设为首页 | 加入收藏

欢迎访问湖南幸运赛车开奖结果_幸运赛车开奖走势_幸运赛车开奖结果

幸运赛车开奖结果 >> 蓝带-AI怎么革新家居软装?拍图就能搜产品,深度学习渠道飞桨新玩法

允中 发自 凹非寺

量子位 修改 | 大众号 QbitAI

跟着消费互联网流量盈利的逐步殆尽,移动互联网的主战场转向工业互联网,家居职业3D数字化进程高歌猛进,职业开端沉积下了很多的与实在产品对应3D模型数据,怎么使用实在产品的3D数据的多维度特色,来改进顾客的购物体会具有重要意义。

国内地产交给房子时存在毛坯房和精装房的区别。

图(毛坯房)

图(精装房)

依据次元视界2018年上百家一二线城市的顾客查询数据(来历:http://wap.panguvr.com/docs/detail/134)显现,90%的消费集体会在软装装饰前上网搜图。但现在,线下实体店依然占有80%的出售额,线上流量无法直接转化成消费行为是职业中的一大痛点。怎么将线上线下的优势结合,优化资源配置,快速完成线下家居实体业的「进化」,成为家居企业开展的重中之重。

但完成线下家居实体业的进化存在许多难点:

从顾客视点看信息大爆炸年代内容杂乱,很难使用作用图在线酒小七上直接查找到,或在线下快速找到想要家居产品。即便查找到,也不可思议其实践的巨细、摆放作用等。而逛实体店“按图索骥”,又会有店肆涣散、产品涣散,费时吃力的问题。

从家居职业商户视点看,线上出售途径尽管逐步丰厚, 但随之而来的也是很多卖家涌入线上渠道,线上流量抢夺剧烈、盈利削减,产品大概率为2D图片,用户体会差。

总结来说,跟着新零售、咱们居、互联网家装等新理念席卷,“线上+线下”双交融的家装营销形式更契合职业开展趋势。引导顾客经过作用图来直接打开消费行为为工业改造的要害。

这些问题,跟着近年来卷积神经网络(Convolutional Neural Network, CNN)为代表的深度学习模型的广泛使用,有了很好的处理办法。

次元视界使用飞桨(PaddlePaddle),将Faster R-CNN使用于作用图实在产品检测,并结合可视化技能(Web3D、混合实际、全景云图),为顾客带来高品质的视觉感知服务,完成以图搜产品。

飞桨(PaddlePaddle)是百度自研的集深度学习结构、东西组件和服务渠道为一体的技能抢先、功用齐备的开源深度学习渠道,有全面的官方支撑的工业级使用模型,包含自然语言处理、核算机视觉、引荐引擎等多个范畴,并敞开多个抢先的预练习中文模型。

有关飞桨(PaddlePaddle)的更多信息,请检查:

http://www.paddlepaddle.org/

鄙人文中,咱们将具体介绍飞桨(PaddlePaddle)怎么与Faster R-CNN结合起来,完成以图搜产品的功用。

什么是Faster R-CNN

Faster R-蓝带-AI怎么革新家居软装?拍图就能搜产品,深度学习渠道飞桨新玩法CNN能够看作特征提取网络、Fast R-CNN和区域主张网络(Region Proposal Network, RPN)的组合。依据相关材料显现,以图搜产品的查找准确率,会依据物体类别有所不同,大致分为三个类别:

现在,图画查找在某些笔蓝带-AI怎么革新家居软装?拍图就能搜产品,深度学习渠道飞桨新玩法直范畴现已能够老练使用,但是面向“万物查找”,仍有较大的提高空间。不过,关于家居职业来说,产品基本上是在平面物体、三维刚性物体上展现,因而在查找时能够到达较高的准确率。

家居产品检测办法 作用图Object Detection

以图搜产品将处理文字查找无法准确描绘场景的问题,如海淘查找产品时语种不对称、实时场景中看到心仪产品但信息不对称的状况等。不过,想要对作用图进行解锁提取家具的单品图,咱们需求选用方针检测(Object Detection),意图是将作用图中的每个家具独立框选出来,而且辨认出框中的是沙发、茶几、电视柜、床等家具类别。

