使用特征空间归一化主类距离的智能零售场景开放集分类方法

智能零售场景中往往会使用到图像分类技术来识别商品,然而实际场景中并不是所有出现的物体都是已知的,未知的物体会干扰场景中的模型正常运行.针对智能零售场景中的图像分类问题,从已知类别封闭数据集的分类特征出发,通过对已知类别的分类特征进行计算和修正得到对未知类别物体的分类预测.通过构造已知类别的特征空间,并结合针对图像分类特征空间的特性优化的特征距离——归一化主类距离,可以更好地拟合特征空间在已知类别数据集中的边界概率模型.最终用边界概率模型对原分类特征做出修正计算,得到对物体的未知类别的分类预测,并通过设计实验验证该方法的可行性.此外,在智能零售场景的数据集支持下,与已有方法进行了对比实验.使用特征空间归一化主类距离的开放集分类算法在有着更高的已知类别分类准确率的同时,开放集拒绝率有14.20%的提升,达到了44.85%.     

多阶段优化的小目标聚焦检测

目标检测是深度学习领域重要的基础问题之一，目前已经有相当多且较为成熟的 研究。无人冰柜是人工智能在零售产业的一个应用场景。其通过冰柜内设置的摄像头捕捉图像， 利用目标检测方法检测出顾客手中抓取的商品，然后进行后续的商品分类等任务的工作。而由 于场景及硬件的限制，无人冰柜中只能使用速度快但精度较低的深度模型，而这些模型往往在 小目标的检测上精度相对更低。针对无人冰柜场景数据的背景单一、目标范围小等特殊性，改 进了主流的目标检测方法，提出了一种基于聚焦的由粗到精的2 阶段检测网络结构FocusNet， 提升了该场景下的小目标检测效果。该方法相比先前的模型在小目标检测上的平均准确率提升 了8.3%，总体检测平均准确率提升了3.5%。