Temple Yun dans le fond de la non concave
Modifier qubit | Numéro public QbitAI
À titre de dividende du trafic Internet des consommateurs peu à peu épuisé, le champ de bataille principal de l'industrie de l'Internet mobile tourné vers Internet, le processus de triomphe de l'industrie de la maison numérique 3D, l'industrie commence à précipiter à un grand nombre de biens immobiliers et les données du modèle 3D correspondant, comment appliquer les données 3D de biens immobiliers caractéristiques multidimensionnelles pour améliorer l'expérience d'achat des consommateurs est important.
Hardcover chambre et chahutent il y a la distinction entre la livraison immobilier domestique de la maison.
Selon les données de l'enquête des consommateurs en 2018 sur une centaine de villes de second rang vision dimensions (Source: http: //wap.panguvr.com/docs/detail/134) a montré que 90 pour cent des consommateurs vont en ligne pour rechercher les logiciels installés avant la rénovation Fig. Mais maintenant, le magasin occupe encore 80% des ventes de la ligne, le débit de ligne ne peut pas être convertie directement sur le comportement des consommateurs est un des points de douleur importante dans l'industrie. Comment combiner les avantages de, afin d'optimiser en ligne et hors ligne l'allocation des ressources, pour atteindre la ligne rapide à périmètre entreprise à domicile de « l'évolution » est devenu le plus important du développement de l'entreprise à domicile.
Mais il y a beaucoup de difficultés pour atteindre la ligne de l'évolution des entités de l'industrie à domicile:
D'un point de vue consommateur de l'ère de l'explosion d'une information de la lourdeur, difficile à utiliser les rendus de recherche en ligne directement, ou si vous voulez trouver rapidement les produits à domicile en ligne. Même si la recherche d'imaginer aussi sa taille réelle, les effets d'affichage. En visitant le magasin, « ce que vous voulez », et il y aura des magasins dispersés, produits dispersés, problème de temps.
Du point de vue de l'industrie entreprise à domicile, les canaux de vente en ligne, bien que peu à peu, mais aussi qui a suivi l'afflux d'un grand nombre de vendeurs de plate-forme en ligne, une concurrence féroce pour le trafic en ligne, réduire les dividendes, était probablement le produit 2D images, mauvaise expérience utilisateur.
En conclusion, les nouvelles idées, nouveaux commerces de détail, grande maison, amélioration de l'habitat et d'autres balayant l'Internet, « la ligne suivante + ligne » double intégration du modèle de marketing d'amélioration de l'habitat plus conforme aux tendances de l'industrie. Guide des consommateurs à travers les plans d'effet direct pour étendre le comportement des consommateurs est la clé de l'innovation de l'industrie.
Ces questions, ainsi que d'un large éventail d'applications au cours des dernières années convolution étude approfondie du modèle de réseau de neurones (Convolutif Neural Network, CNN) en tant que représentant d'une très bonne solution.
applications de vision dimensionnelle pour voler palette (PaddlePaddle), le plus rapide R-CNN utilisé dans le rendu réel l'inspection des produits de base, combinée à la technologie de visualisation (Web3D, réalité mixte, nuage panorama), offrent aux consommateurs la perception visuelle de haute qualité de service, afin d'obtenir Figure produits de recherche.
paddle Fly (PaddlePaddle) est Baidu ensemble auto-développement cadre d'apprentissage profond, des outils, des composants et des services plate-forme comme l'une des technologies de pointe, la profondeur open source entièrement fonctionnelle plate-forme d'apprentissage, un soutien officiel complet du modèle d'application industrielle, couvrant le traitement du langage naturel, champs de vision informatique, les moteurs de recommandation, et ouvrir plusieurs modèle leader chinois pré-formation.
Pour plus d'informations sur palette de mouche (de PaddlePaddle), s'il vous plaît voir:
Dans ce qui suit, nous allons pagaie à la mouche de détail (PaddlePaddle) Comment combiné avec plus rapide R-CNN, mis en uvre dans les fonctions de recherche de produits FIG.
Ce qui est plus rapide R-CNN
Plus rapide réseau R-CNN peut être considéré comme l'extraction des caractéristiques et des combinaisons de recommandations rapide du réseau R-CNN (Région réseau Proposition, RPN) est. Selon les statistiques pertinentes, Recherche sur la carte pour rechercher l'exactitude des produits, il varie en fonction du type d'objet, à peu près divisé en trois catégories:
À l'heure actuelle, dans un champ de recherche d'image verticale déjà matures application, mais pour « toutes choses la recherche, » il y a encore beaucoup de place à l'amélioration. Cependant, l'industrie nationale, le salon est essentiellement dans le plan de l'objet, objet rigide en trois dimensions, de sorte que lors de la recherche peut obtenir une plus grande précision.
Articles ménagers méthode de détection
Rendus objet de détection
Les marchandises tenteront de rechercher du texte dans la recherche pour résoudre le problème ne peut pas être des scènes décrites avec précision, comme lorsque récurer la mer pour trouver l'asymétrie linguale du produit, en temps réel scène préférée pour voir les produits, mais le cas d'asymétrie d'information et ainsi de suite. Cependant, nous voulons extraire meubles rendus d'un seul produit pour déverrouiller la carte, il faut adopter la détection des cibles (détection d'objet), le but des rendus de chaque mobilier de chapiteau indépendant et identifier le canapé cadre, table basse, armoires de télévision, des lits et d'autres catégories de meubles.
