CN114373089A - 货架商品自主聚类识别方法及装置 - Google Patents

货架商品自主聚类识别方法及装置 Download PDF

Info

Publication number
CN114373089A
CN114373089A CN202210037187.7A CN202210037187A CN114373089A CN 114373089 A CN114373089 A CN 114373089A CN 202210037187 A CN202210037187 A CN 202210037187A CN 114373089 A CN114373089 A CN 114373089A
Authority
CN
China
Prior art keywords
commodity
shelf
matching
camera
goods
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210037187.7A
Other languages
English (en)
Inventor
李汪佩
黄盛�
杨帅
解怀奇
金小平
庄艺唐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hanshi Information Technology Co ltd
Original Assignee
Shanghai Hanshi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Hanshi Information Technology Co ltd filed Critical Shanghai Hanshi Information Technology Co ltd
Priority to CN202210037187.7A priority Critical patent/CN114373089A/zh
Publication of CN114373089A publication Critical patent/CN114373089A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种货架商品自主聚类识别方法及装置，属于人工智能技术领域，货架商品自主聚类识别方法包括：对目标门店的货架商品种类表进行初始化；通过相机采集目标门店的货架商品图像；检测货架商品图像中各在售商品的特征；根据货架商品种类表，加载商品特征库；对各在售商品的特征与商品特征库中的特征进行匹配；在总体匹配度小于第一阈值时，扩大货架商品种类表中的商品种类范围；对各在售商品的特征与商品特征库中的特征重新进行匹配，直至总体匹配度大于或者等于第一阈值；在总体匹配度大于或者等于第一阈值的时，对每一商品种类下的在售商品与商品特征库中的该类特征进行匹配；在类别匹配度小于第二阈值时，删除该类商品信息。

