亚马逊无人便利店正式开业,深度学习技术更进一步

简介:

亚马逊无人便利店今天正式开张了,这成为了亚马逊的首个无人零售店。

亚马逊无人便利店正式开业,深度学习技术更进一步

亚马逊筹备长达五年之久的无人便利店今日终于正式开门大吉了。在经历了14个月的试运行后,位于西雅图亚马逊新总部一楼的无人便利店Amazon Go正式向公众开放,这也是亚马逊的首个无人零售店。

亚马逊方面承诺,消费者可“不用排队,不用结账,没有收银台”,从而重塑实体购物体验。在这家店面积约为167平方米的店铺中,消费者在进入时需要用手机扫描Amazon Go应用。店内有很多黑色摄像头,货架上还有重量传感器,这些都能帮助亚马逊探测究竟是哪些人取走了货物。在消费者从货架上取下商品时会更新虚拟购物车,当顾客走出店后,亚马逊就会自动从顾客账户上扣款,然后发送账单。如果消费者把商品放回货架,亚马逊就会从其虚拟购物车中将商品删除。这一技术也被亚马逊称为“Just Walk Out”,主要使用电脑视觉、深度学习和传感器融合技术配合完成。

亚马逊无人便利店正式开业,深度学习技术更进一步

这一技术的应用虽然能够省去“收银”这个步骤,但仍然有人在商店工作。Recode的报道指出,在无人便利店的门口会有一位迎宾员,另外还有一名员工会在红酒和啤酒区检查消费者的身份证;而在厨房里,还有至少六名工作人员。

早在2016年12月6日,Amazon Go就面向亚马逊员工开放测试,并预计会在2017年初面向公众开放。但在2017年3月,由于新商店可处理的顾客人数不能超过20人,亚马逊无人便利店只能推迟开放。

目光转向国内,阿里和京东的无人便利店已经抢先一步开业。2017年7月8日,在第二届淘宝造物节现场,阿里巴巴实验已久的“无人便利店”正式对公众亮相,官方称其为“淘宝会员店”。同年10月,京东全国首家无人超市、无人便利店在位于北京经济技术开发区的京东总部大楼双双开业亮相。未来,无人便利店将作为一种新的趋势和潮流,服务越来越多的消费者群体。


原文发布时间: 2018-01-22 16:19
本文作者: 韩璐
本文来自云栖社区合作伙伴镁客网,了解相关信息可以关注镁客网。
相关文章
|
2月前
|
机器学习/深度学习 人工智能 大数据
基于深度学习的图像识别技术最新进展####
近年来,深度学习在图像识别领域取得了显著突破,本文综述了该领域的最新研究进展,特别关注卷积神经网络(CNN)的优化与创新、数据集扩充与增强策略、以及模型压缩与加速技术。通过对比分析不同网络结构和训练技巧,揭示了提升图像识别精度与效率的关键因素。此外,探讨了小样本学习、迁移学习在实际应用中的挑战与解决方案,为未来研究方向提供了新的视角和思路。 ####
251 8
|
2月前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶汽车中的应用####
【10月更文挑战第21天】 本文探讨了深度学习中的卷积神经网络(CNN)如何革新自动驾驶车辆的视觉感知能力,特别是在复杂多变的道路环境中实现高效准确的物体检测与分类。通过分析CNN架构设计、数据增强策略及实时处理优化等关键技术点,揭示了该技术在提升自动驾驶系统环境理解能力方面的潜力与挑战。 ####
84 0
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解人工智能中的深度学习技术及其最新进展
深入理解人工智能中的深度学习技术及其最新进展
199 12
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解人工智能中的深度学习技术及其最新进展
深入理解人工智能中的深度学习技术及其最新进展
|
1月前
|
机器学习/深度学习 传感器 边缘计算
基于深度学习的图像识别技术在自动驾驶中的应用####
随着人工智能技术的飞速发展,深度学习已成为推动自动驾驶技术突破的关键力量之一。本文深入探讨了深度学习算法,特别是卷积神经网络(CNN)在图像识别领域的创新应用,以及这些技术如何被集成到自动驾驶汽车的视觉系统中,实现对复杂道路环境的实时感知与理解,从而提升驾驶的安全性和效率。通过分析当前技术的最前沿进展、面临的挑战及未来趋势,本文旨在为读者提供一个全面而深入的视角,理解深度学习如何塑造自动驾驶的未来。 ####
109 1
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的图像识别技术及其应用
在这篇文章中,我们将探讨深度学习在图像识别领域的应用。通过简单易懂的语言和实际代码示例,我们将深入了解如何利用深度学习技术进行图像识别,并探讨其在不同领域的应用。无论你是初学者还是有一定基础的开发者,这篇文章都将为你提供有价值的信息。让我们一起探索深度学习的世界吧!
|
2月前
|
机器学习/深度学习 数据采集 传感器
基于深度学习的图像识别技术在自动驾驶中的应用研究####
本文旨在探讨深度学习技术,特别是卷积神经网络(CNN)在自动驾驶车辆图像识别领域的应用与进展。通过分析当前自动驾驶技术面临的挑战,详细介绍了深度学习模型如何提升环境感知能力,重点阐述了数据预处理、网络架构设计、训练策略及优化方法,并展望了未来发展趋势。 ####
123 6
|
1月前
|
机器学习/深度学习 算法框架/工具 网络架构
深度学习中的正则化技术及其对模型性能的影响
本文深入探讨了深度学习领域中正则化技术的重要性,通过分析L1、L2以及Dropout等常见正则化方法,揭示了它们如何帮助防止过拟合,提升模型的泛化能力。文章还讨论了正则化在不同类型的神经网络中的应用,并指出了选择合适正则化策略的关键因素。通过实例和代码片段,本文旨在为读者提供关于如何在实际问题中有效应用正则化技术的深刻见解。
|
2月前
|
机器学习/深度学习 监控 自动驾驶
基于深度学习的图像识别技术研究进展###
本文旨在探讨深度学习在图像识别领域的最新研究进展,重点分析卷积神经网络(CNN)的技术创新、优化策略及其在实际应用中的成效。通过综述当前主流算法结构、损失函数设计及数据集增强技巧,本文揭示了提升模型性能的关键因素,并展望了未来发展趋势。尽管未直接涉及传统摘要中的研究背景、方法、结果与结论等要素,但通过对关键技术点的深度剖析,为读者提供了对领域现状与前沿动态的全面理解。 ###
|
2月前
|
机器学习/深度学习 自然语言处理 网络架构
深度学习中的正则化技术:从理论到实践
在深度学习的海洋中,正则化技术如同灯塔指引着模型训练的方向。本文将深入探讨正则化的核心概念、常见类型及其在防止过拟合中的应用。通过实例分析,我们将展示如何在实践中运用这些技术以提升模型的泛化能力。