| Abstract : | Στον τομέα της παροχής συμβουλών σε ηλεκτρονικές επιχειρήσεις, απαιτείται καθημερινά η ανάλυση ενός μεγάλου αριθμού προϊόντων με σκοπό την εξαγωγή των χρήσιμων πληροφοριών που τα διέπουν. Αυτή η διαδικασία εξαρτάται σε μεγάλο βαθμό από την κατηγοριοποίηση και την αντιστοίχιση των εισερχόμενων προϊόντων. Η χειρωνακτική επισημείωση των κατηγοριών στις οποίες ανήκει κάθε προϊόν καθίσταται δαπανηρή για τις επιχειρήσεις, καθώς ο όγκος των εισερχόμενων δεδομένων συνεχώς αυξάνεται. Η αυτοματοποίηση της διαδικασίας αυτής έχει μεγάλη αξία και σημασία. Σε αυτή τη διπλωματική εργασία, εξετάζουμε αρχικά μεθόδους ταξινόμησης προϊόντων, χρησιμοποιώντας τεχνικές βαθιάς μάθησης, έτσι ώστε να ταξινομήσουμε τα προϊόντα ανάλογα με το εμπορικό σήμα, τον τύπο και την προϊοντική γραμμή τους, βασισμένοι αποκλειστικά στις εικόνες τους. Λαμβάνοντας υπόψη τους περιορισμένους διαθέσιμους πόρους για τη διεξαγωγή της διπλωματικής, χρησιμοποιούμε το EfficientNet, ένα ελαφρύ υπολογιστικά Συνελληκτικό Νευρωνικό Δίκτυο το οποίο επιτυγχάνει υπερσύγχρονα αποτελέσματα στην ταξινόμηση των εικόνων. Στη συνέχεια, προσπαθούμε να αντιστοιχήσουμε νέες εισερχόμενες εικόνες με υπάρχοντα προϊόντα κάνοντας χρήση των ενσωματώσεων των εικόνων οι οποίες εξάγονται από τα μοντέλα που έχουν εκπαιδευτεί στην προηγούμενη διαδικασία (ταξινόμηση προϊόντων). Τα επιτευχθέντα αποτελέσματα είναι εξαιρετικά, δείχνοντας ότι η ταξινόμηση προϊόντων και η αντιστοίχιση τους με βάση αποκλειστικά τις εικόνες είναι εφικτή.
In the field of e-business consulting, a great number of products is in need to be analyzed daily in order for insights to be extracted. Such a task is heavily reliant on the categorization and matching of the incoming products. Manual labeling is becoming costly for the firms as the influx of data seems to only increase. Automating this process is of high value and importance. In this thesis, we first tackle product categorization using deep learning techniques to classify products according to their brand, type, and product line, based exclusively on their images. Taking into consideration the limited available resources we employ EfficientNet a lightweight Convolutional Neural Network which was found to achieve state-of-the-art results in image classification. Subsequently, we try to match new images with the corresponding products based solely on the images’ embeddings extracted by the trained models of the previous task (product classification). The achieved results in both tasks are very promising showing that product categorization and matching based exclusively on images is feasible.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.