Description

货架商品自主聚类识别方法及装置
技术领域
本申请属于人工智能领域，具体涉及一种货架商品自主聚类识别方法及装置。
背景技术
近几年，与人们生活密切联系的智能新零售迅速发展，其运用互联网、物联网、大数据、人工智能等技术赋能商超、便利店等数字化、智能化管理，同时优化商品、用户、支付之间的关系，给予顾客更快、更好、更方便的购物体验。
数字货架是智能新零售业务中重要的一个环节，其商品智能检测、排面智能检测、缺货智能报警等需求赋予了数字货架的智能化管理需求。商品智能检测作为智能货架管理中重要一个环节，同时也是货架排面分析、自动结算等方面应用的前提，是解决线下数字化的一个核心技术点，因此商品识别精度至关重要。
发明人发现现有技术当前至少存在以下问题：现有的商品识别技术存在巨大的困难，主要原因在于商品种类繁多并且识别技术必须依赖于多角度识别，这需要海量数据支撑和精准的特征库匹配，使得仅靠一个公司或者一个团体的能力，很难提升算法的泛化能力，很难形成规模化效应。
发明内容
本申请实施例的目的是提供一种货架商品自主聚类识别方法和装置，能够解决目前由于商品种类繁多且算法所需数据量过大，导致商品识别算法复杂，进而导致数字货架难以形成规模化效应的技术问题。
为了解决上述技术问题，本申请是这样实现的：
第一方面，本申请实施例提供了一种货架商品自主聚类识别方法，包括：
对目标门店的货架商品种类表进行初始化；
通过摄像头采集摄像头目标门店的货架商品图像；
检测摄像头货架商品图像中各在售商品的特征；
根据摄像头货架商品种类表，加载商品特征库；
对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配；
在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围；
对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。
进一步地，货架商品自主聚类识别方法还包括：
对每一商品种类下的在售商品与摄像头商品特征库中的该类特征进行匹配；
在类别匹配度小于第二阈值的情况下，从摄像头货架商品种类表删除该类商品信息。
进一步地，检测到的摄像头货架商品图像中各在售商品的特征包括：商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色。
进一步地，经过初始化的摄像头货架商品种类表包括摄像头目标门店的商品全种类。
第二方面，本申请实施例提供了一种货架商品自主聚类识别装置，包括：
初始化模块，用于对目标门店的货架商品种类表进行初始化；
采集模块，用于通过摄像头采集摄像头目标门店的货架商品图像；
检测模块，用于检测摄像头货架商品图像中各在售商品的特征；
加载模块，用于根据摄像头货架商品种类表，加载商品特征库；
总体匹配模块，用于对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配；
扩大模块，用于在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围；
摄像头总体匹配模块，还用于对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。
进一步地，货架商品自主聚类识别装置还包括：
分类匹配模块，用于对每一商品种类下的在售商品与摄像头商品特征库中的该类特征进行匹配；
删除模块，用于在类别匹配度小于第二阈值的情况下，从摄像头货架商品种类表删除该类商品信息。
进一步地，检测到的摄像头货架商品图像中各在售商品的特征包括：商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色。
进一步地，经过初始化的摄像头货架商品种类表包括摄像头目标门店的商品全种类。
在本申请实施例中，对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配，在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围，对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。可以实时地自主更新门店中货架商品的实际种类，保证货架商品的种类信息的准确性，从而大大降低商品特征匹配范围，降低数据维度，继而降低算法复杂度，便于算法实现边缘化设备部署，大大提升了算法的普适性，使得数字货架具备规模化效应的可能。
附图说明
图1是本申请实施例提供的一种货架商品自主聚类识别方法的流程示意图；
图2是本申请实施例提供的一种数字货架实际布置结构示意图；
图3是本申请实施例提供的一种货架商品自主聚类识别装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的货架商品自主聚类识别方法进行详细地说明。
实施例一
参照图1，示出了本申请实施例提供的一种货架商品自主聚类识别方法的流程示意图。
货架商品自主聚类识别方法包括：
S101：对目标门店的货架商品种类表进行初始化。
可选地，经过初始化的货架商品种类表包括摄像头目标门店的商品全种类。
可选地，初始化的货架商品种类表预存于***中，随时等待被调取。
可选地，货架商品种类表可以按照商品的用途对商品进行分类，例如，家电、服装鞋帽、日用化妆品、文具百货、体育器材等。也可以按照商品的性质对商品进行分类，例如，饮料、牛奶、面包、零食等。
S102：通过摄像头采集摄像头目标门店的货架商品图像。
参照图2，示出了本申请实施例提供的一种数字货架实际布置结构示意图。
需要说明的是，设置一个摄像头21，该摄像头21设置于整个货架22的外边侧，从上到下拍摄，与之相对的货架22的所有空间(例如货架向外开放的一侧)，均能够被该摄像头拍摄到。
可选地，货架22分为若干层，例如，两层、三层，或更多层，图2中的货架为四层。货架22通过若干个隔板分层。每一层货架上放置有若干在售商品23。
可选的，摄像头21，可以是广角摄像头，例如拍摄角度是160度的广角摄像头，或者可以使用鱼眼摄像头。摄像头21的具体形式本实施不作限定。
可选的，可以在每层货架均设置相应摄像头21，每一层的摄像头21负责该层货物图像的获取。对每一层货物图像进行拼接得到完整的货架商品图像。
S103：检测摄像头货架商品图像中各在售商品的特征。
具体地，可以采用商品牌面检测算法、商品分类算法等检测摄像头货架商品图像中各在售商品的特征。
具体地，检测到的摄像头货架商品图像中各在售商品的特征包括：商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色。
可选地，根据商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色等特征综合分析每一在售商品的图像特征，以便于后续与特征数据库中既存的商品特征进行匹配。
S104：根据摄像头货架商品种类表，加载商品特征库。
可选地，商品种类表中每一种类与商品特征库中每一类数据建立有一一对应的关联关系。
例如，在商品种类表中包括饮料这一类别的情况下，则在商品特征库预存有饮料类别下各种饮料的特征信息。
可选地，将与货架商品种类表中包括各类别对应的商品特征信息从商品特征库中调取出来。
S105：对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配。
可选地，对所有在售商品一个接一个地与商品特征库中的特征进行匹配。
可选地，对于每一单个在售商品，在商品特征库中挑选出与之特征最接近的预存商品，将单个在售商品与最接近预存商品之间的匹配度作为此在售商品在商品特征库中的匹配度。也可以挑选出与之特征最接近的三个预存商品，将与最接近的三个预存商品的匹配度的平均值作为此在售商品在商品特征库中的匹配度。
S106：在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围。
可选地，总体匹配度可以为每一单个在售商品的匹配度的平均值。
可选地，在单个在售商品与最接近预存商品之间的匹配度大于0.9的情况下，可以认定此在售商品在商品特征库中匹配成功。总体匹配度可以为匹配成功的单个在售商品占总体在售商品中的比例。
可选地，第一阈值的具体数值可以为0.5、0.95等，本领域技术人员可以根据实际需求选取合适的取值，本实施例对于第一阈值的具体数值不作限定。
可以理解的是，在总体匹配度小于第一阈值的情况下，意味着货架中部分商品不在商品种类表中，此时需要扩大货架商品种类表中的商品种类范围。实现实时更新门店中货架商品的实际种类，保证货架商品的种类信息的准确性。
例如，可能目标门店最近新增了一批商品，此批商品并未在之前的商品种类表中，此时需要扩大货架商品种类表中的商品种类范围，以使得商品种类表中包括此新增的商品。
S107：对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。
可以理解的是，在扩大了货架商品种类表中的商品种类范围后，为了验证扩大后的货架商品种类表是否已经可以包含之前未能包含的商品，需要重新进行匹配，重新进行S105。
在整体匹配度大于或者等于第一阈值的情况下，意味着目前的商品种类表处于较为稳定的状态，此时商品种类表的精度较高，已经能够很好的包含所有的在售商品。
在较为精准的商品种类表下进行商品匹配，大幅缩小了商品特征的检索范围，大幅提高了商品识别精度。
进一地，还可以降低数据维度，继而降低算法复杂度，便于算法实现边缘化设备部署，大大提升了算法的普适性。
进一步地，货架商品自主聚类识别方法，还包括：
S108：对每一商品种类下的在售商品与摄像头商品特征库中的该类特征进行匹配。
可选地，对每一商品种类下的在售商品一个接一个地与商品特征库中的特征进行匹配。
可选地，对于每一单个在售商品，在商品特征库中挑选出与之特征最接近的预存商品，将单个在售商品与最接近预存商品之间的匹配度作为此在售商品在商品特征库中的匹配度。也可以挑选出与之特征最接近的三个预存商品，将与最接近的三个预存商品的匹配度的平均值作为此在售商品在商品特征库中的匹配度。
S109：在类别匹配度小于第二阈值的情况下，从摄像头货架商品种类表删除该类商品信息。
可选地，类别匹配度可以为该类别下每一单个在售商品的匹配度的平均值。
可选地，在单个在售商品与最接近预存商品之间的匹配度大于0.9的情况下，可以认定此在售商品在商品特征库中匹配成功。类别匹配度可以为匹配成功的单个在售商品占该类别商品总体中的比例。
可选地，第二阈值的具体数值可以为0.1、0.05等，本领域技术人员可以根据实际需求选取合适的取值，本实施例对于第二阈值的具体数值不作限定。
可以理解的是，在类别匹配度小于第二阈值的情况下，意味着货架中没有摆放该类商品，此时需要从摄像头货架商品种类表删除该类商品信息，由此可以看出本实施例提供的方法可以自主地发现商品的更新。
进一步地，实现实时更新门店中货架商品的实际种类，保证货架商品的种类信息的准确性。
在本申请实施例中，对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配，在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围，对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。可以实时地自主更新门店中货架商品的实际种类，保证货架商品的种类信息的准确性，从而大大降低商品特征匹配范围，降低数据维度，继而降低算法复杂度，便于算法实现边缘化设备部署，大大提升了算法的普适性，使得数字货架具备规模化效应的可能。
