一种Logo识别方法及系统

技术领域

本申请涉及Logo识别技术领域，尤其涉及一种Logo识别方法及系统。

背景技术

一般的深度学习在单个任务上表现很好的一个重大前提是拥有海量的数据，较好的数据分布能够驱动深度学习学到更好的经验，一般的深度学习对数据依赖程度比较大。元学习不是针对单个任务进行优化，它是学习如何学习，通过捕捉不同任务的相似性，从而快速适应新的任务，所以元学习具有较高的泛化性，能够解决少样本学习的问题。当域改变时，现成的深度学习模型的性能往往会显著下降，这是因为不同域的数据分布往往是不同的，而一般的深度学习模型只是对已有域的数据的优化，很难适应新的域。现有技术中深度学习模型面临新域时，用大量的数据重新训练，对新域数据量量要求比较高，由于只是对单个域内的数据的优化，模型的泛化性比较低。

因此，针对以上现状，本发明提出一种Logo识别方法及系统，本发明通过元学习解决Logo跨域问题，使模型的泛化性比较高能够适应新的未知域，因此遇到新域数据量要求不高，提高了新域Logo识别的准确率。

发明内容

本申请实施例提供了一种Logo识别方法及系统，以至少解决相关技术中主观因素影响的问题。

本发明提供了一种Logo识别方法，包括：

选取步骤：选取目标域、源域，并对所述源域进行分组；

迭代步骤：根据抽样策略对所述源域的小数量数据进行采样，并计算源域模型的损失函数，使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的源域模型；

获取步骤：在所述目标域中使用训练后的所述源域模型，获取未知LOGO的类别。

上述的Logo识别方法，所述选取步骤包括，选择部分行业的Logo，从所述Logo中选取目标域、源域，并对所述源域进行分组。

上述的Logo识别方法，所述抽样策略包括，元训练抽样策略和元测试抽样策略。

上述的Logo识别方法，所述迭代步骤包括，每轮迭代中，根据所述元训练抽样策略、元测试抽样策略对所述小数量数据进行采样，并计算每轮新的源域模型的参数后，根据所述参数计算所述损失函数，并使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的所述源域模型。

上述的Logo识别方法，所述获取步骤包括，使用训练后的所述源域模型对库中数据进行推理，得到所述库中数据的特征映射后，在所述目标域上使用训练后的所述源域模型对所述未知LOGO的数据进行推理，并将所述数据进行特征映射后，对所述库中数据的特征映射与所述数据的特征映射进行比对，获取所述未知LOGO的类别。

本发明提供Logo识别系统，其特征在于，适用于上述所述的Logo识别方法，所述Logo识别系统包括：

选取单元：选取目标域、源域，并对所述源域进行分组；

迭代单元：根据抽样策略对所述源域的小数量数据进行采样，并计算源域模型的损失函数，使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的源域模型；

获取单元：在所述目标域中使用训练后的所述源域模型，获取未知LOGO的类别。

上述的Logo识别系统，所述选取单元选择部分行业的Logo，从所述Logo中选取目标域、源域，并对所述源域进行分组。

上述的Logo识别系统，所述抽样策略包括，元训练抽样策略和元测试抽样策略。

上述的Logo识别系统，所述迭代单元在每轮迭代中，根据所述元训练抽样策略、元测试抽样策略对所述小数量数据进行采样，并计算每轮新的源域模型的参数后，根据所述参数计算所述损失函数，并使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的所述源域模型。

上述的Logo识别系统，所述获取单元使用训练后的所述源域模型对库中数据进行推理，得到所述库中数据的特征映射后，在所述目标域上使用训练后的所述源域模型对所述未知LOGO的数据进行推理，并将所述数据进行特征映射后，对所述库中数据的特征映射与所述数据的特征映射进行比对，获取所述未知LOGO的类别。

相比于相关技术，本发明提出一种Logo识别方法及系统，本发明通过元学习解决Logo跨域问题，使模型的泛化性比较高能够适应新的未知域，因此遇到新域数据量要求不高，提高了新域Logo识别的准确率。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的Logo识别方法流程图；

