摘要：整個系統(tǒng)采用了目前較先進(jìn)的衣物檢測和跟蹤技術(shù)。然后對這些候選框進(jìn)行跟蹤，得到明星同款在視頻中的的運(yùn)動軌跡。

《從視頻到電商：視頻衣物較精確檢索》圍繞視頻電商業(yè)務(wù)場景，提出了一個在線視頻衣物較精確檢索系統(tǒng)。該系統(tǒng)能夠滿足用戶在觀看影視劇時想要同時購買明星同款的需求。

整個系統(tǒng)采用了目前較先進(jìn)的衣物檢測和跟蹤技術(shù)。針對明星同款檢索中存在的多角度、多場景、遮擋等問題，提出可變化的深度樹形結(jié)構(gòu)（ReconfigurableDeep Tree structure）利用多幀之間的相似匹配解決單一幀檢索存在的遮擋、模糊等問題。該結(jié)構(gòu)可以認(rèn)為是對現(xiàn)有attention模型的一種擴(kuò)展，可以用來解決多模型融合問題。

論文技術(shù)在天貓魔盒視頻中應(yīng)用

業(yè)務(wù)場景及研究問題：視頻電商中的衣物較精確匹配

早在2014年，阿里與優(yōu)酷土豆發(fā)布視頻電商戰(zhàn)略，稱未來可以實(shí)現(xiàn)邊看邊買，使得視頻電商的概念，繼微博電商，朋友圈電商之后浮出水面。電商平臺擁有少量商品，而視頻網(wǎng)站具有巨大的流量，二者結(jié)合是發(fā)展的必然結(jié)果。電商平臺可以借助視頻網(wǎng)站的流量來實(shí)現(xiàn)導(dǎo)流和平臺下沉，而視頻網(wǎng)站則需要通過廣告點(diǎn)擊和商品成交來實(shí)現(xiàn)流量變現(xiàn)，因此二者的結(jié)合可謂一拍即合。

視頻電商的商業(yè)主旨是打造以視頻為入口的購物服務(wù)，視頻中出現(xiàn)所有物體都可能是商品，提供包括邊看邊買、明星同款、廣告投放等服務(wù)，它集娛樂、休閑、購物于一體，給用戶構(gòu)造出一種“身臨其境”情境營銷，或者是明星同款的沖動式消費(fèi)。視頻電商目前已經(jīng)不是停留在概念層次了，視頻網(wǎng)站向電商的導(dǎo)流轉(zhuǎn)化也一直在不斷的嘗試中。

?

影視劇中的服飾存在較大的差異性和異構(gòu)性，同一個目標(biāo)往往展現(xiàn)出較大的差異。服飾購物圖像通常具有雜亂、多樣的背景，而且常在戶外拍攝。多樣化的背景可能是建筑物，街道、風(fēng)景、汽車等多種情況。由于自然場景下受到光線、角度、大小、分辨率、幾何學(xué)和光度學(xué)的變化等影響，使得服飾呈現(xiàn)出現(xiàn)的外形極為復(fù)雜，即使是同一件服飾也會出現(xiàn)變化較大的效果。

同時在線網(wǎng)站為更好地展示服飾的效果，通常聘請時尚模特穿著所售商品，模特/人物姿勢變化也是導(dǎo)致服飾變化的一個重要因素。由于以上這些因素，使得視頻明星同款搜索成為了一個極具挑戰(zhàn)性的技術(shù)問題。

網(wǎng)絡(luò)結(jié)構(gòu)及技術(shù)細(xì)節(jié)

AsymNet網(wǎng)絡(luò)結(jié)構(gòu)：整個Asymnet深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。當(dāng)用戶通過機(jī)頂盒（天貓魔盒）觀看視頻時，該網(wǎng)絡(luò)將從電商網(wǎng)站（淘寶、天貓）檢索到與之匹配的衣服，并推薦給用戶。

為忽略復(fù)雜背景對檢索結(jié)果的影響，更準(zhǔn)確的進(jìn)行服裝定位，我們首先應(yīng)用服飾檢測技術(shù)，提取得到服飾區(qū)域一組候選框。然后對這些候選框進(jìn)行跟蹤，得到明星同款在視頻中的的運(yùn)動軌跡。對于衣物候選區(qū)域和運(yùn)動軌跡我們分別利用用圖像特征網(wǎng)絡(luò)（IFN）和視頻特征網(wǎng)絡(luò)（VFN）進(jìn)行特征學(xué)習(xí)。

