CN114443876A - 一种快销行业中商品指纹快速匹配方法及系统 - Google Patents
一种快销行业中商品指纹快速匹配方法及系统 Download PDFInfo
- Publication number
- CN114443876A CN114443876A CN202210044475.5A CN202210044475A CN114443876A CN 114443876 A CN114443876 A CN 114443876A CN 202210044475 A CN202210044475 A CN 202210044475A CN 114443876 A CN114443876 A CN 114443876A
- Authority
- CN
- China
- Prior art keywords
- commodity
- elements
- center
- matching
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 101000762967 Homo sapiens Lymphokine-activated killer T-cell-originated protein kinase Proteins 0.000 description 1
- 102100026753 Lymphokine-activated killer T-cell-originated protein kinase Human genes 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Abstract
本发明提供一种快销行业中商品指纹快速匹配方法及系统,其中方法包括:获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素;根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素;将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。本发明指纹匹配消耗资源低,速度快,准确率高。
Description
技术领域
本发明涉及商品识别技术领域,特别是涉及一种快销行业中商品指纹快速匹配方法及系统。
背景技术
商品指纹在快销领域中不断的扩展深入,用于在商品识别中大规模的运用逐渐成为趋势。在快销行业中业务人员在投放商品之后的费用结算统筹,管理人员对市场上销售产品趋势的判断和分析,还是经销商对未来库存和进货的预算计划,能否实时的准确商品识别带来的结果都会直接影响到他们的判断,进而影响最终收益。商品指纹的优势在于不仅可以方便开发人员的快速迭代商品,而且可以提供接口给营业员随时插入新的指纹,提升商品在复杂场景中的匹配识别能力,因此在快销的AI中,商品指纹的数量随着使用量快速增长,需要识别的商品越多,对商品识别的精度要求越搞,搜索难度也会大幅提升。
以目前用于市场上的指纹库为例,为了能识别出市场上大部分品牌,指纹库存放着几百万的指纹,当需要识别一张图片中里面所有的SKU时,往往需要一次搜索几百上千个结果,对结果重新排序,进而最后筛选出置信度最好的结果。
发明内容
为解决以上现有技术问题,本发明提供一种快销行业中商品指纹快速匹配方法及系统,实现商品指纹快速匹配。
本发明第一方面提供一种快销行业中商品指纹快速匹配方法,包括:
获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素;
根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素;
将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。
进一步地,所述根据排序结果筛选满足预设数量的商品元素之后,还包括:
通过KNN投票机制,对排序结果为前100的元素进行投票,筛选投票数满足预设值的商品元素。
进一步地,所述将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心,包括:
将所述待处理图像通过分类器编码,得到每个商品元素的特征向量;
将所述每个商品元素的特征向量通过Kmeans聚类,得到每个商品元素的粗中心。
进一步地,所述根据所述每个商品元素的粗中心到聚类中心的距离值之前,还包括:
计算所述每个商品元素的粗中心到聚类中心的欧氏距离及余弦距离。
本发明第二方面提供一种快销行业中商品指纹快速匹配系统,包括:
商品元素处理模块,用于获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素;
商品元素排序模块,用于根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素;
商品指纹匹配模块,用于将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。
进一步地,所述商品元素排序模块,还用于:
通过KNN投票机制,对排序结果为前100的元素进行投票,筛选投票数满足预设值的商品元素。
进一步地,所述商品元素处理模块,还用于:
将所述待处理图像通过分类器编码,得到每个商品元素的特征向量;
将所述每个商品元素的特征向量通过Kmeans聚类,得到每个商品元素的粗中心。
进一步地,所述商品元素排序模块,还用于:
计算所述每个商品元素的粗中心到聚类中心的欧氏距离及余弦距离。
本发明第三方面提供一种电子装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中任意一项所述的快销行业中商品指纹快速匹配方法。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述第一方面中任意一项所述的快销行业中商品指纹快速匹配方法。
与现有技术相比,本发明实施例的有益效果在于:
本发明提供一种快销行业中商品指纹快速匹配方法及系统,其中方法包括:获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素;根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素;将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。本发明指纹匹配消耗资源低,速度快,准确率高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种快销行业中商品指纹快速匹配方法的流程图;
图2是本发明某一实施例提供的粗细特征差异编码与特征匹配的流程图;
