CN108960499A - 一种融合视觉和非视觉特征的服装流行趋势预测系统 - Google Patents
一种融合视觉和非视觉特征的服装流行趋势预测系统 Download PDFInfo
- Publication number
- CN108960499A CN108960499A CN201810681995.0A CN201810681995A CN108960499A CN 108960499 A CN108960499 A CN 108960499A CN 201810681995 A CN201810681995 A CN 201810681995A CN 108960499 A CN108960499 A CN 108960499A
- Authority
- CN
- China
- Prior art keywords
- image
- vision
- fashion trend
- clothing
- feature
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种融合视觉和非视觉特征的服装流行趋势预测系统,包括服装图像数据制作模块,用于制作服装图像数据集,并对服装图像数据进行预处理;图像前景提取模块,用于获取前景图像;服装图像自动标注模块,基于深度神经网络的服装自动标注方法得到标注系统的模型;服装流行趋势预测模块将服装图像作为模型的输入得到标签,利用流行度评价方法得到当前的流行趋势。本发明能够有效提高服装图像标注的准确性与效率,促进时尚领域服装流行趋势预测的智能化。
Description
技术领域
本发明涉及服装流行趋势预测技术领域,特别是涉及一种融合视觉和非视觉特征的服装流行趋势预测系统。
背景技术
时尚是一个价值数十亿美元的产业,在世界范围内具有重要的社会和经济意义。传统上,时尚界一直高度重视人的创造力,而对数据分析的潜力认知较少。随着现代认知计算技术的出现,如数据挖掘与知识发现、机器学习、深度学习、计算机视觉、自然语言处理等,以及大量结构化和非结构化数据的影响,传统的时尚观念正在转换。目前流行的电子商务门户网站正在利用已收集的大数据储备和人工智能技术向时尚产业进军。
传统的服装设计过程,从布料的选型,到衣服款式、廓形的处理,再到对于当下时尚潮流趋势的预判,设计师每天面对的信息量和需要处理的工作量非常大。
图像自动标注(Automatic Image Annotation,AIA)就是让计算机自动地给图像加上能够反映其内容的语义关键词,是图像检索领域一项基础而又富有挑战性的任务。图像自动标注技术由来已久,但在该技术提出的初期很长的一段时间内,受限于传统图像处理的种种不足,该技术长期处于缓慢发展阶段。如果图像自动标注技术能发展成熟,那么其会让过往的人工图像标注工作带来了福音,免去人工标注的巨大工作量,也一定程度地跨越了“语义鸿沟”。
发明内容
本发明所要解决的技术问题是提供一种融合视觉和非视觉特征的服装流行趋势预测系统,能够有效提高服装图像标注的准确性与效率,促进时尚领域服装流行趋势预测的智能化。
本发明解决其技术问题所采用的技术方案是:提供一种融合视觉和非视觉特征的服装流行趋势预测系统,包括服装图像数据制作模块,用于制作服装图像数据集,并对服装图像数据进行预处理;图像前景提取模块,用于获取前景图像;服装图像自动标注模块,基于深度神经网络的服装自动标注方法得到标注系统的模型;服装流行趋势预测模块将服装图像作为模型的输入得到标签,利用流行度评价方法得到当前的流行趋势。
所述服装图像数据制作模块通过爬虫获取网站提供的服装图像及其文字描述数据,分别以文件和数据库方式进行存储,后续从图像中抽取的是视觉特征,从文本中抽取的是非视觉特征;同时对原始数据集进行基本的预处理,包括:删除文字描述信息少的对象,删除服装信息过少的对象。
所述服装图像数据制作模块选择Scrapy爬虫框架,编写基于Scarpy框架的爬虫从选定的网站上获取图像和其描述文字。
所述图像前景提取模块采用了FasterRCNN模型来进行图像前景的提取。
所述FasterRCNN模型包括:卷积层,用于提取服装图像的特征映射,该特征地图被后续的RPN层和全连接层共享;RPN层通过SoftMax激活函数判断检测框属于前景或者背景,再利用边框回归修正检测框得到候选区;池化层,用于输入卷积层的特征映射和RPN层的候选区,结合二者的信息提取出候选特征图;分类器层,利用提取出的候选特征图计算候选区的类别,同时再次边框回归获得检测框最终的精确位置得到服装图像的人像的位置。
所述服装图像自动标注模块为改进的深度神经网络子模块,采用带混淆的损失函数作为最终的目标函数,通过在目标函数中加入距离以达到混淆的目的,防止深度模型训练出特定于一个数据集的参数而陷入过拟合问题。所述深度神经网络子模块中,训练过程将数据集以7:2:1的比例划分为训练集、验证集和测试集,保存测试准确率高得模型参数作为最终标注系统的模型。
所述目标函数为其中,其中,Lce()是传统的交叉熵损失函数,Kec()用于计算给定的两组特征的欧式距离,d1和d2是随机采样的数据分组用于计算对应的欧式距离,θ为神经网络的内部参数、λ为加入的欧式距离的惩罚参数、γ为指示函数。
