[論文レビュー] Products-10K: A Large-scale Product Recognition Dataset

Yalong Bai, Yuxiang Chen+3 more|arXiv (Cornell University)|Aug 24, 2020

Advanced Image and Video Retrieval Techniques参考文献 10被引用数 32

ひとこと要約

Products-10K は ~150k の画像を 10k SKUs に跨ってラベル付けした大規模な SKU レベルの製品データセットと、実用的な細分類認識のコツを紹介します。高解像度トレーニングと指標に合わせた損失関数によって精度が向上する実験を提供します。

ABSTRACT

With the rapid development of electronic commerce, the way of shopping has experienced a revolutionary evolution. To fully meet customers' massive and diverse online shopping needs with quick response, the retailing AI system needs to automatically recognize products from images and videos at the stock-keeping unit (SKU) level with high accuracy. However, product recognition is still a challenging task, since many of SKU-level products are fine-grained and visually similar by a rough glimpse. Although there are already some products benchmarks available, these datasets are either too small (limited number of products) or noisy-labeled (lack of human labeling). In this paper, we construct a human-labeled product image dataset named "Products-10K", which contains 10,000 fine-grained SKU-level products frequently bought by online customers in JD.com. Based on our new database, we also introduced several useful tips and tricks for fine-grained product recognition. The products-10K dataset is available via https://products-10k.github.io/.

研究の動機と目的

• e コマース認識のための大規模で細分類に適した SKU レベルの製品データセットの必要性を動機付ける。
• ラベルノイズが低い多様な製品カテゴリをカバーする人間がラベル付けしたデータセットを作成する。
• 追加の推論コストなしで細分類の製品認識を改善する実用的なヒントとコツを提供する。

提案手法

• 店内画像と顧客画像を含む、巨大で人間がラベル付けした SKU レベルのデータセット（Products-10K）を組み立てる。
• 各画像を少なくとも三人の専門家が検証することによってラベルノイズを低く保つ。
• トレーニングのコツを提案する：高解像度入力、バランスの取れたサブセットのファインチューニング、最適化を精度と一致させる指標ガイド型の損失設計。
• 推論コストを変更せずに高解像度トレーニングが精度に有意な向上をもたらすことを示す。
• ファインチューニング時のトップ1精度を最適化するための精度重視の損失（L_acc）を導入する。

実験結果

リサーチクエスチョン

• RQ1 大規模で完全に人間がラベル付けした SKU レベルデータセットは細分類製品認識を改善できるのか。
• RQ2 高解像度入力、バランスの取れたファインチューニング、指標に合わせた損失は複雑な製品データセットでトップ-1精度を改善するのか。
• RQ3 店内画像と顧客画像は SKU 認識の一般化とノイズ耐性にどのような影響を与えるのか。

主な発見

• Products-10K はほぼ 10k の SKU と約 150k の画像を含み、ノイズ率は 0.5% 未満である。
• 高解像度トレーニング（512→448 の切り出し）は 224×224 のベースラインよりトップ-1 精度を 4.9 ポイント向上させる。
• バランスの取れたサブセットファインチューニングは他のコツと組み合わせた場合さらに約 1.8% の向上を提供する。
• 指標に基づく損失は推論コストを追加せずに精度の最適化を改善し、検証セットで報告された最高のトップ-1 を達成する。
• 単一の EfficientNet-B3 モデルが 448×448 入力と指標損失ファインチューニングで 64.12% のトップ-1 精度を達成する。