实施例二
参照图3，示出了本申请实施例提供的一种货架商品自主聚类识别装置的结构示意图，货架商品自主聚类识别装置30。货架商品自主聚类识别装置30包括：
初始化模块301，用于对目标门店的货架商品种类表进行初始化；
采集模块302，用于通过相机采集摄像头目标门店的货架商品图像；
检测模块303，用于检测摄像头货架商品图像中各在售商品的特征；
加载模块304，用于根据摄像头货架商品种类表，加载商品特征库；
总体匹配模块305，用于对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配；
扩大模块306，用于在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围；
摄像头总体匹配模块305，还用于对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。
进一步地，货架商品自主聚类识别装置30还包括：
分类匹配模块307，用于对每一商品种类下的在售商品与摄像头商品特征库中的该类特征进行匹配；
删除模块308，用于在类别匹配度小于第二阈值的情况下，从摄像头货架商品种类表删除该类商品信息。
进一步地，检测到的摄像头货架商品图像中各在售商品的特征包括：商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色。
进一步地，经过初始化的摄像头货架商品种类表包括摄像头目标门店的商品全种类。
本申请实施例提供的货架商品自主聚类识别装置30能够实现上述方法实施例中实现的各个过程，为避免重复，这里不再赘述。
在本申请实施例中，对各摄像头在售商品的特征与摄像头商品特征库中的特征进行匹配，在总体匹配度小于第一阈值的情况下，扩大摄像头货架商品种类表中的商品种类范围，对各摄像头在售商品的特征与摄像头商品特征库中的特征重新进行匹配，直至摄像头总体匹配度大于或者等于第一阈值。可以实时地自主更新门店中货架商品的实际种类，保证货架商品的种类信息的准确性，从而大大降低商品特征匹配范围，降低数据维度，继而降低算法复杂度，便于算法实现边缘化设备部署，大大提升了算法的普适性，使得数字货架具备规模化效应的可能。
本申请实施例中的虚拟装置可以是装置，也可以是终端中的部件、集成电路、或芯片。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种货架商品自主聚类识别方法，其特征在于，包括：
对目标门店的货架商品种类表进行初始化；
通过摄像头采集所述目标门店的货架商品图像；
检测所述货架商品图像中各在售商品的特征；
根据所述货架商品种类表，加载商品特征库；
对各所述在售商品的特征与所述商品特征库中的特征进行匹配；
在总体匹配度小于第一阈值的情况下，扩大所述货架商品种类表中的商品种类范围；
对各所述在售商品的特征与所述商品特征库中的特征重新进行匹配，直至所述总体匹配度大于或者等于第一阈值。
2.根据权利要求1所述的方法，其特征在于，还包括：
对每一商品种类下的在售商品与所述商品特征库中的该类特征进行匹配；
在类别匹配度小于第二阈值的情况下，从所述货架商品种类表删除该类商品信息。
3.根据权利要求1所述的方法，其特征在于，检测到的所述货架商品图像中各在售商品的特征包括：商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色。
4.根据权利要求1所述的方法，其特征在于，经过初始化的所述货架商品种类表包括所述目标门店的商品全种类。
5.一种货架商品自主聚类识别装置，其特征在于，包括：
初始化模块，用于对目标门店的货架商品种类表进行初始化；
采集模块，用于通过摄像头采集所述目标门店的货架商品图像；
检测模块，用于检测所述货架商品图像中各在售商品的特征；
加载模块，用于根据所述货架商品种类表，加载商品特征库；
总体匹配模块，用于对各所述在售商品的特征与所述商品特征库中的特征进行匹配；
扩大模块，用于在总体匹配度小于第一阈值的情况下，扩大所述货架商品种类表中的商品种类范围；
所述总体匹配模块，还用于对各所述在售商品的特征与所述商品特征库中的特征重新进行匹配，直至所述总体匹配度大于或者等于第一阈值。
6.根据权利要求5所述的装置，其特征在于，还包括：
分类匹配模块，用于对每一商品种类下的在售商品与所述商品特征库中的该类特征进行匹配；
删除模块，用于在类别匹配度小于第二阈值的情况下，从所述货架商品种类表删除该类商品信息。
7.根据权利要求5所述的装置，其特征在于，检测到的所述货架商品图像中各在售商品的特征包括：商品牌面、商品商标、商品包装、商品形状、商品体积、商品颜色。
8.根据权利要求5所述的装置，其特征在于，经过初始化的所述货架商品种类表包括所述目标门店的商品全种类。
CN202210037187.7A 2022-01-13 2022-01-13 货架商品自主聚类识别方法及装置 Pending CN114373089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210037187.7A CN114373089A (zh) 2022-01-13 2022-01-13 货架商品自主聚类识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210037187.7A CN114373089A (zh) 2022-01-13 2022-01-13 货架商品自主聚类识别方法及装置

