业界 | 弱监督学习下的商品识别：CVPR 2018细粒度识别挑战赛获胜方案简介(5)

这就需要引进多层级联的细粒度分类算法，从而加大细粒度识别的难度。最后，由于商品类别多，就要去更多的海量训练数据和人工标注，比如 10 亿级别的。对于如此数量的人工标注和数据清洗，是很难完成的。因此，如何有效地利用海量网络爬去的商品图片，在没有或者只有少量人工标注和清洗的情况下，训练一个高性能的商品识别模型，成为一个关键的技术。码隆科技最近提出的弱监督学习算法- CurriculumNet，就是专门为训练海量无工人共标注的海量网络图片而设计的。

[好文分享：www.11jj.com]

[原创文章：www.11jj.com]

此次 FGVC5 挑战赛是现实应用场景问题促进算法探究的一次实践，从数据集数量到参赛团队规模都上升到新的台阶，这也说明商品识别这类细粒度识别问题正在引起更多学者、技术从业者关注。据悉，码隆科技和 Google Research 正在积极探究更深入的细粒度人造物识别场景，并期待下一年继续共同举办相关挑战赛。

本文为机器之心原创，转载请联系本公众号获得授权。

✄------------------------------------------------

加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com

投稿或寻求报道：content@jiqizhixin.com

广告 & 商务合作：bd@jiqizhixin.com