AI 科技评论按：CVPR是近十年来计算机视觉领域全球最有影响力、内容最全面的顶级学术会议，由全球最大的非营利性专业技术学会IEEE（电气和电子工程师协会）主办。今年CVPR审核了2620篇文章，最终收录783篇，录取率29%。阿里巴巴集团数据科学与技术研究院 iDST 和人工智能研究院 AI LAB 也有多篇论文被收录。
本文就是对阿里巴巴 iDST 视频分析团队的 CVPR 2017论文「 Video2Shop: Exact Matching Clothes in Videos to Online Shopping Images 」（从视频到电商：视频衣物精确检索）的解读，文章作者为阿里巴巴方广、磐君、思淘。
阿里巴巴 iDST 视频分析团队在这篇论文中围绕视频电商业务场景，提出了一个在线视频衣物精确检索系统。该系统能够满足用户在观看影视剧时想要同时购买明星同款的需求。整个系统采用了目前最先进的衣物检测和跟踪技术，针对明星同款检索中存在的多角度、多场景、遮挡等问题，提出可变化的深度树形结构（Reconfigurable Deep Tree structure），利用多帧之间的相似匹配解决单一帧检索存在的遮挡、模糊等问题。该结构可以认为是对现有attention模型的一种扩展，可以用来解决多模型融合问题。
论文技术在天猫魔盒视频中应用
业务场景及研究问题：视频电商中的衣物精确匹配
早在 2014 年，阿里与优酷土豆发布视频电商战略，称未来可以实现边看边买，使得视频电商的概念，继微博电商，朋友圈电商之后浮出水面。电商平台拥有少量商品，而视频网站具有巨大的流量，二者结合是发展的必然结果。电商平台可以借助视频网站的流量来实现导流和平台下沉，而视频网站则需要通过广告点击和商品成交来实现流量变现，因此二者的结合可谓一拍即合。视频电商的商业主旨是打造以视频为入口的购物服务，视频中出现所有物体都可能是商品，提供包括边看边买、明星同款、广告投放等服务，它集娱乐、休闲、购物于一体，给用户构造出一种“身临其境”情境营销，或者是明星同款的冲动式消费。视频电商目前已经不是停留在概念层次了，视频网站向电商的导流转化也一直在不断的尝试中。
然而影视剧中的服饰存在较大的差异性和异构性， 同一个目标往往展现出较大的差异。服饰购物图像通常具有杂乱、多样的背景， 而且常在户外拍摄。多样化的背景可能是建筑物，街道、风景、汽车等多种情况。由于自然场景下受到光线、角度、大小、分 辨率、几何学和光度学的变化等影响，使得服饰呈现出现的外形极为复杂，即使是同一件服饰也会出现变化较大的效果。同时在线网站为更好地展示服饰的效果，通常聘请时尚模特穿着所售商品，模特/人物姿势变化也是导致服饰变化的一个重要因素。 由于以上这些因素，使得视频明星同款搜索成为了一个极具挑战性的技术问题。
网络结构及技术细节
AsymNet网络结构：整个Asymnet深度神经网络结构如图1所示。当用户通过机顶盒（天猫魔盒）观看视频时，该网络将从电商网站（淘宝、天猫）检索到与之匹配的衣服，并推荐给用户。为忽略复杂背景对检索结果的影响，更准确的进行服装定位，我们首先应用服饰检测技术，提取得到服饰区域一组候选框。然后对这些候选框进行跟踪，得到明星同款在视频中的的运动轨迹。对于衣物候选区域和运动轨迹我们分别利用用图像特征网络（IFN）和视频特征网络（VFN）进行特征学习。考虑到服装的运动轨迹，衣物精确检索问题被定义为不对称（多对单）匹配问题，我们提出可变化的深度树形结（Reconfigurable Deep Tree Structure），利用多帧之间的相似匹配解决单一帧检索存在的遮挡、模糊等问题。后续本文将详细介绍模型的各个部分。
图 1 Asymnet深度神经网络结构
图像特征网络（IFN）：传统CNN网络要求输入图像为固定的227x227（因为CNN网络中的卷积层需要有一个确定的预定义的维度）。在视频电商业务场景中，因为衣物检测候选框为任意大小，尺度变化很大，传统CNN网络无法进行有效的特征学习。针对这一问题，我们利用空间金字塔池化结构（SPP）体系结构，如图2所示。它通过空间池聚合最后一个卷积层的特征，从而使池区域的大小与输入的大小无关。
图 2 Asymnet图像特征网络（IFN）
视频特征网络 (VFN)：为了更好的考虑视频的空间序列模式，进一步提高衣物检索的性能。基于 LSTM，我们提出了视频特征网络 (VFN)，如图3所示。其中实验验证明两层堆叠式 LSTM 结构能够在视频特征学习中得到最佳性能。
图 3 Asymnet视频特征网络 (VFN)
相似性网络：明星同款匹配不同于近似衣物检索，精确匹配要求完全一致。在完全一致的 要求下，传统的通过相似性计算来进行检索的方法，不能满足明星同款精确匹配要求。已有的方法通常将精确匹配问题转换为一个二分类问题，但这种方式适应性差，只能利用单一时刻的视频帧。为了能够利用整个衣物运动轨迹，我们提出了如下的可变化的深度树形结构（Reconfigurable Deep Tree structure）将匹配问题转换为逻辑回归问题。匹配网络拟采用基于混合专家系统的逻辑回归网络。该结构可以认为是对现有attention模型的一种扩展，可以用来解决多模型融合问题。
图 4 Asymnet相似性网络
整个模型的目标函数是综合考虑每一帧的匹配结果，得到基于整个衣物运动序列和电商衣物的相似性，整个系统可以建模为对如下目标公式进行求解：
类似于attention机制，我们提出如下后验概率模型，来对上式进行求解：
得到如下梯度并采用端到端方式进行网络学习。 
试验结果
我们利用业务数据和最新的衣物检索方法进行了对比，试验结果如下表所示。相对于alexnet，Asymnet在前20的检索精确率指标上，其性能几乎提高了进一倍。相对于其他2种网络CS 和RC， 我们发现RC的性能略优于CS，因为RC具有较强的识别能力差异较小（采用多任务学习）。甚至在对于某些类别（无明显差别）RC在精确率上甚至略好于AsymNet，但是总的来说AsymNet比目前现有的方法拥有更好的性能。因为Asymnet可以处理现有的视频的时空动态变化，并结合自动视频帧的自动调节炉排判别信息的融合策略。
论文下载链接：http://openaccess.thecvf.com/content_cvpr_2017/papers/Cheng_Video2Shop_Exact_Matching_CVPR_2017_paper.pdf
CVPR 2017 后续报道、更多近期学术会议现场报道，请继续关注 AI 科技评论。