Publications (1)

Publication Number Publication Date
CN114373089A true CN114373089A (zh) 2022-04-19

Family

ID=81143722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210037187.7A Pending CN114373089A (zh) 2022-01-13 2022-01-13 货架商品自主聚类识别方法及装置

Country Status (1)

Country Link
CN (1) CN114373089A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140219512A1 (en) * 2013-02-07 2014-08-07 Toshiba Tec Kabushiki Kaisha Information processing apparatus and information processing method
CN108009482A (zh) * 2017-11-25 2018-05-08 宁波亿拍客网络科技有限公司 一种提高人脸识别效率方法
CN109492644A (zh) * 2018-10-16 2019-03-19 深圳壹账通智能科技有限公司 一种习题图像的匹配识别方法及终端设备
CN110321797A (zh) * 2019-05-31 2019-10-11 苏宁云计算有限公司 商品识别方法和装置
JP2020017253A (ja) * 2018-07-13 2020-01-30 富士電機株式会社 商品管理システム及び商品管理方法
CN111104924A (zh) * 2019-12-31 2020-05-05 上海品览数据科技有限公司 一种有效的识别低分辨率商品图像的处理算法
CN112784930A (zh) * 2021-03-17 2021-05-11 西安电子科技大学 基于cacgan的hrrp识别数据库样本扩充方法
US20210174135A1 (en) * 2019-05-29 2021-06-10 Boe Technology Group Co., Ltd. Method of matching image and apparatus thereof, device, medium and program product

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140219512A1 (en) * 2013-02-07 2014-08-07 Toshiba Tec Kabushiki Kaisha Information processing apparatus and information processing method
CN108009482A (zh) * 2017-11-25 2018-05-08 宁波亿拍客网络科技有限公司 一种提高人脸识别效率方法
JP2020017253A (ja) * 2018-07-13 2020-01-30 富士電機株式会社 商品管理システム及び商品管理方法
CN109492644A (zh) * 2018-10-16 2019-03-19 深圳壹账通智能科技有限公司 一种习题图像的匹配识别方法及终端设备
US20210174135A1 (en) * 2019-05-29 2021-06-10 Boe Technology Group Co., Ltd. Method of matching image and apparatus thereof, device, medium and program product
CN110321797A (zh) * 2019-05-31 2019-10-11 苏宁云计算有限公司 商品识别方法和装置
CN111104924A (zh) * 2019-12-31 2020-05-05 上海品览数据科技有限公司 一种有效的识别低分辨率商品图像的处理算法
CN112784930A (zh) * 2021-03-17 2021-05-11 西安电子科技大学 基于cacgan的hrrp识别数据库样本扩充方法

Similar Documents

Publication Publication Date Title
Santra et al. A comprehensive survey on computer vision based approaches for automatic identification of products in retail store
Tonioni et al. A deep learning pipeline for product recognition on store shelves
KR101801846B1 (ko) 상품 영상 검색 및 시스템
US9473747B2 (en) Whole store scanner
CN103902538B (zh) 基于决策树的信息推荐装置及方法
CN109542916A (zh) 平台商品入驻方法、装置、计算机设备及存储介质
Tonioni et al. Product recognition in store shelves as a sub-graph isomorphism problem
CN108230082A (zh) 搭配服饰的推荐方法和装置、电子设备、存储介质
Marder et al. Using image analytics to monitor retail store shelves
CN104885111A (zh) 使信息终端显示销售信息的控制方法
CN107507045A (zh) 零售门店运营数据采集分析***
CN111061890A (zh) 一种标注信息验证的方法、类别确定的方法及装置
CN102567543A (zh) 一种服装图片的搜索方法和装置
CN112017015A (zh) 一种商品信息推荐的方法、相关装置、设备及存储介质
CN110050284A (zh) 一种自动店内登记***
CN111222389B (zh) 商超货架上商品的分析方法和***
CN108335317A (zh) 一种线下导购方法及装置
CN111986007A (zh) 一种商品聚合并计算相似度的方法
US10713614B1 (en) Weight and vision based item tracking
Leo et al. A systematic investigation on end-to-end deep recognition of grocery products in the wild
CN109087172A (zh) 商品识别处理方法及装置
CN109919731A (zh) 基于线下购物过程的产品推荐模块
CN103020153B (zh) 一种基于视频的广告识别方法
CN115063084A (zh) 一种卷烟零售商户库存盘点方法及***
CN114494921A (zh) 一种货架商品的识别方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination