[发明专利]顾客属性预测方法、存储介质、系统及设备

说明书

本发明提供一种顾客属性预测方法、存储介质、系统及设备，所述顾客属性预测方法包括：获取顾客图像；将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。本发明解决了基于深度学习的顾客属性预测过程中不能高效高质量提取顾客图像属性从而导致不能高精准的预测顾客属性的问题。并创造性的结合了注意力机制来有效高质量提取顾客属性行为特征，从而更加高精准高质量的对顾客属性进行预测。

技术领域

本发明特别涉及一种顾客属性预测方法、存储介质、系统及设备。

背景技术

商业大数据的有效利用给现代企业带来了巨大的商业机会和利益，在大数据时代，企业越来越重视如何有效利用数据，尤其是在商业客流领域中。作为与顾客直接接触的线下零售场所，如购物中心，连锁店和超市等地方，每天可以产生庞大的数据，如何从这些海量的数据中提取有效的信息，成为提高企业核心竞争力的关键。

特别是在大型商场购物中心，如何分析出顾客的喜好、顾客的主要集中时间段、顾客中的年龄段分布，是一个衡量商业客流分析提供商的重要指标。在实际应用场景中，由于场景复杂，导致最终形成的图像有较多的遮挡和失真，并且对于感兴趣的某些属性存在着极大的不平衡性，使得后续对顾客的分析造成困难。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种顾客属性预测方法、存储介质、系统及设备，用于解决现有技术中基于深度学习的顾客属性预测过程中不能高效高质量提取顾客图像属性从而导致不能高精准的预测顾客属性的问题。

为实现上述目的及其他相关目的，本发明提供一种顾客属性预测方法，所述顾客属性预测方法包括：获取顾客图像；将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集与数据增强；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。

于本发明的一实施例中，所述将所述顾客图像进行预处理的一种实现过程包括：将所述顾客图像的属性的数据集划分为训练集、验证集和测试集与数据增强；对所述验证集的其中一部分进行手工校对；将所述顾客图像的大小进行调节以适应检测器的输入；保存固定尺寸的所述顾客图像。

于本发明的一实施例中，所述构建网络并进行随机初始化的一种实现过程包括：选取能融合各个尺寸所述顾客图像的网络；所述网络的其中一个分支用于在语义较低的层预测顾客图像情况；所述网络的其中一个分支用于在较高的语义信息环境下对所述顾客图像属性进行后续预测；将各个分支的预测结果进行融合并计算出结果；将置信度信息与预测分支进行融合并计算出结果；将上述融合结果进行加权计算推算出预测结果；将属性预测置信度高于一定值的属性输出。

于本发明的一实施例中，所述用所述训练集训练网络的一种实现过程包括：

将所述获取的用于训练的批顾客图像，依据标注类别计算相互间的相似度，根据相似度来抑制训练过程中某些类别主导的问题，对其进行数据增强后输入网络；；定义损失函数的计算并对损失进行加权计算；以处理各个所述顾客图像属性之间的不平衡问题；判断回传梯度是否能够使得所述网络在所述验证集上的精度提高；若是，则进行权重更新；否则，则不进行更行；当网络模型的损失不再下降时，训练停止，此时获得最优训练参数；依据最优训练参数，让网络模型在训练集和验证集上训练，得到每次迭代的模型；在测试集对所述网络模型进行评估，并将所述网络模型按照一定阈值进行选取输出。

于本发明的一实施例中，所述定义损失函数的一种实现过程包括：设所述权重为W；所述训练集上各个属性的比例为ratios；则：W＝Exp(-ratios)；其中某个属性所占训练集比重越低，对损失的贡献越大。