(相關資料圖)
日前，全球計算機視覺頂級會議ECCV（European Conference on Computer Vision）公布了2022年論文接收結果。創新奇智提出的通過單品示例進行基于原型的分類器學習方法被ECCV 2022接收，進一步增強了創新奇智在AI工業視覺領域的技術領先性。
據了解，ECCV 是計算機視覺領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增長，根據ECCV 官方數據，2022年ECCV 收到有效投稿論文8170篇，評審通過接收1629篇，評審不通過拒稿6541篇，接收率不到20%，反映出AI視覺技術在工業界和學術界的創新熱情繼續高漲，但創新難度也在不斷加大。
創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習方法，在目前規模最大的物品集合視覺檢出識別數據集上的結果明顯優于現有先進方法。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確率。
由于物品集合單品示例與檢出識別圖像間存在領域差距，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的一個主要挑戰。為了縮小這種差距，創新奇智提出了通過單品示例進行基于原型的分類器學習方法。通過揭示表征類別語義的優勢，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數的鑒別性重排和全局層面的多標簽損失，來提升模型性能。
與現有技術相比，創新奇智提出的方法具有顯著優點：使用基于原型的分類器學習方法，對單品示例與檢出識別圖像間存在的領域差距進行了彌合，提供了一種不同于現有方法路徑；基于背景類別的鑒別性重排方法，能夠實現針對語義相近的細粒度物品集合類別進行分類；與現有方法相比，該方法性能更佳且所需計算資源更少。
創新奇智CTO張發恩（本論文作者之一）指出：“創新奇智提出的通過單品示例進行基于原型的分類器學習方法，可以減少實際應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確率。由于物品集合單品示例與檢出識別圖像間存在領域差距，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的一個主要挑戰。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習方法，在目前規模最大的物品集合視覺檢出識別數據集上的結果明顯優于現有先進方法。”
制造業的物品檢測需求量多而復雜。傳統的方式不僅耗時耗力，而且檢測準確率不高。創新奇智提出的通過單品示例實現對物品集合的檢測，非常適用于諸如汽車零部件、消費電子設備等有批量產品檢測需求的場景，不僅能夠加快檢測流程，而且能提升檢測準確率，為企業降本增效帶來直接助益。
【廣告】
（免責聲明：此文內容為廣告，相關素材由廣告主提供，廣告主對本廣告內容的真實性負責。本網發布目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，請自行核實相關內容。廣告內容僅供讀者參考。）
