用于货架商品识别的深度学习流水线
计算机视觉与模式识别
2019-01-29 v3
摘要
商店货架上的杂货商品识别存在特殊挑战。首先，该任务要求识别极多种不同的商品，对中型小型店铺而言可达数千种，且其中许多商品类间与类内差异很小。其次，可用的商品数据库通常每款商品仅包含一张或少数几张影棚级质量图像（本文称为参考图像），而在测试时，识别是在商店内由廉价相机拍摄、显示货架部分区域含若干商品的图片（称为查询图像）上进行的。此外，由于门店在售商品及其外观随时间频繁变化，实用的识别系统应无缝处理新商品/包装。受近期目标检测与图像检索进展的启发，我们提议利用基于深度学习的先进目标检测器获得初步的与商品无关的物品检测；随后，通过对参考图像与裁剪后查询图像上计算的全局描述子进行相似性搜索来实现商品识别。为最大化性能，我们基于图像嵌入损失在参考图像上训练 CNN 来学习一个专用的全局描述子。我们的系统在训练时计算开销大，但能在测试时快速且准确地完成识别。
引用
@article{arxiv.1810.01733,
title = {A deep learning pipeline for product recognition on store shelves},
author = {Alessio Tonioni and Eugenio Serra and Luigi Di Stefano},
journal= {arXiv preprint arXiv:1810.01733},
year = {2019}
}