世界頂尖人工智能交流合作平臺2019世界人工智能大會于8月29日在上海世博中心開幕。計算機視覺作為在很多領(lǐng)域都有廣泛應(yīng)用場景的前沿技術(shù)，受到了廣泛關(guān)注。

接觸人工智能技術(shù)，大多人都是從計算機視覺領(lǐng)域中的人臉識別開始，從安防到手機開屏都有了廣泛的應(yīng)用。而與人臉識別相對應(yīng)的是物體的識別，其中的商品識別由于在零售行業(yè)有廣泛的應(yīng)用空間，最近兩年逐步受到行業(yè)內(nèi)頭部人工智能企業(yè)的重視，包括騰訊、曠視、商湯等都在商品識別領(lǐng)域有廣泛的研究。本次大會上，我們也看到了從核心技術(shù)到產(chǎn)品落地，商品識別開始有了更大的突破。

商品識別在零售行業(yè)的應(yīng)用

線下數(shù)字化是我們生活實現(xiàn)智能的一個前提，也就是人類的出行生活等都可以被計算機所理解和描述，從而可以被進一步的優(yōu)化。我們在網(wǎng)絡(luò)上的所有行為都是數(shù)字化的，比如在淘寶上看過哪些商品，看了多久，在百度上搜索過什么內(nèi)容，在微信上的聊天，在頭條的新聞瀏覽，這些行為都能被計算機捕捉，并被應(yīng)用方作為產(chǎn)品優(yōu)化的主要依據(jù)。而線下的數(shù)字化就難了很多，計算機視覺是實現(xiàn)線下數(shù)字化的一個重要技術(shù)。

類似于淘寶購物，如果商超能夠?qū)崿F(xiàn)對顧客從進店那一刻起的所有行為進行識別和分析，那么會大大提升店內(nèi)的商品優(yōu)化和運營效率。這個領(lǐng)域的核心技術(shù)為人的識別（人臉識別、用戶重識別Re-ID以及用戶行為分析）和商品識別。而商品識別同時還有貨架排面分析，自動結(jié)算等方面的應(yīng)用，是解決線下數(shù)字化的一個核心技術(shù)點。

商品識別的難點

“人臉識別和商品識別哪個更難？”這是很多人經(jīng)常問的一個問題。首先這個問題不是很科學(xué)，任何問題在不同的場景都可以很難或者比較容易。從算法模型來看，人臉識別模型可以做到手機上，而商品識別基本上不可能做到，也就是商品識別的模型一般會比人臉識別的模型大很多。商品識別最大的難度在于商品種類的多樣性和多角度識別。很多應(yīng)用場景會要求對商品的各個角度能夠識別，我們簡單理解一下，如果人的識別也要做到看后腦勺就能識別，是不是難度高了好幾個級別。另外一個方面是很多人臉識別是配合型的，但是商品識別基本都是不配合型的。

從技術(shù)上來看，商品識別分為兩個步驟，第一步是目標(biāo)檢測，也就是在一個圖片上先找到一個或者多個感興趣的目標(biāo)，一般用一個叫bounding-box的畫框把目標(biāo)摳出來。第二步是對這個畫框的內(nèi)容進行識別，區(qū)分具體是哪個商品。在大部分場景，第一步目標(biāo)檢測的難度是遠遠超過識別的難度。我們來看一個例子。

這是一個用手機拍攝的貨架排面檢查圖片，圖片里大概有幾百個商品，這種高密集的目標(biāo)檢測，要做到一個不多一個不少是很困難的。現(xiàn)在流行的目標(biāo)檢測模型faster-rcnn或者yolo都不是針對這種高密集目標(biāo)檢測設(shè)計的，比較容易造成漏框和多框的錯誤。如果這個拍攝的攝像頭是安裝在店內(nèi)的頂部，造成的拍攝角度會大大增加檢測的難度。

