CN108171246A - 一种服装显著区域检测方法 - Google Patents
一种服装显著区域检测方法 Download PDFInfo
- Publication number
- CN108171246A CN108171246A CN201711393704.XA CN201711393704A CN108171246A CN 108171246 A CN108171246 A CN 108171246A CN 201711393704 A CN201711393704 A CN 201711393704A CN 108171246 A CN108171246 A CN 108171246A
- Authority
- CN
- China
- Prior art keywords
- layer
- region
- clothes
- convolutional
- marking area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提供一种服装显著区域检测方法，能够提高服装显著区域检测的成功率。所述方法包括：获取训练集和交叉验证集，所述训练集和交叉验证集都包括：包含服装显著区域的图像；利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数；将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型。本发明适用于电子商务服装显著区域检测。
Description
技术领域
本发明属于电子商务领域，具体涉及大数据、人工智能和深度学习领域，特别是指一种服装显著区域检测方法。
背景技术
中国是世界服装生产大国。因此，在各种电子商务的平台中，服装电子商务具有绝对的优势。
视觉系统领域的研究者们发现人类视觉系统(human visual system，HVS)在面对复杂场景时，其注意力会迅速集中在若干个高对比度、高独特性、高稀有度的视觉对象或区域上，并对这些对象或区域进行优先处理，该过程被称为视觉显著。
在服装领域中，用户更加关注的是图片中服装本身的内容，即使是关心上身效果，注意力也会注重在服装那一部分，而背景等常常会忽略掉。同时，对于平台而言，也倾向于提取服装部分，而减少一些存储的压力，同时，在用户寻找商品时，提高检索成功率。显然，对服装图像的显著区域检测研究是很有实际意义的。
在众多经典的显著区域检测方法中，具有代表性的有基于人脸识别的哈尔小波转换(haar wavelet transform，HWT)特征目标检测、基于边缘梯度直方图(histogram oforiented gradient，HOG)特征目标检测以及5种通用显著区域检测，分别是残谱余方法(spectral residual，SR)、频率检测法(frequency-tuned，FT)、直方图对比度方法(histogram contrast，HC)、区域对比度方法(rigion contrast，RC)、滤波的显著性算法(saliency filters，SF)。以上方法都是利用滑动窗法依次判断所有可能区域，并且在区域中提取人工设定的图像特征。
发明内容
本发明要解决的技术问题是提供一种服装显著区域检测方法，以解决现有技术所存在的只能提取人工设定的图像特征的问题。
为解决上述技术问题，本发明实施例提供一种服装显著区域检测方法，包括：
获取训练集和交叉验证集，所述训练集和交叉验证集都包括：包含服装显著区域的图像；
利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数；
将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型。
进一步地，不同结构的区域卷积神经网络是使用不同数量的卷积层、池化层进行组合，组合的规则为：卷积层连接池化层、池化层连接卷积层、卷积层连接池化层、池化层连接卷积层、……、卷积层连接池化层、池化层连接全连接层和区域建议网络层、全连接层连接分类层、区域建议网络层连接回归层。
进一步地，某区域卷积神经网络的结构包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、分类层、区域建议网络层和回归层；
所述输入层，用于输入包含服装显著区域的图像；
所述第一卷积层，用于与输入层相连接，并根据输入层输入的包含服装显著区域的图像生成第一卷积特征图；
所述第一池化层，用于与第一卷积层相连接，并对第一卷积层的第一卷积特征图进行下采样，得到下采样区域的第一采样特征图；
所述第二卷积层，用于与第一池化层相连接，并根据第一池化层输出的第一采样特征图生成第二卷积特征图；
所述第二池化层，用于与第二卷积层相连接，并对第二卷积层的第二卷积特征图进行下采样，得到下采样区域的第二采样特征图；
所述第三卷积层，用于与第二池化层相连接，并根据第二池化层输出的第二采样特征图生成第三卷积特征图；
所述第三池化层，用于与第三卷积层相连接，并对第三卷积层的第三卷积特征图进行下采样，得到下采样区域的第三采样特征图；
所述全连接层，用于与第三池化层相连接，并根据第三池化层输出的第三采样特征图生成全连接层特征图；
所述分类层，用于与全连接层相连接，并根据全连接层输出的全连接层特征图生成类别信息；
所述区域建议网络层，用于与第三池化层相连接，并根据第三池化层输出的第三采样特征图生成建议框集合和每个框的目标得分；
所述回归层，用于与区域建议网络层相连接，并根据区域建议网络层输出的建议框集合和每个框的目标得分生成回归边界。
