徐传运，孙 越，李 刚，袁含香

（1.重庆理工大学 两江人工智能学院，重庆 401135；2.重庆理工大学 计算机科学与工程学院，重庆 400054）

深度学习现已经被广泛应用于人工智能的众多领域，自2012年以来，Krizhevsky等［1］提出的AlexNet使图像特征提取与分类技术有了重大进步。近些年以卷积神经网络为代表的各类深度学习方法快速发展，凭借其较高的识别率与准确率，己经逐渐取代了诸如SIFT［2］（scale-invariant feature transform）、HOG 等［3］（histogram of oriented gradient）人工标注特征的方法，成为了计算机视觉领域的标准算法。在超市、电商等应用领域中，随着人力成本的增加和人们对新技术的逐渐接受，根据图像特征对商品进行识别与分类具有越来越重要的研究价值。梁青青等［4］于2013年开始研究货架商品的分割与识别；赵莹等［5］研究了基于人工特征商品图像匹配；孙昂［6］使用改进的Alex-Net对电商网站多类商品图片的分类进行研究；包青平等［7］使用了基于三重损失函数（triplet-loss）的度量学习方法对服装图像进行分类与检索；胡正委等［8］基于Faster RCNN框架探究了在无边框标定情况下训练商品分类并容易运用到其他数据集。在智能零售场景中，利用计算机视觉对商品进行结算是主要研究方向，旷视推出了新零售自动结算场景下的大型超市零售商品数据集RPC［9］，为商品检测、小样本学习等研究方向提供了数据支持；Li等［10］提出了DPN网络，其对RPC结算图的检测与识别高于基线。然而另一方面，深度学习分类模型对数据极度饥渴，需要海量标记数据来达到良好效果［1，11-12］，尤其在零售商品识别场景下，商品的巨量类别，与飞速迭代，使得收集大规模的标记数据困难重重。……