Update readme_industry.md

docs/readme_industry.md

@@ -14,10 +14,11 @@
 
 ### 通点问题
 
-   1. 在大型线下零售体验店购物场景中，若顾客购买的商品较多，采用传统的条形码结算，效率较低，顾客购物体验较差；
-   2. 在大型线下零售体验店的实际运营过程中，每天都会存在商品的增添和删减，若采用传统的计算机视觉技术，即目标检测算法加持，每出现一次商品种类的增改，均需要重新训练检测模型。此过程时间成本及算力成本较高；
-   3. 
-   4. 在大型线下零售体验店的实际运营过程中，会出现例如苹果、橙子等无法对其进行标签化定义的商品，即无法使用条形码结算方案。
+   1. **结算效率要求极高**：在大型线下零售体验店购物场景中，若顾客购买的商品较多，采用传统的条形码结算，效率较低，顾客购物体验较差；
+   2. **品类更新极快**：像新零售这种行业，新品几乎都是按小时级别在更新，每增加新的产品都要辛辛苦苦重新训练模型，仅靠单一模型想要跟上步伐，着实望尘莫及。
+   3. **不同商品相似度极高**：比如同一种饮料的不同口味，就很可能拥有非常类似的包装。而且即便对于同一件商品，在不同情况下所获得的商品图像都往往存在相当大的差异；
+   4. **商品类别数以万计**：根本没法事先把所有类别都放入训练集；
+
 
 ### 解决方案
 
@@ -128,7 +129,8 @@ test/200/Common_Yellowthroat_0114_190501.jpg 200 6
 
 特征提取是图像识别中的关键一环，它的作用是将输入的图片转化为固定维度的特征向量，用于后续的向量检索。好的特征需要具备相似度保持性，即在特征空间中，相似度高的图片对其特征相似度要比较高（距离比较近），相似度低的图片对，其特征相似度要比较小（距离比较远）。Deep Metric Learning用以研究如何通过深度学习的方法获得具有强表征能力的特征。  
 
-考虑到本项目的真实落地的场景中,推理速度才是考量模型好坏的重要指标，所以本项目采用 [PP_LCNet_x2_5](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.3/docs/zh_CN/models/PP-LCNet.md) 作为骨干网络，从而更好地适应 Intel CPU，有速度更快、准确率更高的使用体验。
+考虑到本项目的真实落地的场景中,推理速度及预测准确率是考量模型好坏的重要指标，所以本项目采用 [PP_LCNet_x2_5](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.3/docs/zh_CN/models/PP-LCNet.md) 作为骨干网络，并结合度量学习arcmargin算法，对高相似物体的区分效果远超单一模型，能更好地适应 Intel CPU，不仅准确率超越大模型ResNet50，预测速度还能快3倍。  
+
 
 ### 向量检索