Retail-786k：用于视觉实体匹配的大规模数据集

实体匹配（EM）定义为通过学习将语义概念从示例组（=实体）迁移至未见过数据来分组对象的任务。尽管许多 EM 问题背景下图像数据普遍可用，现有大多数 EM 算法仅依赖（文本）元数据。本文引入首个公开可用的大规模“视觉实体匹配”数据集，基于零售领域生产级用例。利用多年从不同欧洲零售商收集的广告传单扫描件，我们提供总计约 786k 张手动标注高分辨率产品图像，含约 18k 个不同零售产品，归为约 3k 实体。这些产品实体标注基于价格比较任务，每实体构成可比产品的等价类。初步基线评估表明，所提“视觉实体匹配”构成一种新学习问题，标准基于图像的分类与检索算法不足以解决。相反，需要能将基于示例的视觉等价类迁移到新数据的新型方法。本文旨在为此类算法提供基准。数据集信息、评估代码与下载说明见 https://www.retail-786k.org/。