商品的識別大部分是在特定的場景下進行，具體的物理擺放會大大增加識別的難度。下圖是一個智能零售柜內(nèi)用魚眼攝像頭拍到的圖片，我們可以看到大部分商品只漏頂部的一些信息，有些只漏出瓶蓋的部分，這樣對類似商品的區(qū)分大大增加了難度。

在實際商品識別應(yīng)用中，單純一個識別模型很難解決實際的問題，往往需要通過物理條件的改變，以及多模型的融合才能達到可以應(yīng)用的水平。模型復(fù)雜度的增加也會影響最后的計算資源成本。

商品識別目前處于什么水平

商品識別最早的應(yīng)用場所是拍照購物，通過圖像識別找到同款商品。早在10年前硅谷有個創(chuàng)業(yè)公司SnapTell’s就是做類似的產(chǎn)品，在2009年被亞馬遜旗下公司A9收購。后來的圖片社區(qū)pinterest和谷歌圖片搜索都有類似的功能。

國內(nèi)的淘寶拍立淘是阿里自研的圖片購物產(chǎn)品，其優(yōu)勢在于淘寶巨大的圖片庫。而電商的另一巨頭京東拍照購的核心算法是由海深科技在2017年上線提供的。海深科技在小物體的目標(biāo)檢測方面有行業(yè)內(nèi)前沿性的技術(shù)，能夠準確的檢測和識別穿在腳上的鞋子等小物體。同時海深科技為小紅書、搜狗等應(yīng)用提供圖像識別服務(wù)，提供圖像變現(xiàn)的新途徑。目前對電商網(wǎng)站用戶評論區(qū)的圖片進行同款搜索，海深科技的top20的準確率在75%左右，處于行業(yè)領(lǐng)先地位。本次AI界盛會上，海深科技也受邀參展，并現(xiàn)場展現(xiàn)了基于商品識別技術(shù)的智能產(chǎn)品。

Amazon Go的自動結(jié)算方案是商品識別的另外一個重要應(yīng)用場景，但是由于開放式的環(huán)境，一般都還需要利用重量感應(yīng)器等其它輔助手段才能達到一定的準確率。而場景可控的智能零售柜成為一個新的零售終端方式，在辦公樓、學(xué)校、醫(yī)院等場景得到了大力的推廣。雖然有物體密集擺放、魚眼攝像頭造成的圖像畸形以及遮擋等問題，海深科技推出的G-BOX AI 零售柜在實際應(yīng)用場景中能夠達到99.8%的準確率，無論是在識別速度還是準確率方面，都處于領(lǐng)先水準。

不同于人臉識別已經(jīng)有多個權(quán)威的測試數(shù)據(jù)集，商品識別并沒有統(tǒng)一的標(biāo)準和測試數(shù)據(jù)，造成這個領(lǐng)域的學(xué)習(xí)成本很高。我們了解到海深科技正在建設(shè)商品識別數(shù)據(jù)共享平臺，把商品數(shù)據(jù)和算法以服務(wù)的方式開放給應(yīng)用方，推動這個領(lǐng)域的技術(shù)發(fā)展。

商品識別的發(fā)展趨勢

邊緣化計算是商品識別的一個趨勢。由于模型的復(fù)雜程度，大部分商品識別算法只能部署在云端GPU完成計算。這個也是商超線下數(shù)字化目前遇到的困境，巨大的帶寬需求和計算資源造成單店成本過高。隨著嵌入式計算的發(fā)展，更多的計算能夠在前端完成，增加部署的靈活性。

圖像識別這幾年的快速發(fā)展，很大程度受益于李飛飛教授主持的ImageNet大量標(biāo)注圖片數(shù)據(jù)集。同樣的道理，由于商品種類的繁多性，靠一個公司或者團體的能力，很難提升算法的泛化能力，也就是單一算法只能適用于非常有限的場景，很難形成規(guī)?；?yīng)。數(shù)據(jù)共享和算法開放將會成為人工智能發(fā)展的一個重要趨勢。