The multi-modal universe of fast-fashion: the Visuelle 2.0 benchmark

要約

Visuelle 2.0 は、ファストファッション企業が日常的に管理しなければならない多様な予測問題に直面するのに役立つ最初のデータセットです。
さらに、このシナリオでコンピューター ビジョンの使用がいかに重要であるかを示します。
Visuelle 2.0 には、国内のさまざまな地域に何百もの店舗を構える有名なイタリアの会社 Nuna Lie の 6 シーズン / 5355 の衣料品のデータが含まれています。
特に、特定の予測問題、すなわち短期観測の新製品販売予測 (SO-fore) に焦点を当てています。
SO-fore は、シーズンが始まり、一連の新製品がさまざまな店舗の棚にあると想定しています。
目標は、以前の統計が利用できないため、利用可能な短い過去 (数週間) を考慮して、特定の期間の売上を予測することです。
SO-fore アプローチが成功するためには、この短い過去を捉え、他のモダリティや外因性データを活用する必要があります。
これらの目的のために、Visuelle 2.0 にはアイテム ショップ レベルで細分化されたデータと各衣料品のマルチモーダル情報が装備されており、コンピューター ビジョンのアプローチを活用できるようになっています。
私たちが提供する主なメッセージは、深いネットワークで画像データを使用すると、長期予測シナリオで時系列を使用するときに得られるパフォーマンスが向上し、競合するベースライン手法と比較して、WAPE と MAE がそれぞれ最大 5.48% と 7% 改善されるということです。
.
データセットは https://humaticslab.github.io/forecasting/visuelle で入手できます

要約(オリジナル)

We present Visuelle 2.0, the first dataset useful for facing diverse prediction problems that a fast-fashion company has to manage routinely. Furthermore, we demonstrate how the use of computer vision is substantial in this scenario. Visuelle 2.0 contains data for 6 seasons / 5355 clothing products of Nuna Lie, a famous Italian company with hundreds of shops located in different areas within the country. In particular, we focus on a specific prediction problem, namely short-observation new product sale forecasting (SO-fore). SO-fore assumes that the season has started and a set of new products is on the shelves of the different stores. The goal is to forecast the sales for a particular horizon, given a short, available past (few weeks), since no earlier statistics are available. To be successful, SO-fore approaches should capture this short past and exploit other modalities or exogenous data. To these aims, Visuelle 2.0 is equipped with disaggregated data at the item-shop level and multi-modal information for each clothing item, allowing computer vision approaches to come into play. The main message that we deliver is that the use of image data with deep networks boosts performances obtained when using the time series in long-term forecasting scenarios, ameliorating the WAPE and MAE by up to 5.48% and 7% respectively compared to competitive baseline methods. The dataset is available at https://humaticslab.github.io/forecasting/visuelle

arxiv情報

提供元, 利用サービス

arxiv.jp, Google