本申請(qǐng)屬于圖像信息處理技術(shù)領(lǐng)域，尤其涉及一種圖片風(fēng)格識(shí)別方法及裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)消費(fèi)時(shí)代的發(fā)展，消費(fèi)者可以線上挑選自己喜愛(ài)的商品，極大的方便了用戶購(gòu)物。例如消費(fèi)者可以通過(guò)線上商家展示的商品圖片選取自己喜歡的商品種類(lèi)。

一般的，消費(fèi)者在線上購(gòu)買(mǎi)商品時(shí)往往會(huì)受到多種概念因素的影響，例如比如品牌、價(jià)格、顏色、風(fēng)格類(lèi)型等，這些概念因素一般可以由商家在服務(wù)操作平臺(tái)進(jìn)行人工設(shè)置。在眾多概念因素中，一些例如服裝的品牌、價(jià)格、色彩等因素通常是容易定義，且一般有著相對(duì)明確、規(guī)范的界限進(jìn)行區(qū)分。而對(duì)于其他一些商品的概念如服裝風(fēng)格，由于概念的語(yǔ)義性較強(qiáng)，受個(gè)人主觀判斷影響嚴(yán)重等，導(dǎo)致不同的商家或消費(fèi)者對(duì)具體的某一件服裝風(fēng)格定義上出現(xiàn)較大偏差。例如有的消費(fèi)者會(huì)認(rèn)為服裝上包含了字母“ROCK”的應(yīng)該是街頭風(fēng)格，有的消費(fèi)者則會(huì)認(rèn)為服裝上有鉚釘?shù)仍氐氖墙诸^風(fēng)格。而對(duì)于服裝設(shè)計(jì)者來(lái)說(shuō)，可能綜合了各種各樣的元素來(lái)組成最后的成品，其中可能包含了街頭的元素，也可能有民族或文藝的元素。經(jīng)過(guò)一些實(shí)際應(yīng)用數(shù)據(jù)分析，發(fā)現(xiàn)約有15％的消費(fèi)者在購(gòu)買(mǎi)服裝類(lèi)商品時(shí)，會(huì)結(jié)合風(fēng)格關(guān)鍵詞進(jìn)行商品搜索，這個(gè)比例僅僅落后于服裝的品牌和類(lèi)目?jī)蓚€(gè)因素?？梢?jiàn)商品風(fēng)格類(lèi)型這個(gè)因素對(duì)于線上商品導(dǎo)購(gòu)起到非常重要的作用。然而，無(wú)論是商家還是消費(fèi)者會(huì)在判斷填寫(xiě)商品所屬的風(fēng)格類(lèi)型時(shí)往往會(huì)因?yàn)槌霈F(xiàn)主觀因素影響出現(xiàn)較大偏差，因此類(lèi)似這樣商品風(fēng)格類(lèi)型的概念在商家和消費(fèi)者中常常產(chǎn)生混淆和歧義，影響商家商品的風(fēng)格分類(lèi)或者消費(fèi)者商品風(fēng)格的篩選，降低商品營(yíng)銷(xiāo)效果。這樣不僅影響成交轉(zhuǎn)化率，也降低了用戶體驗(yàn)。同時(shí)，由于線上商品種類(lèi)繁多，一般在涉及商品風(fēng)格類(lèi)型處理的信息量較大，也會(huì)消耗作業(yè)人員大量的作業(yè)時(shí)間和勞動(dòng)量。

現(xiàn)有技術(shù)中采用人工主觀判斷的方式對(duì)商品風(fēng)格進(jìn)行識(shí)別往往會(huì)導(dǎo)致商品風(fēng)格識(shí)別結(jié)果的差異化較大，難以進(jìn)行準(zhǔn)確、合理、統(tǒng)一的風(fēng)格識(shí)別。同時(shí)采用人工識(shí)別的判斷方式也加大了作業(yè)人員商品風(fēng)格識(shí)別的工作強(qiáng)度，降低了風(fēng)格識(shí)別效率。

技術(shù)實(shí)現(xiàn)要素：

本申請(qǐng)目的在于提供一種圖片風(fēng)格識(shí)別方法及裝置，可以實(shí)現(xiàn)對(duì)商品圖片的商品風(fēng)格類(lèi)型進(jìn)行自動(dòng)、準(zhǔn)確的識(shí)別，可以提高商品風(fēng)格識(shí)別準(zhǔn)確性和效率，降低作業(yè)人員的工作強(qiáng)度。

本申請(qǐng)?zhí)峁┮环N圖片風(fēng)格識(shí)別方法及裝置是這樣實(shí)現(xiàn)的：

一種圖片風(fēng)格識(shí)別方法，所述方法包括：

獲取樣本圖片，按照預(yù)設(shè)方式對(duì)所述樣本圖片進(jìn)行處理后形成樣本訓(xùn)練集；

對(duì)預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)初始化，以及將所述樣本訓(xùn)練集中的樣本圖片在所述參數(shù)初始化后的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到圖片風(fēng)格識(shí)別模型；

利用所述圖片風(fēng)格識(shí)別模型對(duì)待識(shí)別圖片進(jìn)行識(shí)別，獲取所述待識(shí)別圖片屬于不同風(fēng)格類(lèi)型的概率向量，所述概率向量中每個(gè)風(fēng)格類(lèi)型的概率值的取值范圍為0至1；

根據(jù)預(yù)先設(shè)置的判斷規(guī)則和所述概率向量識(shí)別所述待識(shí)別圖片所屬的風(fēng)格類(lèi)型。

一種圖片風(fēng)格識(shí)別裝置，所述裝置包括：

訓(xùn)練集構(gòu)建模塊，用于獲取樣本圖片，以及按照預(yù)設(shè)方式對(duì)所述樣本圖進(jìn)行處理形成樣本訓(xùn)練集；

樣本訓(xùn)練模塊，用于存儲(chǔ)設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)；還用于對(duì)所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)初始化，以及將所述樣本訓(xùn)練集中的樣本圖片在所述參數(shù)初始化后的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到圖片風(fēng)格識(shí)別模型；

圖片識(shí)別模塊，用于利用所述圖片風(fēng)格識(shí)別模型對(duì)待識(shí)別圖片進(jìn)行識(shí)別，獲取所述待識(shí)別圖片屬于不同風(fēng)格類(lèi)型的概率向量，所述概率向量中每個(gè)風(fēng)格類(lèi)型的概率值的取值范圍為0至1；

風(fēng)格識(shí)別模塊，用于存儲(chǔ)預(yù)先設(shè)置的圖片風(fēng)格判斷規(guī)則，以及根據(jù)所述判斷規(guī)則和所述概率向量識(shí)別所述待識(shí)別圖片所屬的風(fēng)格類(lèi)型。

本申請(qǐng)?zhí)峁┑膱D片風(fēng)格識(shí)別方法及裝置，采用了利用商品的圖片信息結(jié)合設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行商品風(fēng)格的識(shí)別。具體的實(shí)施過(guò)程中可以利用樣本訓(xùn)練集中的樣本圖片在預(yù)先設(shè)置的特定網(wǎng)絡(luò)層結(jié)構(gòu)的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到具有圖片風(fēng)格識(shí)別能力的識(shí)別模型，進(jìn)而可以實(shí)現(xiàn)自動(dòng)識(shí)別需要進(jìn)行風(fēng)格分類(lèi)的待識(shí)別圖片的風(fēng)格類(lèi)型。本申請(qǐng)?zhí)峁┑姆椒梢詫?shí)現(xiàn)商品風(fēng)格自動(dòng)快速識(shí)別，降低作業(yè)人員工作強(qiáng)度，提高識(shí)別效率。本申請(qǐng)中所述的樣本訓(xùn)練集中的樣本圖片可以預(yù)先經(jīng)過(guò)歸一化和數(shù)據(jù)擴(kuò)展處理，這樣可以提高識(shí)別模型的風(fēng)格識(shí)別準(zhǔn)確性和可靠性。本申請(qǐng)中可以根據(jù)需要預(yù)先設(shè)置風(fēng)格判斷規(guī)則，再基于識(shí)別模型輸出的概率向量，合理、有效、準(zhǔn)確的識(shí)別出商品圖片所屬的風(fēng)格類(lèi)型。利用本申請(qǐng)實(shí)施方案，不僅可以大大提高圖片風(fēng)格識(shí)別準(zhǔn)確率，降低作業(yè)人員的工作強(qiáng)度，還可以為用戶提 供準(zhǔn)確的款式導(dǎo)購(gòu)以及為商戶提供準(zhǔn)確的商品風(fēng)格分類(lèi)，可以改善用戶體驗(yàn)，增加商品成交轉(zhuǎn)化率。