所述服装流行趋势预测模块以七天为一周期利用爬虫技术获取指定网站的图像,经过预处理后制作成高质量的图像数据集,然后通过Faster RCNN进行前景提取,接着调用已经训练好的深度神经网络模型进行自动标注,最后建立基于服装领域的流行度评价算法,把自动标注的信息输入到构建的流行度评价算法中,最终得出当前的流行趋势。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明利用强大的爬虫技术可实现定期自动地爬取服装图像,然后通过数据清洗等处理,制作出一个高质量的服装图像数据集,极大地缓解了时尚领域数据集不足的问题;本发明也提出了一种优化后的基于服装时尚领域的深度神经网络输入的方法,采用了FasterRCNN来进行图像前景的提取,过滤掉图像的其他干扰因素,为自动标注模型的训练提供信噪比更低的输入,这将极大提高输入的有效性,将会极大提高自动标注模型的准确率;本发明提供了一种改进的深度神经网络训练方法,这里提出带混淆的损失函数作为最终的目标函数,通过在目标函数中加入距离以达到混淆的目的,防止深度模型训练出特定于一个数据集的参数而陷入过拟合问题。本发明结合爬虫技术、深度学习等计算机知识,达到了服装图像数据集的制作的信息化,服装图像自动标注的自动化,服装流行趋势预测的智能化,总的来说,极大地提高了服装图像标注的准确性与效率,促进了时尚领域服装流行趋势预测的智能化。
附图说明
图1为本发明的总体框图;
图2为服装图像数据集制作模块框图;
图3为服装图像前景提取模块基本结构图;
图4为服装图像自动标注模块框图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种融合视觉和非视觉特征的服装流行趋势预测系统,包括:1)服装图像数据集制作模块,即服装图像数据集的制作和图像前景提取。首先通过爬虫获取在线杂志网站提供的服装图像及其文字描述数据,其中图像的文字描述信息用作后续的标签制作。对原始数据集进行基本的预处理,包括:将文字描述信息少或图像包含服装信息过少的对象删除,制作一个高质量的服装图像数据集。2)服装图像前景提取模块,不同于传统的图像处理,直接把图像集输入到卷积神经网络中,这里加入了前景提取步骤。神经网络是一个黑盒训练过程,无法控制权重参数习得过程,但可以通过减少图像的干扰因素让神经网络习得关键的信息。而制作的数据集中的图像的背景就是干扰因素,所以这里通过Faster RCNN来进行前景提取,这样就能得到信噪比更低的输入。3)服装图像自动标注模块。基于深度神经网络提出改进的服装自动标注方法。通过深度学习实现,不同于经典的CNN模型只采用交叉熵作为损失函数,而是在此基础上再加入混淆损失后一起来训练经过前景提取的服装图像。训练过程将数据集以7:2:1的比例划分为训练集、验证集和测试集,保存测试准确率高得模型参数作为最终标注系统的模型。4)服装流行趋势预测模块。通过爬虫技术以七天为一个周期爬取各大时尚网站的图像,把图像输入到训练好的模型中,然后把得到的标签输入到设计好的流行度评测算法中,最终得出目前最为流行的流行趋势。
结合图1,本实施方式的总体框架主要分为四大模块。首先,编写基于Scarpy框架的爬虫从选定的网站上获取图像和其描述文字。接着对获取到的原始数据集进行基本的预处理,从而得到一个高质量的服装图像数据集,接着进入前景提取子模块,采用了FasterRCNN来进行图像前景的提取,过滤掉图像的其他干扰因素,为自动标注模型提的训练提供良好的输入;然后对深度神经网络进行改进,这里提出带混淆的损失函数作为最终的目标函数,通过在目标函数中加入距离以达到混淆的目的,防止深度模型训练出特定于一个数据集的参数而陷入过拟合问题;接下来进入深度神经网络模型训练子模块。训练过程将数据集以7:2:1的比例划分为训练集、验证集和测试集,保存测试准确率高得模型参数作为最终标注系统的模型;最后到服装流行趋势预测模块,定期利用爬虫技术获取指定网站的图像,经过一定预处理后制作成高质量的图像数据集,然后通过FasterRCNN进行前景提取,接着调用已经训练好的深度神经网络模型进行自动标注,最后建立基于服装领域的流行度评价算法,把自动标注的信息输入到构建的流行度评价算法中,最终得出当前的流行趋势。
如图2所示,该步骤是这个本实施方式实现的第一步,也是关系到本发明正常运转的基础。这个构成步骤如下:
步骤1:调研相关网站,确定能及时,稳定地提供高质量服装图像的网站;
步骤2:把步骤1确定的网站网址加入初始化队列;
步骤3:定义要爬取的图像和文字描述信息;
步骤4:编写爬取步骤3内容的spider;
步骤5:执行步骤4编写的spider,获取图像和文字描述信息;
步骤6:执行步骤5后得到原始服装图像数据集并进行存储;
步骤7:对原始图像数据集进行数据清洗,得到一个高质量的服装图像数据集。
如图3所示,基于faster-RCNN算法,对输入自动标注模型前的服装图像进行前景提取处理。faster-RCNN主要包括四个内容:
1.卷积层。faster-RCNN基于CNN的网络,所以在特征提取与传统CNN无异,FasterRCNN使用基础的卷积层+激活层+采样层来提取服装图像的特征映射。该特征映射被后续的RPN和全连接层共享。
2.RPN层。RPN用于生成候选区,也即生成服装图像的前景(也即人像的建议区域),该层通过SoftMax激活函数判断检测框属于前景还是背景,再利用边框回归修正检测框获得精确的候选区。
3.池化层。该层输入卷积层的特征映射和RPN层的候选区,结合二者的信息提取出候选区的特征,接着输入到全连接层判定目标类别。
4.分类器层。利用池化层提取出的候选区的特征计算候选区的类别,同时再次边框回归获得检测框最终的精确位置,也即服装图像的人像的位置。
如图4所示,基于深度学习算法,训练一个分类器用于给服装图像标注标签信息。在训练分类器的过程中,深度模型根据输入的图像信息和对应的标签信息进行训练,最小化给定的目标函数以不断更新模型的参数。这里提出带混淆的损失函数作为最终的目标函数,其公式如下:
其中,Lce()是传统的交叉熵损失函数,Kec()用于计算给定的两组特征的欧式距离,d1和d2是随机采样的数据分组用于计算对应的欧式距离,θ为神经网络的内部参数、λ为加入的欧式距离的惩罚参数、γ为指示函数,若来自d1和d2的样本属于同一类则为0属于不同类则为1。其通过在目标函数中加入距离以达到混淆的目的,防止深度模型训练出特定于一个数据集的参数而陷入过拟合问题。
由于图像的数据维度高,受限于计算机硬件的性能,训练过程中分批次喂给模型数据,再叠加每个批次目标函数的结果,选择合适的优化算法,如随机梯度下降等算法,不断反向更新参数。当验证集上的损失不再下降同时准确率也不再上升时或达到最大迭代次数时停止训练,保存整个网络的参数信息用于实现之后的图像标注。具体步骤及其伪代码如下:
定义训练集D和测试集他们包括服装图像的视觉信息和标签信息,搭建好深度卷积网络的模型结构,开始一次训练。
步骤1:随机初始化深度卷积网络的参数θ并选择合适的超参数
步骤2:将数据集随机打乱并将每个批次的数据分为两个组输入模型进行训练;
步骤3:循环计算每个批次的目标函数的值;
步骤4:通过随机梯度下降等优化方法最小化目标函数,同时不断更新模型的参数;
步骤5:当验证集上的损失不再下降同时准确率也不再上升时或达到最大迭代次数时停止训练,得到最终的模型参数。
不难发现,本发明利用强大的爬虫技术可实现定期自动地爬取服装图像,然后通过数据清洗等处理,制作出一个高质量的服装图像数据集,极大地缓解了时尚领域数据集不足的问题;本发明也提出了一种优化后的基于服装时尚领域的深度神经网络输入的方法,采用了Faster RCNN来进行图像前景的提取,过滤掉图像的其他干扰因素,为自动标注模型的训练提供信噪比更低的输入,这将极大提高输入的有效性,将会极大提高自动标注模型的准确率;本发明提供了一种改进的深度神经网络训练方法,这里提出带混淆的损失函数作为最终的目标函数,通过在目标函数中加入距离以达到混淆的目的,防止深度模型训练出特定于一个数据集的参数而陷入过拟合问题。本发明结合爬虫技术、深度学习等计算机知识,达到了服装图像数据集的制作的信息化,服装图像自动标注的自动化,服装流行趋势预测的智能化,总的来说,极大地提高了服装图像标注的准确性与效率,促进了时尚领域服装流行趋势预测的智能化。
Claims (8)
1.一种融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,包括服装图像数据制作模块,用于制作服装图像数据集,并对服装图像数据进行预处理;图像前景提取模块,用于获取前景图像;服装图像自动标注模块,基于深度神经网络的服装自动标注方法得到标注系统的模型;服装流行趋势预测模块将服装图像作为模型的输入得到标签,利用流行度评价方法得到当前的流行趋势。
2.根据权利要求1所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述服装图像数据制作模块通过爬虫获取网站提供的服装图像及其文字描述数据,分别以文件和数据库方式进行存储,后续从图像中抽取的是视觉特征,从文本中抽取的是非视觉特征;同时对原始数据集进行基本的预处理,包括:删除文字描述信息少的对象,删除服装信息过少的对象。
3.根据权利要求2所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述服装图像数据制作模块选择Scrapy爬虫框架,编写基于Scarpy框架的爬虫从选定的网站上获取图像和其描述文字。
4.根据权利要求1所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述图像前景提取模块采用了Faster RCNN模型来进行图像前景的提取。
5.根据权利要求4所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述Faster RCNN模型包括:卷积层,用于提取服装图像的特征映射,该特征地图被后续的RPN层和全连接层共享;RPN层通过SoftMax激活函数判断检测框属于前景或者背景,再利用边框回归修正检测框得到候选区;池化层,用于输入卷积层的特征映射和RPN层的候选区,结合二者的信息提取出候选特征图;分类器层,利用提取出的候选特征图计算候选区的类别,同时再次边框回归获得检测框最终的精确位置得到服装图像的人像的位置。
6.根据权利要求1所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述服装图像自动标注模块为改进的深度神经网络子模块,采用带混淆的损失函数作为最终的目标函数,通过在目标函数中加入距离以达到混淆的目的,防止深度模型训练出特定于一个数据集的参数而陷入过拟合问题。所述深度神经网络子模块中,训练过程将数据集以7:2:1的比例划分为训练集、验证集和测试集,保存测试准确率高得模型参数作为最终标注系统的模型。
7.根据权利要求6所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述目标函数为其中,其中,Lce()是传统的交叉熵损失函数,Kec()用于计算给定的两组特征的欧式距离,d1和d2是随机采样的数据分组用于计算对应的欧式距离,θ为神经网络的内部参数、λ为加入的欧式距离的惩罚参数、γ为指示函数。
8.根据权利要求1所述的融合视觉和非视觉特征的服装流行趋势预测系统,其特征在于,所述服装流行趋势预测模块以七天为一周期利用爬虫技术获取指定网站的图像,经过预处理后制作成高质量的图像数据集,然后通过Faster RCNN进行前景提取,接着调用已经训练好的深度神经网络模型进行自动标注,最后建立基于服装领域的流行度评价算法,把自动标注的信息输入到构建的流行度评价算法中,最终得出当前的流行趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810681995.0A CN108960499B (zh) | 2018-06-27 | 2018-06-27 | 一种融合视觉和非视觉特征的服装流行趋势预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810681995.0A CN108960499B (zh) | 2018-06-27 | 2018-06-27 | 一种融合视觉和非视觉特征的服装流行趋势预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960499A true CN108960499A (zh) | 2018-12-07 |
CN108960499B CN108960499B (zh) | 2021-11-23 |
Family
ID=64487437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810681995.0A Active CN108960499B (zh) | 2018-06-27 | 2018-06-27 | 一种融合视觉和非视觉特征的服装流行趋势预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960499B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829484A (zh) * | 2019-01-08 | 2019-05-31 | 深圳禾思众成科技有限公司 | 一种服饰分类方法、设备及计算机可读存储介质 |
CN110197200A (zh) * | 2019-04-23 | 2019-09-03 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110348529A (zh) * | 2019-07-16 | 2019-10-18 | 韶关市启之信息技术有限公司 | 一种智能的衣服流行风格预测方法与系统 |
CN110503162A (zh) * | 2019-08-29 | 2019-11-26 | 广东工业大学 | 一种媒体信息流行度预测方法、装置和设备 |
CN110705755A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(广州)科技有限公司 | 一种基于深度学习的服装流行趋势预测方法与装置 |
CN111784564A (zh) * | 2020-06-30 | 2020-10-16 | 稿定(厦门)科技有限公司 | 自动抠图方法及系统 |
CN112418273A (zh) * | 2020-11-02 | 2021-02-26 | 深圳大学 | 一种服饰流行程度评价方法、装置、智能终端及存储介质 |
CN112465567A (zh) * | 2020-12-14 | 2021-03-09 | 武汉纺织大学 | 一种服装风格流行预测的系统及方法 |
CN112801681A (zh) * | 2019-11-12 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 产品流行趋势的分析方法、装置、电子设备及存储介质 |
CN114169328A (zh) * | 2022-02-11 | 2022-03-11 | 武汉纺织大学 | 一种基于文本的服装流行趋势预测方法 |
CN114187495A (zh) * | 2022-02-11 | 2022-03-15 | 武汉纺织大学 | 一种基于图像的服装流行趋势预测方法 |
CN114663712A (zh) * | 2022-05-18 | 2022-06-24 | 武汉纺织大学 | 一种基于区域热点事件的服装流行趋势预测方法与系统 |
CN116090670A (zh) * | 2023-04-03 | 2023-05-09 | 武汉纺织大学 | 一种基于多属性的服装流行趋势预测方法 |
EP4273779A4 (en) * | 2020-12-29 | 2024-04-17 | Designovel | TEXT AND DESIGN MATCHING METHOD AND RELATED DEVICE |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154212A1 (en) * | 2015-11-30 | 2017-06-01 | International Business Machines Corporation | System and method for pose-aware feature learning |
CN108022161A (zh) * | 2017-12-26 | 2018-05-11 | 河北中晟易通科技有限公司 | 基于图像识别与大数据分析的服装匹配推荐系统 |
-
2018
- 2018-06-27 CN CN201810681995.0A patent/CN108960499B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154212A1 (en) * | 2015-11-30 | 2017-06-01 | International Business Machines Corporation | System and method for pose-aware feature learning |
CN108022161A (zh) * | 2017-12-26 | 2018-05-11 | 河北中晟易通科技有限公司 | 基于图像识别与大数据分析的服装匹配推荐系统 |
Non-Patent Citations (2)
Title |
---|
陈东浩: ""视频走秀场景下的服装匹配与推荐"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈于依澜等: ""基于云计算的服装流行趋势预测方法"", 《上海纺织科技》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829484A (zh) * | 2019-01-08 | 2019-05-31 | 深圳禾思众成科技有限公司 | 一种服饰分类方法、设备及计算机可读存储介质 |
CN110197200A (zh) * | 2019-04-23 | 2019-09-03 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110197200B (zh) * | 2019-04-23 | 2022-12-09 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110348529A (zh) * | 2019-07-16 | 2019-10-18 | 韶关市启之信息技术有限公司 | 一种智能的衣服流行风格预测方法与系统 |
CN110348529B (zh) * | 2019-07-16 | 2021-10-22 | 上海惟也新文化科技有限公司 | 一种智能的衣服流行风格预测方法与系统 |
CN110503162A (zh) * | 2019-08-29 | 2019-11-26 | 广东工业大学 | 一种媒体信息流行度预测方法、装置和设备 |
CN110705755A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(广州)科技有限公司 | 一种基于深度学习的服装流行趋势预测方法与装置 |
CN112801681A (zh) * | 2019-11-12 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 产品流行趋势的分析方法、装置、电子设备及存储介质 |
CN111784564A (zh) * | 2020-06-30 | 2020-10-16 | 稿定(厦门)科技有限公司 | 自动抠图方法及系统 |
