(相關(guān)資料圖)
日前，全球計算機視覺頂級會議ECCV（European Conference on Computer Vision）公布了2022年論文接收結(jié)果。創(chuàng)新奇智提出的通過單品示例進行基于原型的分類器學(xué)習(xí)方法被ECCV 2022接收，進一步增強了創(chuàng)新奇智在AI工業(yè)視覺領(lǐng)域的技術(shù)領(lǐng)先性。
據(jù)了解，ECCV 是計算機視覺領(lǐng)域世界三大頂級會議（CVPR，ICCV，ECCV）之一，每兩年舉辦一次。ECCV 的論文投稿量近五年來持續(xù)增長，根據(jù)ECCV 官方數(shù)據(jù)，2022年ECCV 收到有效投稿論文8170篇，評審?fù)ㄟ^接收1629篇，評審不通過拒稿6541篇，接收率不到20%，反映出AI視覺技術(shù)在工業(yè)界和學(xué)術(shù)界的創(chuàng)新熱情繼續(xù)高漲，但創(chuàng)新難度也在不斷加大。
創(chuàng)新奇智提交的論文為《Automatic Check-Out via Prototype-based Classifier Learning from Single-Product Exemplars》，提出一種通過單品示例進行基于原型的分類器學(xué)習(xí)方法，在目前規(guī)模最大的物品集合視覺檢出識別數(shù)據(jù)集上的結(jié)果明顯優(yōu)于現(xiàn)有先進方法。該方法適用于智能物品集合視覺檢出識別場景，可以減少實際應(yīng)用場景中對人工的依賴，加快物品集合檢出識別流程，并且能夠提高視覺檢出識別準(zhǔn)確率。
由于物品集合單品示例與檢出識別圖像間存在領(lǐng)域差距，單品示例中只有單個物品集合，而檢出識別圖像中是多個多類物品集合的任意組合，這是物品集合視覺檢出識別任務(wù)的一個主要挑戰(zhàn)。為了縮小這種差距，創(chuàng)新奇智提出了通過單品示例進行基于原型的分類器學(xué)習(xí)方法。通過揭示表征類別語義的優(yōu)勢，首先從單品示例中獲取每個物品集合類別的原型表示，然后在原型基礎(chǔ)上，生成包含背景類別的分類器，不僅可以識別細粒度的物品類別，還可以區(qū)分來自檢出識別圖像的背景候選框。此外，還通過對物品候選框分類置信度分?jǐn)?shù)的鑒別性重排和全局層面的多標(biāo)簽損失，來提升模型性能。
與現(xiàn)有技術(shù)相比，創(chuàng)新奇智提出的方法具有顯著優(yōu)點：使用基于原型的分類器學(xué)習(xí)方法，對單品示例與檢出識別圖像間存在的領(lǐng)域差距進行了彌合，提供了一種不同于現(xiàn)有方法路徑；基于背景類別的鑒別性重排方法，能夠?qū)崿F(xiàn)針對語義相近的細粒度物品集合類別進行分類；與現(xiàn)有方法相比，該方法性能更佳且所需計算資源更少。
創(chuàng)新奇智CTO張發(fā)恩（本論文作者之一）指出：“創(chuàng)新奇智提出的通過單品示例進行基于原型的分類器學(xué)習(xí)方法，可以減少實際應(yīng)用場景中對人工的依賴，加快物品集合檢出識別流程，并且能夠提高視覺檢出識別準(zhǔn)確率。由于物品集合單品示例與檢出識別圖像間存在領(lǐng)域差距，單品示例中只有單個物品集合，而檢出識別圖像中是多個多類物品集合的任意組合，這是物品集合視覺檢出識別任務(wù)的一個主要挑戰(zhàn)。本文提出的通過物品集合單品示例進行基于原型的分類器學(xué)習(xí)方法，在目前規(guī)模最大的物品集合視覺檢出識別數(shù)據(jù)集上的結(jié)果明顯優(yōu)于現(xiàn)有先進方法。”
制造業(yè)的物品檢測需求量多而復(fù)雜。傳統(tǒng)的方式不僅耗時耗力，而且檢測準(zhǔn)確率不高。創(chuàng)新奇智提出的通過單品示例實現(xiàn)對物品集合的檢測，非常適用于諸如汽車零部件、消費電子設(shè)備等有批量產(chǎn)品檢測需求的場景，不僅能夠加快檢測流程，而且能提升檢測準(zhǔn)確率，為企業(yè)降本增效帶來直接助益。
【廣告】
（免責(zé)聲明：此文內(nèi)容為廣告，相關(guān)素材由廣告主提供，廣告主對本廣告內(nèi)容的真實性負責(zé)。本網(wǎng)發(fā)布目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點和對其真實性負責(zé)，請自行核實相關(guān)內(nèi)容。廣告內(nèi)容僅供讀者參考。）