附圖說(shuō)明

為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本申請(qǐng)中記載的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本申請(qǐng)?zhí)峁┑膱D片風(fēng)格識(shí)別方法一種實(shí)施例的方法流程圖；

圖2是本申請(qǐng)對(duì)服裝樣本圖片進(jìn)行裁剪的實(shí)施過(guò)程示意圖；

圖3是本申請(qǐng)?zhí)峁┑念A(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)一種實(shí)施例的模型結(jié)構(gòu)示意圖；

圖4是本申請(qǐng)一種應(yīng)用場(chǎng)景中第一卷積層學(xué)習(xí)到的64個(gè)高斯卷積核的可視化效果示意圖；

圖5是本申請(qǐng)所述服裝風(fēng)格識(shí)別裝置一種實(shí)施例的模塊結(jié)構(gòu)示意圖；

圖6是本申請(qǐng)?zhí)峁┑乃鰳颖居?xùn)練模塊中多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)一種實(shí)施例的模型結(jié)構(gòu)示意圖；

圖7是本申請(qǐng)?zhí)峁┑乃鲲L(fēng)格識(shí)別模塊一種實(shí)施例的模塊結(jié)構(gòu)示意圖；

圖8是本申請(qǐng)?zhí)峁┑乃鲇?xùn)練集構(gòu)建模塊一種實(shí)施例的模塊結(jié)構(gòu)示意圖；

圖9是本申請(qǐng)?zhí)峁┑乃鲇?xùn)練集構(gòu)建模塊另一種實(shí)施例的模塊結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本申請(qǐng)中的技術(shù)方案，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本申請(qǐng)保護(hù)的范圍。

下面結(jié)合附圖對(duì)本申請(qǐng)所述的圖片風(fēng)格識(shí)別方法及裝置進(jìn)行詳細(xì)的說(shuō)明。圖1是本申請(qǐng)?zhí)岢龅膱D片風(fēng)格識(shí)別方法的一種實(shí)施例的方法流程圖。雖然本申請(qǐng)?zhí)峁┝巳缦率鰧?shí)施例或附圖所示的方法操作步驟或裝置結(jié)構(gòu)，但基于常規(guī)或者無(wú)需創(chuàng)造性的勞動(dòng)在所述方法或裝置中可以包括更多或者更少的操作步驟或模塊結(jié)構(gòu)。在邏輯性上不存在必要因果關(guān)系的步驟或結(jié)構(gòu)中，這些步驟的執(zhí)行順序或裝置的模塊結(jié)構(gòu)不限于本申請(qǐng)實(shí)施例提供的執(zhí)行順序或模塊結(jié)構(gòu)。所述的方法或模塊結(jié)構(gòu)的在實(shí)際中的裝置或終端產(chǎn)品執(zhí)行時(shí)，可以按照實(shí)施例或者附圖 所示的方法或模塊結(jié)構(gòu)連接進(jìn)行順序執(zhí)行或者并行執(zhí)行(例如并行處理器或者多線程處理的環(huán)境)。

本申請(qǐng)可以從商品的圖片信息出發(fā)，對(duì)商品的圖片信息進(jìn)行特征提取，然后以每個(gè)風(fēng)格為維度結(jié)合分類(lèi)器進(jìn)行分類(lèi)。分類(lèi)器可以對(duì)商品圖片屬于各個(gè)風(fēng)格類(lèi)型的可能性進(jìn)行判斷，得到相應(yīng)的概率值。本申請(qǐng)方法可以結(jié)合每個(gè)風(fēng)格得到的概率值對(duì)該商品可能屬于的風(fēng)格類(lèi)型進(jìn)行輸出，從而識(shí)別出商品所屬的風(fēng)格類(lèi)型。本申請(qǐng)可以以服裝商品識(shí)別為例進(jìn)行方案的具體說(shuō)明，當(dāng)然，本申請(qǐng)所述的圖片風(fēng)格識(shí)別技術(shù)方案不僅可以用于男裝、女裝、內(nèi)衣等服裝類(lèi)圖片風(fēng)格類(lèi)型的識(shí)別，同樣可以適用于包括但不限于鞋、帽、箱、包、裝修風(fēng)格等商品展示圖片的風(fēng)格類(lèi)型識(shí)別。具體的如圖1所示，本申請(qǐng)?zhí)峁┑膱D片風(fēng)格識(shí)別方法的一種實(shí)施例可以包括：

S1：獲取樣本圖片，按照預(yù)設(shè)方式對(duì)所述樣本圖片進(jìn)行處理后形成樣本訓(xùn)練集。

本申請(qǐng)服裝風(fēng)格實(shí)施例的應(yīng)用場(chǎng)景中可以獲取服裝商品的樣本圖片，具體的獲取方式可以包括預(yù)先通過(guò)網(wǎng)絡(luò)搜索或拍攝或存儲(chǔ)的數(shù)據(jù)庫(kù)中獲取等。本申請(qǐng)?jiān)跇?gòu)建形成所述樣本訓(xùn)練集的處理過(guò)程中，可以對(duì)不同服裝類(lèi)目的圖片進(jìn)行采樣，獲取服裝樣本圖片。一般的，所述獲取的服裝樣本圖片通常為矩形形狀，當(dāng)然，本申請(qǐng)中所述的樣本圖片并不排除其他多邊形的形狀。一種實(shí)施例中，在實(shí)施本申請(qǐng)方案時(shí)可以將非矩形的樣本圖片預(yù)先處理為矩形的樣本圖片。本申請(qǐng)具體可以以女裝連衣裙為一種應(yīng)用場(chǎng)景實(shí)施例進(jìn)行說(shuō)明，在本實(shí)施例中可以定義11種不同風(fēng)格的連衣裙風(fēng)格類(lèi)型，然后可以對(duì)每個(gè)連衣裙風(fēng)格類(lèi)型采集1500張服裝樣本圖片。本實(shí)施例中每個(gè)樣本圖片可以包括設(shè)置的圖片款式標(biāo)簽的標(biāo)注數(shù)據(jù)。

進(jìn)一步的，本申請(qǐng)可以根據(jù)預(yù)先設(shè)置的處理方式對(duì)樣本圖片進(jìn)行處理，形成樣本訓(xùn)練集。具體的處理方式可以根據(jù)設(shè)計(jì)需要進(jìn)行設(shè)置。一般的，設(shè)置的對(duì)樣本圖片進(jìn)行處理以形成樣本訓(xùn)練集的預(yù)設(shè)方式通?？梢园▽⑺鰳颖緢D片處理成符合后續(xù)如本申請(qǐng)下述的卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)處理要求的方式，如將圖片處理成符合規(guī)定大小或色彩要求的格式。本申請(qǐng)一種實(shí)施例的應(yīng)用場(chǎng)景中，所述的預(yù)設(shè)方式可以包括對(duì)采集獲取的服裝樣本圖片進(jìn)行統(tǒng)一規(guī)則的歸一化處理，形成預(yù)定圖片格式的歸一化服裝樣本圖片。本實(shí)施例中進(jìn)行歸一化處理后，可以提高后續(xù)服裝風(fēng)格識(shí)別時(shí)數(shù)據(jù)處理的效率和準(zhǔn)確性。然后，本申請(qǐng)可以對(duì)所述歸一化處理后的服裝樣本圖片進(jìn)行數(shù)據(jù)擴(kuò)展處理，提高卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的準(zhǔn)確性和可靠性。經(jīng)過(guò)上述處理后的服裝樣本圖片的集合可以作為本申請(qǐng)所述的樣本訓(xùn)練集。

所述的對(duì)服裝樣本圖片歸一化以及數(shù)據(jù)擴(kuò)展處理，可以將不同服裝樣本圖片的大小歸一化到同等大小，減少不同尺寸的圖片對(duì)確定服裝圖片風(fēng)格的影響，其具體的歸一化方案可以根據(jù)數(shù)據(jù)處理要求選擇相應(yīng)的處理方法。具體的，本申請(qǐng)的一種實(shí)施例中，所述按照預(yù)設(shè)方 式對(duì)所述樣本圖片進(jìn)行處理可以包括：

S101：將所述樣本圖片的顏色信息轉(zhuǎn)換為RGB三通道顏色信息；

S102：將所述樣本圖片的短邊縮放至第一預(yù)設(shè)值，相應(yīng)的，所述樣本圖片的長(zhǎng)邊按照所述短邊的縮放比例進(jìn)行同比例縮放，形成第一樣本圖片；

S103：以所述第一樣本圖片的所述長(zhǎng)邊和短邊的垂直中分線交點(diǎn)為中心點(diǎn)將所述第一樣本圖片裁剪為邊長(zhǎng)為所述第一預(yù)設(shè)值的正方形樣本圖片。

實(shí)際的實(shí)施過(guò)程中，隨機(jī)采集獲取的樣本圖片的尺寸大小通常為不一致的。在本實(shí)施例中可以對(duì)采集獲取的服裝樣本圖片進(jìn)行歸一化處理。具體的主要可以包括兩個(gè)處理過(guò)程：第一個(gè)處理過(guò)程可以為將所述服裝樣本圖片的顏色信息轉(zhuǎn)換為RGB三通道顏色信息；第二個(gè)處理過(guò)程可以為將所述服裝樣本圖片的尺寸統(tǒng)一縮放為短邊為第一預(yù)設(shè)值，另一長(zhǎng)邊則同比例縮放的第一樣本圖片。例如，本實(shí)施例中所述第一預(yù)設(shè)值可以設(shè)置為256像素，假設(shè)服裝樣本圖片的尺寸大小為[W，H]，W為服裝樣本圖片寬度，H為服裝樣本圖片高度。若W＞H，那么可以將所述服裝樣本圖片的高度H縮放為256像素，所述比例為H/256，相應(yīng)的，W進(jìn)行同比例縮放后為W＝W/(H/256)。若W＜H，則相應(yīng)的將W縮放為256像素，然后H進(jìn)行同比例縮放。舉例說(shuō)明，某服裝樣本圖片P1的尺寸為800*1200像素，那么經(jīng)過(guò)上述處理后形成的第一樣本圖片P1’的尺寸為256*384像素。

本申請(qǐng)中所述的樣本圖片可以在申請(qǐng)?jiān)O(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。本申請(qǐng)的一種實(shí)施方式中，得到所述第一樣本圖片后，可以進(jìn)一步對(duì)所述第一樣本圖片中的非正方形圖片進(jìn)行裁剪操作，將其處理為邊長(zhǎng)第一預(yù)設(shè)值的正方形樣本圖片。本實(shí)施例中考慮到在服裝樣本圖片中的服裝主體一般出現(xiàn)在圖片的中心區(qū)域，因此，可以在裁剪時(shí)保留所述樣本圖片的中心區(qū)域，這樣可以最大化的保留服裝樣本圖片中的服裝主體信息，提高服裝風(fēng)格識(shí)別的準(zhǔn)確性。本實(shí)施中所述的中心區(qū)域可以以所述第一樣本圖片的長(zhǎng)邊垂直中分線和短邊垂直中分線的交點(diǎn)進(jìn)行定位處理。具體的應(yīng)用場(chǎng)景中，例如：

假如所述服裝樣本圖片的尺寸縮放后為[256，H]，即H＞256像素，那么此時(shí)可以對(duì)所述服裝樣本圖片的頂部和底部進(jìn)行對(duì)稱裁剪，從而保證可以保留所述服裝樣本圖片的中心區(qū)域并且服裝樣本圖片的垂邊H為256像素。具體的所述服裝樣本圖片的上邊和下邊可以分別裁剪(H-256)/2個(gè)像素；

假如所述服裝樣本圖片的尺寸縮放后為[W，256]，即W＞256像素，那么此時(shí)可以對(duì)所述服裝樣本圖片的左邊和右邊進(jìn)行對(duì)稱裁剪，從而保證可以保留所述服裝樣本圖片的中心區(qū)域并且服裝樣本圖片的橫邊W為256像素。具體的所述服裝樣本圖片的左邊和右邊可以分別裁剪(W-256)/2個(gè)像素。

本申請(qǐng)的一種實(shí)施例中可以對(duì)上述歸一化后的樣本圖片進(jìn)行數(shù)據(jù)擴(kuò)展。具體的可以將原有采集獲取的樣本圖片數(shù)據(jù)量采用一定方式的擴(kuò)展到預(yù)定要求的數(shù)據(jù)量，這樣可以在后續(xù)卷積神經(jīng)網(wǎng)絡(luò)處理時(shí)防止過(guò)擬合，可以提高卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理的可靠性。本申請(qǐng)?zhí)峁┮环N所述數(shù)據(jù)擴(kuò)展的處理方法，具體的，本申請(qǐng)的一種實(shí)施例中，對(duì)所述樣本圖片進(jìn)行歸一化后進(jìn)行數(shù)據(jù)擴(kuò)展處理后，所述方法還可以包括：

分別所述邊長(zhǎng)為所述第一預(yù)設(shè)值的正方形樣本圖片的左上角、右上角、左下角、右下角、左邊中部、右邊中部、上邊中部、下邊中部為邊界裁剪出邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片，以所述邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片的一條垂邊為軸做鏡像翻轉(zhuǎn)形成新的邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片。

本實(shí)施例提供的數(shù)據(jù)擴(kuò)展的處理方法在服裝風(fēng)格識(shí)別的應(yīng)用場(chǎng)景中可以將原有的服裝樣本圖片數(shù)據(jù)擴(kuò)展到原有數(shù)據(jù)量的16倍。具體的例如圖2所示，圖2是本申請(qǐng)對(duì)服裝樣本圖片進(jìn)行裁剪的實(shí)施過(guò)程示意圖。如圖2所示，對(duì)歸一化后邊長(zhǎng)為256像素的正方形服裝樣本圖片PA進(jìn)行數(shù)據(jù)擴(kuò)展時(shí)，可以對(duì)服裝樣本圖片PA的8個(gè)關(guān)鍵部分即本實(shí)施例中設(shè)置的左上角、右上角、左下角、右下角、左邊中部、右邊中部、上邊中部和下邊中部進(jìn)行裁剪，抽離出8張邊長(zhǎng)為227像素的正方形樣本圖片P01、P02、P03、P04、P05、P06、P07、P08。然后可以對(duì)每一張裁剪抽離出227*227像素的正方形樣本圖片做一次以垂邊為軸的鏡像翻轉(zhuǎn)，形成新的8張邊長(zhǎng)為227像素的正方形樣本圖片P11、P12、P13、P14、P15、P16、P17、P18。這樣，所述歸一化后的服裝樣本圖片PA經(jīng)過(guò)上述數(shù)據(jù)擴(kuò)展處理后得到16張邊長(zhǎng)為227像素的正方形樣本圖片P01、P02、P03、P04、P05、P06、P07、P08、P11、P12、P13、P14、P15、P16、P17、P18。每一張所述歸一化后的服裝樣本圖片經(jīng)過(guò)數(shù)據(jù)擴(kuò)展處理后生成的圖片集合形成本申請(qǐng)所述的樣本訓(xùn)練集。

需要說(shuō)明的是，本實(shí)施例中所述的第二預(yù)設(shè)值227像素具體的可以根據(jù)實(shí)際的數(shù)據(jù)處理需求進(jìn)行設(shè)置。一般的，所述第二預(yù)設(shè)值設(shè)置可以略小于歸一化后的服裝樣本圖片的短邊邊長(zhǎng)。如上述實(shí)施例中對(duì)邊長(zhǎng)為256像素的正方形樣本圖片可以設(shè)置第二預(yù)設(shè)值為227像素。另外，本實(shí)施例中所述的鏡像翻轉(zhuǎn)具體的可以以所述邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片的左邊或者右邊的垂邊為軸進(jìn)行處理。例如本實(shí)施例應(yīng)用場(chǎng)景中可以以抽離出的所述邊長(zhǎng)為227像素的正方形樣本圖片的右邊垂邊為軸進(jìn)行鏡像翻轉(zhuǎn)。

本申請(qǐng)中可以采集獲取樣本圖片，對(duì)獲取的樣本圖片進(jìn)行歸一化和數(shù)據(jù)擴(kuò)展處理后可以得到樣本訓(xùn)練集。

S2：對(duì)預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)初始化，以及將所述樣本訓(xùn)練集中的樣 本圖片在所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到圖片風(fēng)格識(shí)別模型。

商品的風(fēng)格識(shí)別在現(xiàn)實(shí)場(chǎng)景中面對(duì)的場(chǎng)景通常比較復(fù)雜，因而本申請(qǐng)可以采用將定制化的神經(jīng)網(wǎng)絡(luò)進(jìn)行重新設(shè)計(jì)形成的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練，得到具有風(fēng)格識(shí)別能力的卷積神經(jīng)網(wǎng)絡(luò)模型。本申請(qǐng)中使用的卷積神經(jīng)網(wǎng)絡(luò)可以是以多目標(biāo)進(jìn)行訓(xùn)練的。本申請(qǐng)可以預(yù)先設(shè)置所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，將上述樣本訓(xùn)練集中的樣本圖片在預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，進(jìn)而得到可以識(shí)別圖片中商品風(fēng)格的識(shí)別模型。

一般的，在確定所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型后可以對(duì)所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)初始化。具體的本申請(qǐng)的一種實(shí)施方式中可以采用微調(diào)(fine-tuning)方法對(duì)本申請(qǐng)中所述的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，這樣可以有效減少因標(biāo)注數(shù)量較少導(dǎo)致的模型訓(xùn)練不充分的影響，提高本申請(qǐng)圖片風(fēng)格識(shí)別的準(zhǔn)確性和可靠性。通常來(lái)說(shuō)，對(duì)于風(fēng)格識(shí)別的深度學(xué)習(xí)問(wèn)題而言，每個(gè)類(lèi)別獲取的樣本圖片的標(biāo)注數(shù)據(jù)可能會(huì)存在數(shù)據(jù)不足的情況，特別是對(duì)于參數(shù)的有效收斂條件不充分的情況。因此，在本申請(qǐng)的一種實(shí)施例中可以使用微調(diào)技術(shù)(fine-tuning)，通過(guò)已有的穩(wěn)定模型對(duì)本申請(qǐng)預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化。一種實(shí)施例中具體的操作可以參考專利申請(qǐng)?zhí)枮椋篊N201510020689.9，《一種用于確定圖片陳列信息的方法及設(shè)備》中所示的線上穩(wěn)定模型對(duì)本申請(qǐng)所述的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，初始化的網(wǎng)絡(luò)內(nèi)容可以包括全部卷積層和全連通層。待初始化完成后，多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練可以直接基于現(xiàn)有的1500張樣本圖片繼續(xù)進(jìn)行訓(xùn)練，也可以對(duì)初始化參數(shù)進(jìn)行適應(yīng)性調(diào)整后進(jìn)行訓(xùn)練，從而可以更快也更加準(zhǔn)確的收斂到風(fēng)格需要的參數(shù)內(nèi)容中。

本申請(qǐng)中所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)可以根據(jù)樣本訓(xùn)練要求和實(shí)際應(yīng)用場(chǎng)景進(jìn)行設(shè)計(jì)、設(shè)置。本申請(qǐng)?zhí)峁┮环N多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，具體的，本申請(qǐng)的一種實(shí)施例中，所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)被設(shè)置成，可以包括：

三層卷積層、兩層全連通層、三層RELU層、三層Maxpooling層、包括至少兩個(gè)Softmax子層的Softmax層。

在本實(shí)施例的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中具體的實(shí)施過(guò)程中可以根據(jù)卷積神經(jīng)網(wǎng)絡(luò)處理需求和服裝風(fēng)格識(shí)別的設(shè)計(jì)需求設(shè)置相應(yīng)的神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)。例如一種實(shí)施例中可以在每個(gè)卷積層接入一層RELU層和歸一化層，這樣可以避免模型訓(xùn)練過(guò)程中的過(guò)擬合問(wèn)題(over-fitting)。其他的實(shí)施例中還可以在全連通層接入Dropout層，可以用于提升模型收斂的效率。當(dāng)然，實(shí)際的深度卷積神經(jīng)網(wǎng)絡(luò)可以根據(jù)應(yīng)用場(chǎng)景需求添加其他網(wǎng)絡(luò)結(jié)構(gòu)，例如還可以添加Norm層等。

本申請(qǐng)的一種實(shí)施方式中，所述Softmax層的各個(gè)子層判斷得到的損失值(Loss)可以 在向后傳播(Back Propagation)并對(duì)上層的參數(shù)進(jìn)行影響。具體的，本申請(qǐng)所述圖片風(fēng)格識(shí)別方法的另一種實(shí)施例中，所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)被設(shè)置成，可以包括：

所述Softmax層的Softmax子層將判斷得到的損失值向后傳播至與所述Softmax子層連接的全連通層，所述全連通層根據(jù)接收到的所述損失值相應(yīng)的調(diào)整所述全連通層的參數(shù)。

具體的例如假設(shè)Softmax-A子層對(duì)應(yīng)的是街頭風(fēng)格，Softmax-B子層對(duì)應(yīng)的是文藝風(fēng)格，那么兩個(gè)判別函數(shù)會(huì)得到兩個(gè)Loss值，如Loss-A和Loss-B。這兩個(gè)值均可以在后向傳播時(shí)影響上一層的全連通層的參數(shù)。所述上一層的全連通層可以根據(jù)各個(gè)Softmax子層反饋過(guò)來(lái)的損失值調(diào)整優(yōu)化所述全連通層的參數(shù)，進(jìn)而使所述全連通層對(duì)服裝圖片風(fēng)格的描述更為準(zhǔn)確。相應(yīng)的，在下一次服裝樣本圖片訓(xùn)練時(shí)，各個(gè)所述Softmax子層可以根據(jù)上述調(diào)整優(yōu)化后的全連通層的描述信息更加準(zhǔn)確的判別服裝風(fēng)格類(lèi)型。這樣，基于本實(shí)施例所述的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及處理方式，在得到足夠量的樣本訓(xùn)練后，可以大大提高本申請(qǐng)中的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)圖片風(fēng)格識(shí)別的準(zhǔn)確性。

圖3是本申請(qǐng)?zhí)峁┑乃鲱A(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)一種實(shí)施例的模型結(jié)構(gòu)示意圖。具體的如圖3所示，本申請(qǐng)的一種實(shí)施例中，所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)被設(shè)置成，可以包括：

包括64個(gè)卷積核的第一高斯卷積層；與所述第一高斯卷積層相連的第一Maxpooling層、RELU層、歸一化層；與所述第一Maxpooling層相連的包括32個(gè)卷積核的第二高斯卷積層；與所述第二斯卷積層相連的第二Maxpooling層、RELU層、歸一化層；與所述第二Maxpooling層相連的包括16個(gè)卷積核的第三高斯卷積層；與所述第三斯卷積層相連的第三Maxpooling層、RELU層、歸一化層；所述第三Maxpooling層相連的第一全連通層；與所述第一全連通層相連的第二全連通層和Dropout層；與所述第二全連通層相連的包括N個(gè)Softmax子層的Softmax層，N≥2。

如圖3所示，本實(shí)施例中的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)可以在最后一個(gè)全連通層接入Softmax層，這里所述的Softmax層可以包括多個(gè)子層，其中每一個(gè)Softmax子層可以對(duì)應(yīng)一個(gè)服裝風(fēng)格類(lèi)型的判斷函數(shù)，例如Softmax-A子層對(duì)應(yīng)的是街頭風(fēng)格，Softmax-B子層對(duì)應(yīng)的是文藝風(fēng)格。所述Softmax子層中判斷函數(shù)具體的參數(shù)可以通過(guò)卷積神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練的過(guò)程進(jìn)行確認(rèn)、優(yōu)化得到。本實(shí)施例中所述的每個(gè)Softmax子層可以基于相同的全連通層中的特征信息進(jìn)行判斷，并且每個(gè)Softmax子層的判斷可以是相互獨(dú)立、互不影響的。

具體的，本實(shí)施例中使用的Softmax層可以為一個(gè)非線性分類(lèi)器，可以利用全連通層輸出的特征向量與對(duì)應(yīng)的標(biāo)簽進(jìn)行分類(lèi)器訓(xùn)練。整個(gè)Softmax層處理的過(guò)程通?？梢园ㄈ剑旱谝徊娇梢詫?duì)全連通層輸出的固定特征向量X所有維的值求最大值，記為Max_i；第二步可 以使用exp表達(dá)式將所述特征向量X中的每一維都轉(zhuǎn)化到0～1之間的數(shù)，即特征向量X中的每一維x[i]＝exp(x[i]–Max_i)；第三步可以對(duì)第二步轉(zhuǎn)化后的特征向量X所有的值求和，然后相應(yīng)的做歸一化，即x[i]＝x[i]/sum(x[i])。

所述的卷積處理通常為一種特征提取方式，可以將圖像中符合條件的部分篩選出來(lái)。本申請(qǐng)的一種實(shí)施例中，所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中的卷積層可以采用高斯卷積層，所述的高斯卷積層主要用于包括對(duì)前一層的輸出結(jié)果與多個(gè)高斯卷積核進(jìn)行卷積操作。本實(shí)施例中所述高斯卷積核的參數(shù)可以通過(guò)學(xué)習(xí)得到。一種實(shí)施方式中，可以使用三層高斯卷積層，且每層使用的高斯卷積核的尺寸可以設(shè)置為5*5像素，同時(shí)每一個(gè)高斯卷積層中卷積核可以對(duì)服裝樣本圖片中的所有像素計(jì)算處理一遍。一般的，從深度學(xué)習(xí)的原理上來(lái)說(shuō)，底層卷積層的數(shù)據(jù)可以代表細(xì)粒度的特征，高層卷積層的數(shù)據(jù)可以代表抽象特征。因此，本申請(qǐng)的一種實(shí)施例所述的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中的卷積層中，高層的卷積層的卷積核數(shù)量可以大于底層卷積層的卷積核。在一個(gè)具體的應(yīng)用中，例如所述三個(gè)卷積層可以包括有64個(gè)卷積核的第一層卷積層(即高層卷積層)、有32個(gè)卷積核的第二層卷積層以及有16個(gè)卷積核的第三層卷積層(即底層卷積層)，所述三個(gè)卷積層的卷積核的尺寸可以均為5*5像素。如圖4所示的是所述第一卷積層學(xué)習(xí)到的64個(gè)高斯卷積核的可視化效果示意圖。

本實(shí)施例中所述的Maxpooling層可以用于對(duì)上一層卷積層的輸出進(jìn)行降采樣操作，即在預(yù)先設(shè)置的固定大小的采樣窗口中選取最大值作為降采樣后的點(diǎn)的值。例如在一個(gè)具體的實(shí)施例中，所述的Maxpooling層使用的采樣窗口可以均設(shè)置為3*3像素，采樣間隔可以為2個(gè)像素。

一般的，神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元有著不飽和的非線性特性。傳統(tǒng)的神經(jīng)元的輸出與輸入x之間有著飽和的非線性特性，即f(x)＝tanh(x)，而不飽和的非線性特性則使神經(jīng)元有著新的函數(shù)關(guān)系f(x)＝(0，x)。本實(shí)施例中所述RELU(rectified linear unit，校正線性單元，一種激活函數(shù))層主要可以用于對(duì)上一層數(shù)據(jù)結(jié)果進(jìn)行修正，包括將上一層小于0的輸入全部變成0后輸出，大于0的輸出不變。本實(shí)施例中使用RELU層可以提高所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型整體的訓(xùn)練效率。

本申請(qǐng)實(shí)施例中可以在所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中的RELU層接入歸一化層，可以用于增強(qiáng)所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)整體的泛化性能。在具體的處理過(guò)程中，所述歸一化可以是基于每個(gè)像素的局部窗口，即可以進(jìn)行局部歸一化操作。所述局部窗口的大小可以與所述卷積層卷積核的尺寸大小相同，如5*5像素。

本申請(qǐng)實(shí)施例中所述全聯(lián)通層可以作為上下兩層的節(jié)點(diǎn)之間的連接層，將上下兩層所得到的各節(jié)點(diǎn)數(shù)據(jù)建立連接關(guān)系。例如本實(shí)施例中所述全聯(lián)通層的輸出可以是128維的矩陣。

本實(shí)施例中所述的Dropout(休眠層)層可以用于提升模型收斂的效率，例如可以隨機(jī)讓上一層50％的輸出節(jié)點(diǎn)的數(shù)據(jù)為0，避免過(guò)擬合。

本申請(qǐng)?jiān)谀Ｐ陀?xùn)練過(guò)程中可以不需要對(duì)樣本訓(xùn)練集中的樣本圖片進(jìn)行特征預(yù)處理，可以將所述樣本圖片本身作為一個(gè)特征輸入所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。這樣所述樣本訓(xùn)練集中每張圖片經(jīng)過(guò)訓(xùn)練可以直接轉(zhuǎn)化為相應(yīng)的特征矩陣[W，H，C]。然后可以每次以K張樣本圖片為單位將所述樣本訓(xùn)練集中的所有圖片調(diào)入所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)。本實(shí)施例的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)避免了例如服裝樣本圖片前期的背景處理、干擾信息處理等對(duì)圖片整體或局部特征預(yù)處理的過(guò)程，可以直接使用整個(gè)樣本圖片進(jìn)行訓(xùn)練和識(shí)別，提高了圖片風(fēng)格識(shí)別效率。所述的K可以根據(jù)數(shù)據(jù)處理需求進(jìn)行設(shè)置，一般的可以取值32或64。

具體的，在上訓(xùn)練過(guò)程中可以采用隨機(jī)梯度下降方法對(duì)上述的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代學(xué)習(xí)。通常每一輪的迭代會(huì)更新所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中每一層的參數(shù)，例如包括網(wǎng)絡(luò)層內(nèi)節(jié)點(diǎn)的權(quán)重值以及偏執(zhí)值等，直到這些參數(shù)值收斂，以取得最優(yōu)解。具體的收斂條件可以根據(jù)數(shù)據(jù)處理需求進(jìn)行設(shè)置，一般來(lái)說(shuō)，本實(shí)施例提供的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)在經(jīng)過(guò)約150000次迭代后，可以得到符合設(shè)計(jì)要求的最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過(guò)上述樣本訓(xùn)練后得到的所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)具備了一定風(fēng)格類(lèi)型識(shí)別判斷能力，因此，可以將其作為本申請(qǐng)所述的圖片風(fēng)格識(shí)別模型。

本申請(qǐng)中可以對(duì)預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)初始化，然后將所述樣本訓(xùn)練集中的樣本圖片在所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到具備判斷圖片中商品風(fēng)格類(lèi)型的圖片風(fēng)格識(shí)別模型。

S3：利用所述圖片風(fēng)格識(shí)別模型對(duì)待識(shí)別圖片進(jìn)行識(shí)別，獲取所述待識(shí)別圖片屬于不同風(fēng)格類(lèi)型的概率向量，所述概率向量中每個(gè)風(fēng)格類(lèi)型的概率值的取值范圍為0至1。

經(jīng)過(guò)上述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)經(jīng)過(guò)特定方式處理的服裝樣本圖片的訓(xùn)練后，本申請(qǐng)可以得到具備判斷圖片風(fēng)格的服裝風(fēng)格識(shí)別模型。此時(shí)對(duì)于任意輸入的待識(shí)別圖片，本申請(qǐng)可以利用訓(xùn)練得到的圖片風(fēng)格識(shí)別模型對(duì)該待識(shí)別圖片進(jìn)行預(yù)測(cè)和識(shí)別，從而可以獲得一個(gè)N維的概率向量P＝{P1，P2，…，PN}。對(duì)于所述圖片風(fēng)格識(shí)別模型中任意一個(gè)風(fēng)格類(lèi)型i，其在所述N維的概率向量中相應(yīng)的概率值Pi可以表示當(dāng)前待識(shí)別圖片屬于該風(fēng)格類(lèi)型i的概率。例如一種應(yīng)用場(chǎng)景中可以通過(guò)所述服裝風(fēng)格識(shí)別模型獲取連衣裙圖片PA的11維的概率向量P＝{0.70，0.35，0.98，0.84，0.69，0.11，0.20，0.48，0.97，0.92}，可以依次表示為該連衣裙圖片PA屬于文藝風(fēng)、街頭風(fēng)、清新風(fēng)，學(xué)院風(fēng)，百搭風(fēng)，朋克風(fēng)，中性，民族風(fēng)，歐美風(fēng)、淑女風(fēng)、田園風(fēng)的概率。

需要說(shuō)明的是，本申請(qǐng)中設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果數(shù)據(jù)在最后進(jìn)行圖片風(fēng)格判定時(shí)得到N個(gè)特征值，如P＝{P1，P2，…，PN}。對(duì)于傳統(tǒng)常規(guī)的卷積神經(jīng)網(wǎng)絡(luò)而言，所有N個(gè)特征值的概率和是1，即：

而本申請(qǐng)實(shí)施例所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)得到的每個(gè)圖片風(fēng)格類(lèi)型的概率都可以為屬于0到1，即本申請(qǐng)實(shí)施例中的p_i∈[1，N]。本申請(qǐng)實(shí)施例設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)可以有效提升樣本圖片的訓(xùn)練效果及待識(shí)別樣本圖片風(fēng)格識(shí)別的準(zhǔn)確性。

利用上述訓(xùn)練得到的圖片風(fēng)格識(shí)別模型對(duì)待識(shí)別圖片進(jìn)行識(shí)別，可以獲取所述待識(shí)別圖片屬于不同風(fēng)格類(lèi)型的概率向量。

S4：根據(jù)預(yù)先設(shè)置的判斷規(guī)則和所述概率向量識(shí)別所述待識(shí)別圖片中所屬的風(fēng)格類(lèi)型。

本實(shí)施例獲取得到待識(shí)別服裝圖片屬于不同風(fēng)格類(lèi)型的概率向量后，可以根據(jù)預(yù)先設(shè)置的判斷規(guī)則，基于得到的所示概率向量識(shí)別出所述待識(shí)別服裝圖片所屬的風(fēng)格類(lèi)型，最后可以輸出確定出的所述待識(shí)別服裝圖片的風(fēng)格類(lèi)型。具體的判斷、輸出規(guī)則可以根據(jù)實(shí)際應(yīng)用場(chǎng)景和設(shè)計(jì)需求進(jìn)行設(shè)置，不同的設(shè)計(jì)人員可以基于所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)輸出的概率向量設(shè)置不同的判斷規(guī)則，如可以直接選取值最高的概率向量所對(duì)應(yīng)風(fēng)格類(lèi)型最為最后識(shí)別出的風(fēng)格類(lèi)型，或者按照某種特定方式對(duì)概率值進(jìn)行篩選、比較后確定待識(shí)別圖片所述的風(fēng)格類(lèi)型?；谒龆嗄繕?biāo)卷積神經(jīng)網(wǎng)絡(luò)輸出的概率向量進(jìn)行識(shí)別判斷所述待識(shí)別圖片所屬的風(fēng)格類(lèi)型的其他實(shí)施方式都應(yīng)當(dāng)屬于本申請(qǐng)的實(shí)施范圍內(nèi)。

