CN109272011A - 面向服装图像分类的多任务深度表示学习方法 - Google Patents

面向服装图像分类的多任务深度表示学习方法 Download PDF

Info

Publication number
CN109272011A
CN109272011A CN201810860019.1A CN201810860019A CN109272011A CN 109272011 A CN109272011 A CN 109272011A CN 201810860019 A CN201810860019 A CN 201810860019A CN 109272011 A CN109272011 A CN 109272011A
Authority
CN
China
Prior art keywords
layer
image
feature
clothing
study
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
Application number
CN201810860019.1A
Other languages
English (en)
Other versions
CN109272011B (zh
Inventor
燕彩蓉
徐淑华
周灵杰
阿卜杜杰力力·热合麦提
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201810860019.1A priority Critical patent/CN109272011B/zh
Publication of CN109272011A publication Critical patent/CN109272011A/zh
Application granted granted Critical
Publication of CN109272011B publication Critical patent/CN109272011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种面向服装图像分类的多任务深度表示学习方法，其主要内容包括：面向服装图像分类的多任务学习框架、服装图像的深度表示学习模型、带距离约束的目标函数优化算法，其过程为，多任务学习框架支持从不同的角度对服装图像进行分类，根据服装基本信息和服装所属季节信息设计满足不同任务的深度表示学习模型，在模型训练时利用度量学习的优势引入带距离约束的目标函数实现对嵌入空间的优化。本发明旨在精确地表示服装图像，提高分类准确性，同时也为服装检索、服装搭配推荐和流行趋势预测等任务提供基础。