图2是根据本申请实施例的源域分组显示图；

图3为本发明的Logo识别系统的结构示意图；

图4是根据本申请实施例的电子设备的框架图。

其中，附图标记为：

选取单元：51；

迭代单元：52；

获取单元：53；

81：处理器；

82：存储器；

83：通信接口；

80：总线。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本发明基于元学习的跨域Logo识别，下面进行简要的介绍。

元学习(meta-learning)是一种机器学习的模式，也叫做学会如何学习(learningto learn)。元学习的主要目标是设计额外的学习器，使得机器学习系统可以自动地从额外学习器中学习到目标函数。额外学习器的设计是元学习的核心，也就涉及到了如何学习“元知识”。有别于传统机器学习模式，即给定一个任务，在此任务上学习，元学习强调从多个同类任务中抽象、提取出元知识，然后应用于新的任务上。们可以看到，给定一个任务(数据集)，我们总是可以用上述过程学习一个最优的函数。此过程非常通用。但是可以预见的是，如果任务数量非常庞大，或者学习过程非常缓慢，则我们的机器学习过程便捉襟见肘。因此，很自然的一个想法是：如何最大限度地利用之前学习过的任务，来帮助新任务的学习？迁移学习是其中一种有效的思维。简单来说，迁移学习强调我们有一个已学习好的源任务，然后将其直接应用于目标任务上，再通过在目标任务上的微调，达到学习目标。这已经被证明是一种有效的学习方式。元学习(meta-learning,也叫learningto learn)是一种非常有效的学习模式。与迁移学习的目标类似，元学习也强调从相关的任务上学习经验，以帮助新任务的学习。不同点是，元学习是一种更为通用的模式，其核心在于“元知识”(meta-knowledge)的表征和获取。我们可以理解为，这种元知识是一大类任务上具有的通用知识，是通过某种学习方式可以获得的。其具有在这类任务上，非常强大的表征能力，因此可以被泛化于更多的任务上去。为了获取元知识，通常，元学习假定我们可以获取一些任务，它们采样自任务分布。我们假设可以从这个任务分布中采样出个源任务，表示为，其中两项分别表示在一个任务上的训练集和验证集。通常，在元学习中，它们又被成为支持集(supportset)和查询集(query set)。我们将学习元知识的过程叫做meta-train过程，它可以被表示为：其中的表示元知识学习过程的参数。为了验证元知识的效果，我们定义一个meta-test过程：从任务分布中采样个任务，构成meta-test数据，表示为。于是，在meta-test过程时，我们便可以将学到的元知识应用于meta-test数据来训练我们真正的任务模型：值得注意的是，上式中我们是在针对每个任务，自适应地训练其参数，这也就完成了泛化的过程。元学习的基本问题可以分成三大类：元知识的表征(meta-representation)。元知识应该如何进行表征，这回答了元学习的最重要问题，即学习什么的问题。元学习器(meta-optimizer)。即有了元知识的表征后，我们应该如何选择学习算法进行优化，也就回答了元学习中的如何学习的问题。元目标(meta-objective)。有了元知识的表征和学习方法后，我们应该朝着怎样的目标去进行学习？这回答了元学习中为什么要这样学习的问题。