本申請(qǐng)考慮到服裝鞋帽等商品風(fēng)格識(shí)別實(shí)際的應(yīng)用場(chǎng)景，提供了一種圖片風(fēng)格類(lèi)型的判斷輸出機(jī)制。在該實(shí)施方案中，最后識(shí)別出的每個(gè)商品的風(fēng)格類(lèi)型可以不超過(guò)M種。具體的，本申請(qǐng)的一種實(shí)施例中，所述根據(jù)預(yù)先設(shè)置的判斷規(guī)則和所述概率向量識(shí)別所述待識(shí)別圖片中所屬的風(fēng)格類(lèi)型可以包括：

從所述概率向量中選取概率值最大的前M個(gè)概率值，1≤M＜N，N為所述概率向量中概率值的個(gè)數(shù)；以及，

若所述M個(gè)概率值均大于等于第一閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于所述第一閾值，且所述M個(gè)概率值中最大的概率值大于等于 第二閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值中最大的概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于第二閾值，且所述M個(gè)概率值中最小的概率值大于等于第三閾值，則判斷所述待識(shí)別圖片中屬于所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于第二閾值，且所述M個(gè)概率值中存在至少一個(gè)概率值小于第三閾值以及至少一個(gè)概率值大于等于第三閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值中大于等于第三閾值的概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于第三閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型。

本實(shí)施中所述的M的取值以及第一閾值、第二閾值、第三閾值可以根據(jù)實(shí)際的判定要求和輸出要求進(jìn)行自定義的設(shè)置。在本實(shí)施服裝風(fēng)格識(shí)別的應(yīng)用場(chǎng)景中，一般的，所述M可以表示為輸出的所述待識(shí)別圖片可屬于的風(fēng)格類(lèi)型數(shù)的最大值，本實(shí)施例中可以設(shè)置所述第一閾值大于所述第二閾值，所述第二閾值大于所述第三閾值，所述第一閾值可以表示為設(shè)置的所述待識(shí)別服裝圖片有較高概率屬于某種風(fēng)格類(lèi)型的閾值。在本實(shí)施例方案中，即使M個(gè)概率值均小于第三閾值，表示所述待識(shí)別服裝圖片屬于M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型的概率較小，低于設(shè)定的第三閾值，本實(shí)施例中仍然采用輸出所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型。這樣可以有效保證待識(shí)別圖片自動(dòng)、有效的識(shí)別、輸出風(fēng)格類(lèi)型，保障用戶體驗(yàn)。

本申請(qǐng)實(shí)施例提供的圖片風(fēng)格判定規(guī)則及風(fēng)格輸出機(jī)制可以根據(jù)服裝風(fēng)格實(shí)際應(yīng)用特點(diǎn)及結(jié)合本申請(qǐng)?jiān)O(shè)置的特定結(jié)構(gòu)的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，自動(dòng)、合理、有效的識(shí)別服裝風(fēng)格。與現(xiàn)有技術(shù)相比，利用本申請(qǐng)實(shí)施例提供的技術(shù)方案可以大大提高圖片的風(fēng)格識(shí)別準(zhǔn)確率，不僅為用戶提供準(zhǔn)確的款式導(dǎo)購(gòu)以及為商戶提供準(zhǔn)確的商品風(fēng)格分類(lèi)，還可以改善用戶體驗(yàn)，增加商品成交轉(zhuǎn)化率。

本申請(qǐng)另一種優(yōu)選實(shí)施例中還提供了一種圖片風(fēng)格判定輸出規(guī)則具體實(shí)際應(yīng)用的設(shè)置方案。在本實(shí)施例方案中，最后識(shí)別出的每個(gè)圖片的風(fēng)格類(lèi)型可以不超過(guò)3種，避免過(guò)多的輸出結(jié)果對(duì)造成用戶識(shí)別干擾或選擇困難。同時(shí)，本實(shí)施例基于實(shí)際服裝鞋帽等場(chǎng)景應(yīng)用提供了一種所述第一閾值、第二閾值、第三閾值的取值范圍，可以根據(jù)準(zhǔn)確的識(shí)別、判斷出待識(shí)別圖片所屬的風(fēng)格類(lèi)型。具體的，本申請(qǐng)的另一種實(shí)施例中，可以采用下述中的至少一種設(shè)置方式識(shí)別所述待識(shí)別圖片所屬的風(fēng)格類(lèi)型：

M取值為3；

所述第一閾值取值范圍包括：0.9至0.95；

所述第二閾值取值包括：0.4至0.6；

所述第三閾值取值包括：0.2至0.3。

具體的一個(gè)應(yīng)用場(chǎng)景中，例如通過(guò)所述服裝風(fēng)格識(shí)別模型獲取的待識(shí)別連衣裙圖片PA的11維概率向量P＝{0.70，0.35，0.98，0.84，0.69，0.11，0.20，0.48，0.97，0.92}。可以從所述概率向量PA中選取概率值最大的前三個(gè)值Pa，Pb，Pc，那么，相應(yīng)的判斷輸出邏輯可以包括：

S401：若所述Pa、Pb、Pc的概率值均大于等于0.9，則判斷所述待識(shí)別服裝圖片中的服裝屬于所述Pa、Pb、Pc所對(duì)應(yīng)的風(fēng)格類(lèi)型。例如Pa、Pb、Pc分別為0.98、0.97、0.92時(shí)輸出三個(gè)概率值對(duì)應(yīng)的清新風(fēng)、淑女風(fēng)、田園風(fēng)。

S402：若所述Pa、Pb、Pc的概率值均小于0.9，且所述Pa、Pb、Pc中最大的概率值大于等于0.5，則判斷所述待識(shí)別服裝圖片中的服裝屬于所述Pa、Pb、Pc中最大的概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型。例如Pa、Pb、Pc分別為0.70、0.84、0.69時(shí)輸出0.84概率值對(duì)應(yīng)的學(xué)院風(fēng)。

S403：若所述Pa、Pb、Pc的概率值均小于0.5，且所述Pa、Pb、Pc中最小的概率值大于等于0.25，則判斷所述待識(shí)別服裝圖片中的服裝屬于所述Pa、Pb、Pc所對(duì)應(yīng)的風(fēng)格類(lèi)型。

S404：若所述Pa、Pb、Pc的概率值均小于0.5，且所述Pa、Pb、Pc中存在至少一個(gè)概率值小于0.25以及至少一個(gè)概率字大于等于0.25，則判斷所述待識(shí)別服裝圖片中的服裝屬于所述Pa、Pb、Pc中大于等于0.25的概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型。例如Pa、Pb、Pc分別為0.35、0.20、0.48時(shí)則輸出0.35和0.48所對(duì)應(yīng)的街頭風(fēng)和歐美風(fēng)。

S405：若所述Pa、Pb、Pc的概率值均小于第三閾值，則判斷所述待識(shí)別服裝圖片中的服裝屬于所述Pa、Pb、Pc所對(duì)應(yīng)的風(fēng)格類(lèi)型。

本申請(qǐng)?zhí)峁┝艘环N可以自動(dòng)對(duì)商品圖片中商品主體風(fēng)格進(jìn)行識(shí)別的方法，可以針對(duì)每個(gè)具體的商品圖片可以自動(dòng)的輸出多個(gè)(如3個(gè)以內(nèi))識(shí)別出的應(yīng)屬于的風(fēng)格類(lèi)型。與現(xiàn)有技術(shù)相比，利用本申請(qǐng)實(shí)施例提供的技術(shù)方案不僅可以大大提高圖片風(fēng)格識(shí)別的準(zhǔn)確率，降低作業(yè)人員的工作強(qiáng)度，還可以為用戶提供準(zhǔn)確的款式導(dǎo)購(gòu)以及為商戶提供準(zhǔn)確的商品風(fēng)格分類(lèi)，可以改善用戶體驗(yàn)，增加商品成交轉(zhuǎn)化率。

基于本申請(qǐng)所述的圖片風(fēng)格識(shí)別方法，本申請(qǐng)?zhí)峁┮环N圖片風(fēng)格識(shí)別裝置。圖5是本申請(qǐng)所述圖片風(fēng)格識(shí)別裝置一種實(shí)施例的模塊結(jié)構(gòu)示意圖，如圖5所示，所述裝置可以包括：

訓(xùn)練集構(gòu)建模塊101，可以用于獲取樣本圖片，以及按照預(yù)設(shè)方式對(duì)所述樣本圖進(jìn)行處理形成樣本訓(xùn)練集；

樣本訓(xùn)練模塊102，可以用于存儲(chǔ)設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)；還可以用于對(duì)所述多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)初始化，以及將所述樣本訓(xùn)練集中的樣本圖片在所述參數(shù)初始化后的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到圖片風(fēng)格識(shí)別模型；

圖片識(shí)別模塊103，可以用于利用所述圖片風(fēng)格識(shí)別模型對(duì)待識(shí)別圖片進(jìn)行識(shí)別，獲取所述待識(shí)別圖片屬于不同風(fēng)格類(lèi)型的概率向量，所述概率向量中每個(gè)風(fēng)格類(lèi)型的概率值的取值范圍為0至1；

風(fēng)格識(shí)別模塊104，可以用于存儲(chǔ)預(yù)先設(shè)置的圖片風(fēng)格判斷規(guī)則，以及根據(jù)所述判斷規(guī)則和所述概率向量識(shí)別所述待識(shí)別圖片所屬的風(fēng)格類(lèi)型。

所屬樣本訓(xùn)練模塊102中存儲(chǔ)的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)具體的可以根據(jù)不同應(yīng)用場(chǎng)景的數(shù)據(jù)處理需求進(jìn)行設(shè)置。圖6是本申請(qǐng)?zhí)峁┑乃鰳颖居?xùn)練模塊102中多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)一種實(shí)施例的模型結(jié)構(gòu)示意圖，如圖6所示，所述樣本訓(xùn)練模塊102中存儲(chǔ)設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)被設(shè)置成可以包括：

三層卷積層、兩層全連通層、三層RELU層、三層Maxpooling層、包括至少兩個(gè)Softmax子層的Softmax層。

當(dāng)然，如其他實(shí)施例所述，在實(shí)際設(shè)計(jì)多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)時(shí)還可以增加一個(gè)或多個(gè)層結(jié)構(gòu)，例如增加Maxpooling層、RELU層、歸一化層、Dropout層等。

在一種實(shí)施例中，所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)可以被設(shè)置成，包括：

所述Softmax層的Softmax子層將判斷得到的損失值向后傳播至與所述Softmax子層連接的全連通層，所述全連通層根據(jù)接收到的所述損失值相應(yīng)的調(diào)整所述全連通層的參數(shù)。

這樣，與所述Softmax子層連接的全連通層可以根據(jù)各個(gè)Softmax子層反饋過(guò)來(lái)的損失值調(diào)整優(yōu)化所述全連通層的參數(shù)，進(jìn)而使所述全連通層對(duì)圖片風(fēng)格的描述更為準(zhǔn)確。相應(yīng)的，在下一次樣本圖片訓(xùn)練時(shí)，各個(gè)所述Softmax子層可以根據(jù)上述調(diào)整優(yōu)化后的全連通層的描述信息更加準(zhǔn)確的判別圖片風(fēng)格類(lèi)型。

在本申請(qǐng)所述樣本訓(xùn)練模塊102中存儲(chǔ)設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)具體的另一種實(shí)施例中，所述預(yù)先設(shè)置的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)被設(shè)置成可以包括：

包括64個(gè)卷積核的第一高斯卷積層；與所述第一高斯卷積層相連的第一Maxpooling層、RELU層、歸一化層；與所述第一Maxpooling層相連的包括32個(gè)卷積核的第二高斯卷積層；與所述第二斯卷積層相連的第二Maxpooling層、RELU層、歸一化層；與所述第二Maxpooling層相連的包括16個(gè)卷積核的第三高斯卷積層；與所述第三斯卷積層相連的第三Maxpooling層、RELU層、歸一化層；所述第三Maxpooling層相連的第一全連通層；與所述第一全連通層相連的第二全連通層和Dropout層；與所述第二全連通層相連的包括N個(gè)Softmax子層的Softmax層，N≥2。

具體的可以參照?qǐng)D3所示的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖7是本申請(qǐng)?zhí)峁┑乃鲲L(fēng)格識(shí)別模塊104一種實(shí)施例的模塊結(jié)構(gòu)示意圖。如圖7所示， 所述風(fēng)格識(shí)別模塊104可以包括：

概率值選取模塊1041，可以用于從所述概率向量中選取概率值最大的前M個(gè)概率值，1≤M＜N，N為所述概率向量中概率值的個(gè)數(shù)；

識(shí)別結(jié)果輸出模塊1042，可以用于采用下述中的風(fēng)格判定規(guī)則識(shí)別待識(shí)別圖片所屬的風(fēng)格類(lèi)型：

若所述M個(gè)概率值均大于等于第一閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于所述第一閾值，且所述M個(gè)概率值中最大的概率值大于等于第二閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值中最大的概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于第二閾值，且所述M個(gè)概率值中最小的概率值大于等于第三閾值，則判斷所述待識(shí)別圖片中屬于所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于第二閾值，且所述M個(gè)概率值中存在至少一個(gè)概率值小于第三閾值以及至少一個(gè)概率值大于等于第三閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值中大于等于第三閾值的概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型；

若所述M個(gè)概率值均小于第三閾值，則判斷所述待識(shí)別圖片屬于所述M個(gè)概率值所對(duì)應(yīng)的風(fēng)格類(lèi)型。

本申請(qǐng)所述風(fēng)格識(shí)別裝置的另一種實(shí)施例提供了所述風(fēng)格識(shí)別模塊104中參數(shù)具體的取值范圍的實(shí)施方式。具體的，所述風(fēng)格識(shí)別模塊104可以采用下述中的至少一種設(shè)置方式識(shí)別所述待識(shí)別圖片所屬的風(fēng)格類(lèi)型：

M取值為3；

所述第一閾值取值范圍包括：0.9至0.95；

所述第二閾值取值包括：0.4至0.6；

所述第三閾值取值包括：0.2至0.3。

圖8是本申請(qǐng)?zhí)峁┑乃鲇?xùn)練集構(gòu)建模塊101一種實(shí)施例的模塊結(jié)構(gòu)示意圖，如圖8所示，所述訓(xùn)練集構(gòu)建模塊101可以包括：

顏色信息轉(zhuǎn)換模塊1011，可以用于將所述樣本圖片的顏色信息轉(zhuǎn)換為RGB三通道顏色信息；

縮放模塊1012，可以用于將所述樣本圖片的短邊縮放至第一預(yù)設(shè)值，以及將所述樣本圖片的長(zhǎng)邊按照所述短邊的縮放比例進(jìn)行同比例縮放，形成第一樣本圖片；

中心區(qū)域裁剪模塊1013，可以用于以所述第一樣本圖片的所述長(zhǎng)邊和短邊的垂直中分線交點(diǎn)為中心點(diǎn)將所述第一樣本圖片裁剪為邊長(zhǎng)為所述第一預(yù)設(shè)值的正方形樣本圖片。

圖9是本申請(qǐng)?zhí)峁┑乃鲇?xùn)練集構(gòu)建模塊101另一種實(shí)施例的模塊結(jié)構(gòu)示意圖，如圖9所示，所述訓(xùn)練集構(gòu)建模塊101還可以包括：

第一擴(kuò)展模塊1014，可以用于分別以所述邊長(zhǎng)為所述第一預(yù)設(shè)值的正方形樣本圖片的左上角、右上角、左下角、右下角、左邊中部、右邊中部、上邊中部、下邊中部為邊界裁剪出邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片；

第二擴(kuò)展模塊1015，可以用于以所述邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片的一條垂邊為軸做鏡像翻轉(zhuǎn)形成新的邊長(zhǎng)為第二預(yù)設(shè)值的正方形樣本圖片。

上述所述訓(xùn)練集構(gòu)建模塊101的實(shí)施方式中，可以所述的對(duì)樣本圖片歸一化以及數(shù)據(jù)擴(kuò)展處理，可以將不同樣本圖片的大小歸一化到同等大小，減小不同尺寸的圖片對(duì)確定圖片風(fēng)格的影響。一種實(shí)施例中考慮到樣本圖片中的商品主體一般出現(xiàn)在圖片的中心區(qū)域，因此，可以在裁剪時(shí)保留所述樣本圖片的中心區(qū)域，這樣可以最大化的保留樣本圖片中的商品主體信息，提高風(fēng)格識(shí)別的準(zhǔn)確性。本實(shí)施例提供的數(shù)據(jù)擴(kuò)展方式可以將原有采集獲取的樣本圖片數(shù)據(jù)量擴(kuò)展到預(yù)定要求的數(shù)據(jù)量，這樣可以在后續(xù)卷積神經(jīng)網(wǎng)絡(luò)處理時(shí)防止過(guò)擬合，可以提高卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理的可靠性。

