动态柜图像识别模型训练方法、装置、电子设备和介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及动态柜图像识别模型训练方法、装置、电子设备和介质。


背景技术：

2.目前，目标检测模型已广泛应用于各个领域。当前目标检测模型训练过程中，常常存在目标检测模型对应训练图像样本不足的问题。对于生成更多的训练图像样本，通常采用的方式为：通过数据增强的方式（例如，图像旋转，图像移位，图像放缩等方式）来生成更多的训练图像样本。
3.然而，当采用上述方式来生成训练图像样本，经常会存在如下技术问题：第一，数据增强生成的训练图像样本样式较为单一，不能为后续目标检测模型的训练提供更多的特征信息，导致后续训练后的目标检测模型的预测精准度较低。
4.第二，提取第一动态柜图像的特征提取网络往往需要第一动态柜图像的标签。现实生活中，往往需要大量第一动态柜图像来对目标检测模型进行训练。大量动态柜图像的标注浪费了大量时间，且存在动态柜图像标注错误的问题。
5.第三，利用数据增强中图像裁剪和相似图像拼接的方式，所生成的训练图像样本虽然存在较多的特征信息。但是，存在确认相似图像准确率较低的问题。


技术实现要素：

6.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
7.本公开的一些实施例提出了动态柜图像识别模型训练方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种动态柜图像识别模型训练方法，包括：获取第一动态柜图像；将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定上述第一动态柜图像所对应的至少一个第一检测框；根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，生成第三动态柜图像，其中，上述第二动态柜图像集存在对应的第二检测框集组，上述第二检测框集组中各个第二检测框对应的图像为上述第一物品图像集；将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
9.第二方面，本公开的一些实施例提供了一种动态柜图像识别模型训练装置，包括：获取单元，被配置成获取第一动态柜图像；输入单元，被配置成将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定单元，被配置成确定上述第一动态柜图像所对应的至少一个第一检测框；生成单元，被配置成根据上述第一动态
柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，生成第三动态柜图像，其中，上述第二动态柜图像集存在对应的第二检测框集组，上述第二检测框集组中各个第二检测框对应的图像为上述第一物品图像集；训练单元，被配置成将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
10.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
11.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
12.本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的动态柜图像识别模型训练方法可以生成识别效果更为精准的动态柜图像识别模型。具体来说，造成不能生成更为精准的动态柜图像识别模型的原因在于：第一，数据增强生成的训练图像样本样式较为单一，不能为后续目标检测模型的训练提供更多的特征信息，导致后续训练后的目标检测模型的预测精准度较低。第二，提取第一动态柜图像的特征提取网络往往需要第一动态柜图像的标签。现实生活中，往往需要大量第一动态柜图像来对目标检测模型进行训练。大量动态柜图像的标注浪费了大量时间，且存在动态柜图像标注错误的问题。基于此，本公开的一些实施例的动态柜图像识别模型训练方法可以首先获取第一动态柜图像。然后，将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量。在这里，得到的第一图像特征向量用于后续生成第三动态柜图像。同样，确定上述第一动态柜图像所对应的至少一个第一检测框，以用于后续生成第三动态柜图像。进而，根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，可以生成包括更多图像特征信息的第三动态柜图像。最后，将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，使所得到训练后的动态柜图像识别模型用于后续动态柜图像识别更为精准。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是根据本公开的一些实施例的动态柜图像识别模型训练方法的一个应用场景的示意图；图2是根据本公开的动态柜图像识别模型训练方法的一些实施例的流程图；图3是根据本公开的动态柜图像识别模型训练方法的另一些实施例的流程图；图4是根据本公开的动态柜图像识别模型训练装置的一些实施例的结构示意图；图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
15.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
16.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
17.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
18.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
19.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
20.下面将参考附图并结合实施例来详细说明本公开。
21.图1是根据本公开一些实施例的动态柜图像识别模型训练方法的一个应用场景的示意图。
22.在图1的应用场景中，电子设备101可以首先获取第一动态柜图像。然后，电子设备101可以将上述第一动态柜图像102输入至预先训练的第一图像特征提取网络103，得到第一图像特征向量104。进而，电子设备101可以确定上述第一动态柜图像102所对应的至少一个第一检测框105。在本应用场景中，上述至少一个第一检测框105包括：第一检测框1051、第一检测框1052和第一检测框1053。接着，电子设备101可以根据上述第一动态柜图像102、上述第一图像特征向量104、预先存储的第二动态柜图像集106，预先存储的第一物品图像集107和上述至少一个第一检测框105，生成第三动态柜图像108，其中，上述第二动态柜图像集106存在对应的第二检测框集组，上述第二检测框集组中各个第二检测框对应的图像为上述第一物品图像集107。在本应用场景中，第二动态柜图像集106包括：第二动态柜图像1061、第二动态柜图像1062和第二动态柜图像1063。第一物品图像集107包括：与第一动态柜图像1061相对应的第一物品图像1071、与第一动态柜图像1062相对应的第一物品图像1072、与第一动态柜图像1063相对应的第一物品图像1073。最后，电子设备101可以将上述第三动态柜图像108作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型109，得到训练后的动态柜图像识别模型110。
23.需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
24.应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
25.继续参考图2，示出了根据本公开的动态柜图像识别模型训练方法的一些实施例的流程200。该动态柜图像识别模型训练方法，包括以下步骤：
步骤201，获取第一动态柜图像。
26.在一些实施例中，上述动态柜图像识别模型训练方法的执行主体（例如图1所示的电子设备）可以通过有线连接方式或者无线连接方式来获取第一动态柜图像。
27.可选地，第一动态柜图像为预处理后的图像。上述第一动态柜图像还可以是目标摄像头拍摄动态柜后的图像。
28.步骤202，将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量。
29.在一些实施例中，上述执行主体可以将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量。其中，上述第一图像特征提取网络可以是提取图像特征的神经网络。上述第一特征向量可以表征第一动态柜图像的图像特征信息。作为示例，上述第一图像特征提取网络可以是但不限于以下之一：卷积神经网络（convolutional neural networks, cnn），残差网络（residual network, resnet）。
30.在一些实施例的一些可选的实现方式中，上述第一图像特征提取网络是通过以下步骤训练的：第一步，获取训练图像样本。
31.第二步，对上述训练图像样本进行多次数据增强，得到多个数据增强后图像样本。
32.作为示例，上述执行主体可以对训练图像样本分别进行旋转、裁剪、放缩、移位，以得到四张数据增强后图像样本。
33.第三步，将上述多个数据增强后图像样本输入至第一初始图像特征提取网络，以输出多个第一特征向量。其中，第一初始图像特征提取网络可以是网络参数初始化后的第一图像特征提取网络。
34.第四步，根据上述多个第一特征向量和预设的损失函数，生成第一损失值。
35.作为示例，上述执行主体可以将多个第一特征向量输入至上述预设的损失函数，以生成上述第一损失值。
36.例如，多个第一特征向量的特征向量数目为2。两张图像分别为第一图像，第二图像。第一图像对应的第一特征向量为。第二图像对应的第一特征向量为。预设的损失函数如下所示：。
37.第五步，将上述多个第一特征向量输入至第二初始图像特征提取网络，得到多个第二特征向量。其中，上述第二初始图像特征提取网络可以是网络参数初始化后的第二图像特征提取网络。其中，上述第二图像特征提取网络可以是进一步提取训练图像样本特征信息的神经网络。例如，上述第二图像特征提取网络可以是但不限于以下之一：卷积神经网络，残差网络。
38.第六步，根据上述多个第二特征向量和上述损失函数，生成第二损失值。
39.作为示例，上述执行主体可以将多个第二特征向量分别输入至上述损失函数，以输出上述第二损失值。
40.第七步，将上述多个第二特征向量输入至第三初始图像特征提取网络，得到多个第三特征向量。其中，上述第三初始图像特征提取网络可以是网络参数初始化后的第三图
