模型输出的稳定性；基础权重矩阵和在线学习权重矩阵在不同来源的未来图像数据上的识别表现较好。

进一步改进的方案：可在线学习的图像属性识别方法，还包括更新在线学习权重矩阵的步骤：

接收新图像数据的属性标签预测是否有误的线上反馈；