图3是本发明某一实施例提供的自适应特征聚类算法的流程图;
图4是本发明某一实施例提供的一种快销行业中商品指纹快速匹配系统的装置图;
图5是本发明某一实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
第一方面。
请参阅图1,本发明一实施例提供一种快销行业中商品指纹快速匹配方法,包括:
S10、获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素。
S20、根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素。S30、将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。
优选地,所述根据排序结果筛选满足预设数量的商品元素之后,还包括:
通过KNN投票机制,对排序结果为前100的元素进行投票,筛选投票数满足预设值的商品元素。
优选地,所述将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心,包括:
将所述待处理图像通过分类器编码,得到每个商品元素的特征向量;
将所述每个商品元素的特征向量通过Kmeans聚类,得到每个商品元素的粗中心。
优选地,所述根据所述每个商品元素的粗中心到聚类中心的距离值之前,还包括:
计算所述每个商品元素的粗中心到聚类中心的欧氏距离及余弦距离。
在一具体实施例中,本发明提供的一种快销行业中商品指纹快速匹配方法,包括:
首先具备一个规模达2000万的指纹库,每个指纹代表一类商品,每类商品不止一个指纹(10~100个),特征器提取使用的是常用的神经网络图像分类器去除fc层的网络,这里的指纹特征长度为532维,所以指纹库规模为532X2000万。
1.128X128大小的图像由经过训练后的202层densenet分类器编码成为特征向量,经过densenet分类器得到的特征维度为532X1维向量。
2.需要得到532X2000万的10000类聚类中心,常见的聚类方法为Kmeans,假设数据集包含532X2000万个元素,每个元素是一个532维向量,使用Kmeans方法进行聚类,最终产生10000类聚类中心,维度为K=532,每个聚类中心的cluster_id可以使用10bit表示,每个维度的数据精度为fp 32
3.该聚类中心下的所有元素可以通过cluster_id查到中心向量,用中心向量作为该元素的近似表示,该元素的ID表示为<id,cluster_id>,所有的元素可以按同样的操作进行处理得到粗中心。
4.经过对指纹特征化和聚类后,得到10000个粗中心,在粗中心下用另一个列表维护在该中心下的所有元素,每个元素都用均值和方差来表示,然后根据与粗中心的距离(欧式距离和余弦距离)来进行排序,得到<id,cluster_id,均值,方差,距离>。这样当需要搜索一个元素时,首先距离最近的元素会与所有的聚类中心进行比对,找出TOP k(k<=20)个元素,然后在每个聚类中心下找到最近的前100个元素与待搜索元素进行对比,这样对应与待搜索的相似所有元素都可以找到。
5.把对应所有元素都找出来排序,后续加入投票机制进行筛选。目前最流行的投票机制是KNN,选出距离最近的100个元素进行投票,最终结果由票数最多者决定。
6.在搜索多个聚类中心的同时,可以启用多线程进行搜索,如果为n核的CPU,在同一时刻每个核只需要承担部分聚类中心的计算即可,这样在CPU下工作一样可以达到与GPU同样效果。这个是由于2000万数据量经过聚10000类后,每个中心空间下平均拥有的元素为2000个,而聚类中心的搜索和每个中心元素下的元素多少其实都在万级以内,搜索强度不大,可以进行快速匹配。
优选地,请参阅图2,由于粗中心有10000个,在对待定搜索特征计算TOPK粗中心的时候,万级的计算量通常也会比较慢,这个是由于每个粗中心的维度精度都使用fp32进行编码,这个时候编码的精度就有一定的影响。与平时不同的编码方式是,粗中心我们用的是fp16编码(维度截断),而在细排序层面则用int8,对细特征重新进行量化处理进行,据统计发现,当压力较大时,内存IO处理时间占算法处理时间的90%以上,因此,如果能够使用int8来表达向量的每一维,那么一次查询的内存访问量会降低到d*1*N,即本来的四分之一,理论上性能会提升到接近原来的4倍。而当特征进入第一次比对时,特征会用两种模式编码,一种是fp16,另一种是int8,分别与粗中心和细特征排序进行对比。
优选地,请参阅图3,经过实践表面,同类指纹的相似度有时会较高,在经过搜索查询的时候,相同类别的指纹经常会出现占据topK的位置,而因为放入同一类指纹的相似程度较高,这个时候进行投票机制的决策时会产生误差。具体地,采用一种自适应特征聚类算法去减少计算的复杂度:
1.建立特征的细排统计表,该统计表主要记录:特征同时出现的次数,特征之间的相似度(欧式聚类),查询次数,簇中心ID,簇中心的相似度
2.建立一套自适应聚类算法:根据统计表的计算,当该簇中心被查询超过一定次数时(比如5000),该簇中心下面的特征同时出现的频度也超过一定的阈值(0.8),且相似度也在一定的阈值范围(0.7)内,可以认为该组特征具有共性,用该组特征的均值代替所有共同出现的特征,这样相似的特征就会减少。
3.当自适应聚类算法聚类到一定程度,特征数量基本不再改变时,KNN算法的K=10可以根据特征数量改成K=7或者K=5,这取决于整体的特征数量由原来的100%降低到70%或者50%,这是由于特征已经大部分被合并,再次出现投票时,同一类别的数量会大概率减少,为保存准确率K也要相应修改,甚至聚类停止。
本发明指纹匹配消耗资源低,速度快,准确率高。
第二方面。
请参阅图4,本发明一实施例提供一种快销行业中商品指纹快速匹配系统,包括:
商品元素处理模块10,用于获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素。
商品元素排序模块20,用于根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素。
商品指纹匹配模块30,用于将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。
优选地,所述商品元素排序模块,还用于:
通过KNN投票机制,对排序结果为前100的元素进行投票,筛选投票数满足预设值的商品元素。
优选地,所述商品元素处理模块,还用于:
将所述待处理图像通过分类器编码,得到每个商品元素的特征向量;
将所述每个商品元素的特征向量通过Kmeans聚类,得到每个商品元素的粗中心。
优选地,所述商品元素排序模块,还用于:
计算所述每个商品元素的粗中心到聚类中心的欧氏距离及余弦距离。
本发明提供的系统指纹匹配消耗资源低,速度快,准确率高。
第三方面。
本发明提供了一种电子设备,该电子设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的一种快销行业中商品指纹快速匹配方法对应的操作。
在一个可选实施例中提供了一种电子设备,如图5所示,图5所示的电子设备5000包括:处理器5001和存储器5003。其中,处理器5001和存储器5003相连,如通过总线5002相连。可选地,电子设备5000还可以包括收发器5004。需要说明的是,实际应用中收发器5004不限于一个,该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器5001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线5002可包括一通路,在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码,并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的一种快销行业中商品指纹快速匹配方法。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种快销行业中商品指纹快速匹配方法,其特征在于,包括:
获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素;
根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素;
将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。
2.如权利要求1所述的一种快销行业中商品指纹快速匹配方法,其特征在于,所述根据排序结果筛选满足预设数量的商品元素之后,还包括:
通过KNN投票机制,对排序结果为前100的元素进行投票,筛选投票数满足预设值的商品元素。
3.如权利要求1所述的一种快销行业中商品指纹快速匹配方法,其特征在于,所述将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心,包括:
将所述待处理图像通过分类器编码,得到每个商品元素的特征向量;
将所述每个商品元素的特征向量通过Kmeans聚类,得到每个商品元素的粗中心。
4.如权利要求1所述的一种快销行业中商品指纹快速匹配方法,其特征在于,所述根据所述每个商品元素的粗中心到聚类中心的距离值之前,还包括:
计算所述每个商品元素的粗中心到聚类中心的欧氏距离及余弦距离。
5.一种快销行业中商品指纹快速匹配系统,其特征在于,包括:
商品元素处理模块,用于获取待处理图像,将所述待处理图像通过分类器编码及Kmeans聚类,得到每个商品元素的粗中心;其中,所述待处理图像中包括若干商品元素;
商品元素排序模块,用于根据所述每个商品元素的粗中心到聚类中心的距离值,对所有商品进行排序,并根据排序结果筛选满足预设数量的商品元素;
商品指纹匹配模块,用于将筛选得到的商品元素与待搜索的商品元素进行对比,并根据对比结果实现商品指纹的快速匹配。
6.如权利要求5所述的一种快销行业中商品指纹快速匹配系统,其特征在于,所述商品元素排序模块,还用于:
通过KNN投票机制,对排序结果为前100的元素进行投票,筛选投票数满足预设值的商品元素。
7.如权利要求5所述的一种快销行业中商品指纹快速匹配系统,其特征在于,所述商品元素处理模块,还用于:
将所述待处理图像通过分类器编码,得到每个商品元素的特征向量;
将所述每个商品元素的特征向量通过Kmeans聚类,得到每个商品元素的粗中心。
8.如权利要求5所述的一种快销行业中商品指纹快速匹配系统,其特征在于,所述商品元素排序模块,还用于:
计算所述每个商品元素的粗中心到聚类中心的欧氏距离及余弦距离。
9.一种电子装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的快销行业中商品指纹快速匹配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的快销行业中商品指纹快速匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044475.5A CN114443876A (zh) | 2022-01-14 | 2022-01-14 | 一种快销行业中商品指纹快速匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044475.5A CN114443876A (zh) | 2022-01-14 | 2022-01-14 | 一种快销行业中商品指纹快速匹配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114443876A true CN114443876A (zh) | 2022-05-06 |
Family
ID=81367383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210044475.5A Pending CN114443876A (zh) | 2022-01-14 | 2022-01-14 | 一种快销行业中商品指纹快速匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114443876A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106060779A (zh) * | 2016-07-18 | 2016-10-26 | 北京方位捷讯科技有限公司 | 指纹特征匹配方法及装置 |
CN106886553A (zh) * | 2016-12-27 | 2017-06-23 | 浙江宇视科技有限公司 | 一种图像检索方法及服务器 |
CN109165639A (zh) * | 2018-10-15 | 2019-01-08 | 广州广电运通金融电子股份有限公司 | 一种指静脉识别方法、装置及设备 |
CN109740660A (zh) * | 2018-12-27 | 2019-05-10 | 深圳云天励飞技术有限公司 | 图像处理方法及装置 |
CN110674328A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 一种商标图像检索方法、系统、介质及设备 |
CN112135248A (zh) * | 2020-10-09 | 2020-12-25 | 西安建筑科技大学 | 一种基于K-means最优估计的WIFI指纹定位方法 |
CN112307239A (zh) * | 2020-10-29 | 2021-02-02 | 泰康保险集团股份有限公司 | 一种图像检索方法、装置、介质和设备 |
CN113627411A (zh) * | 2021-10-14 | 2021-11-09 | 广州市玄武无线科技股份有限公司 | 一种基于超分辨率的商品识别与价格匹配方法及系统 |
CN113918753A (zh) * | 2021-07-23 | 2022-01-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像检索方法及相关设备 |
-
2022
- 2022-01-14 CN CN202210044475.5A patent/CN114443876A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106060779A (zh) * | 2016-07-18 | 2016-10-26 | 北京方位捷讯科技有限公司 | 指纹特征匹配方法及装置 |
CN106886553A (zh) * | 2016-12-27 | 2017-06-23 | 浙江宇视科技有限公司 | 一种图像检索方法及服务器 |
CN109165639A (zh) * | 2018-10-15 | 2019-01-08 | 广州广电运通金融电子股份有限公司 | 一种指静脉识别方法、装置及设备 |
CN109740660A (zh) * | 2018-12-27 | 2019-05-10 | 深圳云天励飞技术有限公司 | 图像处理方法及装置 |
CN110674328A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 一种商标图像检索方法、系统、介质及设备 |
CN112135248A (zh) * | 2020-10-09 | 2020-12-25 | 西安建筑科技大学 | 一种基于K-means最优估计的WIFI指纹定位方法 |
CN112307239A (zh) * | 2020-10-29 | 2021-02-02 | 泰康保险集团股份有限公司 | 一种图像检索方法、装置、介质和设备 |
CN113918753A (zh) * | 2021-07-23 | 2022-01-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像检索方法及相关设备 |
CN113627411A (zh) * | 2021-10-14 | 2021-11-09 | 广州市玄武无线科技股份有限公司 | 一种基于超分辨率的商品识别与价格匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891465B2 (en) | Methods and apparatuses for searching for target person, devices, and media | |
US8407164B2 (en) | Data classification and hierarchical clustering | |
US8032507B1 (en) | Similarity-based searching | |
CN107766323B (zh) | 一种基于互信息和关联规则的文本特征提取方法 | |
CN108804617B (zh) | 领域术语抽取方法、装置、终端设备及存储介质 | |
CN114119058B (zh) | 用户画像模型的构建方法、设备及存储介质 | |
US10614118B2 (en) | Increasing inclusiveness of search result generation through tuned mapping of text and images into the same high-dimensional space | |
US20200410280A1 (en) | Methods and apparatuses for updating databases, electronic devices and computer storage mediums | |
CN110825894A (zh) | 数据索引建立、数据检索方法、装置、设备和存储介质 | |
KR20190114166A (ko) | 오토인코더를 이용한 산업분류 시스템 및 방법 | |
CA3138556A1 (en) | Apparatuses, storage medium and method of querying data based on vertical search | |
CN114245896A (zh) | 向量查询方法、装置、电子设备及存储介质 | |
Yu et al. | A content-based goods image recommendation system | |
CN108229358B (zh) | 索引建立方法和装置、电子设备、计算机存储介质 | |
CN111143678B (zh) | 推荐系统和推荐方法 | |
CN112860850B (zh) | 人机交互方法、装置、设备及存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN111563207A (zh) | 一种搜索结果的排序方法、装置、存储介质及计算机设备 | |
CN114443876A (zh) | 一种快销行业中商品指纹快速匹配方法及系统 | |
US20220172455A1 (en) | Systems and methods for fractal-based visual searching | |
CN112528021B (zh) | 一种模型训练方法、模型训练装置及智能设备 | |
CN115146103A (zh) | 图像检索方法、装置、计算机设备、存储介质和程序产品 | |
CN110959157A (zh) | 加速大规模相似性计算 | |
CN109783816B (zh) | 短文本聚类方法及终端设备 | |
CN113408665A (zh) | 对象识别方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220506 |
|
RJ01 | Rejection of invention patent application after publication |