进一步地，所述利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数包括：
S1，初始化区域卷积神经网络的所有权重；
S2，根据训练集中给定的训练样本进行前向计算，得到回归层的回归边界；
S3，利用回归层输出结果与实际真实值之间的误差损失，确定反向传播时各层的误差损失；
S4，根据确定的反向传播时各层的误差损失，更新区域卷积神经网络的所有权重；
S5，重复执行S2-S4，直至完成区域卷积神经网络的训练过程，保存训练结果。
进一步地，在将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型之后，所述方法还包括：
获取待检测的包含服装显著区域的图像；
将获取的待检测的包含服装显著区域的图像输入所述服装显著区域检测的最优模型，由所述服装显著区域检测的最优模型输出服装显著区域返回给用户。
进一步地，在获取待检测的包含服装显著区域的图像之前，所述方法还包括：
获取测试集，所述测试集包括：包含服装显著区域的图像；
将获取的测试集作为所述服装显著区域检测的最优模型的输入，对所述所述服装显著区域检测的最优模型进行测试。
进一步地，在获取训练集、交叉验证集、测试集之后，所述方法还包括：
将所述训练集，交叉验证集和测试集中的图像进行归一化处理，并转化为预先设定的数据格式。
本发明的上述技术方案的有益效果如下：
上述方案中，获取训练集和交叉验证集，所述训练集和交叉验证集都包括：包含服装显著区域的图像；利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数；将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型，通过得到的最优模型对服装显著区域进行检测。这样，采用区域卷积神经网络自主学习图像特征能够增加方法的鲁棒性、准确性和可靠性，从而提高服装显著区域检测的平均准确率，以解决现有技术所存在的只能提取人工设定的图像特征。
附图说明
图1为本发明实施例提供的服装显著区域检测方法的流程示意图；
图2为本发明实施例提供的区域卷积神经网络的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的只能提取人工设定的图像特征的问题，提供一种服装显著区域检测方法。
如图1所示，本发明实施例提供的服装显著区域检测方法，包括：
S101，获取训练集和交叉验证集，所述训练集和交叉验证集都包括：包含服装显著区域的图像；
S102，利用所述训练集训练具有不同结构的基于区域建议网络(Region ProposalNetwork，RPN)的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数；
S103，将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型。
本发明实施例所述的服装显著区域检测方法，获取训练集和交叉验证集，所述训练集和交叉验证集都包括：包含服装显著区域的图像；利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数；将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型，通过得到的最优模型对服装显著区域进行检测。这样，采用区域卷积神经网络自主学习图像特征能够增加方法的鲁棒性、准确性和可靠性，从而提高服装显著区域检测的平均准确率，以解决现有技术所存在的只能提取人工设定的图像特征。
本实施例中，将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率(mAP)最高(例如，71.5％)的区域卷积神经网络作为服装显著区域检测的最优模型。
本实施例中，为了实现服装显著区域检测方法，需获取包含服装显著区域的图像，并将其划分为训练集、交叉验证集和测试集，其中，优选地，训练集、交叉验证集和测试集的图像比例为3:1:1。
本实施例中，在得到训练集、交叉验证集和测试集之后，需将训练集、交叉验证集和测试集中的图像进行归一化处理，并将归一化处理后的图像转化为预先设定的数据格式。
本实施例中，所述预先设定的数据格式可以是caffe能处理的lmdb或hdf5格式，其中，caffe是一种深度学习开源框架，lmdb和hdf5是两种数据格式。
在前述服装显著区域检测方法的具体实施方式中，进一步地，不同结构的区域卷积神经网络是使用不同数量的卷积层、池化层进行组合，组合的规则为：卷积层连接池化层、池化层连接卷积层、卷积层连接池化层、池化层连接卷积层、……、卷积层连接池化层、池化层连接全连接层和区域建议网络层、全连接层连接分类层、区域建议网络层连接回归层。
在前述服装显著区域检测方法的具体实施方式中，进一步地，如图2所示，某区域卷积神经网络的结构包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、分类层、区域建议网络层和回归层；
所述输入层，用于输入包含服装显著区域的图像；
所述第一卷积层，用于与输入层相连接，并根据输入层输入的包含服装显著区域的图像生成第一卷积特征图；
所述第一池化层，用于与第一卷积层相连接，并对第一卷积层的第一卷积特征图进行下采样，得到下采样区域的第一采样特征图；
所述第二卷积层，用于与第一池化层相连接，并根据第一池化层输出的第一采样特征图生成第二卷积特征图；
