[논문 리뷰] Atlas: A Dataset and Benchmark for E-commerce Clothing Product Categorization

Venkatesh Umaashankar, Girish Shanmugam S외 1명|arXiv (Cornell University)|2019. 08. 12.

Advanced Image and Video Retrieval Techniques참고 문헌 23인용 수 10

한 줄 요약

이 논문은 186,150개의 전자상거래 의류 이미지와 52개의 叶 노드를 가진 계층적 카테고리 경로를 포함하는 대규모 고품질 데이터셋인 Atlas를 소개한다. 이미지 분류 및 주의 기반 순서-순서 모델을 사용하여 벤치마크를 수립하였으며, 테스트 세트에서 마이크로 F-스코어 0.92를 달성하였다. 또한 연구의 발전을 위해 데이터셋, 코드, 사전 학습 모델을 공개한다.

ABSTRACT

In E-commerce, it is a common practice to organize the product catalog using product taxonomy. This enables the buyer to easily locate the item they are looking for and also to explore various items available under a category. Product taxonomy is a tree structure with 3 or more levels of depth and several leaf nodes. Product categorization is a large scale classification task that assigns a category path to a particular product. Research in this area is restricted by the unavailability of good real-world datasets and the variations in taxonomy due to the absence of a standard across the different e-commerce stores. In this paper, we introduce a high-quality product taxonomy dataset focusing on clothing products which contain 186,150 images under clothing category with 3 levels and 52 leaf nodes in the taxonomy. We explain the methodology used to collect and label this dataset. Further, we establish the benchmark by comparing image classification and Attention based Sequence models for predicting the category path. Our benchmark model reaches a micro f-score of 0.92 on the test set. The dataset, code and pre-trained models are publicly available at \url{https://github.com/vumaasha/atlas}. We invite the community to improve upon these baselines.

연구 동기 및 목표

• 전자상거래 제품 분류를 위한 표준화되고 실제 세계 기반의 데이터셋이 부족한 문제를 해결하기 위해.
• 대규모 제품 분류계층 구조 데이터를 수집하고 레이블링하는 가용성 있고 고품질의 방법론을 개발하기 위해.
• 딥러닝 모델을 사용하여 계층적 제품 분류를 위한 재현 가능한 벤치마크를 수립하기 위해.
• 수동 작업을 줄이고 전자상거래에서 카탈로그 품질을 향상시키기 위해 자동화되고 확장 가능한 제품 분류를 실현하기 위해.
• 공개된 데이터셋, 코드, 사전 학습 모델을 통해 커뮤니티 기반 연구를 촉진하기 위해.

제안 방법

• 실제 전자상거래 제품 데이터를 활용하여 3단계의 의류 제품 분류계층을 구성하고, 52개의 叶 카테고리로 구성하였다.
• 제품 제목과 함께 186,150개의 이미지를 수집하고, 정제된 레이블링 파이프라인을 통해 카테고리 경로에 매핑하였다.
• 카테고리 교차 엔트로피 손실과 온사이클 학습률 스케줄링을 사용하여 ResNet34 기반의 이미지 분류 모델을 훈련시켰다.
• 이미지 특징에서 계층적 경로 예측을 위해 앙상블 기반 순서-순서 모델을 구축하였으며, 비드 서치와 드롭아웃을 적용하였다.
• 학습 안정성 향상과 과적합 방지를 위해 조기 정지와 기울기 클리핑을 사용하였다.
• 균형 잡힌 클래스 표현을 확보하기 위해 전략적 훈련/검증/테스트 분할(65%/5%/30%)을 평가에 활용하였다.

실험 결과

연구 질문

• RQ1 실제 세계 기반의 대규모 전자상거래 의류 제품 데이터셋을 일관된 분류계층 레이블링으로 체계적으로 구축할 수 있는가?
• RQ2 이미지 분류 모델과 순서-순서 모델은 이미지에서 다단계 제품 카테고리 경로를 예측할 때 어떻게 비교되는가?
• RQ3 주의 기반 순서-순서 모델은 훈련 데이터에 존재하지 않는 유효하고 의미 있는 새로운 카테고리 경로를 어느 정도 생성할 수 있는가?
• RQ4 시각적 및 텍스처적 특징를 사용할 때 딥러닝 모델의 계층적 제품 분류 성능의 한계는 무엇인가?
• RQ5 모델의 해석 가능성과 분류계층의 구조를 어떻게 활용하여 생성된 카테고리 경로의 타당성을 향상시킬 수 있는가?

주요 결과

• ResNet34 기반의 이미지 분류 모델은 테스트 세트에서 마이크로 F-스코어 0.92를 달성하여 최고 성능을 보이며 기준 벤치마크로 기능한다.
• 주의 기반 순서-순서 모델은 마이크로 F-스코어 0.90을 기록하여 분류 모델보다 낮은 정확도에도 불구하고 뛰어난 성능을 보였다.
• 순서-순서 모델은 5개의 새로운 카테고리 경로를 생성하였고, 그 중 2개만 유효하였으며, 이는 디코딩 중 구조적 제약 조건이 필요함을 시사한다.
• 분류 모델이 순서-순서 모델을 앞서는 것은 叶 카테고리 수가 상대적으로 적은(52개) 덕분이므로, 더 큰 분류계층에서는 순서 모델이 더 잘 스케일링될 수 있음을 시사한다.
• 데이터셋, 코드, 사전 학습 모델은 https://github.com/vumaasha/atlas 에 공개되어 재현 가능한 연구와 커뮤니티의 확장 지원을 위해 활용된다.
• 순서 모델이 생성한 유효하지 않은 카테고리 경로를 걸러내기 위해 수동 점검이 필수적임을 확인하였으며, 이는 현재 생성 기술의 한계를 드러낸다.