像特征提取网络。其中，上述第三图像特征提取网络可以是进一步提取训练图像样本特征信息的神经网络。例如，上述第三图像特征提取网络可以是但不限于以下之一：卷积神经网络，残差网络。
41.第八步，根据上述多个第三特征向量和上述损失函数，生成第三损失值。
42.作为示例，上述执行主体可以将多个第三特征向量分别输入至上述损失函数，以输出上述第三损失值。
43.第九步，根据上述第一损失值、上述第二损失值和上述第三损失值，生成第四损失值。
44.作为示例，上述执行主体可以将第一损失值、第二损失值和上述第三损失值进行损失值相加，以生成上述第四损失值。
45.第十步，响应于确定上述第四损失值大于目标数值，对上述第一初始图像特征提取网络、上述第二初始图像特征提取网络和上述第三初始图像特征提取网络中的各个参数进行训练。其中，上述目标数值可以是预先设置的数值。
46.作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“提取第一动态柜图像的特征提取网络往往需要第一动态柜图像的标签。现实生活中，往往需要大量第一动态柜图像来对目标检测模型进行训练。大量动态柜图像的标注浪费了大量时间，且存在动态柜图像标注错误的问题”。基于此，为了避免需要对第一动态柜图像进行标注。本公开引入了通过多个图像特征提取网络来对训练图像样本进行增强后的图像进行多层次的特征提取。然后，通过对比多层次的特征信息和预设的损失函数，来生成各个损失值。最后，基于各个损失值，在保障不需要第一动态柜图像的标签和保障第一图像特征提取网络精准度的基础下，可以对第一图像特征提取网络进行训练。
47.步骤203，确定上述第一动态柜图像所对应的至少一个第一检测框。
48.在一些实施例中，上述执行主体可以确定上述第一动态柜图像所对应的至少一个第一检测框。其中，第一检测框的形状可以是预先设置的各种形状。例如，可以是矩形。
49.作为示例，上述执行主体可以将第一动态柜图像输入至预先训练的检测框确定网络，以输出至少一个第一检测框。
50.步骤204，根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，生成第三动态柜图像。
51.在一些实施例中，上述执行主体可以根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，通过各种方式来生成第三动态柜图像。其中，上述第二动态柜图像集存在对应的第二检测框集组，上述第二检测框集组中各个第二检测框对应的图像为上述第一物品图像集。
52.可选地，上述根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，生成第三动态柜图像，包括：第一步，将上述第二动态柜图像集中的各个第二动态柜图像输入至预先训练的第一图像特征提取网络，以输出第二图像特征向量集。
53.第二步，将上述第一动态柜图像输入至预先训练的相似图像生成网络，以输出至少一张第一相似图像。其中，上述相似图像生成网络可以是生成式对抗网络（gan, generative adversarial networks ）。
54.第三步，将上述至少一张第一相似图像输入至预先训练的第一图像特征提取网络，以输出第三图像特征向量集。
55.第四步，确定上述第二图像特征向量集中每个第二图像特征向量与上述第一图像特征向量之间的第一余弦距离，得到第一余弦距离集。
56.第五步，从上述第一余弦距离集中筛选出第三数目个余弦距离大小排名满足目标条件的第一余弦距离，作为第一目标余弦距离，得到第一目标余弦距离集。其中，上述第三数目可以是预先设置的。上述目标条件可以是余弦距离值大小位于前第三数目个。
57.第六步，从上述第二动态柜图像集中筛选出与上述第一目标余弦距离集对应的第二图像特征向量子集。
58.第七步，确定上述第二图像特征向量子集中每个第二图像特征向量与各个第三图像特征向量之间的第三余弦距离，以生成各个第三余弦距离，得到第三余弦距离集。
59.第八步，从上述第三余弦距离集中筛选出第四数目个余弦距离大小排名满足上述目标条件的第三余弦距离，作为第三目标余弦距离，得到第三目标余弦距离集。其中，上述第四数目可以是预先设置的。
60.第九步，确定上述第三目标余弦距离集中每个第三目标余弦距离对应的第二动态柜图像，作为第二目标动态柜图像，得到第二目标动态柜图像集。
61.第十步，确定上述第二目标动态柜图像集中各个第二目标动态图像对应的至少一个第一物品图像。
62.第十一步，将上述第一动态柜图像与上述至少一个第一相似图像进行拼接，以得到拼接后图像。
63.第十二步，将上述各个第二目标动态图像对应的至少一个第一物品图像融入上述拼接后图像，得到融入后图像，作为第三动态柜图像。其中，上述第三动态柜图像中的上述至少一个第一检测框与第二检测框子集组之间的交并比小于0.3，上述第二检测框子集组对应的图像为上述各个第二目标动态图像对应的至少一个第一物品图像。
64.作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“利用数据增强中图像裁剪和相似图像拼接的方式，所生成的训练图像样本虽然存在较多的特征信息。但是，存在确认相似图像准确率较低的问题”。导致确认相似图像准确率较低的因素往往如下：仅仅通过求取余弦距离来确定第二动态柜图像集中与地动仪动态柜图像最为相似的至少一个相似图像，存在准确度较低的问题。基于此，本公开引入了通过利用相似图像生成网络来生成与至少一张相似图像，使得生成的上述至少一张相似图像相似度与第一动态柜图像更为接近。因此，后续第一动态柜图像和至少一个相似图像拼接后的图像具有更多第一动态柜图像对应物体的物体信息。除此之外，通过确定各个第二目标动态图像对应的至少一个第一物品图像，可以进一步将与第一动态柜图像对应物体可能相关的特征信息融入至拼接后图像，使得所得到的融入后图像所包括的物体的特征信息更为丰富。基于此，根据融入后图像来训练动态柜图像识别模型，使得后续训练得到的动态柜图像识别模型更为精准。
65.步骤205，将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
66.在一些实施例中，上述执行主体可以将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
67.本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的动态柜图像识别模型训练方法可以生成识别效果更为精准的动态柜图像识别模型。具体来说，造成不能生成更为精准的动态柜图像识别模型的原因在于：第一，数据增强生成的训练图像样本样式较为单一，不能为后续目标检测模型的训练提供更多的特征信息，导致后续训练后的目标检测模型的预测精准度较低。第二，提取第一动态柜图像的特征提取网络往往需要第一动态柜图像的标签。现实生活中，往往需要大量第一动态柜图像来对目标检测模型进行训练。大量动态柜图像的标注浪费了大量时间，且存在动态柜图像标注错误的问题。基于此，本公开的一些实施例的动态柜图像识别模型训练方法可以首先获取第一动态柜图像。然后，将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量。在这里，得到的第一图像特征向量用于后续生成第三动态柜图像。同样，确定上述第一动态柜图像所对应的至少一个第一检测框，以用于后续生成第三动态柜图像。进而，根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，可以生成包括更多图像特征信息的第三动态柜图像。最后，将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，使所得到训练后的动态柜图像识别模型用于后续动态柜图像识别更为精准。
68.进一步参考图3，示出了根据本公开的动态柜图像识别模型训练方法的另一些实施例的流程300。该动态柜图像识别模型训练方法，包括以下步骤：步骤301，获取第一动态柜图像。
69.步骤302，将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量。
70.步骤303，确定上述第一动态柜图像所对应的至少一个第一检测框。
71.步骤304，将上述第二动态柜图像集中每个第二动态柜图像输入至预先训练的上述第一图像特征提取网络，以输出第二图像特征向量，得到第二图像特征向量集。
72.在一些实施例中，执行主体（例如图1所示的电子设备）可以将上述第二动态柜图像集中每个第二动态柜图像输入至预先训练的上述第一图像特征提取网络，以输出第二图像特征向量，得到第二图像特征向量集。
73.步骤305，确定上述第二图像特征向量集中每个第二图像特征向量与上述第一图像特征向量之间的第一余弦距离，得到第一余弦距离集。
74.在一些实施例中，上述执行主体可以确定上述第二图像特征向量集中每个第二图像特征向量与上述第一图像特征向量之间的第一余弦距离，得到第一余弦距离集。
75.步骤306，从上述第一余弦距离集中筛选出第一数目个满足预定条件的第一余弦距离，作为第一目标余弦距离，得到第一目标余弦距离集。
76.在一些实施例中，上述执行主体可以从上述第一余弦距离集中筛选出第一数目个
满足预定条件的第一余弦距离，作为第一目标余弦距离，得到第一目标余弦距离集。
77.步骤307，从上述第二动态柜图像集中筛选出与上述第一目标余弦距离集对应的第二动态柜图像子集。
78.在一些实施例中，上述执行主体可以从上述第二动态柜图像集中筛选出与上述第一目标余弦距离集对应的第二动态柜图像子集。
79.步骤308，依据预定方式来对上述第一动态柜图像和上述第二动态柜图像子集中的各个第二动态柜图像进行拼接，得到第一拼接后图像。
80.在一些实施例中，上述执行主体可以依据预定方式来对上述第一动态柜图像和上述第二动态柜图像子集中的各个第二动态柜图像进行拼接，得到第一拼接后图像。
81.步骤309，根据上述第一拼接后图像、上述第一物品图像集和上述至少一个第一检测框，生成上述第三动态柜图像。
82.在一些实施例中，上述执行主体可以根据上述第一拼接后图像、上述第一物品图像集和上述至少一个第一检测框，生成上述第三动态柜图像。
83.在一些实施例的一些可选的实现方式中，上述根据上述第一拼接后图像、上述第一物品图像集和上述至少一个第一检测框，生成上述第三动态柜图像，可以包括以下步骤：第一步，对于上述至少一个第一检测框对应的每个第一检测框，执行第一图像生成步骤：第一子步骤，确定上述第一检测框对应的第二物品图像。
84.第二子步骤，确定上述第二物品图像对应的第三图像特征向量。
85.作为示例，上述执行主体可以将第二物品图像输入至预先训练的第一图像特征提取网络，得到第二图像特征向量。
86.第三子步骤，确定上述第一物品图像集中每个第一物品图像对应的第四图像特征向量，得到第四图像特征向量集。
87.作为示例，上述执行主体可以将第一物品图像集中每个第一物品图像输入至预先训练的第一图像特征提取网络，以输出第四图像特征向量，得到第四图像特征向量集。
88.第四子步骤，确定上述第四图像特征向量集中每个第四图像特征向量与上述第三图像特征向量之间的第二余弦距离，得到第二余弦距离集。
89.第五子步骤，从上述第二余弦距离集中筛选出第二数目个满足上述预定条件的第二余弦距离，作为第二目标余弦距离，得到第二目标余弦距离集。其中，第二数目可以是预先设置的。上述预先条件可以是第二余弦距离集大小位于目标分位位置的第二余弦距离。例如，预定条件可以是第二余弦距离集中距离最大的第二余弦距离、大小位于3/4分位的第二余弦距离、大小位于1/2分位的第二余弦距离。
90.第六子步骤，确定上述第二目标余弦距离集对应的第一物品图像子集。
91.第二步，根据所得到第一物品图像子集组，上述至少一个第一检测框和上述第一拼接后图像，生成上述第三动态柜图像。
92.作为示例，上述执行主体可以首先确定第一物品图像子集组中与至少一个第一检测框存在相同物品信息的第一物品图像，得到至少一个第一物品图像。最后，将至少一个第一物品图像与第一拼接后图像进行拼接，得到第三动态柜图像。
93.可选地，上述根据所得到第一物品图像子集组，上述至少一个第一检测框和上述
第一拼接后图像，生成上述第三动态柜图像，可以包括以下步骤：第一步，从上述第一物品图像子集组中筛选出目标数目个第一物品图像，得到筛选后第一物品图像集。其中，目标数目可以是预先设置的。例如，可以是12。
94.第二步，对筛选后第一物品图像集中各个第一物品图像进行数据增强，得到各个数据增强后第一物品图像。
95.第三步，将上述各个数据增强后第一物品图像融入上述第一拼接后图像，得到融入后图像，其中，上述融入后图像中的、与各个数据增强后第一物品图像相对应的检测框与上述至少一个第一检测框之间的交并比信息小于目标阈值。其中，上述目标阈值可以是预先设置的。例如，可以是0.2。
96.可选地，上述将上述各个数据增强后第一物品图像融入上述第一拼接后图像，得到融入后图像，包括：对于上述各个数据增强后第一物品图像中的每个数据增强后第一物品图像，上述执行主体可以执行融入步骤：第一子步骤，对上述数据增强后第一物品图像中的第一范围内的子图像进行第一高斯模糊处理，以及对第一物品图像中的第二范围内的子图像进行第二高斯模糊处理，得到处理后第一物品图像。其中，第一高斯模糊处理和第二高斯模糊处理可以是采用的较大的卷积核来实现的。
97.第二子步骤，将上述处理后第一物品图像与上述第一拼接后图像进行图像融合，得到第二融合后图像。
98.作为示例，上述执行主体可以首先将处理后第一物品图像中预定边界范围内的各个像素乘以参数a，得到第一相乘后图像。然后，上述执行主体可以将第一拼接后图像中预定边界范围内的各个像素乘以参数1-a，得到第二相乘后图像。最后，将第一相乘后图像和第二相乘后图像进行对应预定边界范围内的像素相加融合，得到上述第二融合后图像。
99.第三子步骤，对上述第二融合后图像中的第三范围内的子图像进行双线性差值处理，得到处理后图像，作为上述融入后图像。
100.步骤310，将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
101.在一些实施例中，步骤301-303、310的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201-203、205，在此不再赘述。
102.从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的动态柜图像识别模型训练方法的流程300更加突出了生成第三动态柜图像的具体步骤。由此，这些实施例描述的方案利用第一动态柜图像、第一图像特征向量、第二动态柜图像集、第一物品图像集和至少一个第一检测框，可以生成包括更多图像特征信息的第三动态柜图像，使得后续以第三动态柜图像作为训练样本训练出的动态柜图像识别模型更为精准。
103.进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种动态柜图像识别模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
104.如图4所示，一种动态柜图像识别模型训练装置400包括：获取单元401、输入单元
402、确定单元403、生成单元404和训练单元405。其中，获取单元401，被配置成获取第一动态柜图像；输入单元402，被配置成将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定单元403，被配置成确定上述第一动态柜图像所对应的至少一个第一检测框；生成单元404，被配置成根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，生成第三动态柜图像，其中，上述第二动态柜图像集存在对应的第二检测框集组，上述第二检测框集组中各个第二检测框对应的图像为上述第一物品图像集；训练单元405，被配置成将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
105.可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
106.下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的电子设备）500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
107.如图5所示，电子设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（rom）502中的程序或者从存储装置508加载到随机访问存储器（ram）503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。输入/输出（i/o）接口505也连接至总线504。
108.通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（lcd）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
109.特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
110.需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁
存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
111.在一些实施方式中，客户端、服务器可以利用诸如http（hypertext transfer protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“lan”），广域网（“wan”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
112.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取第一动态柜图像；将上述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定上述第一动态柜图像所对应的至少一个第一检测框；根据上述第一动态柜图像、上述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和上述至少一个第一检测框，生成第三动态柜图像，其中，上述第二动态柜图像集存在对应的第二检测框集组，上述第二检测框集组中各个第二检测框对应的图像为上述第一物品图像集；将上述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。
113.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（lan）或广域网（wan）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
114.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执
行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
115.描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、确定单元、生成单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取第一动态柜图像的单元”。
116.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、片上系统（soc）、复杂可编程逻辑设备（cpld）等等。
117.以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种动态柜图像识别模型训练方法，包括：获取第一动态柜图像；将所述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定所述第一动态柜图像所对应的至少一个第一检测框；根据所述第一动态柜图像、所述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和所述至少一个第一检测框，生成第三动态柜图像，其中，所述第二动态柜图像集存在对应的第二检测框集组，所述第二检测框集组中各个第二检测框对应的图像为所述第一物品图像集；将所述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。2.根据权利要求1所述的方法，其中，所述根据所述第一动态柜图像、所述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和所述至少一个第一检测框，生成第三动态柜图像，包括：将所述第二动态柜图像集中每个第二动态柜图像输入至预先训练的所述第一图像特征提取网络，以输出第二图像特征向量，得到第二图像特征向量集；确定所述第二图像特征向量集中每个第二图像特征向量与所述第一图像特征向量之间的第一余弦距离，得到第一余弦距离集；从所述第一余弦距离集中筛选出第一数目个满足预定条件的第一余弦距离，作为第一目标余弦距离，得到第一目标余弦距离集；从所述第二动态柜图像集中筛选出与所述第一目标余弦距离集对应的第二动态柜图像子集；根据所述第一动态柜图像、所述第二动态柜图像子集、所述第一物品图像集和所述至少一个第一检测框，生成所述第三动态柜图像。