Description

面向服装图像分类的多任务深度表示学习方法
技术领域
本发明涉及服装图像分类领域，特别是涉及一种面向服装图像分类的多任务深度表示学习方法。
背景技术
近年来，随着图像分享社交方式的流行，时尚的最前沿从T台转入大众日常穿搭的周期越来越短，流行元素在网络上能否掀起大众的追捧也成为了检验流行度的依据。如何对用户分享的服装图像进行准确分类是充分利用这些信息进行个性化推荐以及时尚流行趋势预测的基础。服装图像的前景通常为人像而背景则可能是纯色背景，如电商网站的服装图像，或者是街景，如用户分享的街拍图像。传统的服装图像分类技术需要依靠一定的领域知识和巧妙设计的特征提取算法来提取颜色、形状、纹理等全局特征或是联合多种特征后再进行分类或检索；随着深度学习在图像识别领域取得的突破性进展，卷积神经网络(convolutional neural network，CNN)成为研究的热点。不同于传统的分类过程，深度学习在解决分类问题时会将整个分类任务设计成端到端的训练过程。
计算机对现实世界所有事物的理解都是基于0和1来表示，不同的表示可以或多或少地隐藏或解释数据背后的变化因素。一个广为接受的假设是，大脑中的视觉处理系统正是使用多层结构表示，其中输入信号从底层到上层会转换为更加抽象的表示。正因如此，深度学习被认为是表示学习策略的一个关键方面，因为它的体系结构具有两个显著的优点，对特征的重利用和能将抽象特征作为更高层次进行表示。
发明内容
本发明的目的是：有效提高服装图像风格分类的准确性与效率，促进时尚领域服装分类的智能化。
为了达到上述目的，本发明的技术方案是提供了一种面向服装图像分类的多任务深度表示学习方法，其特征在于，包括以下步骤：
步骤1、由面向服装图像分类的多任务学习框架根据影响风格的服饰物品信息和服装所属季节信息设计不同任务的深度网络；
步骤2、建立面向服装图像分类的深度表示模型，该深度表示模型由输入层、特征提取层、表示层、学习层，其中，基于卷积神经网络构建特征提取层，在构建特征提取层时，根据步骤1设计的不同任务的深度网络提取不同网络层的卷积特征；
步骤3、输入层通过随机的方式将训练样本分成两组训练数据，两组训练数据传入特征提取层，在特征提取层的卷积神经网络中，每一层卷积都会提取出训练数据中最有效的特征，在这一过程中，两组训练数据的参数共享以提高反向传播算法的训练效率；
步骤4、表示层根据下一层的目标函数不断调整特征提取层提取的特征，得到图像的语义特征；
步骤5、利用带距离约束的目标函数优化算法对目标函数进行优化，在计算交叉熵损失的基础上添加距离约束，防止模型过早的陷入过拟合，提高模型分类的准确性。
优选地，所述步骤1中，任务包括季节学习子任务、服饰学习子任务、风格学习子任务，通过在嵌入层之后加入季节、服饰和风格三个带监督的预测器，完成三个不同的特征提取任务。
优选地，由于不同网络层提取的特征包含不同的语义信息，针对不同的任务其关键局部区域也会有所不同，因此在构建特征提取层时，会根据不同的任务设计提取不同网络层的卷积特征。所述步骤2中，在构建特征提取层时，对于季节学习子任务和风格学习子任务采用高层的卷积特征，而对于服饰学习子任务则采用相对浅层的卷积特征。
优选地，所述步骤5中，对于风格的学习采用带距离约束的目标函数，而季节和服饰物品的学习采用经典的交叉熵损失函数，将三个目标函数进行线性组合得到最终的目标函数Lall，实现模型端到端的训练：Lall＝λ1Lseason+λ2LP-style+λ3Lgarmnet，λ1、λ2及λ3为超参数，且满足λ1+λ2+λ3＝1，推荐取值0.2、0.3和0.5，Lseason为对于风格的学习所采用带距离约束的目标函数，LP-style为对于季节的学习而采用的经典的交叉熵损失函数，Lgarmnet为对于风格的学习而采用的经典的交叉熵损失函数。
优选地，若我们将使计算机更好地理解服装风格这一问题定义为一个表示学习的问题，所述步骤4中，给定一组服装图像V，对于每个图像vi∈V，所述表示层使用一个Dw维向量wi＝＜wi1，wi2，...，wiDw＞，来表示图像vi的图像语义特征。
优选地，所述步骤4中，学习的任务在于寻找一个能尽可能完整地保留训练样本特征信息的嵌入空间，这里经过全连接层后所述表示层将所述特征提取层提取到的特征一维展开，再进行L2规范，得到最终描述图像的语义特征。
优选地，针对服装图像分类这一特定问题，简单的加深网络并不会有多少性能上的提升，此外，由于交叉熵损失的特性，在不断地迭代过程中，网络为了减小目标函数可能会对一些视觉上比较相似但分属于不同类的图像学习到一些特殊的权值，这会更容易导致过拟合问题。根据以上分析，所述步骤5中将带距离混淆的损失和传统的交叉熵损失结合，构成新的目标函Lc： 其中，LCE(·)是传统的交叉熵损失函数；Lp(·)用于计算给定的两组特征的欧式距离；v1和v2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；γ为加入的欧式距离的惩罚参数；I为指示函数，若来自v1和v2的样本属于同一类则为0反之则为1。通过随机选择不同类别的样本计算他们的欧式距离，将这个距离度量加入到最终的目标函数中统一训练，以达到混淆的目的。
由于采用了上述的分类方法，本发明与现有方法相比，具有以下的优点和积极效果：本发明利用强大的卷积网络提取图像的高维特征，然后通过多任务学习框架，充分利用图像的局部信息，提高了分类的准确性；本发明提出了基于深度表示学习的服装图像的嵌入空间学习模型，学习到的图像表示能用于服装图像检索、服装搭配推荐、流行趋势预测等时尚领域的不同任务；本发明也提出了一种优化后的带距离约束的新目标函数，能很好地防止网络为了减小目标函数而可能会对一些视觉上比较相似但分属于不同类的图像学习到一些特殊的权值的倾向，从而防止网络过早的过拟合增强网络的健壮性，同时新的目标函数并不会增加过多训练时的计算负担，训练的调参过程也比一般的度量学习要要方便，总的来说，本发明提出的方法极大地提高了服装图像分类的准确性与效率，促进了时尚领域的智能化。
附图说明
图1为本发明的多任务学习框架；
图2为基于深度学习的特征表示模型结构；
图3为多任务的风格分类模型图；
图4为带距离约束的目标函数实现图。
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面向服装图像分类的多任务深度表示学习方法，包括：面向服装图像分类的多任务学习框架、服装图像的深度表示学习模型、带距离约束的目标函数优化算法。其中，基于多任务框架的服装图像的深度表示模型根据影响风格的服装物品信息和服装所属季节信息设计不同任务的深度网络，在训练时引入带距离约束的新目标函数，利用度量学习的优势，对学习到的嵌入空间进行优化。
结合图1，本实施方式的总体框架主要分为三大部分。首先，面向服装图像分类的多任务学习框架会根据影响风格的服饰物品信息和服装所属季节信息设计不同任务的深度网络，通过在嵌入层之后加入季节、服饰和风格三个带监督的预测器，完成三个不同的特征提取任务。然后，建立面向服装图像分类的深度表示模型，该模型由四个部分组成：输入层、特征提取层、表示层、学习层。输入层通过随机的方式将数据分成两组进行训练，传入基于卷积神经网络的特征提取层。在卷积神经网络中，每一层卷积，即滤波器都会提取出数据中最有效的特征。这一过程中，两组数据的参数共享以提高反向传播算法的训练效率。表示层的学习得益于反向传播算法，能根据下一层的目标函数不断调整得到图像的特征表示。最后，对目标函数进行优化，在计算交叉熵损失的基础上添加距离约束，防止模型过早的嵌入过拟合，提高模型分类的准确性。
如图2所示，深度表示学习的关键在于约束的设置，从图2中可以看出，为了更好地学习到关于输入的表示，设计特有的约束是十分重要的。通常的大规模数据集的任务为单一的类别分类，在数据集很大的情况下能取得很好的效果，但是当数据集大小和质量都满足不了单一约束规则下的训练时，深度学习得到的表示往往不能令人满意，这种不足通常在领域内的细分类任务及小数据集任务上更为明显。基于深度表示学习的思想，针对上述问题引入多任务网络结构，增加约束能学习到更好的表示。
如图3所示，该部分是这个方法的主体模块，也是关系到本方法正常运转的基础。这个模块的训练步骤如下：
步骤1：对每个批次的训练样本进行随机在线采样，分为两组输入后面的特征提取层。
步骤2：把步骤1确定的图片加入网络训练队列。
步骤3：考虑到不同网络层提取的特征包含不同的语义信息，针对不同的任务其关键局部区域也会有所不同，因此在构建特征提取层时，根据不同的任务设计提取不同网络层的卷积特征，对于季节和风格这两个语义抽象的分类采用高层的卷积特征，而对于服饰物品分类则采用相对浅层的分类。
步骤4：结合表示学习的思想，将卷积网络提取到的特征一维展开，再进行L2规范，得到最终描述图像的嵌入空间。
步骤5：执行端到端的训练。目标函数Lall的表达式为：Lall＝λ1Lseason+λ2LP-style+λ3Lgarmnet，其超参数需满足λ1+λ2+λ3＝1，推荐取值0.2、0.3和0.5。结合本发明提出的带距离约束的目标函数优化算法，将距离约束与传统的交叉熵损失结合，构建新的目标函数Lc， 其中，LCE(·)是传统的交叉熵损失函数，Lp(·)用于计算给定的两组特征的欧式距离，v1和v2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、γ为加入的欧式距离的惩罚参数、I为指示函数，若来自v1和v2的样本属于同一类则为0反之则为1。通过随机选择不同类别的样本计算他们的欧式距离，将这个距离度量加入到最终的目标函数中一同训练。
步骤6：对整个模型的学习率、初始化方法等进行不断地调整以找到最优的模型参数，并保存。
如图4所示，距离约束是度量学习的一种，卷积神经网络得益于卷积核这个结构，能学习到更多关于图像的视觉信息，而在时装图像分类时，会存在这样的问题，在训练集中的两个样本具有非常相似的视觉内容却具有不同类别的标签。带距离的约束，会在训练的时候加入样本间欧式距离的约束，迫使神经网络学习以高置信度区分这两个图像的特征。对于一个参数为θ的神经网络，在接受图像v之后，能产生这个图像在N个类别下的概率分布pθ(y|v)，我们定义一个新的距离损失Lp，如公式1所示：
Lp(v，v2；θ)＝∑i(pθ(yi|v1)-pθ(yi|v2))2 (1)
通过对不同类别的样本施加欧式距离的惩罚，使得神经网络在学习的过程中将不一样的类拉得稍近一些以此混淆单一的交叉熵损失。这种在训练过程中使网络在学习样本时对视觉上令人困惑的部分重点学习以最大限度地减少训练错误的方法在细粒度分类任务中更能凸显出它的优势，同时能在一定程度上防止过拟合。
不难发现，本发明利用强大的卷积网络实现对服装图像不同维度的特征提取，然后多任务模型的结果，极大地利用了图像中不同层次的信息；本发明也提出了一种带距离约束的目标函数优化算法，通过随机选择不同类别的样本计算他们的欧式距离，将这个距离度量加入到最终的目标函数中一同训练，以防止模型过早地过拟合，增强了网络的健壮性。本发明从模型结构和目标函数两个角度考虑，针对服装风格分类问题的语义抽象性和分类的复杂性，设计深层网路模型，利用表示学习的思想，提高了服装风格分类的准确性和服装领域的智能化，网络最终得到的图像表示的同时也能应用到图像检索及服装搭配推荐等领域，总的来说，极大地提高了服装图像风格分类的准确性与效率，促进了时尚的智能化。

Claims (7)

1.一种面向服装图像分类的多任务深度表示学习方法，其特征在于，包括以下步骤：
步骤1、由面向服装图像分类的多任务学习框架根据影响风格的服饰物品信息和服装所属季节信息设计不同任务的深度网络；
步骤2、建立面向服装图像分类的深度表示模型，该深度表示模型由输入层、特征提取层、表示层、学习层，其中，基于卷积神经网络构建特征提取层，在构建特征提取层时，根据步骤1设计的不同任务的深度网络提取不同网络层的卷积特征；
步骤3、输入层通过随机的方式将训练样本分成两组训练数据，两组训练数据传入特征提取层，在特征提取层的卷积神经网络中，每一层卷积都会提取出训练数据中最有效的特征，在这一过程中，两组训练数据的参数共享以提高反向传播算法的训练效率；
步骤4、表示层根据下一层的目标函数不断调整特征提取层提取的特征，得到图像的语义特征；
步骤5、利用带距离约束的目标函数优化算法对目标函数进行优化，在计算交叉熵损失的基础上添加距离约束，防止模型过早的嵌入过拟合，提高模型分类的准确性。
2.如权利要求1所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤1中，任务包括季节学习子任务、服饰学习子任务、风格学习子任务，通过在嵌入层之后加入季节、服饰和风格三个带监督的预测器，完成三个不同的特征提取任务。
3.如权利要求2所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤2中，在构建特征提取层时，对于季节学习子任务和风格学习子任务采用高层的卷积特征，而对于服饰学习子任务则采用相对浅层的卷积特征。
4.如权利要求2所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤5中，对于风格的学习采用带距离约束的目标函数，而季节和服饰物品的学习采用经典的交叉熵损失函数，将三个目标函数进行线性组合得到最终的目标函数Lall，实现模型端到端的训练：Lall＝λ1Lseason+λ2LP-style+λ3Lgarmnet，λ1、λ2及λ3为超参数，且满足λ1+λ2+λ3＝1，Lseason为对于风格的学习所采用带距离约束的目标函数，LP-style为对于季节的学习而采用的经典的交叉熵损失函数，Lgarmnet为对于风格的学习而采用的经典的交叉熵损失函数。
5.如权利要求1所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤4中，给定一组服装图像V，对于每个图像vi∈V，所述表示层使用一个Dw维向量wi＝<wi1，wi2，...，wiDw>，来表示图像vi的图像语义特征。
6.如权利要求5所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤4中，所述表示层将所述特征提取层提取到的特征一维展开，再进行L2规范，得到最终描述图像的语义特征。
7.如权利要求1所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤5中，将带距离混淆的损失和传统的交叉熵损失结合，构成新的目标函数Lc：其中，LCE(·)是传统的交叉熵损失函数；Lp(·)用于计算给定的两组特征的欧式距离；v1和v2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；γ为加入的欧式距离的惩罚参数；I为指示函数，若来自v1和v2的样本属于同一类则为0反之则为1。
CN201810860019.1A 2018-07-31 2018-07-31 面向服装图像分类的多任务深度表示学习方法 Active CN109272011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810860019.1A CN109272011B (zh) 2018-07-31 2018-07-31 面向服装图像分类的多任务深度表示学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810860019.1A CN109272011B (zh) 2018-07-31 2018-07-31 面向服装图像分类的多任务深度表示学习方法

Publications (2)

Publication Number Publication Date
CN109272011A true CN109272011A (zh) 2019-01-25
CN109272011B CN109272011B (zh) 2021-08-20

Family

ID=65153124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810860019.1A Active CN109272011B (zh) 2018-07-31 2018-07-31 面向服装图像分类的多任务深度表示学习方法

Country Status (1)

Country Link
CN (1) CN109272011B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070147A (zh) * 2019-05-07 2019-07-30 上海宝尊电子商务有限公司 一种基于神经网络的服装图案纹理识别方法与系统
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
CN110413825A (zh) * 2019-06-21 2019-11-05 东华大学 面向时尚电商的街拍推荐系统
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
CN111680201A (zh) * 2019-12-31 2020-09-18 江苏工程职业技术学院 服装潮流趋势样品展示板的制作方法及其潮流趋势册
CN111737512A (zh) * 2020-06-04 2020-10-02 东华大学 基于深度特征区域融合的丝绸文物图像检索方法
CN112270221A (zh) * 2020-10-14 2021-01-26 西安工程大学 一种融合四季色彩理论的服装个性化推荐方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303411A (zh) * 2015-11-17 2016-02-03 北京三件客科技有限公司 一种基于互联网的3d服装定制扫描系统及其方法
CN105427021A (zh) * 2015-10-30 2016-03-23 江苏云道信息技术有限公司 一种服装智能排产方法
US20170154212A1 (en) * 2015-11-30 2017-06-01 International Business Machines Corporation System and method for pose-aware feature learning
CN108229503A (zh) * 2018-01-04 2018-06-29 浙江大学 一种针对服装照片的特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427021A (zh) * 2015-10-30 2016-03-23 江苏云道信息技术有限公司 一种服装智能排产方法
CN105303411A (zh) * 2015-11-17 2016-02-03 北京三件客科技有限公司 一种基于互联网的3d服装定制扫描系统及其方法
US20170154212A1 (en) * 2015-11-30 2017-06-01 International Business Machines Corporation System and method for pose-aware feature learning
CN108229503A (zh) * 2018-01-04 2018-06-29 浙江大学 一种针对服装照片的特征提取方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110070147B (zh) * 2019-05-07 2023-10-17 上海宝尊电子商务有限公司 一种基于神经网络的服装图案纹理识别方法与系统
CN110070147A (zh) * 2019-05-07 2019-07-30 上海宝尊电子商务有限公司 一种基于神经网络的服装图案纹理识别方法与系统
CN110413825A (zh) * 2019-06-21 2019-11-05 东华大学 面向时尚电商的街拍推荐系统
CN110413825B (zh) * 2019-06-21 2023-12-01 东华大学 面向时尚电商的街拍推荐系统
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
CN111680201A (zh) * 2019-12-31 2020-09-18 江苏工程职业技术学院 服装潮流趋势样品展示板的制作方法及其潮流趋势册
CN111680201B (zh) * 2019-12-31 2023-12-22 江苏工程职业技术学院 服装潮流趋势样品展示板的制作方法及其潮流趋势册
CN111737512A (zh) * 2020-06-04 2020-10-02 东华大学 基于深度特征区域融合的丝绸文物图像检索方法
CN111737512B (zh) * 2020-06-04 2021-11-12 东华大学 基于深度特征区域融合的丝绸文物图像检索方法
CN112270221A (zh) * 2020-10-14 2021-01-26 西安工程大学 一种融合四季色彩理论的服装个性化推荐方法
CN116090670B (zh) * 2023-04-03 2023-07-14 武汉纺织大学 一种基于多属性的服装流行趋势预测方法
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
CN109272011B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN109272011A (zh) 面向服装图像分类的多任务深度表示学习方法
Liu et al. Toward AI fashion design: An Attribute-GAN model for clothing match
CN108960499B (zh) 一种融合视觉和非视觉特征的服装流行趋势预测系统
Chen et al. A deep learning framework for time series classification using Relative Position Matrix and Convolutional Neural Network
US20200019628A1 (en) Visual intent triggering for visual search
CN107683469A (zh) 一种基于深度学习的产品分类方法及装置
CN109344884A (zh) 媒体信息分类方法、训练图片分类模型的方法及装置
Russel et al. Leaf species and disease classification using multiscale parallel deep CNN architecture
CN106529564A (zh) 一种基于卷积神经网络的食物图像自动分类方法
CN107798563B (zh) 基于多模态特征的互联网广告效果测评方法及系统
CN108932517A (zh) 一种基于精细化网络模型的多标签服装解析方法
CN109614925A (zh) 服饰属性识别方法和装置、电子设备、存储介质
CN110097090A (zh) 一种基于多尺度特征融合的图像细粒度识别方法
CN110008376A (zh) 用户画像向量生成方法及装置
Islam et al. A CNN based approach for garments texture design classification
CN109344920A (zh) 顾客属性预测方法、存储介质、系统及设备
CN110413825B (zh) 面向时尚电商的街拍推荐系统
CN110413791A (zh) 基于cnn-svm-knn组合模型的文本分类方法
Shajini et al. A knowledge-sharing semi-supervised approach for fashion clothes classification and attribute prediction
Alamsyah et al. Object detection using convolutional neural network to identify popular fashion product
Yoshikawa et al. Metavd: A meta video dataset for enhancing human action recognition datasets
Snoussi et al. Deep residual U-Net for automatic detection of Moroccan coastal upwelling using SST images
Prabakaran et al. Generative Adversarial Networks the Future of Consumer Deep Learning?: A Comprehensive Study
Jin et al. Fine Classification Method of Product Image Based on Multi-Level Convolutional Neural Networks
Suatap et al. Game genre classification from icon and screenshot images using convolutional neural networks

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