一、背景
扫一扫识物和长按识图上线以来，可识别的类目已经从商品扩充到了包含植物、动物、地标、菜品、汽车、名画等的各个垂类。随着用户量的上升，对于LOGO检测和识别的需求愈发强烈，LOGO作为品牌的标识，可以让用户快速认识和了解品牌，同时也能更快地接入商家的服务，进入到商家的公众号及小程序。
二、难点分析
针对LOGO识别，最直接的解决思路就是检测到query图中的logo区域进行分类，或者采用检索的方式从gallery里面找到距离最近的图片，同时需要限制这个距离剔除库中不存在此LOGO的情况。但在实现过程中，我们发现LOGO识别主要存在以下难点：1、LOGO款式多，同一商家可能具有不同款LOGO，且不同款间类间差异小；
2、LOGO既有纯文本的样式，又有纯图案的样式，还有艺术字样式；
3、LOGO更新迭代快，商家可能不定时更换LOGO，要求模型的变通性强。
三、整体解决方案
针对以上难点，我们在设计LOGO识别方案时，为了更加灵活的迭代算法，采用了检索的方式。同时，由于视觉检索模型对于文本的特征表达能力不足，为了兼顾了文本和图案类型的LOGO，我们还引入了OCR模块来进行二次验证，最终得到了如下图所示的整体解决方案。
如上图所示，首先进行LOGO检测获取目标区域，再对目标进行检索找到top1检索距离小于一定阈值的结果作为预识别结果，根据预识别结果判断是否为文本，如果为文本则进行OCR识别后做二次验证，计算文本相似度，满足一定阈值条件才输出结果，如果不是文本则在直接输出结果。3.1 LOGO检测
在进行LOGO识别前，首先需要解决的问题是在图像中检测到LOGO，我们起初尝试复用 。四、总结与展望
本文介绍了微信扫一扫中LOGO检测及识别的相关算法。LOGO识别上线后丰富了扫一扫及识图的场景，同时也能推送相关的商家官方区或者公众号，更便于用户寻求相关服务。
后续对于LOGO识别的探索还可以从更多方向进行。一方面可以在LOGO检测端引入OCR文本检测的相关算法，如引入dbnet[5]的分割监督，从而端到端得到LOGO的文本概率值，另一方面可以在识别过程中的特征表达中直接计算预测文本与top1的文本相似度。 
