【技术实现步骤摘要】
一种电商产品图片目录构建方法
[0001]本专利技术涉及计算机视觉、度量学习以及聚类
，特别是涉及一种电商产品图片目录构建方法。
技术介绍
[0002]传统电商商品目录是基于行业文本的方式构建，同一目录下商品外观差异性大，导致用户通过目录浏览、搜索商品时，面对庞大的商品图片，浏览的商品差异性较强，无法找到相似的产品，给用户搜索浏览体验带来极大的不便。由此寻找一种便捷高效的相似商品展示、检索方法。从而基于商品外观相似性构建对应的图片目录体系，满足用户需要。构建基于图片外观相似性的目录体系，涉及到两个难点，一则是商品图片的特征表示方法，二是对同一相似性目录商品图片的划分方法。
[0003]图片特征的表示，要求外观相似商品图片的特征向量相似度尽量高，外观不相似的图片相似度尽可能低。这个目标主要难点在于，如何进行图片特征的表示。业界常用表征学习或度量学习进行图片特征向量化。表征学习以分类任务为驱动，网络的作用是将图片提取特征后输出图片所属类别；度量学习以学习图片相似度为驱动，网络的作用是学习特征提取方法使得相似图片在特...
【技术保护点】
【技术特征摘要】
1.一种电商产品图片目录构建方法，其特征在于，包括以下步骤：步骤1：设计一种基于深度卷积神经网络模型的图片特征编码器，引用构建的训练数据集，所述训练数据集的训练方法采用度量学习方法，利用编码器提取训练数据集中的图片特征，所述图片特征编码器采用残差结构，在原始主干网络基础上，接一个全连接层，输出256维向量作为图片特征；步骤2：构建图片特征聚类模块，使用k
‑
means聚类算法进行聚类；使用余弦相似度作为图片特征的距离度量函数，初始的聚类数量值为电商三级目录产品数；同时聚类前，对步骤1输出的256维图片特征进行L2正则化使其模为1，使用聚类结果更新样本标签；步骤3：构建聚类拆分融合模块，遍历步骤2得到的聚类结果，对结果进行拆分与融合，遍历结束后，得到新的聚类结果，同时更新步骤2的聚类数量值与步骤1中的样本标签；步骤4：构建电商商品图片外观目录，待到步骤3无可拆分与融合的聚类结果时，方案迭代结束；每个聚类结果作为一个电商商品图片目录，簇心向量作为该目录的锚点向量，判断增量图片的归属，同簇样本作为该目录的图片，所述步骤1的图片特征编码器用于提取增量图片外观特征，计算提取到的特征和目录锚点向量的余弦相似度，归属到相似度最大的目录中，相似度计算公式为：其中，A，B分别为图片提取的特征向量与目录锚点向量。2.根据权利要求1所述的一种电商产品图片目录构建方法，其特征在于，所述编码器为一种图片特征编码器，步骤1具体包括：步骤1.1：图片特征编码器的选取与修改，选取ResNet101作为图片特征编码器的backbone，所述ResNet101采用5次下采样，用以将图片最终汇聚成2048*7*7的featuremap,利用avg_pooling得到2048维特征，在原始的ResNet101网络结构基础上，增加一个全连接层，输出256维图片特征向量，同时将第一个stage使用conv下采样，将stride设置为2，采用pre_padding的方式；步骤1.2：度量学习编码器的损失函数设置，所述损失函数采用Triplet loss损失：输入由三元组...
【专利技术属性】
技术研发人员：吕晨，肖万松，房鹏展，
申请(专利权)人：焦点科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。