3.根据权利要求2所述的方法，其中，所述根据所述第一动态柜图像、所述第二动态柜图像子集、所述第一物品图像集和所述至少一个第一检测框，生成所述第三动态柜图像，包括：依据预定方式来对所述第一动态柜图像和所述第二动态柜图像子集中的各个第二动态柜图像进行拼接，得到第一拼接后图像；根据所述第一拼接后图像、所述第一物品图像集和所述至少一个第一检测框，生成所述第三动态柜图像。4.根据权利要求3所述的方法，其中，所述根据所述第一拼接后图像、所述第一物品图像集和所述至少一个第一检测框，生成所述第三动态柜图像，包括：对于所述至少一个第一检测框对应的每个第一检测框，执行第一图像生成步骤：确定所述第一检测框对应的第二物品图像；确定所述第二物品图像对应的第三图像特征向量；确定所述第一物品图像集中每个第一物品图像对应的第四图像特征向量，得到第四图像特征向量集；确定所述第四图像特征向量集中每个第四图像特征向量与所述第三图像特征向量之
间的第二余弦距离，得到第二余弦距离集；从所述第二余弦距离集中筛选出第二数目个满足所述预定条件的第二余弦距离，作为第二目标余弦距离，得到第二目标余弦距离集；确定所述第二目标余弦距离集对应的第一物品图像子集；根据所得到第一物品图像子集组，所述至少一个第一检测框和所述第一拼接后图像，生成所述第三动态柜图像。5.根据权利要求4所述的方法，其中，所述根据所得到第一物品图像子集组，所述至少一个第一检测框和所述第一拼接后图像，生成所述第三动态柜图像，包括：从所述第一物品图像子集组中筛选出目标数目个第一物品图像，得到筛选后第一物品图像集；对所述筛选后第一物品图像集中各个第一物品图像进行数据增强，得到各个数据增强后第一物品图像；将所述各个数据增强后第一物品图像融入所述第一拼接后图像，得到融入后图像，其中，所述融入后图像中的、与各个数据增强后第一物品图像相对应的检测框与所述至少一个第一检测框之间的交并比信息小于目标阈值。6.根据权利要求5所述的方法，其中，所述将所述各个数据增强后第一物品图像融入所述第一拼接后图像，得到融入后图像，包括：对于所述各个数据增强后第一物品图像中的每个数据增强后第一物品图像，执行融入步骤：对所述数据增强后第一物品图像中的第一范围内的子图像进行第一高斯模糊处理，以及对第一物品图像中的第二范围内的子图像进行第二高斯模糊处理，得到处理后第一物品图像；将所述处理后第一物品图像与所述第一拼接后图像进行图像融合，得到第二融合后图像；对所述第二融合后图像中的第三范围内的子图像进行双线性差值处理，得到处理后图像，作为所述融入后图像。7.根据权利要求1-6之一所述的方法，其中，所述第一图像特征提取网络是通过以下步骤训练的：获取训练图像样本；对所述训练图像样本进行多次数据增强，得到多个数据增强后图像样本；将所述多个数据增强后图像样本输入至第一初始图像特征提取网络，以输出多个第一特征向量；根据所述多个第一特征向量和预设的损失函数，生成第一损失值；将所述多个第一特征向量输入至第二初始图像特征提取网络，得到多个第二特征向量；根据所述多个第二特征向量和所述损失函数，生成第二损失值；将所述多个第二特征向量输入至第三初始图像特征提取网络，得到多个第三特征向量；根据所述多个第三特征向量和所述损失函数，生成第三损失值；
根据所述第一损失值、所述第二损失值和所述第三损失值，生成第四损失值；响应于确定所述第四损失值大于目标数值，对所述第一初始图像特征提取网络、所述第二初始图像特征提取网络和所述第三初始图像特征提取网络中的各个参数进行训练。8.一种动态柜图像识别模型训练装置，包括：获取单元，被配置成获取第一动态柜图像；输入单元，被配置成将所述第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定单元，被配置成确定所述第一动态柜图像所对应的至少一个第一检测框；生成单元，被配置成根据所述第一动态柜图像、所述第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和所述至少一个第一检测框，生成第三动态柜图像，其中，所述第二动态柜图像集存在对应的第二检测框集组，所述第二检测框集组中各个第二检测框对应的图像为所述第一物品图像集；训练单元，被配置成将所述第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。9.一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

技术总结
本公开的实施例公开了动态柜图像识别模型训练方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取第一动态柜图像；将第一动态柜图像输入至预先训练的第一图像特征提取网络，得到第一图像特征向量；确定第一动态柜图像所对应的至少一个第一检测框；根据第一动态柜图像、第一图像特征向量、预先存储的第二动态柜图像集，预先存储的第一物品图像集和至少一个第一检测框，生成第三动态柜图像；将第三动态柜图像作为训练图像样本，利用机器学习模型训练方法，训练动态柜图像识别模型，得到训练后的动态柜图像识别模型。该实施方式可以生成识别效果更为精准的动态柜图像识别模型。模型。模型。


技术研发人员：邓博洋 程杨武
受保护的技术使用者：北京每日优鲜电子商务有限公司
技术研发日：2022.02.07
技术公布日：2022/3/8