👦🏿 🏄 🈁 我们还原对象的详细几何形状，以进行更准确的分类验证 ⌨️ 🛥️ 👶🏿

在处理搜索质量问题时，迟早要面对视觉产品验证的任务。我们忽略了普通分类器将要处理的简单任务，只关注需要或多或少准确的对象几何的情况：

假设您只需要选择某些对象的好照片，以便以后在电子商务中使用。好的，我们的意思是没有主要细节的照片，没有不必要的细节。

为什么需要这个？

该产品的任何非标准图像都一定会引起注意。但是潜在买家的反应既可以是正面的，也可以是负面的。初步验证的任务是减少（最好是大幅减少）负面情况的可能性。

以下是测试商店类别之一的样式的“差异”

不用太复杂，如果T恤在照片中有点丢失，或者如果您考虑的细节对于您来说并不是完全必要的，则很可能会出错（或已经出错）。

因此，可以非常简单地提出初步验证的策略之一：具有优势产品的照片将获胜。案件不大，就要给他们胜利。

早期结果看起来还不错，这使我们能够大大简化和自动化验证过程：

主要问题是结果的准确性。您知道，复杂的物体，非标准的照片，真实的生活。因此，如果您有边界框-您仍然没有足够的信息。

该结论有些令人沮丧，因为它立即拒绝了行之有效的解决方案（或使解决方案变得更加困难）。例如，使用神经网络获取任何精确的几何结构需要大量资源来准备训练集，而又不能保证必要的准确性。

但是拥有或多或少的精确几何形状，可以使用更复杂的分析和验证逻辑。是的，可以在那里播放，也可以播放视频（选择必要的片段，自动裁剪等）

由于足够多的限制和简化，当前的解决方案不能被称为通用解决方案。

简化方法之一可以表示为：照片中的对象始终是对比的。找到对比对象然后执行扫描（自适应，动态步长等）并不难：

自然，如有必要，可以增加对比度，使解决方案更稳定

顺便说一下，在上面的示例中，实现了对植入头发的搜索。一个非常奇怪的任务出现在stackoverflow上，并在一个晚上成功“选定”。

在这种情况下，极少数具有明显设计决策的产品会受到影响，但其他情况却很容易解决：

在研究了一段时间之后，我可以自信地说所有案例都是以自己的方式复杂的。但是，动态场景或距离变化的场景会带来最大的问题。