所述第二池化层，用于与第二卷积层相连接，并对第二卷积层的第二卷积特征图进行下采样，得到下采样区域的第二采样特征图；
所述第三卷积层，用于与第二池化层相连接，并根据第二池化层输出的第二采样特征图生成第三卷积特征图；
所述第三池化层，用于与第三卷积层相连接，并对第三卷积层的第三卷积特征图进行下采样，得到下采样区域的第三采样特征图；
所述全连接层，用于与第三池化层相连接，并根据第三池化层输出的第三采样特征图生成全连接层特征图；
所述分类层，用于与全连接层相连接，并根据全连接层输出的全连接层特征图生成类别信息；
所述区域建议网络层，用于与第三池化层相连接，并根据第三池化层输出的第三采样特征图生成建议框集合和每个框的目标得分；
所述回归层，用于与区域建议网络层相连接，并根据区域建议网络层输出的建议框集合和每个框的目标得分生成回归边界。
本实施例中，区域建议网络层和全连接层能够共享全图的卷积特征，从而能够极大地提高运行速率。
在前述服装显著区域检测方法的具体实施方式中，进一步地，所述利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数包括：
S1，初始化区域卷积神经网络的所有权重；
S2，根据训练集中给定的训练样本进行前向计算，得到回归层的回归边界；
S3，利用回归层输出结果与实际真实值之间的误差损失，确定反向传播时各层的误差损失；
S4，根据确定的反向传播时各层的误差损失，更新区域卷积神经网络的所有权重；
S5，重复执行S2-S4，直至完成区域卷积神经网络的训练过程，保存训练结果。
在前述服装显著区域检测方法的具体实施方式中，进一步地，在将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型之后，所述方法还包括：
获取待检测的包含服装显著区域的图像；
将获取的待检测的包含服装显著区域的图像输入所述服装显著区域检测的最优模型，由所述服装显著区域检测的最优模型输出服装显著区域返回给用户。
在前述服装显著区域检测方法的具体实施方式中，进一步地，在获取待检测的包含服装显著区域的图像之前，所述方法还包括：
获取测试集，所述测试集包括：包含服装显著区域的图像；
将获取的测试集作为所述服装显著区域检测的最优模型的输入，对所述所述服装显著区域检测的最优模型进行测试。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种服装显著区域检测方法，其特征在于，包括：
获取训练集和交叉验证集，所述训练集和交叉验证集都包括：包含服装显著区域的图像；
利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数；
将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型。
2.根据权利要求1所述的服装显著区域检测方法，其特征在于，不同结构的区域卷积神经网络是使用不同数量的卷积层、池化层进行组合，组合的规则为：卷积层连接池化层、池化层连接卷积层、卷积层连接池化层、池化层连接卷积层、……、卷积层连接池化层、池化层连接全连接层和区域建议网络层、全连接层连接分类层、区域建议网络层连接回归层。
3.根据权利要求1所述的服装显著区域检测方法，其特征在于，某区域卷积神经网络的结构包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、分类层、区域建议网络层和回归层；
所述输入层，用于输入包含服装显著区域的图像；
所述第一卷积层，用于与输入层相连接，并根据输入层输入的包含服装显著区域的图像生成第一卷积特征图；
所述第一池化层，用于与第一卷积层相连接，并对第一卷积层的第一卷积特征图进行下采样，得到下采样区域的第一采样特征图；
所述第二卷积层，用于与第一池化层相连接，并根据第一池化层输出的第一采样特征图生成第二卷积特征图；
所述第二池化层，用于与第二卷积层相连接，并对第二卷积层的第二卷积特征图进行下采样，得到下采样区域的第二采样特征图；
所述第三卷积层，用于与第二池化层相连接，并根据第二池化层输出的第二采样特征图生成第三卷积特征图；
所述第三池化层，用于与第三卷积层相连接，并对第三卷积层的第三卷积特征图进行下采样，得到下采样区域的第三采样特征图；
所述全连接层，用于与第三池化层相连接，并根据第三池化层输出的第三采样特征图生成全连接层特征图；
所述分类层，用于与全连接层相连接，并根据全连接层输出的全连接层特征图生成类别信息；
所述区域建议网络层，用于与第三池化层相连接，并根据第三池化层输出的第三采样特征图生成建议框集合和每个框的目标得分；
所述回归层，用于与区域建议网络层相连接，并根据区域建议网络层输出的建议框集合和每个框的目标得分生成回归边界。
4.根据权利要求1所述的服装显著区域检测方法，其特征在于，所述利用所述训练集训练具有不同结构的基于区域建议网络的多个区域卷积神经网络，得到每个区域卷积神经网络的权重参数包括：
S1，初始化区域卷积神经网络的所有权重；
S2，根据训练集中给定的训练样本进行前向计算，得到回归层的回归边界；
S3，利用回归层输出结果与实际真实值之间的误差损失，确定反向传播时各层的误差损失；
S4，根据确定的反向传播时各层的误差损失，更新区域卷积神经网络的所有权重；
S5，重复执行S2-S4，直至完成区域卷积神经网络的训练过程，保存训练结果。
5.根据权利要求1所述的服装显著区域检测方法，其特征在于，在将所述交叉验证集作为每个区域卷积神经网络的输入进行检测，获取显著区域检测平均准确率最高的区域卷积神经网络作为服装显著区域检测的最优模型之后，所述方法还包括：
