后处理定义为在识别发生后实现的优化。如通过像素对比、距离对比、IOU过滤等后纠正算法优化，或将订单划进异常订单池，用更优但更慢的模型处理甚至是人工处理等等。
5.2 常见识别异常场景介绍
稳定的图像识别模型能支持90%以上情况，但是因为智能货柜的单点运营性质，货柜摆放的场景是十分任意的，售卖商品的范围也很广泛。这决定了图像识别需适应各种各样的识别环境，如艳阳高照的户外，灯光昏暗的楼道。同时识别模型自身稳定性原因，在某个时间点开始趋向不稳定。这种时候就会出现识别异常情况。以笔者的经验来说，目前识别异常在实际运营中是不可避免的，AI技术还没有达到能提供100%完美准确率的能力。
识别异常场景通常有漏识别商品、识别多余商品、识别错误商品。
1.漏识别场景
该种情况是商品存在于货柜中，但是却没有被识别模型定位分类到。通常是因为数据集样本缺失导致模型训练不足欠拟合或者因摄像头起雾、阳光直射等拍摄环境问题，导致图片质量差。
2.识别多余商品场景
该种情况是商品并没有存在于货柜中，但是被识别模型定位分类到。识别出多余商品，相对于漏识别场景，通常是因为训练数据集样本质量差或者模型训练过拟合，或者某一些商品瓶身反光，包装复杂导致的。
3.识别错误场景
该种情况是商品存在于货柜中，但是被识别模型定位分类为错误商品分类。频发在模型存在两个以上外形相近的商品。单个模型商品label越多，即便同个模型在训练测试时得出的指标无太大差异，但因为有大量的相近商品交错，可能实际运稳定性差异很大，SKU数量与运营稳定性非线性关系(至少在一般没有对模型优化的情况下)。
若在识别异常发生的时候有顾客购物，会出现几种异常情况：
原文链接：https://www.cnblogs.com/lovebing/p/11662793.html
