阿里巴巴案例:B2B电商交易实战与光明服装公司布料采购

0 下载量 20 浏览量 更新于2024-06-29 收藏 11.79MB PPT 举报
本PPT文档主要分析了阿里巴巴和佑康电子商务公司的案例,深入探讨了电子商务的概念和发展模式,特别是B2B(Business to Business)交易。在课程中,学习者将重点掌握以下几个关键知识点: 1. 电子商务基础知识:首先,文档解释了电子商务的定义,包括电子(e-)与商务(commerce)的结合,强调了B2B、B2C(Business to Consumer)、C2C(Consumer to Consumer)、G2B(Government to Business)等各种模式,以及它们各自的特点和应用场景。 2. B2B交易详解:第二章详细介绍了B2B交易的情景,如光明服装厂与辉煌纺织集团的交易实例。参与者如何通过线上平台发布采购信息,获取供货信息,进行洽谈,完成支付,以及最终的发货和物流跟踪。教学目标包括理解B2B交易的流程,熟练操作常用电子商务平台,以及掌握第三方支付平台的使用。 3. 技能和知识目标:文档明确列出了学习者应具备的技能,如企业会员注册、发布供求信息、询盘洽谈、下单、订单处理、支付处理和物流追踪等。同时,学习者还将深化理解B2B模式的特性和优势,熟悉典型B2B第三方平台,以及电子支付的基本概念和常见支付流程。 4. 案例分析:以光明服装股份有限公司的实际需求为例,展示了B2B电子商务如何帮助企业解决供应链问题,提高效率和降低成本。通过这个案例,学生可以学习如何在实际情境中应用电子商务知识,包括采购决策、谈判技巧和在线市场策略。 通过这个PPT,学生不仅可以了解到阿里巴巴这类电商巨头的运作模式,还能掌握B2B电子商务的核心原理和实际操作技巧,为未来的商业活动或电子商务相关职业做好准备。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R