本申請(qǐng)?zhí)峁┑膱D片風(fēng)格識(shí)別方法及裝置，可以利用樣本訓(xùn)練集中的樣本圖片在預(yù)先設(shè)置的特定網(wǎng)絡(luò)結(jié)構(gòu)的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到具有圖片風(fēng)格識(shí)別能力的識(shí)別模型，進(jìn)而可以實(shí)現(xiàn)自動(dòng)識(shí)別需要進(jìn)行風(fēng)格分類(lèi)的待識(shí)別圖片的風(fēng)格類(lèi)型。本申請(qǐng)?zhí)峁┑姆椒梢詫?shí)現(xiàn)商品風(fēng)格自動(dòng)快速識(shí)別，降低作業(yè)人員工作強(qiáng)度，提高識(shí)別效率。本申請(qǐng)中所述的樣本訓(xùn)練集中的樣本圖片可以預(yù)先經(jīng)過(guò)歸一化和數(shù)據(jù)擴(kuò)展處理，這樣可以提高識(shí)別模型的風(fēng)格識(shí)別準(zhǔn)確性和可靠性。本申請(qǐng)中可以根據(jù)需要預(yù)先設(shè)置風(fēng)格判斷規(guī)則，再基于識(shí)別模型輸出的概率向量，合理、有效、準(zhǔn)確的識(shí)別出商品圖片所屬的風(fēng)格類(lèi)型。利用本申請(qǐng)實(shí)施方案，不僅可以大大提高圖片風(fēng)格識(shí)別準(zhǔn)確率，降低作業(yè)人員的工作強(qiáng)度，還可以為用戶提供準(zhǔn)確的款式導(dǎo)購(gòu)以及為商戶提供準(zhǔn)確的商品風(fēng)格分類(lèi)，可以改善用戶體驗(yàn)，增加商品成交轉(zhuǎn)化率。

盡管本申請(qǐng)內(nèi)容中提到圖片裁剪、RGB通道顏色轉(zhuǎn)換、微調(diào)(fine-tuning)、卷積神經(jīng)網(wǎng)絡(luò)模型層結(jié)構(gòu)、卷積、損失反饋以及參考文獻(xiàn)等的圖片信息處理、神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的描述，但是，本申請(qǐng)并不局限于必須是完全標(biāo)準(zhǔn)或者所提及的方式的信息處理、神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的情況。本申請(qǐng)中各個(gè)實(shí)施例所涉及的上述描述僅是本申請(qǐng)中的一些實(shí)施例中的應(yīng)用，在某些標(biāo)準(zhǔn)、模型、方法的基礎(chǔ)上略加修改后的實(shí)施方式也可以實(shí)行上述本申請(qǐng)各實(shí)施例的方案。當(dāng)然，在符合本申請(qǐng)上述各實(shí)施例的中所述的處理方法步驟的其他無(wú)創(chuàng)造性的變形，仍然可以實(shí)現(xiàn)相同的申請(qǐng)，在此不再贅述。

雖然本申請(qǐng)?zhí)峁┝巳鐚?shí)施例或流程圖所述的方法操作步驟，但基于常規(guī)或者無(wú)創(chuàng)造性的勞動(dòng)可以包括更多或者更少的操作步驟。實(shí)施例中列舉的步驟順序僅僅為眾多步驟執(zhí)行順序中的一種方式，不代表唯一的執(zhí)行順序。在實(shí)際中的裝置或客戶端產(chǎn)品執(zhí)行時(shí)，可以按照實(shí)施例或者附圖所示的方法順序執(zhí)行或者并行執(zhí)行(例如并行處理器或者多線程處理的環(huán)境)。

上述實(shí)施例闡明的裝置或模塊，具體可以由計(jì)算機(jī)芯片或?qū)嶓w實(shí)現(xiàn)，或者由具有某種功能的產(chǎn)品來(lái)實(shí)現(xiàn)。為了描述的方便，描述以上裝置時(shí)以功能分為各種模塊分別描述。在實(shí)施本申請(qǐng)時(shí)可以把各模塊的功能在同一個(gè)或多個(gè)軟件和/或硬件中實(shí)現(xiàn)。當(dāng)然，也可以將實(shí)現(xiàn)某功能的模塊由多個(gè)子模塊或子單元組合實(shí)現(xiàn)。

本申請(qǐng)中所述的方法、裝置或模塊可以以計(jì)算機(jī)可讀程序代碼方式實(shí)現(xiàn)控制器按任何適當(dāng)?shù)姆绞綄?shí)現(xiàn)，例如，控制器可以采取例如微處理器或處理器以及存儲(chǔ)可由該(微)處理器執(zhí)行的計(jì)算機(jī)可讀程序代碼(例如軟件或固件)的計(jì)算機(jī)可讀介質(zhì)、邏輯門(mén)、開(kāi)關(guān)、專用集成電路(Application Specific Integrated Circuit，ASIC)、可編程邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存儲(chǔ)器控制器還可以被實(shí)現(xiàn)為存儲(chǔ)器的控制邏輯的一部分。本領(lǐng)域技術(shù)人員也知道，除了以純計(jì)算機(jī)可讀程序代碼方式實(shí)現(xiàn)控制器以外，完全可以通過(guò)將方法步驟進(jìn)行邏輯編程來(lái)使得控制器以邏輯門(mén)、開(kāi)關(guān)、專用集成電路、可編程邏輯控制器和嵌入微控制器等的形式來(lái)實(shí)現(xiàn)相同功能。因此這種控制器可以被認(rèn)為是一種硬件部件，而對(duì)其內(nèi)部包括的用于實(shí)現(xiàn)各種功能的裝置也可以視為硬件部件內(nèi)的結(jié)構(gòu)。或者甚至，可以將用于實(shí)現(xiàn)各種功能的裝置視為既可以是實(shí)現(xiàn)方法的軟件模塊又可以是硬件部件內(nèi)的結(jié)構(gòu)。

本申請(qǐng)所述裝置中的部分模塊可以在由計(jì)算機(jī)執(zhí)行的計(jì)算機(jī)可執(zhí)行指令的一般上下文中描述，例如程序模塊。一般地，程序模塊包括執(zhí)行特定任務(wù)或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類(lèi)型的例程、程序、對(duì)象、組件、數(shù)據(jù)結(jié)構(gòu)、類(lèi)等等。也可以在分布式計(jì)算環(huán)境中實(shí)踐本申請(qǐng)，在這些分布式計(jì)算環(huán)境中，由通過(guò)通信網(wǎng)絡(luò)而被連接的遠(yuǎn)程處理設(shè)備來(lái)執(zhí)行任務(wù)。在分布式計(jì)算環(huán)境中，程序模塊可以位于包括存儲(chǔ)設(shè)備在內(nèi)的本地和遠(yuǎn)程計(jì)算機(jī)存儲(chǔ)介質(zhì)中。

通過(guò)以上的實(shí)施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到本申請(qǐng)可借助軟件加必需的硬件的方式來(lái)實(shí)現(xiàn)。基于這樣的理解，本申請(qǐng)的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，也可以通過(guò)數(shù)據(jù)遷移的實(shí)施過(guò)程中體現(xiàn)出來(lái)。該計(jì)算機(jī)軟件產(chǎn)品可以存儲(chǔ)在存儲(chǔ)介質(zhì)中，如ROM/RAM、磁碟、光盤(pán)等，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，移動(dòng)終端，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本申請(qǐng)各個(gè)實(shí)施例或者實(shí)施例的某些部分所述的方法。

本說(shuō)明書(shū)中的各個(gè)實(shí)施例采用遞進(jìn)的方式描述，各個(gè)實(shí)施例之間相同或相似的部分互相參見(jiàn)即可，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處。本申請(qǐng)的全部或者部分可用于眾多通用或?qū)Ｓ玫挠?jì)算機(jī)系統(tǒng)環(huán)境或配置中。例如：個(gè)人計(jì)算機(jī)、服務(wù)器計(jì)算機(jī)、手持設(shè)備或便攜式設(shè)備、平板型設(shè)備、移動(dòng)通信終端、多處理器系統(tǒng)、基于微處理器的系統(tǒng)、可編程的電子設(shè)備、網(wǎng)絡(luò)PC、小型計(jì)算機(jī)、大型計(jì)算機(jī)、包括以上任何系統(tǒng)或設(shè)備的分布式計(jì)算環(huán)境等等。

雖然通過(guò)實(shí)施例描繪了本申請(qǐng)，本領(lǐng)域普通技術(shù)人員知道，本申請(qǐng)有許多變形和變化而不脫離本申請(qǐng)的精神，希望所附的權(quán)利要求包括這些變形和變化而不脫離本申請(qǐng)的精神。