CN112365324A - 适用于电商平台的商品图片检测方法 - Google Patents
适用于电商平台的商品图片检测方法 Download PDFInfo
- Publication number
- CN112365324A CN112365324A CN202011389989.1A CN202011389989A CN112365324A CN 112365324 A CN112365324 A CN 112365324A CN 202011389989 A CN202011389989 A CN 202011389989A CN 112365324 A CN112365324 A CN 112365324A
- Authority
- CN
- China
- Prior art keywords
- detection
- data
- commodity picture
- commodity
- commerce platform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了本申请提供了一种适用于电商平台的商品图片检测方法,包括:如下步骤:获取商品图片中商品的行业分类数据;根据所述行业分类数据将所述商品图片输入至对应行业分类的神经网络模型以获得商品的检测框坐标、检测结果以及置信度;根据所述行业分类数据确定主体选择策略;根据所述主体选择策略对原始的商品图片进行裁剪,得到目标物体图。本申请的有益之处在于提供一种充分结合数据的特点进而进行了数据增强的适用于电商平台的商品图片检测方法。
Description
技术领域
本申请涉及一种商品图片检测方法,具体涉及一种适用于电商平台的商品图片检测方法。
背景技术
目前,电商平台迅速壮大,随着货品种类和样式越来越多,在电商平台购物已经成为大部分人的选择。在电商购物的场景下,顾客与在线客服以在线聊天的形式,对商品相关信息进行询问。当顾客在浏览商品时,如果对详情图的某些图片信息感兴趣时,通常会对详情页进行截图,并向客服发送截图询问。或者顾客在生活中遇到钟意的商品时,拍照询问客服是否有同款或者相似商品。以上这些场景在真实生活中很多见。本项发明旨在提高客服效率,当顾客发送商品的图片时,客服机器人可以通过商品检索快速给出商品链接或其他信息。
在相关技术中,通常使用图与图之间的完全匹配来实现图像相似度对比。原始图像之间的匹配存在很多缺陷,首先,当查询图像的主体在图像中占的面积较小,但是目标图像的主体在图像中占的面积较大时,很难匹配成功。第二,当同一主体,例如:服装主体,在更换不同模特后,也难以匹配成功。这主要是因为冗余信息干扰所致。
发明内容
为了解决现有技术的不足,本申请提供了一种适用于电商平台的商品图片检测方法,包括如下步骤:获取商品图片中商品的行业分类数据;根据所述行业分类数据将所述商品图片输入至对应行业分类的神经网络模型以获得商品的检测框坐标、检测结果以及置信度;根据所述行业分类数据确定主体选择策略;根据所述主体选择策略对原始的商品图片进行裁剪,得到目标物体图。
进一步地,根据数据判断是否需要检测,如果判断为需要进行检测,则进行一下步骤;对图像进行检测框标注;对图像检测框聚类得到候选框;训练数据输入卷积神经网络进行卷积操作;通过度量检测框位置、大小以及物体类别和真实值之间的损失,更新模型参数,直到模型收敛,得到该行业的检测模型。
进一步地,输入所述卷积神经网络的数据包括行业商品图像数据和买家咨询图像数据。
进一步地,在进行所述对图像进行检测框标注时,采用数据增强策略。
进一步地,所述数据增强策略包括:图像旋转、翻转、网格遮挡或仿射变换。
进一步地,所述数据增强策略还包括:添加噪声、色彩变换或高斯模糊。
进一步地,在所述对图像检测框聚类得到候选框时,使用K-means算法对全部训练数据的检测框进行聚类,聚类参数为候选框数量n,聚类结果为n个候选框的长、宽数值。
进一步地,在所述训练数据输入卷积神经网络进行卷积操作时,所述卷积神经网络使用3乘3和1乘1的卷积核,主干网络仅包含卷积层且主干网络采用残差结构。
进一步地,在所述通过度量检测框位置、大小以及物体类别和真实值之间的损失,更新模型参数,直到模型收敛,得到该行业的检测模型时,通过计算检测框回归损失和类别损失,使用梯度下降策略更新参数从而获得数据模型。
进一步地,在根据所述行业分类数据确定主体选择策略时,如果检测出商品类别存在多个,首先通过阈值过滤,然后计算每个检测框之间的交并比,设定检测框合并的第一阈值和第二阈值,对于类别相同且交并比大于所述第一阈值的两个检测框,合并检测框;对于类别不同且交并比大于第二阈值的两个检测框,合并检测框,其中第一阈值小于第二阈值;合并框的类别选择置信度较高检测框的类别;当只有单一检测类别时,可以先通过置信度分数或者检测框的面积进行筛选;最后根据任务需要,输出一个或多个物体检测框。
本申请的有益之处在于:提供一种充分结合数据的特点进而进行了数据增强的适用于电商平台的商品图片检测方法。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图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是根据本申请一种实施例的适用于电商平台的商品图片检测方法中进行检测模型训练的步骤示意图;
图2是根据本申请一种实施例的适用于电商平台的商品图片检测方法中进行检测的步骤示意图;
图3是根据本申请一种实施例的适用于电商平台的商品图片检测方法的一组真实图片处理过程的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参照图1和图2所示,本申请分为模型训练阶段、模型测试阶段和应用阶段。
模型训练具体为:针对不同行业的数据,进行分析,判断是否需要进行检测,如需检测则针对该行业构建检测模型,使用yolo算法。在模型构建的过程中,需对数据进行处理,并调整网络参数,在模型收敛后得到检测模型。在模型测试阶段,根据每个行业数据的情况,制定主体选择策略,过滤多余的检测框,最终得到主体。
具体而言,如图1,模型训练阶段的基本流程为:
步骤S110,由于电商平台行业较多,因此需针对每个行业构建专属的检测模型。根据数据判断是否需要检测,如果判断为不需要检测,不需任何处理,如果判断为需要进行检测,则进行一下步骤。
步骤S120,对图像进行检测框标注,并且使用数据增强策略,扩充数据。
步骤S130,对图像检测框聚类,得到候选框。
步骤S140,训练数据输入卷积神经网络,进行卷积操作。
步骤S150,通过度量检测框位置、大小以及物体类别和真是值之间的损失,更新模型参数,直到模型收敛。得到该行业的检测模型。
如图2,应用阶段的基本流程为:
步骤S220,在具体应用时,输入图像对应的行业检测模型,进行计算。
步骤S230,得到商品检测框坐标,置信度和物体类别。
步骤S240,针对行业数据特点,确定主体选择策略。
步骤S250,对原图裁剪,得到物体图。
具体的,在步骤S110中,由于电商平台存在许多行业,并且,每个行业的商品展示图都有较大的差异,比如3C数码等行业,商品一般直接展示,而服装、配饰等行业,商品一般都通过模特穿戴展示。但如上分析并不绝对,因此实验人员通过对数据的充分理解与评估判断该行业是否需要进行商品检测,主要原则为:尽可能减少冗余信息的保留。
具体的,在步骤S120中,当步骤S110判断该行业需要进行商品检测时,进行本步骤。为了还原真实的问答场景,训练数据应包含该行业商品图像数据和买家咨询图像数据。在数据增强时,要根据数据的特点来选择增强方式,例如,服装属于非刚性物体,视角变化等不确定性因素会导致检测的类内差距大,因此可选择图像旋转,翻转,网格遮挡,仿射变换等方法,可以加强模型的视角不变性。对于刚性物体,添加噪声,色彩变换,高斯模糊等方法也可增强模型的鲁棒性。此外,马赛克拼图等数据增强方法对提升检测模型鲁棒性也有帮助。主要原则为:根据数据存在的问题进行针对性的数据增强。在对图像进行数据增强变换后,应同时对标注的检测框进行变换。
在确定检测类别时,也需要根据行业以及任务需求确定类别,但是类别之间相似度太高会导致类别预测准确率下降,在本申请中,对商品进行分类可以分担后续任务的压力。
具体的,在步骤S130中,由于目标检测算法基于候选框,所以使用K-means算法对全部训练数据的检测框进行聚类,聚类参数为候选框数量n,聚类结果为n个候选框的长、宽数值。
具体的,在步骤S140中,卷积神经网络使用3*3和1*1的卷积核,主干网络没有除卷积层以外的其他层,主干网络主要采用残差结构,加入残差结构可以构建更深层的模型。网络详细结构为yolo结构。
具体的,在步骤S150中,通过计算检测框回归损失和类别损失,使用梯度下降策略更新网络参数,最终得到网络模型。
在测试阶段,具体的,在步骤S210中,输入某一行业待检测图片。
具体的,在步骤220中,使用该行业模型,对图片中的商品进行检测。
具体的,在步骤230中,如果检测到图片中的商品,模型输出检测框位置、大小、置信度和类别名称。
具体的,在步骤240中。由于一张图片会同时存在多个商品主体,或者输出到多个检测框,因此需要进一步合并检测框。具体策略也要根据每个行业的具体数据进行指定,例如,检测类别存在多个,首先通过阈值过滤,第二,计算每个检测框之间的交并比(IOU),设定检测框合并阈值δ,ε,对于类别相同且IOU>δ的两个检测框,合并检测框,对于类别不同且IOU>ε的两个检测框,合并检测框,其中δ比ε的值小。合并框的类别选择置信度较高检测框的类别。当只有单一检测类别时,可以先通过置信度分数或者检测框的面积进行筛选。最后根据任务需要,输出一个或多个物体检测框。
具体的,在步骤250中,对商品区域进行裁剪。
如图3所示,将图片输入至经过训练的卷积神经网络,卷积神经网络输出两个检测框,其中,一个检测框经过判断为连衣裙,置信度为99.35%,另一个检测框判断为短裙,置信度26.68%,并且通过检索框的交并比判断,可知短裙的检测框完全在连衣裙的检索框内,因此进行检索框进行合并,选择置信度高的连衣裙作为最终的输出类别。
对商品图像的商品检测不仅可以作为图像检索任务的关键步骤,对其他应用场景也有极大的作用。本发明提出的方法充分结合数据的特点,有针对性地提出数据增强,检测框筛选策略。并且,检测平均速度为30ms,满足检索实时性的要求。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种适用于电商平台的商品图片检测方法,其特征在于:包括如下步骤:
获取商品图片中商品的行业分类数据;
根据所述行业分类数据将所述商品图片输入至对应行业分类的神经网络模型以获得商品的检测框坐标、检测结果以及置信度;
根据所述行业分类数据确定主体选择策略;
根据所述主体选择策略对原始的商品图片进行裁剪,得到目标物体图。
2.根据权利要求1所述的适用于电商平台的商品图片检测方法,其特征在于:
根据数据判断是否需要检测,如果判断为需要进行检测,则进行一下步骤;
对图像进行检测框标注;
对图像检测框聚类得到候选框;
训练数据输入卷积神经网络进行卷积操作;
通过度量检测框位置、大小以及物体类别和真实值之间的损失,更新模型参数,直到模型收敛,得到该行业的检测模型。
3.根据权利要求2所述的适用于电商平台的商品图片检测方法,其特征在于:
输入所述卷积神经网络的数据包括行业商品图像数据和买家咨询图像数据。
4.根据权利要求3所述的适用于电商平台的商品图片检测方法,其特征在于:
在进行所述对图像进行检测框标注时,采用数据增强策略。
5.根据权利要求4所述的适用于电商平台的商品图片检测方法,其特征在于:
所述数据增强策略包括:图像旋转、翻转、网格遮挡或仿射变换。
6.根据权利要求5所述的适用于电商平台的商品图片检测方法,其特征在于:
所述数据增强策略还包括:添加噪声、色彩变换或高斯模糊。
7.根据权利要求6所述的适用于电商平台的商品图片检测方法,其特征在于:
在所述对图像检测框聚类得到候选框时,使用K-
means算法对全部训练数据的检测框进行聚类,聚类参数为候选框数量n,聚类结果为n个候选框的长、宽数值。
8.根据权利要求7所述的适用于电商平台的商品图片检测方法,其特征在于:
在所述训练数据输入卷积神经网络进行卷积操作时,所述卷积神经网络使用3乘3和1乘1的卷积核,主干网络仅包含卷积层且主干网络采用残差结构。
9.根据权利要求8所述的适用于电商平台的商品图片检测方法,其特征在于:
在所述通过度量检测框位置、大小以及物体类别和真实值之间的损失,更新模型参数,直到模型收敛,得到该行业的检测模型时,通过计算检测框回归损失和类别损失,使用梯度下降策略更新参数从而获得数据模型。
10.根据权利要求9所述的适用于电商平台的商品图片检测方法,其特征在于:
在根据所述行业分类数据确定主体选择策略时,如果检测出商品类别存在多个,首先通过阈值过滤,然后计算每个检测框之间的交并比,设定检测框合并的第一阈值和第二阈值,对于类别相同且交并比大于所述第一阈值的两个检测框,合并检测框;对于类别不同且交并比大于第二阈值的两个检测框,合并检测框,其中第一阈值小于第二阈值;合并框的类别选择置信度较高检测框的类别;当只有单一检测类别时,可以先通过置信度分数或者检测框的面积进行筛选;最后根据任务需要,输出一个或多个物体检测框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389989.1A CN112365324A (zh) | 2020-12-02 | 2020-12-02 | 适用于电商平台的商品图片检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389989.1A CN112365324A (zh) | 2020-12-02 | 2020-12-02 | 适用于电商平台的商品图片检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365324A true CN112365324A (zh) | 2021-02-12 |
Family
ID=74536981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011389989.1A Pending CN112365324A (zh) | 2020-12-02 | 2020-12-02 | 适用于电商平台的商品图片检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967292A (zh) * | 2021-03-01 | 2021-06-15 | 焦点科技股份有限公司 | 一种针对电商产品的自动抠图与评分方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520273A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 一种基于目标检测的稠密小商品快速检测识别方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN110263660A (zh) * | 2019-05-27 | 2019-09-20 | 魏运 | 一种自适应场景变化的交通目标检测识别方法 |
CN110795992A (zh) * | 2019-09-11 | 2020-02-14 | 北京云迹科技有限公司 | 训练数据的获取方法、商品识别方法及对应装置 |