CN112418273A (zh) * | 2020-11-02 | 2021-02-26 | 深圳大学 | 一种服饰流行程度评价方法、装置、智能终端及存储介质 |
CN112418273B (zh) * | 2020-11-02 | 2024-03-26 | 深圳大学 | 一种服饰流行程度评价方法、装置、智能终端及存储介质 |
CN112465567A (zh) * | 2020-12-14 | 2021-03-09 | 武汉纺织大学 | 一种服装风格流行预测的系统及方法 |
EP4273779A4 (en) * | 2020-12-29 | 2024-04-17 | Designovel | TEXT AND DESIGN MATCHING METHOD AND RELATED DEVICE |
CN114169328A (zh) * | 2022-02-11 | 2022-03-11 | 武汉纺织大学 | 一种基于文本的服装流行趋势预测方法 |
CN114187495A (zh) * | 2022-02-11 | 2022-03-15 | 武汉纺织大学 | 一种基于图像的服装流行趋势预测方法 |
CN114663712A (zh) * | 2022-05-18 | 2022-06-24 | 武汉纺织大学 | 一种基于区域热点事件的服装流行趋势预测方法与系统 |
CN114663712B (zh) * | 2022-05-18 | 2022-08-16 | 武汉纺织大学 | 一种基于区域热点事件的服装流行趋势预测方法与系统 |
CN116090670A (zh) * | 2023-04-03 | 2023-05-09 | 武汉纺织大学 | 一种基于多属性的服装流行趋势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108960499B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960499A (zh) | 一种融合视觉和非视觉特征的服装流行趋势预测系统 | |
CN110211097A (zh) | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
Tao et al. | An object detection system based on YOLO in traffic scene | |
CN106372402B (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN104216954B (zh) | 突发事件话题状态的预测装置及预测方法 | |
CN106548159A (zh) | 基于全卷积神经网络的网纹人脸图像识别方法与装置 | |
CN110008842A (zh) | 一种基于深度多损失融合模型的行人重识别方法 | |
CN110097049A (zh) | 一种自然场景文本检测方法及系统 | |
CN106529667B (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
CN110084195A (zh) | 基于卷积神经网络的遥感图像目标检测方法 | |
CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 | |
CN108960409A (zh) | 标注数据生成方法、设备及计算机可读存储介质 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN107247947A (zh) | 人脸属性识别方法及装置 | |
CN106295506A (zh) | 一种基于集成卷积神经网络的年龄识别方法 | |
CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
CN105574510A (zh) | 一种步态识别方法及装置 | |
CN106980858A (zh) | 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法 | |
CN108596757A (zh) | 一种智能组合的个人信用评估方法及系统 | |
CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN109598186A (zh) | 一种基于多任务深度学习的行人属性识别方法 | |
CN110363253A (zh) | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 | |
CN109389037A (zh) | 一种基于深度森林和迁移学习的情感分类方法 | |
CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 |
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 |