logo是徽标或者商标的外语缩写，是LOGOtype的缩写，是一种用于标识身份的小型视觉设计，起到对logo拥有公司的识别和推广的作用，通过形象的logo可以让消费者记住公司主体和品牌文化。网络中的logo徽标主要是各个网站用来与其它网站链接的图形标志，代表一个网站或网站的一个板块。LOGO是希腊语logos的变化，是现代经济的产物，它不同于古代的印记。现代标志承载着企业的无形资产，是企业综合信息传递的媒介。标志作为企业CIS战略的最主要部分，在企业形象传递过程中，是应用最广泛、出现频率最高，同时也是最关键的元素。企业强大的整体实力、完善的管理机制、优质的产品和服务，都被涵概于标志中，通过不断的刺激和反复刻画，深深的留在受众心中。现代logo的概念更加完善、成熟，标志的推广与应用已建立了完善的系统。随着数字时代的到来与网络文化的迅速发展，传统的信息传播方式、阅读方式受到了前所未有的挑战。效率、时间的概念标准也被重新界定，在这种情况下，logo的风格也呈现向个性化、多元化发展。对于标志创作和设计者来说，要通过一个简洁的标志符号表达比以前多几十倍的信息量。经典型logo与具有前卫、探索倾向的设计并存，设计的宽容度扩大了。社会经济的衡量标准不再只是商品数量的多少，性能的好坏，种类的有无，概念传达的准确与快慢成了新的衡量标准和制胜的关键。可以说，时代给标志创作提供了一个前所未有的实践空间。基于这一点，标志的独特性与可识别性、理性与感性、个性与共性等方面的综合考虑成为设计师追求成功的有效路径。总结目前的社会和市场形势，logo可大致归纳为以下几个发展趋势。各种标志都在广阔的市场空问中抢占自己的视觉市场，吸引顾客。因此，如何在众多标志中跳出来，易辨，易记，个性成为新的要求。个性化包括消费市场需求的个性化和来自设计者的个性化。不同的消费者审美取向不同，不同的商品感觉不同，不同的设计师创意不同、表现不同。因此，在多元的平台上，无论对消费市场，还是对设计者来讲，个性化成为不可逆转的一大趋势。19世纪末以来，由于工业革命以及包豪斯设计风格的影响，设计倾向于机械化，有大工业时代的冰冷感。随着社会的发展和审美的多元化以及对人的关注，人性化成为设计中的重要因素。正如美国著名的工业设计家、设计史学家、设计教育家普罗斯所言:“人们总以为设计有三维:美学、技术、经济，然而，更重要的是第四维:人性！”logo也是如此，应根据心理需求和视觉喜好在造型和。色彩等方面趋向人性化，其有针对性。信息化时代的特征，使现在的logo与以往不同，除表明品牌或企业属性外，logo还要求有更丰富的视觉效果、更生动的造型、更适合消费心理的形象和色彩元素等。同时，通过整合企业多方面的综合信息进行自我独特设计语言的翻译和创造，使标志不仅能够形象贴切地表达企业理念和企业精神，还能够配合市场对消费者进行视觉刺激和吸引，协助宣传和销售。标志成为信息发出者和信息接收者之间的视觉联系纽带和桥梁，因此，信息含量的分析准确与否，成为logo取胜的途径。色彩等方面趋向人性化，其有针对性。意识形态的多元化，使logo的艺术表现方式日趋多元化:有二维平面形式，公有半立体的浮雕凹凸形式；有立体标志，也有动态的霓虹标志；有写实标志，也有写意标志；有严谨的标志，也有概念性标志。随着网络科技的进步和电子商务的发展，网络标志成为日益盛行的新的标志形态。标志识别分为人工标志识别和无人工标志识别两大类。人工标志的作用是向虚拟物体提供绘制信息。采用人工标志的优点是操作者可以通过它与虚拟物体间进行实时交互。但是，在某些情况下人工标志可能无法使用，例如圆明园的数字修复。它利用增强现实技术存废墟上显示虚拟的建筑，达到再现圆明园的效果。这种情况下无法在废墟上安放标志物，只能通过无人工标志的方法来实现。人工标志识别包括标志区域识别和标志图案识别，它是实现增强现实的重要步骤。标志识别的过程有对包含人工标志的图像进行二值化、采用连通域提取的算法实现标志区域识别等。不同标志图案识别问题有多种方法，比如：连通域数量判别法和模板匹配法。较好地识别人工标志，是实现虚实场景的实时融合的重要基础。

本发明提出一种Logo识别方法及系统，本发明通过元学习解决Logo跨域问题，使模型的泛化性比较高能够适应新的未知域，因此遇到新域数据量要求不高，提高了新域Logo识别的准确率。

下面将Logo识别为例对本申请实施例进行说明。

实施例一

本实施例提供了Logo识别方法。请参照图1-图2，图1是根据本申请实施例的Logo识别方法流程图；图2是根据本申请实施例的源域分组显示图,如图所示，Logo识别方法，包括如下步骤：

选取步骤S1：选取目标域、源域，并对所述源域进行分组；

迭代步骤S2：根据抽样策略对所述源域的小数量数据进行采样，并计算源域模型的损失函数，使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的源域模型；

