基于代理的可扩展商标识别

商标识别是识别并分类商标的任务。商标识别是一个具有挑战性的问题,因为商标没有清晰的定义,且商标、品牌差异巨大,重新训练以覆盖每种变化是不现实的。在本文中,我们将商标识别表述为少样本目标检测问题。我们流程的两个主要组件是通用商标检测器和少样本商标识别器。通用商标检测器是一个类别无关的深层目标检测器网络,试图学习构成一个商标的特征。它在可能的商标区域上预测边界框。这些商标区域随后由商标识别器使用最近邻搜索进行分类,该识别器通过三元组损失(triplet loss)利用代理进行训练。我们还标注了首个此类产品商标数据集 PL2K,包含从亚马逊收集的 295K 张图像中的 2000 个商标。我们的流程在 PL2K 测试集上取得了 97% 召回率与 0.6 mAP,并在公开可用的 FlickrLogos-32 测试集上无需微调即达到最先进的 0.565 mAP。