商品检索是一门综合了物体检测、图像分类以及特征自学的技术。近期，很多研究者顺利地将深度自学方法应用于到这个领域。本文对这些方法展开了总结，然后总结地明确提出了商品特征自学框架以及垂类数据挖掘方式，最后讲解了商品检索技术在服装配上中的应用于。
前言几年前，当人们还在感慨于网页购物的较慢便利时，各大电商巨头就“悄悄地”将它们的购物应用于推展到了用户的手机里。从那一刻起，用户出售的习惯也在悄悄地再次发生着转变：人们仍然局限于时间与地点，只要享有一部联网的手机，就能精彩提供想的商品。
发展至今，移动设备的安全性、高速等特点更加取得人们的接纳，也使得移动购物不道德显得更为广泛。然而目前PC和Mobile终端中，用户基本都是通过文本关键词提供目标商品，这种单一的关键词叙述有时很难提供用户的现实市场需求。为此，电商们也展开了很多改良。其中最有效地的一些作法是建构高度结构化的后台商品数据库。
其目的是需要通过分析用户的查找来引荐一些更为细致粒度、时效性好、热度低的商品品类，并获取给用户一个限定版了价格、品牌、风格等等的商品候选子集。这种基于文本的由细到炼的引荐方式，需要很好的协助用户定位到具备细致且明确标签的商品。然而，当用户市场需求的商品的周边信息不具体时，很难通过抽象化出有受限的关键词来展开检索。
这类商品还包括：不得而知品牌的化妆品，样式精致的家具或者时尚风行的服装等（如图1）。图1：一些无法用关键词叙述的商品所见即所得对于上述的问题，可以用一句话归结：当市场需求物品无法用文本分析叙述时，等价它的一张图像，否有可能引荐给用户涉及的商品？可以想象这样的场景：当你看见一件讨厌的物品，只通过手机照片将其图像上载购物网站，就能提供实物出售信息。
如果商品检索能做这样的“所见即所得”，必将会给有购物市场需求的用户带给相当大的便利。“所闻”如何才能变为“扣除”呢？在问这个问题之前，首先必须理解商品检索中的难题问题：商品品类繁多小到柴米油盐，大到家具电器，都可以称作商品。而且很多商品都还包括多级且精细的分类，例如，家具可分成卧室家具、客厅家具、餐厅家具、书房家具等；服装的一级品类还包括女装、男装、内衣、服饰与童装童鞋等，女装又可分成连衣裙、T恤、雪纺衫等；母婴中的童车童床类别可分成安全性座椅、婴儿手推车、婴儿床、婴儿床、垫餐、椅学步车等。
由此可见，好的检索技术不仅要辨识这么多的商品类别，并且必须区分每个类别下的有所不同商品实例；同时后台商品数据库应当具备很高的覆盖面。图2：多种多样的商品同款与相近款的误解根据多级类目或属性展开商品区分的方式，尽管区分了大多数具备细致语义的商品，但在区分同款与相近款上的起到依然是受限的，即无法证实两件分成一个类别的商品是完全相同款。
举例来说，未知两个人都穿著白色短袖圆领T恤，因为姿态、角度、光照等影响，有可能会使得相近款更加像同款，或者同款被误辨识为相近款。这就是计算机视觉中常常遇到的类内差异性与类间相似性问题。图3的例子可以解释这两个问题。
左侧（a）中的上衣是同一款衣服，但由于人体姿态、挂方式、手臂遮盖、光线等问题的不存在，使得它的颜色以及长度等表观属性具备相当大的差异性；三款相近的黑色印花连衣裙如（b）右图，它们享有相近的点状的印花图案，以及黑色的底色和A字裙摆；这些特点都让他们很相近，但从袖型可显现出它们亦非款。图3：同款与相近款服饰图像只不过，计算机视觉的各个领域都在解决问题这样的“所见即所得”难题，即如何让机器需要自动精确的解读图像内容。随着深度自学的蓬勃发展，还包括人脸识别、图像分类与物体检测在内的方向都获得了很多最重要的进展，也为深度自学在商品检索中的应用于奠下了扎实的基础。
本文关键词：酷游ku官网
本文来源：酷游ku官网-www.andymdavidson.com
