CN110544154A - 服饰搭配方法及装置、电子设备和存储介质 - Google Patents
服饰搭配方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110544154A CN110544154A CN201910818098.4A CN201910818098A CN110544154A CN 110544154 A CN110544154 A CN 110544154A CN 201910818098 A CN201910818098 A CN 201910818098A CN 110544154 A CN110544154 A CN 110544154A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- sub
- matching
- images
- 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
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (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)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种服饰搭配方法及装置、电子设备和存储介质。所述方法包括：通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像；通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量；通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数；根据该训练图像组对应的搭配分数，确定第一损失函数的值；根据所述第一损失函数的值，优化所述第二子神经网络的参数。本公开实施例能够提高服饰搭配预测的准确性。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种用于服饰搭配的神经网络的训练方法及装置、服饰搭配方法及装置、电子设备和存储介质。
背景技术
随着网络购物的兴起，消费者开始积极求助于智能服装推荐系统，以寻觅具有视觉相关性的时尚单品，包括衣服、鞋子、包等。然而，相关技术进行服饰搭配预测的准确性较低。
发明内容
本公开提出了一种服饰搭配技术方案。
根据本公开的一方面，提供了一种用于服饰搭配的神经网络的训练方法，包括：
通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像；
通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量；
通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数；
根据该训练图像组对应的搭配分数，确定第一损失函数的值；
根据所述第一损失函数的值，优化所述第二子神经网络的参数。
在一种可能的实现方式中，互相搭配的两个单品图像为属于同一训练图像组的任意两个单品图像。
在该实现方式中，通过将属于同一训练图像组的任意两个单品图像确定为互相搭配的两个单品图像，由此能够自动、快速地确定互相搭配的两个单品图像，从而能够提高训练用于服饰搭配的神经网络的效率。
在一种可能的实现方式中，所述通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：
通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成该两个单品图像对应的边的特征向量；
通过所述第二子神经网络重复根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，并根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，直至重复次数达到预设次数或者单品图像的特征向量和边的特征向量收敛。
在该实现方式中，通过重复根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，直至重复次数达到预设次数或者单品图像的特征向量和边的特征向量收敛，由此能够充分实现前向传播通道中边的信息共享。
在一种可能的实现方式中，所述根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，包括：
对互相搭配的任意两个单品图像的特征向量进行池化处理，并根据池化处理结果生成或更新该两个单品图像对应的边的特征向量。
在该实现方式中，通过对互相搭配的任意两个单品图像的特征向量进行池化处理，能够对该两个单品图像的特征向量进行对称的处理，由此得到的该两个单品图像对应的边具有无向性，从而能够进一步提高服饰搭配预测的准确性。
在一种可能的实现方式中，所述根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：
根据任一单品图像对应的多个边的特征向量，更新该单品图像的特征向量。
在该实现方式中，通过根据任一单品图像对应的多个边的特征向量，更新该单品图像的特征向量，由此能够利用与该单品图像的特征向量对应的节点相连的多个边的信息进行该单品图像的特征向量的更新，从而利用该单品图像的更新后的特征向量进行服饰搭配预测能够进一步提高准确性。
在一种可能的实现方式中，所述根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：
对任一单品图像对应的边的特征向量进行卷积处理，并根据卷积处理结果更新该单品图像的特征向量。
在该实现方式中，能够通过卷积运算处理图的不规则性，由此能够聚集图中的不同边的特征，总结出与一个节点相连的不同边的信息。
