Liste des innovations d'instacart:


REMPLISSAGE DE DONNÉES DE CATALOGUE AVEC DES PROPRIÉTÉS D'ARTICLES D'APRÈS DES MODÈLES DE SEGMENTATION ET DE CLASSIFICATION

1-Contexe :

Cette divulgation concerne généralement un processus pour ajouter des informations d'article à un catalogue d'inventaire d'un système de livraison, et spécifiquement pour utiliser des images des articles du catalogue pour déterminer les informations d'article.

3-résumé :

Comme décrit ici, un système de livraison peut générer et utiliser des modèles appris par machine pour mettre à jour les informations de propriété d'article dans un catalogue d'articles ou une base de données d'inventaire. Les modèles d'apprentissage automatique sont formés à l'aide d'images dans un entrepôt et d'images d'étiquettes d'articles. Un modèle d'apprentissage automatique de premier niveau est formé en utilisant des images d'articles dans un entrepôt pour déterminer si les images d'entrée d'articles incluent une variété d'étiquettes d'articles, telles que des étiquettes biologiques, des étiquettes végétaliennes, etc. Modèles d'apprentissage automatique de deuxième niveau sont formés à l'aide d'images d'étiquettes d'élément pour classer les images d'entrée comme indiquant une propriété d'élément particulière. Par exemple, un modèle de classification appris par machine peut déterminer si un article est biologique ou non, un autre modèle de classification appris par machine peut déterminer si un article est végétalien, etc. Les Pixels identifié par le premier modèle d'apprentissage automatique comme étant associé à une étiquette d'article peut être entré dans le deuxième modèle d'apprentissage automatique pour confirmer la propriété d'article indiquée par l'étiquette identifiée. L'entrée d'article dans un catalogue d'articles peut alors être mise à jour avec la propriété d'article confirmée. Un procédé pour remplir un catalogue d'inventaire comprend la réception d'une image montrant un article ayant une entrée dans un catalogue d'inventaire. L'image comprend une pluralité de pixels. Le procédé récupère un réseau neuronal de segmentation appris par machine, qui est formé sur la base d'un ensemble d'images et de données de propriété associées, pour déterminer l'emplacement des pixels dans une image qui sont associés à une étiquette d'image associée à une propriété. Le procédé détermine, à l'aide du réseau neuronal de segmentation appris par machine, un sous-ensemble de pixels associé à l'étiquette d'article dans l'image reçue et identifie les emplacements du sous-ensemble de pixels de l'image reçue. Le procédé extrait le sous-ensemble de pixels de l'image reçue. Le procédé récupère un classificateur appris par machine, qui est formé sur la base d'un ensemble d'images de l'étiquette d'article, pour déterminer si une image montre l'étiquette d'article. La méthode détermine, à l'aide du classificateur appris par machine, que le sous-ensemble de pixels extrait affiche l'étiquette de l'élément. La méthode met à jour l'entrée de l'article dans le catalogue d'inventaire pour indiquer que l'article possède la propriété associée à l'étiquette de l'article.