CN111079699A (zh) * | 2019-12-30 | 2020-04-28 | 北京每日优鲜电子商务有限公司 | 商品识别方法及装置 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
-
2020
- 2020-12-02 CN CN202011389989.1A patent/CN112365324A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520273A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 一种基于目标检测的稠密小商品快速检测识别方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN110263660A (zh) * | 2019-05-27 | 2019-09-20 | 魏运 | 一种自适应场景变化的交通目标检测识别方法 |
CN110795992A (zh) * | 2019-09-11 | 2020-02-14 | 北京云迹科技有限公司 | 训练数据的获取方法、商品识别方法及对应装置 |
CN111079699A (zh) * | 2019-12-30 | 2020-04-28 | 北京每日优鲜电子商务有限公司 | 商品识别方法及装置 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
Non-Patent Citations (2)
Title |
---|
周立旺;潘天翔;杨泽曦;王斌;: "多阶段优化的小目标聚焦检测", 图学学报, no. 01 * |
方仁渊;王敏;: "基于改进型YOLO网络的商品包装类型检测", 电子测量技术, no. 07 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967292A (zh) * | 2021-03-01 | 2021-06-15 | 焦点科技股份有限公司 | 一种针对电商产品的自动抠图与评分方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
EP3379491B1 (en) | Surface defect detection | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN108549870B (zh) | 一种对物品陈列进行鉴别的方法及装置 | |
US9286537B2 (en) | System and method for classifying a skin infection | |
CN106776619A (zh) | 用于确定目标对象的属性信息的方法和装置 | |
CN110413825B (zh) | 面向时尚电商的街拍推荐系统 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
KR20200119385A (ko) | 인공지능 감정 시스템, 인공지능 감정 방법 및 기록 매체 | |
CN111738344A (zh) | 一种基于多尺度融合的快速目标检测方法 | |
CN108734710A (zh) | 一种智能果蔬挑选方法 | |
CN110647906A (zh) | 基于Faster R-CNN方法的服饰目标检测方法 | |
US20190244282A1 (en) | Computerized exchange network | |
US20210248178A1 (en) | Systems and methods for product identification using image analysis and trained neural network | |
JPWO2018179361A1 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
KR20210038303A (ko) | 제품 분류 시스템 및 방법 | |
CN117115147B (zh) | 一种基于机器视觉的纺织品检测方法及系统 | |
CN111222530A (zh) | 一种细粒度图像分类方法、系统、装置和存储介质 | |
CN110569789A (zh) | 商品组合型sku识别方法及其装置 | |
CN114445268A (zh) | 一种基于深度学习的服装风格迁移方法及系统 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Nemade et al. | Co-occurrence patterns based fruit quality detection for hierarchical fruit image annotation | |
CN112365324A (zh) | 适用于电商平台的商品图片检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |