基于弱监督表示学习的大规模商品检索
计算机视觉与模式识别
2022-08-02 v1
摘要
大规模弱监督商品检索是一个实际有用但计算上具有挑战性的问题。本文介绍了一种针对 CVPR 2022 第九届细粒度视觉分类研讨会（FGVC9）上举办的 eBay 视觉搜索挑战赛（eProduct）的新颖解决方案。该竞赛提出两点挑战：(a) 电商是一个极度细粒度的领域，包含许多具有细微视觉差异的商品；(b) 缺乏用于模型训练的目标实例级标签，仅有粗粒度类别标签与商品标题可用。为克服这些障碍，我们通过一组专门设计构建了强力方案：(a) 不直接使用文本训练数据，而是从商品标题中挖掘数千个伪属性，并将其作为多标签分类的真值。(b) 我们融合若干强主干网络与先进训练策略，以获得更具判别力的表示学习。(c) 我们进一步引入白化、重排序与模型集成等多种后处理技术以增强检索。凭借 71.53% 的 MAR，我们的方案“Involution King”在排行榜上取得第二名的成绩。
引用
@article{arxiv.2208.00955,
title = {Large-Scale Product Retrieval with Weakly Supervised Representation Learning},
author = {Xiao Han and Kam Woh Ng and Sauradip Nag and Zhiyu Qu},
journal= {arXiv preprint arXiv:2208.00955},
year = {2022}
}
备注
FGVC9 CVPR2022