获取步骤S3：在所述目标域中使用训练后的所述源域模型，获取未知LOGO的类别。

实施例中，所述选取步骤S1包括，选择部分行业的Logo，从所述Logo中选取目标域、源域，并对所述源域进行分组。

具体实施中，选取部分行业LOGO数据，行业包含为：美妆，汽车，食品，电子，运动，服饰,奢侈品。现在以美妆，汽车，食品，电子，运动，服饰为源域，奢侈品为目标域为例进行元学习方案阐述，也可以使用其他某个行业为目标域，剩下行业为源域进行模型训练和测试。源域的行业可以分成6组，如图2所示，每组由K-1个行业用来进行元训练，另外1个行业进行元测试。第1个组用D1表示，D2个组用D2表示，以此类推。

实施例中，所述抽样策略包括，元训练抽样策略和元测试抽样策略。

具体实施中，元训练抽样策略为：从K-1个行业中，每个行业选取M个，每个类别选取N个样本，那么小数量数据大小为(K-1)*M*N。元测试抽样策略为：从1个行业中，每个行业选取M个，每个类别选取N个样本，那么小数量数据大小为M*N。

实施例中，所述迭代步骤S2包括，每轮迭代中，根据所述元训练抽样策略、元测试抽样策略对所述小数量数据进行采样，并计算每轮新的源域模型的参数后，根据所述参数计算所述损失函数，并使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的所述源域模型。

具体实施中，每轮迭代，元训练阶段按照损失函数只计算新的模型参数，不进行反向传播更新模型。元测试阶段在新的模型参数上(元训练阶段得到的)计算对比和域对齐损失函数L

实施例中，所述获取步骤S3包括，使用训练后的所述源域模型对库中数据进行推理，得到所述库中数据的特征映射后，在所述目标域上使用训练后的所述源域模型对所述未知LOGO的数据进行推理，并将所述数据进行特征映射后，对所述库中数据的特征映射与所述数据的特征映射进行比对，获取所述未知LOGO的类别。迭代步骤S2的伪代码如下：

具体实施中，调用鉴权服务将相关信息做统一权限管理，权限异常直接给用户侧返回相关信息，权限正常，通过SQL画像模块构建SQL画像信息，经过路由模块调用相关计算引擎，不同引擎计算完成后将结果合并给客户端返回。

由此，本发明提出一种Logo识别方法及系统，本发明通过元学习解决Logo跨域问题，使模型的泛化性比较高能够适应新的未知域，因此遇到新域数据量要求不高，提高了新域Logo识别的准确率。

实施例二

请参照图3，图3为本发明的Logo识别系统的结构示意图。如图3所示，发明的Logo识别系统，适用于上述的Logo识别方法，Logo识别系统包括：

选取单元51：选取目标域、源域，并对所述源域进行分组；

迭代单元52：根据抽样策略对所述源域的小数量数据进行采样，并计算源域模型的损失函数，使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的源域模型；

获取单元53：在所述目标域中使用训练后的所述源域模型，获取未知LOGO的类别。

在本实施例中，所述选取单元51选择部分行业的Logo，从所述Logo中选取目标域、源域，并对所述源域进行分组。

在本实施例中，所述抽样策略包括，元训练抽样策略和元测试抽样策略。

在本实施例中，所述迭代单元52在每轮迭代中，根据所述元训练抽样策略、元测试抽样策略对所述小数量数据进行采样，并计算每轮新的源域模型的参数后，根据所述参数计算所述损失函数，并使用所述损失函数的总和反向传播更新所述源域模型，得到训练后的所述源域模型。

在本实施例中，所述获取单元53使用训练后的所述源域模型对库中数据进行推理，得到所述库中数据的特征映射后，在所述目标域上使用训练后的所述源域模型对所述未知LOGO的数据进行推理，并将所述数据进行特征映射后，对所述库中数据的特征映射与所述数据的特征映射进行比对，获取所述未知LOGO的类别。

实施例三

结合4所示，本实施例揭示了一种电子设备的一种具体实施方式。电子设备可以包括处理器81以及存储有计算机程序指令的存储器82。

具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为FPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EFPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。

处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意Logo识别方法。

在其中一些实施例中，电子设备还可包括通信接口83和总线80。其中，如图4所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。

通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线80包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

电子设备可连接Logo识别系统，从而实现结合图1-图2描述的方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。