一种面向商品检索的多尺度度量学习方法

来源：计算机技术与发展杂志2024年第01期北京时间：

作者：行阳阳;张索非;宋越;吴晓富;周全

单位：1. 南京邮电大学,江苏 南京 210003;2. 95958 部队,上海 200120

摘要：商品图像检索是一个典型的大规模度量学习任务,其特点在于商品零售平台需要定期上架新类型的商品,且同一类型的商品外观会不时发生变化。 已有的工作表明:传统基于单一的度量学习虽然可以将商品检索模型的识别范围扩展到未知商品类别上,但是其性能仍然受限。 为此,提出了一种基于多尺度监督信息的深度度量学习商品检索方法。 该方法利用商品多个尺度的标签信息训练并使用协同注意力机制对不同尺度的深度特征进行有效融合,提高了深度学习模型挖掘重要信息的能力,从而有效提高了其在细粒度级别下的检索性能。 在大规模商品检索数据集上的实验结果表明,该方法在 mAP 和 Rank-1 上分别为 43. 0% 和 65. 9% 。 相比于传统度量学习方法分别提升了 6. 4% 和 7. 8% 。

关键词：度量学习;商品识别;多尺度;图像检索;特征融合