获取待检测的包含服装显著区域的图像；
将获取的待检测的包含服装显著区域的图像输入所述服装显著区域检测的最优模型，由所述服装显著区域检测的最优模型输出服装显著区域返回给用户。
6.根据权利要求1所述的服装显著区域检测方法，其特征在于，在获取待检测的包含服装显著区域的图像之前，所述方法还包括：
获取测试集，所述测试集包括：包含服装显著区域的图像；
将获取的测试集作为所述服装显著区域检测的最优模型的输入，对所述所述服装显著区域检测的最优模型进行测试。
7.根据权利要求6所述的服装显著区域检测方法，其特征在于，在获取训练集、交叉验证集、测试集之后，所述方法还包括：
将所述训练集，交叉验证集和测试集中的图像进行归一化处理，并转化为预先设定的数据格式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711393704.XA CN108171246B (zh) | 2017-12-21 | 2017-12-21 | 一种服装显著区域检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711393704.XA CN108171246B (zh) | 2017-12-21 | 2017-12-21 | 一种服装显著区域检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108171246A true CN108171246A (zh) | 2018-06-15 |
| CN108171246B CN108171246B (zh) | 2022-02-08 |
Family
ID=62522997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711393704.XA Active CN108171246B (zh) | 2017-12-21 | 2017-12-21 | 一种服装显著区域检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171246B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
| CN109961030A (zh) * | 2019-03-18 | 2019-07-02 | 北京邮电大学 | 路面修补信息检测方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别系统 |
| CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
| CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
| CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
| CN106599939A (zh) * | 2016-12-30 | 2017-04-26 | 深圳市唯特视科技有限公司 | 一种基于区域卷积神经网络的实时目标检测方法 |
| WO2017079522A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
| WO2017106645A1 (en) * | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
| US20170206431A1 (en) * | 2016-01-20 | 2017-07-20 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
| CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
| CN107239731A (zh) * | 2017-04-17 | 2017-10-10 | 浙江工业大学 | 一种基于Faster R‑CNN的手势检测和识别方法 |
| CN107330451A (zh) * | 2017-06-16 | 2017-11-07 | 西交利物浦大学 | 基于深度卷积神经网络的服装属性检索方法 |
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
-
2017
- 2017-12-21 CN CN201711393704.XA patent/CN108171246B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017079522A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
| WO2017106645A1 (en) * | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
| US20170206431A1 (en) * | 2016-01-20 | 2017-07-20 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
| CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别系统 |
| CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
| CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
| CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
| CN106599939A (zh) * | 2016-12-30 | 2017-04-26 | 深圳市唯特视科技有限公司 | 一种基于区域卷积神经网络的实时目标检测方法 |
| CN107239731A (zh) * | 2017-04-17 | 2017-10-10 | 浙江工业大学 | 一种基于Faster R‑CNN的手势检测和识别方法 |
| CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
| CN107330451A (zh) * | 2017-06-16 | 2017-11-07 | 西交利物浦大学 | 基于深度卷积神经网络的服装属性检索方法 |
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| BEIBEI ZHU: "Automatic detection of books based on Faster R-CNN", 《 2016 THIRD INTERNATIONAL CONFERENCE ON DIGITAL INFORMATION PROCESSING, DATA MINING, AND WIRELESS COMMUNICATIONS》 * |
| SHAOQING REN: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 娜黑雅: "显著区域检测及其在服装检索中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 肖行: "基于内容的服装图像检索技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
| CN109961030A (zh) * | 2019-03-18 | 2019-07-02 | 北京邮电大学 | 路面修补信息检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108171246B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN110287960A (zh) | 自然场景图像中曲线文字的检测识别方法 | |
| CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
| CN108334848A (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
| CN109166094A (zh) | 一种基于深度学习的绝缘子故障定位识别方法 | |
| CN109171707A (zh) | 一种智能心电图分类方法 | |
| CN109816689A (zh) | 一种多层卷积特征自适应融合的运动目标跟踪方法 | |
| CN105938564A (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
| CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
| CN106503742A (zh) | 一种可见光图像绝缘子识别方法 | |
| CN108229344A (zh) | 图像处理方法和装置、电子设备、计算机程序和存储介质 | |
| CN109598234A (zh) | 关键点检测方法和装置 | |
| CN104200206B (zh) | 一种基于双角度排序优化的行人重识别方法 | |
| CN104794440B (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
| CN107688782A (zh) | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 | |
| CN106023159B (zh) | 设施蔬菜叶部病斑图像分割方法及系统 | |
| CN107909034A (zh) | 一种人脸检测方法、装置和计算机可读存储介质 | |
| CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
| CN108647695A (zh) | 基于协方差卷积神经网络的低对比度图像显著性检测方法 | |
| CN104008375A (zh) | 基于特征融合的集成人脸识别方法 | |
| CN109635811A (zh) | 空间植物的图像分析方法 | |
| CN109614869A (zh) | 一种基于多尺度压缩奖惩网络的病理图像分类方法 | |
| CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
| CN110263920A (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
| CN107392142A (zh) | 一种真伪人脸识别方法及其装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |