[论文解读] Atlas: A Dataset and Benchmark for E-commerce Clothing Product Categorization

Venkatesh Umaashankar, Girish Shanmugam S+1 more|arXiv (Cornell University)|Aug 12, 2019

Advanced Image and Video Retrieval Techniques参考文献 23被引用 10

一句话总结

本文介绍了Atlas，一个大规模、高质量的电商服装图像数据集，包含186,150张图像，涵盖52个叶节点的分层类别路径。该研究通过图像分类和基于注意力的序列到序列模型建立了基准，测试集上的微F1分数达到0.92，并公开发布了数据集、代码和预训练模型，以推动自动化产品分类研究的发展。

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.

研究动机与目标

• 为解决电商产品分类领域缺乏标准化、真实世界数据集的问题，尤其是在服装领域。
• 开发一种可扩展、高质量的方法，用于收集和标注大规模产品分类体系数据。
• 使用深度学习模型建立可复现的基准，用于分层产品分类任务。
• 实现自动化、可扩展的产品分类，减少人工工作量，提升电商目录质量。
• 通过开源数据集、代码和预训练模型，鼓励社区驱动的研究。

提出的方法

• 基于真实的电商产品数据，构建了一个包含52个叶节点的三级服装产品分类体系。
• 收集了186,150张图像，附带对应的产品标题，并通过精心设计的标注流程将其映射到类别路径。
• 使用类别交叉熵损失和一阶段学习率调度策略，训练基于ResNet34的图像分类模型。
• 构建了一个基于注意力的序列到序列模型，结合束搜索和dropout，用于从图像特征预测分层类别路径。
• 使用早停法和梯度裁剪以优化训练稳定性并防止过拟合。
• 采用分层的训练/验证/测试集划分（65%/5%/30%），以确保各类别分布均衡。

实验结果

研究问题

• RQ1 能否系统性地构建一个大规模、真实世界的电商服装产品数据集，并实现一致的分类体系标注？
• RQ2 在从图像预测多级产品类别路径方面，图像分类模型与序列到序列模型的表现如何比较？
• RQ3 基于注意力的序列模型在多大程度上能够生成训练数据中未出现过的有效、有意义的新类别路径？
• RQ4 在使用视觉和文本特征时，深度学习模型在分层产品分类任务上的性能上限是什么？
• RQ5 如何利用模型可解释性与分类体系结构来提升生成类别路径的有效性？

主要发现

• 基于ResNet34的图像分类模型在测试集上取得了0.92的微F1分数，成为表现最佳的基线模型。
• 基于注意力的序列到序列模型取得了0.90的微F1分数，尽管准确率低于分类模型，但表现依然强劲。
• 序列到序列模型生成了5条新类别路径，其中仅有2条有效，表明解码过程中需要引入结构约束。
• 分类模型表现优于序列到序列模型，原因在于叶节点数量相对较少（52个），暗示序列模型在更大分类体系中可能具备更好的可扩展性。
• 数据集、代码和预训练模型已公开发布于 https://github.com/vumaasha/atlas，以支持可复现研究和社区扩展。
• 手动检查对于过滤序列模型生成的无效类别路径至关重要，凸显了当前生成方法的局限性。