La première étape consiste à inscription sur la zone de détection de cible (Proposition Region), semblable à la reconnaissance optique de caractères (OCR), il est d'essayer simplement coupé à un petit domaine de communication, puis, conformément à certaines caractéristiques morphologiques fusionnent bloc avoisinant si un problème peut dire être plus difficile de désigner la région dans une certaine mesure.
Du point de vue de l'apprentissage de la machine, le cur du problème est de savoir comment région candidate effectivement redondant, la région candidate, en fait, le chevauchement souvent redondant se produit, l'utilisation sélective de cette recherche, la zone de recouvrement du bas vers le haut fusion à côté réduire la redondance.
caractéristique unique de récupération de produit figure
Par objet de détection des rendus que nous pouvons extraire un seul produit pour obtenir des meubles et mapper un seul type de produit, supposons que nous extrayons un seul lit de type carte produit.
Saisissez la carte et un seul type de produit, trouver rapidement des marchandises similaires
Conscient des applications algorithme de hachage (hash)
algorithme de hachage perceptive (hachage) est une fonction de hachage qui est classe comparable, est utilisé pour générer une image caractéristiques uniques (mais pas exclusivement) les empreintes digitales, les empreintes digitales qui sont comparables. Meubles valeur de hachage d'image extraite nous avons besoin les étapes suivantes:
acquisition de données 3D
La technologie de rendu en temps réel pour générer rapidement des dizaines de données d'images sous différents angles de chaque maison modèles 3D et arrière-plan complexe mixte afin d'améliorer la précision de reconnaissance après la formation.
Basé sur le modèle 3D, nous pouvons également Collect plusieurs dimensions avec une table de couleurs, les informations importantes, des informations de taille et d'autres produits ensembles de données, une fois le logiciel installé pour fonctionner à la base de l'algorithme de recommandation intelligente.
L'expérience avec différentes profondeurs cadre d'apprentissage
Tout d'abord, nous allons essayer est tensorflow Google cadre d'apprentissage profond, mais le potentiel commercial de la mesure après le soutien de la localisation, le soutien des développeurs, et nous avons décidé de migrer de façon transparente à Baidu voler paddle (PaddlePaddle).
Parce qu'avant la « vision dimensionnelle » a fait beaucoup de liaison de données près de trois mois sur la base de la migration rapide RCNN TF pour voler paddle arrière (PaddlePaddle) Nous avons trouvé ce qui suit - paddle fly (de PaddlePaddle) modèle parfait pour un soutien parallèle et des données parallèles formation multi-machine. En raison de nos données, les données d'image sont des dizaines de différents angles de chaque maison modèles 3D, des modèles de masse, y compris grande maison toutes les catégories, ce qui implique la nécessité de poignée supérieure à quelques téraoctet de données.
Petite palette de mouche (de PaddlePaddle) de mémoire pour fonctionnement en parallèle, la vitesse, le soutien, notre charge de travail est très en forme. Après une semaine de formation, notre taux de précision de la reconnaissance silhouette modèle a atteint 89%, plus élevé que le taux de reconnaissance de TF11%, et dans laquelle le taux de faux positif (FPR) a également diminué de 32% qu'auparavant.
résumé
ère industrielle de l'Internet, la plate-forme Internet ont plus de quantité de données, à la pratique du traitement, le calcul, l'analyse et d'autres infrastructures liées à mieux aider les entreprises à réaliser la transition vers le numérique. Le convolution réseau de neurones a la capacité de représentation sémantique multi-niveau, l'image caractéristiques extraites de différentes couches ont des significations différentes, choisir une couche de convolution différents extraits d'un autre niveau de fonctionnalités, un avantage concurrentiel à l'avenir.
Cette application à l'industrie nationale, ce qui rend et réelles bibliothèques produit pour l'étude, les consommateurs qui envisagent l'achat d'un logiciel chargé avec des fonctionnalités, étendues pour rechercher les crépis de produits 3D à la maison des ensembles de données bibliothèque, grâce à des caractéristiques multidimensionnelles des améliorations du modèle 3D pour augmenter la taille de l'échantillon , pour obtenir des rendus de déverrouillage rapide, la récupération et la mise en correspondance.
Combiné avec la technologie d'automatisation de la vision tridimensionnelle du modèle 3D, les sites de partage mondiaux peuvent construire différents modèles comme un ensemble de données, l'ensemble de données peut obtenir des millions de modèles de maison et des centaines de classification, couvrant des groupes mondiaux des matières premières et l'apparence de la maison.
les données d'échantillon avenir pour construire le système 3D basé sur les données de l'utilisateur peuvent être accumulées maximisent l'utilisation de l'ordinateur sera mis en place et des solutions de modèle à la demande de la spéculation et de modèle pour une variété d'utilisateurs filtrer de manière proactive le meilleur contenu que l'avenir sera étendu à des informations exactes les unités peuvent être combinées, comme la maison douce avec système de recommandation intelligente, pour devenir une nouvelle entrée de la circulation à domicile.
- FIN -
recrutement sincère
Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".
Qubit QbitAI · manchettes sur la signature de
' « suivre les nouvelles technologies AI dynamiques et de produits
