论文部分内容阅读
电子商务自1999年在中国出现以来,飞速发展。中国电子商务市场到2013年末,交易规模达到了10.2万亿元,网络零售市场在这个时间,交易规模达到了18851亿元。现在人们可以随时随地地使用移动终端设备,在电商平台中选购自己满意的商品。如何让用户更快更方便地找寻到自己的想要的商品方式,在互联网信息的电商平台中显得尤其重要。现有的也是较为传统的商品搜索方式是利用关键字进行查询,查询方便且快捷。相对于文字提供的信息而言,图片有着其天然的优势,它可以将信息高质量的保存,移动终端的智能设备提供了强大的截屏和拍照功能,使得人们可以方便地获取商品图片。可以预见的是,以图搜物的方式将逐渐兴起。在使用图像来搜索电商商品时,首先通过物体识别提取出物体中的商品信息,再从商品信息中抽取出图像特征,最后使用图像特征来搜索相似商品图片。在搜索过程中使用物体识别技术能够带来大量好处,通过物体识别可以去除环境的干扰,让系统只关注于用户感兴趣的部分。在用电商图片搜索相似商品时,用户关心的是输入图片中的商品,而不是输入图片中的背景。在电商图片的物体识别任务中,遇到的物体类别通常是鞋子、裤子、上衣等,这些物体通常由多个部分组成,比如鞋子通常由左右两只鞋子组成,而传统的物体识别算法并不能很好的处理这种情况。因此本文针对这种情况,设计了一个基于组合备选物体的物体识别算法。首先通过旋转图片,减小物体实例偏转对物体识别的影响。然后将同一张输入图片旋转之后的多张图片,通过传统的物体识别算法识别出其中的备选物体。每个备选物体可能对应一个完整物体,也可能对应一个完整物体的一个个组成部分。最后通过图像特征聚类备选物体,找出图片中有多少物体,每个备选物体属于哪个物体,再通过能量函数确定每个物体的位置。从实验结果中可以看出本文模型在物体类别识别的精确度稍稍高于Faster R-CNN。而在物体位置的预测上,本文模型的表现要明显优于Faster R-CNN。考虑到图像搜索对于物体位置的要求更高,综合来说,本文模型要比Faster R-CNN更好。