CN110232133B - 一种基于特征融合和款式分类的服装图像检索方法和系统 - Google Patents

一种基于特征融合和款式分类的服装图像检索方法和系统 Download PDF

Info

Publication number
CN110232133B
CN110232133B CN201910416355.1A CN201910416355A CN110232133B CN 110232133 B CN110232133 B CN 110232133B CN 201910416355 A CN201910416355 A CN 201910416355A CN 110232133 B CN110232133 B CN 110232133B
Authority
CN
China
Prior art keywords
clothing
key points
images
style
sample
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.)
Active
Application number
CN201910416355.1A
Other languages
English (en)
Other versions
CN110232133A (zh
Inventor
姜军
周作禹
解猛
胡忠冰
胡若澜
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910416355.1A priority Critical patent/CN110232133B/zh
Publication of CN110232133A publication Critical patent/CN110232133A/zh
Application granted granted Critical
Publication of CN110232133B publication Critical patent/CN110232133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征融合和款式分类的服装图像检索方法和系统，属于图像处理技术领域，包括：在待查询服装图像中提取全局特征和局部特征后进行特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与查询库中该N个款式类别对应的服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果。本发明的特征描述子对服装的柔性形变、拍摄角度和摆放姿势等变化具有较强的鲁棒性，从而能提高服装检索的性能；同时，款式分类任务能够进行预筛选，进而获得更高的检索效率。

Description

一种基于特征融合和款式分类的服装图像检索方法和系统
技术领域
本发明属于图像处理技术领域，更具体地，涉及一种基于特征融合和款式分类的服装图像检索方法和系统。
背景技术
当今社会，网上购物已成为消费者活动的主要手段。网络零售近几年一直呈现快速的增长姿态，据统计2018年的网络零售额就已达到九万亿元规模。作为“衣食住行”的头一位，衣一直备受人们关注。服装类产品作为需求量最大、更新速度最快的网络零售商品之一，如何快速有效地检索服装，已成为各大电商平台关注的重要技术。
传统的服装图像检索方法一般是基于文本关键字检索实现的，该方法需要依据图像的标签匹配来实现，事先需要大量的标签标注时间，且服装的文本描述受人的主观因素的影响较大。基于内容的服装图像检索方法能够克服基于文本方法的上述不足。现有的服装图像检索方法，大多不能有效的去除服装图像的背景，容易受背景的干扰；采用单一的全局特征，对服装的柔性形变、拍摄角度和摆放姿势等变化敏感，造成检索性能较低的问题。同时，大部分现有的服装图像检索方法，在查询的时候，针对的是整个查询库，没有进行预筛选来缩小检索范围，使得检索效率较低，尤其面对大型的查询库的时候。
由此可见，现有技术存在容易受背景干扰、检索性能较低、检索效率较低的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于特征融合和款式分类的服装图像检索方法和系统，由此解决现有技术存在容易受背景干扰、检索性能较低、检索效率较低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于特征融合和款式分类的服装图像检索方法，包括如下步骤：
(1)在待查询服装图像中提取全局特征和局部特征后进行特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；
(2)对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与该N个款式类别对应的查询库中服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果。
进一步地，步骤(1)包括：
在待查询服装图像中提取感兴趣服装区域；
在感兴趣服装区域中提取全局特征和局部特征，对全局特征和局部特征进行通道约束的特征融合，得到待查询服装图像的特征描述子；
利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率。
进一步地，通道约束的特征融合的具体实现方式为：
在全局特征和局部特征进行线性融合时，全局特征和局部特征对应的所有通道的特征图的权值相等。
进一步地，概率预测网络的训练包括：
在样本查询库中提取样本感兴趣服装区域，在样本感兴趣服装区域中标注关键点坐标和款式类别；
将标注后的样本感兴趣服装区域作为深度神经网络的输入，将样本感兴趣服装区域的特征描述子和样本感兴趣服装区域属于各个款式类别的概率作为深度神经网络的输出，以损失函数最小为目标训练深度神经网络，得到概率预测网络。
进一步地，损失函数包括第一损失函数和第二损失函数，
所述第一损失函数为样本查询库中相似图像的特征描述子之间的距离与不相似图像的特征描述子之间的距离的差；
所述第二损失函数为预测图像所属款式类别的softmax损失函数；
所述相似图像为样本查询库中款式相同的图像，所述不相似图像为样本查询库中款式不相同的图像。
按照本发明的另一方面，提供了一种基于特征融合和款式分类的服装图像检索系统，包括如下模块：
预处理模块，用于在待查询服装图像中提取全局特征和局部特征后进行特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；
查询模块，用于对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与查询库中该N个款式类别对应的服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果。
进一步地，预处理模块包括如下子模块：
提取感兴趣服装区域子模块，用于在待查询服装图像中提取感兴趣服装区域；
特征融合子模块，用于在感兴趣服装区域中提取全局特征和局部特征，对全局特征和局部特征进行通道约束的特征融合，得到待查询服装图像的特征描述子；
概率预测子模块，用于利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明首先提取和融合感兴趣服装区域的全局特征和局部特征，得到对服装的柔性形变、拍摄角度和摆放姿势等变化具有较强的鲁棒性的特征描述子，从而能提高服装检索的性能；同时，款式分类任务能够进行预筛选，进而获得更高的检索效率。由此解决现有技术存在容易受背景干扰、检索性能较低、检索效率较低的技术问题。
(2)本发明对感兴趣服装区域的全局特征和局部特征进行通道约束的融合，能够得到比无通道约束的融合方法更好的特征描述子，能够更好地应对服装的柔性形变、拍摄角度和摆放姿势的变化。
(3)本发明引入服装款式分类，一则可以协助提取更好的特征描述子，二则服装款式分类的结果可以用于查询过程的预筛选，从而提高服装查询的效率。
附图说明
图1是本发明实施例提供的一种基于特征融合和款式分类的服装图像检索方法的流程图；
图2是本发明实施例提供的深度神经网络结构示意图；
图3是本发明实施例提供的详细流程图；
图4(a)是本发明实施例1提供的待查询图；
图4(b)是本发明实施例1提供的排名第一的检测结果；
图4(c)是本发明实施例1提供的排名第二的检测结果；
图4(d)是本发明实施例1提供的排名第三的检测结果；
图4(e)是本发明实施例1提供的排名第四的检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于特征融合和款式分类的服装图像检索方法，包括如下步骤：
(1)在待查询服装图像中提取全局特征和局部特征后进行特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；
(2)对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与该N个款式类别对应的查询库中服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果。
如图2所示，概率预测网络的训练包括：
在样本查询库中提取样本感兴趣服装区域，在样本感兴趣服装区域中标注关键点坐标和款式类别；
将标注后的样本感兴趣服装区域作为深度神经网络的输入，将样本感兴趣服装区域的特征描述子和样本感兴趣服装区域属于各个款式类别的概率作为深度神经网络的输出，以损失函数最小为目标训练深度神经网络，得到概率预测网络。
进一步地，损失函数包括第一损失函数和第二损失函数，
所述第一损失函数为样本查询库中相似图像的特征描述子之间的距离与不相似图像的特征描述子之间的距离的差；
所述第二损失函数为预测图像所属款式类别的softmax损失函数；
所述相似图像为样本查询库中款式相同的图像，所述不相似图像为样本查询库中款式不相同的图像。
如图3所示，一种基于特征融合和款式分类的服装图像检索方法，具体包括如下步骤：
(1)采用基于多任务的深度神经网络对服装图像中的服装关键点进行定位，得到服装关键点的粗定位信息；
(2)根据服装关键点的粗定位信息，提取感兴趣服装区域；
(3)在感兴趣服装区域中提取全局特征和局部特征后进行特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；
(4)对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与查询库中服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果。
所述基于多任务的深度神经网络通过同时训练服装关键点的坐标回归任务、服装关键点的结构类型预测任务和服装关键点可视化类型预测任务后得到。
所述基于多任务的深度神经网络的训练包括：
对样本服装图像集合中的每个样本服装图像，标注服装关键点的坐标、服装关键点的结构类型和服装关键点可视化类型，得到标注后的样本服装图像集合；
所述服装关键点的结构类型通过对服装关键点向量进行聚类后的聚类中心向量表示，将标注后的样本服装图像集合作为基于多任务的深度神经网络的输入，将服装关键点的预测坐标、服装关键点可视化类型的预测概率和服装关键点的预测坐标与聚类中心向量之间的距离作为基于多任务的深度神经网络的输出，以网络损失函数最小为目标同时训练服装关键点的坐标回归任务、服装关键点的结构类型预测任务和服装关键点可视化类型预测任务，得到训练好的基于多任务的深度神经网络。
所述服装关键点的结构类型包括服装款式、摆放方式和感兴趣服装区域的尺寸。所述服装关键点可视化类型包括可见、遮挡和不存在。
所述网络损失函数包括第一网络损失函数、第二网络损失函数和第三网络损失函数，
所述第一网络损失函数为服装关键点的坐标与服装关键点的预测坐标之间的欧式距离；
所述第二网络损失函数为用于预测服装关键点可视化类型的softmax损失函数；
所述第三网络损失函数为服装关键点的预测坐标组成的向量与聚类中心向量之间的欧式距离。
图4(a)是本发明实施例1提供的待查询图，图4(b)是本发明实施例1提供的排名第一的检测结果，图4(c)是本发明实施例1提供的排名第二的检测结果，图4(d)是本发明实施例1提供的排名第三的检测结果，图4(e)是本发明实施例1提供的排名第四的检测结果。由此可见看出本发明首先采用多任务的深度神经网络获得服装上关键点信息；接着根据关键点信息推理出感兴趣服装区域；最后利用另一引入款式分类任务的深度神经网络分别提取和融合感兴趣服装区域的全局特征和基于关键点的局部特征，得到服装图像的特征描述子和感兴趣服装区域属于各款式类别的概率。本发明能够更有效地提取和融合基于关键点的局部特征，得到对服装的柔性形变、拍摄角度和摆放姿势等变化具有较强的鲁棒性的特征描述子，从而能提高服装检索的性能；同时，款式分类任务能够进行预筛选，进而获得更高的检索效率。
在感兴趣服装区域提取阶段，根据关键点的定位坐标和结构类型来推理出感兴趣服装区域，能够避免采用常规目标检测算法提取的感兴趣服装区域容易丢失关键点的问题，为提取基于关键点的局部特征打下良好的基础，并且能更有效的去除背景，得到较干净的感兴趣服装区域。对感兴趣服装区域的全局特征和基于关键点的局部特征进行通道约束的融合，能够得到比无通道约束的融合方法更好的特征描述子，能够更好地应对服装的柔性形变、拍摄角度和摆放姿势的变化。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于特征融合和款式分类的服装图像检索方法，其特征在于，包括如下步骤：
(1)采用基于多任务的深度神经网络对服装图像中的服装关键点进行定位，得到服装关键点的定位坐标和结构类型，根据服装关键点的定位坐标和结构类型，在待查询服装图像中提取感兴趣服装区域，在感兴趣服装区域中提取全局特征和局部特征后进行通道约束的特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；
所述基于多任务的深度神经网络通过同时训练服装关键点的坐标回归任务、服装关键点的结构类型预测任务和服装关键点可视化类型预测任务后得到；
(2)对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与该N个款式类别对应的查询库中服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果；
所述通道约束的特征融合的具体实现方式为：
在全局特征和局部特征进行线性融合时，全局特征和局部特征对应的所有通道的特征图的权值相等；
所述基于多任务的深度神经网络的训练包括：
对样本服装图像集合中的每个样本服装图像，标注服装关键点的坐标、服装关键点的结构类型和服装关键点可视化类型，得到标注后的样本服装图像集合；
所述服装关键点的结构类型通过对服装关键点向量进行聚类后的聚类中心向量表示，将标注后的样本服装图像集合作为基于多任务的深度神经网络的输入，将服装关键点的预测坐标、服装关键点可视化类型的预测概率和服装关键点的预测坐标与聚类中心向量之间的距离作为基于多任务的深度神经网络的输出，以网络损失函数最小为目标同时训练服装关键点的坐标回归任务、服装关键点的结构类型预测任务和服装关键点可视化类型预测任务，得到训练好的基于多任务的深度神经网络；
所述服装关键点的结构类型包括服装款式、摆放方式和感兴趣服装区域的尺寸，所述服装关键点可视化类型包括可见、遮挡和不存在。
2.如权利要求1所述的一种基于特征融合和款式分类的服装图像检索方法，其特征在于，所述概率预测网络的训练包括：
在样本查询库中提取样本感兴趣服装区域，在样本感兴趣服装区域中标注关键点坐标和款式类别；
将标注后的样本感兴趣服装区域作为深度神经网络的输入，将样本感兴趣服装区域的特征描述子和样本感兴趣服装区域属于各个款式类别的概率作为深度神经网络的输出，以损失函数最小为目标训练深度神经网络，得到概率预测网络。
3.如权利要求2所述的一种基于特征融合和款式分类的服装图像检索方法，其特征在于，所述损失函数包括第一损失函数和第二损失函数，
所述第一损失函数为样本查询库中相似图像的特征描述子之间的距离与不相似图像的特征描述子之间的距离的差；
所述第二损失函数为预测图像所属款式类别的softmax损失函数；
所述相似图像为样本查询库中款式相同的图像，所述不相似图像为样本查询库中款式不相同的图像。
4.一种基于特征融合和款式分类的服装图像检索系统，其特征在于，包括如下模块：
预处理模块，用于采用基于多任务的深度神经网络对服装图像中的服装关键点进行定位，得到服装关键点的定位坐标和结构类型，根据服装关键点的定位坐标和结构类型，在待查询服装图像中提取感兴趣服装区域，在感兴趣服装区域中提取全局特征和局部特征后进行通道约束的特征融合，得到待查询服装图像的特征描述子，利用概率预测网络预测待查询服装图像属于查询库中各个款式类别的概率；所述基于多任务的深度神经网络通过同时训练服装关键点的坐标回归任务、服装关键点的结构类型预测任务和服装关键点可视化类型预测任务后得到；所述通道约束的特征融合的具体实现方式为：在全局特征和局部特征进行线性融合时，全局特征和局部特征对应的所有通道的特征图的权值相等；所述基于多任务的深度神经网络的训练包括：对样本服装图像集合中的每个样本服装图像，标注服装关键点的坐标、服装关键点的结构类型和服装关键点可视化类型，得到标注后的样本服装图像集合；所述服装关键点的结构类型通过对服装关键点向量进行聚类后的聚类中心向量表示，将标注后的样本服装图像集合作为基于多任务的深度神经网络的输入，将服装关键点的预测坐标、服装关键点可视化类型的预测概率和服装关键点的预测坐标与聚类中心向量之间的距离作为基于多任务的深度神经网络的输出，以网络损失函数最小为目标同时训练服装关键点的坐标回归任务、服装关键点的结构类型预测任务和服装关键点可视化类型预测任务，得到训练好的基于多任务的深度神经网络；所述服装关键点的结构类型包括服装款式、摆放方式和感兴趣服装区域的尺寸，所述服装关键点可视化类型包括可见、遮挡和不存在；
查询模块，用于对于概率较大的前N个款式类别，计算待查询服装图像的特征描述子与该N个款式类别对应的查询库中服装图像的特征描述子之间的相似度值，将相似度值较大的前K个查询库中服装图像作为检索结果。
CN201910416355.1A 2019-05-16 2019-05-16 一种基于特征融合和款式分类的服装图像检索方法和系统 Active CN110232133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910416355.1A CN110232133B (zh) 2019-05-16 2019-05-16 一种基于特征融合和款式分类的服装图像检索方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910416355.1A CN110232133B (zh) 2019-05-16 2019-05-16 一种基于特征融合和款式分类的服装图像检索方法和系统

Publications (2)

Publication Number Publication Date
CN110232133A CN110232133A (zh) 2019-09-13
CN110232133B true CN110232133B (zh) 2022-09-20

Family

ID=67861397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910416355.1A Active CN110232133B (zh) 2019-05-16 2019-05-16 一种基于特征融合和款式分类的服装图像检索方法和系统

Country Status (1)

Country Link
CN (1) CN110232133B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159456B (zh) * 2019-12-30 2022-09-06 云南大学 基于深度学习与传统特征的多尺度服装检索方法及系统
CN111832612B (zh) * 2020-06-03 2023-06-23 北京百度网讯科技有限公司 动物识别模型的训练方法、装置、设备及存储介质
CN113111117B (zh) * 2021-05-13 2024-08-13 上海寻梦信息技术有限公司 基于地图的收件地址展示方法、系统、设备及存储介质
CN114863405A (zh) * 2022-04-06 2022-08-05 北京爱奇艺科技有限公司 一种服饰识别方法、装置、终端及存储介质
CN116486116B (zh) * 2023-06-16 2023-08-29 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462502A (zh) * 2014-12-19 2015-03-25 中国科学院深圳先进技术研究院 一种基于特征融合的图像检索方法
CN105469087A (zh) * 2015-07-13 2016-04-06 百度在线网络技术（北京）有限公司 识别服饰图片的方法、服饰图片的标注方法及装置
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013196553A (ja) * 2012-03-22 2013-09-30 Dainippon Printing Co Ltd 衣服管理及びレコメンド装置
US9817900B2 (en) * 2012-06-08 2017-11-14 National University Of Singapore Interactive clothes searching in online stores
CN106126579B (zh) * 2016-06-17 2020-04-28 北京市商汤科技开发有限公司 物体识别方法和装置、数据处理装置和终端设备
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN107239565B (zh) * 2017-06-14 2020-03-24 电子科技大学 一种基于显著性区域的图像检索方法
CN109117437A (zh) * 2017-06-23 2019-01-01 李峰 一种面向服装图像检索的图像特征抽取方法
CN108614884A (zh) * 2018-05-03 2018-10-02 桂林电子科技大学 一种基于卷积神经网络的服装图像检索方法
CN108960140B (zh) * 2018-07-04 2021-04-27 国家新闻出版广电总局广播科学研究院 基于多区域特征提取和融合的行人再识别方法
CN109241349B (zh) * 2018-08-14 2022-03-25 中国电子科技集团公司第三十八研究所 一种基于深度学习的监控视频多目标分类检索方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462502A (zh) * 2014-12-19 2015-03-25 中国科学院深圳先进技术研究院 一种基于特征融合的图像检索方法
CN105469087A (zh) * 2015-07-13 2016-04-06 百度在线网络技术（北京）有限公司 识别服饰图片的方法、服饰图片的标注方法及装置
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Unconstrained Fashion Landmark Detection via Hierarchical Recurrent Transformer Networks;Sijie Yan 等;《MM "17: Proceedings of the 25th ACM international conference on Multimedia》;20171031;172-180 *
基于关键点的服装检索;陈嫒嫒 等;《计算机应用》;20171110;第37卷(第11期);3249-3255 *
基于多任务卷积神经网络的服装图像分类与检索;林城龙;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190115(第01期);I138-4632 *

Also Published As

Publication number Publication date
CN110232133A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232133B (zh) 一种基于特征融合和款式分类的服装图像检索方法和系统
CN108960140B (zh) 基于多区域特征提取和融合的行人再识别方法
CN107330451B (zh) 基于深度卷积神经网络的服装属性检索方法
Pham et al. The random cluster model for robust geometric fitting
Du et al. Computer-aided plant species identification (CAPSI) based on leaf shape matching technique
US20140010407A1 (en) Image-based localization
CN106933867B (zh) 一种图像查询方法和装置
US20140314313A1 (en) Visual clothing retrieval
CN112085072B (zh) 基于时空特征信息的草图检索三维模型的跨模态检索方法
CN110647906A (zh) 基于Faster R-CNN方法的服饰目标检测方法
CN110704603A (zh) 一种通过资讯发掘当前热点事件的方法和装置
CN110413825B (zh) 面向时尚电商的街拍推荐系统
CN116049454A (zh) 一种基于多源异构数据的智能搜索方法及系统
Liu et al. Cbl: A clothing brand logo dataset and a new method for clothing brand recognition
Hong et al. Lidar-based 4d panoptic segmentation via dynamic shifting network
CN111767420A (zh) 一种生成服饰搭配数据的方法和装置
CN114595352A (zh) 一种图像识别方法、装置、电子设备及可读存储介质
CN112651294A (zh) 基于多尺度融合的遮挡人体姿势识别方法
CN106407281B (zh) 图像检索方法及装置
Jiang et al. AOH: Online multiple object tracking with adaptive occlusion handling
CN108717436B (zh) 一种基于显著性检测的商品目标快速检索方法
CN111159456B (zh) 基于深度学习与传统特征的多尺度服装检索方法及系统
CN116627952A (zh) 一种遥感影像编目数据相似重复清洗方法
Sanghvi et al. Logo detection using machine learning algorithm: A survey
Liu et al. Clothing brand logo prediction: From residual block to dense block

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
CB03 Change of inventor or designer information

Inventor after: Jiang Jun

Inventor after: Zeng Xiongmei

Inventor after: Zhou Zuoyu

Inventor after: Xie Meng

Inventor after: Hu Zhongbing

Inventor after: Hu Ruolan

Inventor before: Jiang Jun

Inventor before: Zhou Zuoyu

Inventor before: Xie Meng

Inventor before: Hu Zhongbing

Inventor before: Hu Ruolan

CB03 Change of inventor or designer information