(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211215888.1 (22)申请日 2022.09.30 (71)申请人 深圳数联天下智能科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道高新区社区高新南七道20号深圳国 家工程实验室大楼B16 01 (72)发明人 陈仿雄　 (74)专利代理 机构 深圳市六加知识产权代理有 限公司 4 4372 专利代理师 陈金赏 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 服装分类模型的训练方法及相关装置 (57)摘要 本申请实施例涉及图像处理技术领域， 公开 了一种服装分类模型的训练方法及相关装置， 该 服装分类模型包括特征提取模块和多层次图像 块编码模块， 特征提取模块和多层次图像块编码 模块之间共享网络参数； 该训练方法通过基于对 比交叉熵损失函数对服装分类模 型进行训练， 该 对比交叉熵损失函数包括对比交叉损失， 使 得多 层次图像块编码模块将学习到的不同服装类别 之间的差异特征， 作用于特征提取模块， 使得特 征提取模块学习到每一种服装类别对应的服装 特征和不同服装类别之间的差异特征， 从而在不 增加额外的成本的情况下， 使得特征提取模块学 习到每一种服装类别对应的服装特征以及不同 服装类别的差异特征， 使 得本申请能够提高服装 分类的准确度。 权利要求书3页 说明书22页 附图9页 CN 115424080 A 2022.12.02 CN 115424080 A 1.一种服装分类模型的训练方法， 其特征在于， 所述服装分类模型包括特征提取模块 和多层次图像块编码模块， 其中， 所述特征提取模块和所述多层次图像块编码模块之间共 享网络参数， 所述方法包括： 获取图像数据集， 其中， 所述图像数据集包括多种服装类别的服装图像； 基于所述特征提取模块， 对每一所述服装图像进行特征提取， 使得所述特征提取模块 学习到每一所述 服装图像的每一种服装类别对应的服装特 征； 根据多种所述 服装类别的服装图像， 获取不同的服装类别的图像块； 基于所述多层次图像块编码模块， 对所述不同的服装类别的图像块进行图像块映射， 以得到每一图像块对应的多维特 征向量； 构建对比交叉熵损失函数， 所述对比交叉熵损失函数包括多分类交叉熵损失和对比交 叉损失， 其中， 所述对比交叉损失用于表征相同服装类别的所述图像块对应的特征向量之 间的相关性， 以及， 表征不同服装类别的所述图像块对应的特 征向量之间的差异性； 基于所述对比交叉熵损失函数对所述服装分类模型进行训练， 直至所述对比交叉熵损 失函数收敛， 使得 所述特征提取模块学习到不同服装类别之间的差异特 征。 2.根据权利要求1所述的方法， 其特征在于， 在所述获取图像数据集之后， 所述方法还 包括： 调整多种所述服装类别的服装图像的尺寸， 得到 固定尺寸的多种所述服装类别的服装 图像； 构建归一化函数， 对调整为固定尺寸的多种所述服装类别的服装图像进行归一化操 作； 所述归一 化函数， 包括： 其中， norm为经过归一化操作后的服装 图像的像素值， xi为服装图像的第i个像素值， max(x)为 服装图像的像素最大值， mi n(x)为服装图像的像素最小值。 3.根据权利要求2所述的方法， 其特征在于， 所述特征提取模块包括服装基础特征提取 网络， 其中， 所述服装基础特征提取网络包括依次连接的输入层、 第一卷积层、 第二卷积层、 第三卷积层、 第四卷积层、 第五卷积层、 第六 卷积层、 全连接层和归一 化层； 所述方法还 包括： 将所述归一化操作之后的服装图像输入所述服装基础特征提取网络， 以得到所述归一 化操作之后的服装图像的每一种服装类别对应的概 率值。 4.根据权利要求3所述的方法， 其特征在于， 所述多层次图像块编码模块包括多层次图 像块编码网络， 其中， 所述多层次图像块编码网络包括第一卷积层、 第二卷积层、 第三卷积 层， 所述多层次图像块编 码网络的第一卷积层、 第二卷积层、 第三卷积层一一与所述服装基 础特征提取网络的第一卷积层、 第二卷积层、 第三卷积层之间共享网络参数。 5.根据权利要求1 ‑4任一项所述的方法， 其特征在于， 所述根据多种所述服装类别的服 装图像， 获取不同的服装类别的图像块， 包括： 确定所述输入到所述服装基础特征提取网络的服装图像为第 一服装图像， 所述第 一服权　利　要　求　书 1/3 页 2 CN 115424080 A 2装图像至少为两个； 截取每一所述第一 服装图像， 获得每一所述第一 服装图像对应的第一 服装图像块； 确定至少两个第二服装图像， 其中， 所述第二服装图像与所述第一服装图像属于同一 服装类别； 截取每一所述第二 服装图像， 获得每一所述第二 服装图像对应的第二 服装图像块。 6.根据权利要求5所述的方法， 其特征在于， 所述根据多种所述服装类别的服装图像， 获取不同的服装类别的图像块， 还 包括： 确定至少两个第三服装图像， 其中， 所述第三服装图像与所述第一服装图像不属于同 一服装类别； 截取每一所述第三 服装图像， 获得每一所述第三 服装图像对应的第三 服装图像块。 7.根据权利要求6所述的方法， 其特征在于， 所述基于所述多层次图像块编码模块， 对 所述不同服装类别的图像块进行图像块映射， 以得到每一图像块对应的多维特征向量， 包 括： 将至少两个所述第 一服装图像块输入所述多层次图像块编码模块中， 得到每一所述第 一服装图像块对应的多维特 征向量； 将至少两个所述第 二服装图像块输入所述多层次图像块编码模块中， 得到每一所述第 二服装图像块对应的多维特 征向量； 将至少两个所述第 三服装图像块输入所述多层次图像块编码模块中， 得到每一所述第 三服装图像块对应的多维特 征向量。 8.根据权利要求1 ‑4、 6任一项所述的方法， 其特征在于， 所述多分类交叉熵损失用于表 征服装类别的真实概 率与预测概 率的损失， 所述多分类交叉熵损失， 包括： 其中， Lcls为多分类交叉熵损失， n为服装类别的总数， yi为第i个服装类别的真实概率 值， Si为第i个服装类别的预测概 率值。 9.根据权利要求1 ‑4、 6任一项所述的方法， 其特 征在于， 所述对比交叉损失， 包括： 其中， Lcon为对比交叉损失， VK为第一服装图像块对应 的多维特征向量， VK+为第二服装 图像块对应的多维特征向量， τ为比例参 数， n为服装类别的总数， VK‑为第三服装图像 块对应 的多维特 征向量。 10.一种服装类别的预测方法， 其特 征在于， 所述方法包括： 获取待预测的服装图像； 将所述待预测的服装图像输入服装分类模型， 得到所述待预测的服装图像对应的服装 类别， 其中， 所述 服装分类模型 是基于权利要求1 ‑9任一项所述的方法进行训练得到的。 11.根据权利要求10所述的方法， 其特征在于， 所述将所述待预测的服装图像输入服装 分类模型， 得到所述待预测的服装图像对应的服装类别， 包括： 基于所述特征提取模块， 得到所述待预测的服装图像的每一种服装类别对应的概率权　利　要　求　书 2/3 页 3 CN 115424080 A 3