Unposed：基于无监督姿态估计的商品图像推荐

商品图像是电子商务网站商品详情页上给客户留下最深刻印象的交互媒介。每天有数百万商品上架至网络商店目录，维持商品图像集的高质量水准是一个规模化难题。按类别分组时，服装是体量极大且更新极快的一类，因此值得特别关注。鉴于规模，监控能充分向消费者展示商品的图像集完整性颇具挑战，这常导致糟糕的客户体验与客户流失。为监督此类商品页面中图像的质量与完整性并提出改进建议，我们提出一种基于人体姿态检测的无监督方法来扫描商品图像集以找出缺失图像。该无监督方法基于商品与类别向卖家提供公平建议，不受任何偏见影响。我们首先从拥有完整图像集的热门商品创建参考图像集。然后我们对图像聚类以标注最期望姿态，从这些理想商品集形成参考集的类别。进一步，对所有测试商品，我们参照参考集姿态扫描所有期望姿态类的图像，确定缺失项并按潜在影响排序。这些缺失姿态可进一步被卖家用于添加丰富的商品陈列图像。我们从热门在线网络商店收集数据并人工调查约200件商品，其中很大比例至少有1张重复图像或缺失变体，并抽样3K件商品（约20K图像），其中显著比例相比高评分商品（拥有超过两倍图像变体）有添加许多图像变体的空间，表明我们的模型有潜力大规模使用。