图(作用图框选家具标识类别)

方针检测的第一步是要区域提名(Region Proposal),类似于光学字符辨认(OCR),简略的说便是尽量切碎到小的连通域,然后再依据相邻块的一些形态学特征进行兼并,所以必定程度上能够说区域提名是更难的一个问题。

从机器学习的视点来说,问题的中心在于怎么有效地去冗余候选区域,其实冗余候选区域大多是发生了堆叠,挑选性查找使用这一点,自底向上兼并相邻的堆叠区域,然后削减冗余。

单品图特征检索

经过Object Detection咱们能够提取作用图取得家具单品图和单品类型,假定蓝带-AI怎么革新家居软装?拍图就能搜产品,深度学习渠道飞桨新玩法咱们提取了类型为床的单品图。

图(床查找原图)

输入单品图和蓝带-AI怎么革新家居软装?拍图就能搜产品,深度学习渠道飞桨新玩法类型,快速找到类似的产品

感知哈希(hash)算法的使用

感知哈希(hash)算法是一个有可比较的哈希函数的类,图画特征被用于生成共同(但不是仅有)的指纹,而这些指纹是可比较的。提取家具图画hash值的咱们需求进行如下过程:

3D数据收集

经过实时烘托技能快速生成每个家居3D模型不同视点的几十张图画数据,而且混合杂乱布景提高练习后的辨认准确率。

图(多视点图片示例)

根据3D模型咱们还能够收集产品的调配颜色表、原料信息、尺度信息等更多维度的数据集,为之后的软装调配智能引荐算法打下根底。

用不同深度学习结构的体会

首要咱们先测验的是谷歌的TensorFlow 深度学习结构,但在衡量本土化支撑、开发者支撑以及之后的商业化潜力后,咱们决议无缝迁移到百度的飞桨(PaddlePaddle)。

因为之前《次元视界》现已根据TF 的Fast RCNN 做了将近三个月的很多数据联络,迁移到飞桨(PaddlePaddle)后咱们有了以下发现——飞桨(PaddlePaddle) 更完美地支撑了模型并行和数据并行多机练习。因为咱们的数据,是每个家居3D模型不同视点的几十张图画数据、海量模型,包含咱们居所有品类,这就意味着需求处理大于几个Terabyte的数据。

飞桨(PaddlePaddle)的运算占用内存小、速度快、支撑并行,对咱们的工作量十分合适。经过一周的练习,咱们的模型概括辨认准确率已到达89%,高于TF11%的辨认率,而且其间的False Positive Rate (FPR) 也比之前削减了32%。

总结

工业互联网年代,互联网渠道把握更多的数据量,与之相关的处理、核算、剖析等实践根底更完善,然后协助企业完成数字化转型。而卷积神经网络具有多层次语义表达能力,不同层所提取的图画特征具有不同意义,挑选不同卷积层会提取出不同层次的特征,在未来开展上极具优势。

本使用以家居职业作用蓝带-AI怎么革新家居软装?拍图就能搜产品,深度学习渠道飞桨新玩法图和实在产品库为研讨目标,归纳考虑顾客软装调配选购的特色,打开以作用图查找家居3D产品库数据集,经过3D模型的多维度特性增强扩展样本规划,完成对作用图的快速解锁、检索和匹配。

结合次元视界的3D模型自动化处理技能,全球各类模型同享网站都可作为数据集构建,该数据集可获取几百万家居模型和几百种分类,可掩盖全球家居的产品类别和外观。

未来根据3D数据构建的样本体系,可将堆集的用户数据最大化的使用,核算机将树立和估测用户的需求模型以及各种解的模型,然后自动筛选出最佳内容,即未来将扩展为精准的可结合户型、喜爱的家居软装调配智能引荐体系,成为一个全新的家居流量进口。

声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间服务。



上一条      下一条
返回顶部