考慮到服裝的運(yùn)動軌跡，衣物較精確檢索問題被定義為不對稱（多對單）匹配問題，我們提出可變化的深度樹形結(jié)（Reconfigurable Deep Tree Structure），利用多幀之間的相似匹配解決單一幀檢索存在的遮擋、模糊等問題。后續(xù)本文將詳細(xì)介紹模型的各個部分。

圖 1 Asymnet深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖像特征網(wǎng)絡(luò)（IFN）：傳統(tǒng)CNN網(wǎng)絡(luò)要求輸入圖像為固定的227x227（因?yàn)镃NN網(wǎng)絡(luò)中的卷積層需要有一個確定的預(yù)定義的維度）。在視頻電商業(yè)務(wù)場景中，因?yàn)橐挛餀z測候選框?yàn)槿我獯笮?，尺度變化很大，傳統(tǒng)CNN網(wǎng)絡(luò)無法進(jìn)行有效的特征學(xué)習(xí)。

針對這一問題，我們利用空間金字塔池化結(jié)構(gòu)（SPP）體系結(jié)構(gòu)，如圖2所示。它通過空間池聚合最后一個卷積層的特征，從而使池區(qū)域的大小與輸入的大小無關(guān)。

圖 2 Asymnet圖像特征網(wǎng)絡(luò)（IFN）

視頻特征網(wǎng)絡(luò) (VFN)：為了更好的考慮視頻的空間序列模式，進(jìn)一步提高衣物檢索的性能?；?LSTM，我們提出了視頻特征網(wǎng)絡(luò) (VFN)，如圖3所示。其中實(shí)驗(yàn)驗(yàn)證明兩層堆疊式 LSTM 結(jié)構(gòu)能夠在視頻特征學(xué)習(xí)中得到較佳性能。

圖 3 Asymnet視頻特征網(wǎng)絡(luò)(VFN)

相似性網(wǎng)絡(luò)：明星同款匹配不同于近似衣物檢索，較精確匹配要求完全一致。在完全一致的要求下，傳統(tǒng)的通過相似性計算來進(jìn)行檢索的方法，不能滿足明星同款較精確匹配要求。已有的方法通常將較精確匹配問題轉(zhuǎn)換為一個二分類問題，但這種方式適應(yīng)性差，只能利用單一時刻的視頻幀。

為了能夠利用整個衣物運(yùn)動軌跡，我們提出了如下的可變化的深度樹形結(jié)構(gòu)（ReconfigurableDeep Tree structure）將匹配問題轉(zhuǎn)換為邏輯回歸問題。匹配網(wǎng)絡(luò)擬采用基于混合專家系統(tǒng)的邏輯回歸網(wǎng)絡(luò)。該結(jié)構(gòu)可以認(rèn)為是對現(xiàn)有attention模型的一種擴(kuò)展，可以用來解決多模型融合問題。

圖 4 Asymnet相似性網(wǎng)絡(luò)

整個模型的目標(biāo)函數(shù)是綜合考慮每一幀的匹配結(jié)果，得到基于整個衣物運(yùn)動序列和電商衣物的相似性，整個系統(tǒng)可以建模為對如下目標(biāo)公式進(jìn)行求解：

試驗(yàn)結(jié)果：我們利用業(yè)務(wù)數(shù)據(jù)和的衣物檢索方法進(jìn)行了對比，試驗(yàn)結(jié)果如下表所示。相對于alexnet，Asymnet在前20的檢索較精確率指標(biāo)上，其性能幾乎提高了進(jìn)一倍。

相對于其他2種網(wǎng)絡(luò)CS和RC，我們發(fā)現(xiàn)RC的性能略優(yōu)于CS，因?yàn)镽C具有較強(qiáng)的識別能力差異較?。ú捎枚嗳蝿?wù)學(xué)習(xí)）。甚至在對于某些類別（無明顯差別）RC在較精確率上甚至略好于AsymNet，但是總的來說AsymNet比目前現(xiàn)有的方法擁有更好的性能。因?yàn)锳symnet可以處理現(xiàn)有的視頻的時空動態(tài)變化，并結(jié)合自動視頻幀的自動調(diào)節(jié)爐排判別信息的融合策略。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754