在一种可能的实现方式中，所述通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数，包括：
通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组针对不同风格的搭配分数；
根据该训练图像组针对不同风格的搭配分数，确定该训练图像组对应的搭配分数。
在该实现方式中，通过考虑该训练图像组针对不同风格的搭配分数，能够提高服饰搭配的多样性。
在一种可能的实现方式中，所述通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组针对不同风格的搭配分数，包括：
通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，确定该训练图像组针对不同风格的搭配分数。
在该实现方式中，通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，能够提高所确定的该训练图像组针对不同风格的搭配分数的准确性。
在一种可能的实现方式中，在所述通过第一子神经网络提取训练图像组中的单品图像的特征向量之后，还包括：
确定第一单品图像对应的正样本对，其中，所述第一单品图像为任一训练图像组中的任一单品图像；
确定第一单品图像对应的负样本对；
根据所述正样本对对应的第一距离，以及所述负样本对对应的第二距离，确定第二损失函数的值；
根据所述第二损失函数的值，优化所述第一子神经网络的参数。
在该实现方式中，根据第一单品图像对应的正样本对的第一距离以及第一单品图像对应的负样本对的第二距离优化第一子神经网络的参数，由此能够使第一子神经网络所提取的单品图像的特征向量中，较为搭配的单品图像的特征向量之间的距离较小，较不搭配的单品图像的特征向量之间的距离较大，从而能够提高服饰搭配预测的准确性。
在一种可能的实现方式中，所述确定第一单品图像对应的正样本对，包括：
根据所述第一单品图像和与所述第一单品图像互相搭配的第二单品图像，确定所述第一单品图像对应的正样本对，其中，所述第二单品图像为与所述第一单品图像互相搭配的任一单品图像。
在该实现方式中，通过根据所述第一单品图像和与所述第一单品图像互相搭配的第二单品图像，确定所述第一单品图像对应的正样本对，并基于此优化第一子神经网络的参数，由此利用互相搭配的单品图像优化第一子神经网络的参数，从而能够进一步提高所确定的第一子神经网络的参数的准确性。
在一种可能的实现方式中，所述第一单品图像对应的负样本对包括所述第一单品图像对应的绝对负样本对；
所述确定第一单品图像对应的负样本对，包括：
根据所述第一单品图像和与所述第一单品图像属于相同类型的第三单品图像，确定所述第一单品图像对应的绝对负样本对，其中，所述第三单品图像为与所述第一单品图像属于相同类型的任一单品图像。
在该实现方式中，通过根据所述第一单品图像和与所述第一单品图像属于相同类型的第三单品图像，确定所述第一单品图像对应的绝对负样本对，并基于此优化第一子神经网络的参数，由此利用不搭配的单品图像优化第一子神经网络的参数，从而能够进一步提高所确定的第一子神经网络的参数的准确性。
在一种可能的实现方式中，所述第一单品图像对应的负样本对包括所述第一单品图像对应的相对负样本对；
所述确定第一单品图像对应的负样本对，包括：
根据所述第一单品图像和与所述第一单品图像互相搭配的任一单品图像属于相同类型的第四单品图像，确定所述第一单品图像对应的相对负样本对，其中，所述第四单品图像为与所述第一单品图像互相搭配的任一单品图像属于相同类型的任一单品图像。
在该实现方式中，通过根据所述第一单品图像和与所述第一单品图像互相搭配的任一单品图像属于相同类型的第四单品图像，确定所述第一单品图像对应的相对负样本对，并基于此优化第一子神经网络的参数，由此利用不搭配的单品图像优化第一子神经网络的参数，从而能够进一步提高所确定的第一子神经网络的参数的准确性。
在一种可能的实现方式中，所述根据所述正样本对对应的第一距离，以及所述负样本对对应的第二距离，确定第二损失函数的值，包括：
根据所述第一距离和所述第二距离的差值，确定所述第二损失函数的值。
在该实现方式中，通过根据所述第一距离和所述第二距离的差值，确定所述第二损失函数的值，并基于所述第二损失函数的值，优化所述第一子神经网络的参数，由此能够使减小第一子神经网络所提取的较为搭配的单品图像的特征向量之间的距离，并增大第一子神经网络所提取的较不搭配的单品图像的特征向量之间的距离，从而能够提高服饰搭配预测的准确性。
在一种可能的实现方式中，所述第二距离根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离中的至少一个距离确定。
在该实现方式中，通过根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离中的至少一个距离确定所述第二距离，由此能够利用不搭配的单品图像的特征向量之间的距离优化第一子神经网络的参数，从而能够进一步提高所确定的第一子神经网络的参数的准确性。
在一种可能的实现方式中，所述训练图像组包括作为正样本的训练图像组和作为负样本的训练图像组，其中，任一作为负样本的训练图像组中包括两个以上属于同一类型的单品图像。
在该实现方式中，通过采用作为正样本的训练图像组和作为负样本的训练图像组训练用于服饰搭配的神经网络，由此能够提高训练得到的用于服饰搭配的神经网络进行服饰搭配预测的准确性。
在一种可能的实现方式中，还包括：
通过所述第一子神经网络提取测试图像组中的单品图像的特征向量，其中，每个测试图像组分别包括多个单品图像；
通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，获取该测试图像组针对不同风格的搭配分数；
根据该测试图像组针对不同风格的搭配分数，确定第三损失函数的值；
根据所述第三损失函数的值，优化所述第二子神经网络的参数。
在该实现方式中，通过根据该测试图像组针对不同风格的搭配分数，确定第三损失函数的值，并根据所述第三损失函数的值，优化所述第二子神经网络的参数，由此能够解决不同风格的训练图像组的数量存在不平衡的问题。
在一种可能的实现方式中，所述通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，获取该测试图像组，包括：
通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，确定该测试图像组中的单品图像的更新后的特征向量；
通过所述第二子神经网络根据该测试图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，获取该测试图像组针对不同风格的搭配分数。
在该实现方式中，通过所述第二子神经网络根据该测试图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，能够提高所获取的该测试图像组针对不同风格的搭配分数的准确性。
根据本公开的另一方面，提供了一种采用上述用于服饰搭配的神经网络的训练方法训练得到的用于服饰搭配的神经网络进行服饰搭配的方法，包括：
获得请求搭配的单品图像；
通过所述第一子神经网络提取所述请求搭配的单品图像的特征向量；
通过所述第二子神经网络获得候选单品图像的特征向量；
通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定所述请求搭配的单品图像对应的搭配结果。
在一种可能的实现方式中，所述请求搭配的单品图像对应的搭配结果包括以下一项或两项：
与所述请求搭配的单品图像匹配的一个或多个候选单品图像；
包括所述请求搭配的单品图像的一个或多个服饰搭配组合，其中，每个服饰搭配组合中包括一个或多个候选单品图像。
在该实现方式中，通过确定与所述请求搭配的单品图像匹配的一个或多个候选单品图像，由此能够输出任意数量与所述请求搭配的单品图像匹配的候选单品图像，由此能够提高服饰搭配的灵活性。
在该实现方式中，通过确定包括所述请求搭配的单品图像的一个或多个服饰搭配组合，由此能够得到更灵活多样的服饰搭配组合。
在一种可能的实现方式中，所述多个服饰搭配组合属于不同风格。
在该实现方式中，通过确定包括所述请求搭配的单品图像的多个服饰搭配组合，且所述多个服饰搭配组合属于不同风格，由此能够输出不同风格的成套搭配(即服饰搭配组合)，例如可以针对每个风格分别推荐一套或多套搭配(即一个或多个服饰搭配组合)，从而能够提高服饰搭配的多样性。
根据本公开的另一方面，提供了一种采用上述用于服饰搭配的神经网络的训练方法训练得到的用于服饰搭配的神经网络进行服饰搭配的方法，包括：
获得请求评价的服饰搭配组合；
通过所述第一子神经网络提取所述请求评价的服饰搭配组合中的各个单品图像的特征向量；
通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合对应的搭配分数；
所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果，包括：
所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对不同风格的搭配分数；
根据所述请求评价的服饰搭配组合针对不同风格的搭配分数，确定所述请求评价的服饰搭配组合对应的搭配分数。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合针对一个或多个风格的搭配分数；
所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果，包括：
所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对一个或多个风格的搭配分数。
根据本公开的另一方面，提供了一种用于服饰搭配的神经网络的训练装置，包括：
第一提取模块，用于通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像；
生成与更新模块，用于通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量；
第一确定模块，用于通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数；
第二确定模块，用于根据该训练图像组对应的搭配分数，确定第一损失函数的值；
第一优化模块，用于根据所述第一损失函数的值，优化所述第二子神经网络的参数。
在一种可能的实现方式中，互相搭配的两个单品图像为属于同一训练图像组的任意两个单品图像。
在一种可能的实现方式中，所述生成与更新模块包括：
生成子模块，用于通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成该两个单品图像对应的边的特征向量；
更新子模块，用于通过所述第二子神经网络重复根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，并根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，直至重复次数达到预设次数或者单品图像的特征向量和边的特征向量收敛。
在一种可能的实现方式中，所述生成与更新模块用于：
对互相搭配的任意两个单品图像的特征向量进行池化处理，并根据池化处理结果生成或更新该两个单品图像对应的边的特征向量。
在一种可能的实现方式中，所述生成与更新模块用于：
根据任一单品图像对应的多个边的特征向量，更新该单品图像的特征向量。
在一种可能的实现方式中，所述生成与更新模块用于：
对任一单品图像对应的边的特征向量进行卷积处理，并根据卷积处理结果更新该单品图像的特征向量。
在一种可能的实现方式中，所述第一确定模块包括：
第一确定子模块，用于通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组针对不同风格的搭配分数；
第二确定子模块，用于根据该训练图像组针对不同风格的搭配分数，确定该训练图像组对应的搭配分数。
在一种可能的实现方式中，所述第一确定子模块用于：
通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，确定该训练图像组针对不同风格的搭配分数。
在一种可能的实现方式中，还包括：
第三确定模块，用于确定第一单品图像对应的正样本对，其中，所述第一单品图像为任一训练图像组中的任一单品图像；
第四确定模块，用于确定第一单品图像对应的负样本对；
第五确定模块，用于根据所述正样本对对应的第一距离，以及所述负样本对对应的第二距离，确定第二损失函数的值；
第二优化模块，用于根据所述第二损失函数的值，优化所述第一子神经网络的参数。
在一种可能的实现方式中，所述第三确定模块用于：
根据所述第一单品图像和与所述第一单品图像互相搭配的第二单品图像，确定所述第一单品图像对应的正样本对，其中，所述第二单品图像为与所述第一单品图像互相搭配的任一单品图像。
在一种可能的实现方式中，所述第一单品图像对应的负样本对包括所述第一单品图像对应的绝对负样本对；
所述第四确定模块用于：
根据所述第一单品图像和与所述第一单品图像属于相同类型的第三单品图像，确定所述第一单品图像对应的绝对负样本对，其中，所述第三单品图像为与所述第一单品图像属于相同类型的任一单品图像。
在一种可能的实现方式中，所述第一单品图像对应的负样本对包括所述第一单品图像对应的相对负样本对；
所述第四确定模块用于：
根据所述第一单品图像和与所述第一单品图像互相搭配的任一单品图像属于相同类型的第四单品图像，确定所述第一单品图像对应的相对负样本对，其中，所述第四单品图像为与所述第一单品图像互相搭配的任一单品图像属于相同类型的任一单品图像。
在一种可能的实现方式中，所述第五确定模块用于：
根据所述第一距离和所述第二距离的差值，确定所述第二损失函数的值。
在一种可能的实现方式中，所述第二距离根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离中的至少一个距离确定。
在一种可能的实现方式中，所述训练图像组包括作为正样本的训练图像组和作为负样本的训练图像组，其中，任一作为负样本的训练图像组中包括两个以上属于同一类型的单品图像。
在一种可能的实现方式中，还包括：
第二提取模块，用于通过所述第一子神经网络提取测试图像组中的单品图像的特征向量，其中，每个测试图像组分别包括多个单品图像；
获取模块，用于通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，获取该测试图像组针对不同风格的搭配分数；
第六确定模块，用于根据该测试图像组针对不同风格的搭配分数，确定第三损失函数的值；
第三优化模块，用于根据所述第三损失函数的值，优化所述第二子神经网络的参数。
在一种可能的实现方式中，所述获取模块包括：
第三确定子模块，用于通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，确定该测试图像组中的单品图像的更新后的特征向量；
获取子模块，用于通过所述第二子神经网络根据该测试图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，获取该测试图像组针对不同风格的搭配分数。
根据本公开的另一方面提供了采用上述用于服饰搭配的神经网络的训练装置训练得到的用于服饰搭配的神经网络进行服饰搭配的装置，包括：
第一获得模块，用于获得请求搭配的单品图像；
第三提取模块，用于通过所述第一子神经网络提取所述请求搭配的单品图像的特征向量；
第二获得模块，用于通过所述第二子神经网络获得候选单品图像的特征向量；
第七确定模块，用于通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定所述请求搭配的单品图像对应的搭配结果。
在一种可能的实现方式中，所述请求搭配的单品图像对应的搭配结果包括以下一项或两项：
与所述请求搭配的单品图像匹配的一个或多个候选单品图像；
包括所述请求搭配的单品图像的一个或多个服饰搭配组合，其中，每个服饰搭配组合中包括一个或多个候选单品图像。
在一种可能的实现方式中，所述多个服饰搭配组合属于不同风格。
根据本公开的另一方面提供了采用上述用于服饰搭配的神经网络的训练装置训练得到的用于服饰搭配的神经网络进行服饰搭配的装置，包括：
第三获得模块，用于获得请求评价的服饰搭配组合；
第四提取模块，用于通过所述第一子神经网络提取所述请求评价的服饰搭配组合中的各个单品图像的特征向量；
第四获得模块，用于通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合对应的搭配分数；
所述第四获得模块包括：
第一获得子模块，用于所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对不同风格的搭配分数；
第四确定子模块，用于根据所述请求评价的服饰搭配组合针对不同风格的搭配分数，确定所述请求评价的服饰搭配组合对应的搭配分数。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合针对一个或多个风格的搭配分数；
所述第四获得模块用于：
所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对一个或多个风格的搭配分数。
根据本公开的另一方面，提供了一种电子设备，包括：
一个或多个处理器；
与所述一个或多个处理器关联的存储器，所述存储器用于存储可执行指令，所述可执行指令在被所述一个或多个处理器读取执行时，执行上述用于服饰搭配的神经网络的训练方法或者服饰搭配方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述用于服饰搭配的神经网络的训练方法或者服饰搭配方法。
在本公开实施例中，通过第一子神经网络提取训练图像组中的单品图像的特征向量，通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数，根据该训练图像组对应的搭配分数，确定第一损失函数的值，并根据所述第一损失函数的值，优化所述第二子神经网络的参数，由此能够利用图神经网络聚集连接一个节点的边的信息，从而训练得到的用于服饰搭配的神经网络能够提高服饰搭配预测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的用于服饰搭配的神经网络的训练方法的流程图。
图2示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中不同风格的示意图。
图3示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中的第一子神经网络的示意图。
图4示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中的第二子神经网络的示意图。
图5示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量的示意图。
图6示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中根据任一单品图像对应的所有边的特征向量，更新该单品图像的特征向量的示意图。
图7示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的所有边的特征向量，更新该单品图像的特征向量的示意图。
图8示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中的第二子神经网络的另一示意图。
图9示出本公开实施例提供的服饰搭配方法的流程图。
图10示出本公开实施例提供的服饰搭配方法中与所述请求搭配的单品图像匹配的一个或多个候选单品图像的示意图。
图11a、图11b和图11c示出本公开实施例提供的服饰搭配方法中包括所述请求搭配的单品图像的不同风格的多个服饰搭配组合的示意图。
图12示出本公开实施例提供的服饰搭配方法的另一流程图。
图13示出本公开实施例提供的服饰搭配方法中所述请求评价的服饰搭配组合对应的搭配分数的示意图。
图14示出本公开实施例提供的用于服饰搭配的神经网络的训练装置的框图。
图15示出本公开实施例提供的服饰搭配装置的框图。
图16示出本公开实施例提供的服饰搭配装置的另一框图。
图17示出本公开实施例提供的一种电子设备800的框图。
图18示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供了一种用于服饰搭配的神经网络的训练方法及装置、服饰搭配方法及装置。采用本公开实施例提供的用于服饰搭配的神经网络的训练方法及装置训练得到的神经网络进行服饰搭配，或者采用本公开实施例提供的服饰搭配方法进行服饰搭配，能够提高服饰搭配预测的准确性。
在本公开实施例中，服饰可以表示装饰人体的物品。例如，服饰可以包括上衣、下装、鞋、帽、袜子、手套、围巾、领带、配饰(眼镜、项链、耳环、手镯等)、包和伞等中的一种或多种类型。
图1示出本公开实施例提供的用于服饰搭配的神经网络的训练方法的流程图。所述用于服饰搭配的神经网络的训练方法的执行主体可以是用于服饰搭配的神经网络的训练装置。例如，所述用于服饰搭配的神经网络的训练方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述用于服饰搭配的神经网络的训练方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述用于服饰搭配的神经网络的训练方法包括步骤S11至步骤S15。
在步骤S11中，通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像。
在本公开实施例中，一个训练图像组可以表示一套服饰搭配。一个单品图像可能出现在多个训练图像组中。其中，单品图像表示单品的图像。例如，单品图像可以为上衣的图像、下装的图像、鞋的图像、帽子的图像等。
本公开实施例中的训练图像组可以包括不同风格。例如，可以根据色彩理论形成6种风格，分别为：相邻(analogous)、相对(complementary)、三角(triadic)、相同(same)、黑白(monochromatic)和其他(Other)。其中，在相邻风格的一套服饰搭配中，单品之间具有相近的颜色，从而能够产生和谐的视觉感受；在相对风格的一套服饰搭配中，单品之间具有相反的颜色，从而能够吸引用户的注意力；在三角风格的一套服饰搭配中，单品的颜色分布为等边三角形，从而能够产生均衡感；在相同风格的一套服饰搭配中，单品具有相同的颜色，从而能够产生整体感；在黑白风格中，单品的颜色为黑色和白色，这种新颖的设计风格目前正在流行；其他风格表示除相邻、相对、三角、相同和黑白以外的风格，即，若一套服饰搭配属于其他风格，则该套服饰搭配不属于相邻、相对、三角、相同和黑白中的任意一种风格。图2示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中不同风格的示意图。需要说明的是，本公开实施例不对风格的数量进行限定，也不对风格的类型进行限定，本领域技术人员可以根据实际应用场景需求灵活设置风格的数量和类型。
在一种可能的实现方式中，在训练所述用于服饰搭配的神经网络之前，可以对各个训练图像组分别标注风格，例如，可以将各个训练图像组分别标注为相邻(analogous)、相对(complementary)、三角(triadic)、相同(same)、黑白(monochromatic)或者其他(Other)。根据该实现方式，创建了基于多样性学习的新训练数据集。基于该新训练数据集训练得到的用于服饰搭配的神经网络进行服饰搭配，能够提高服饰搭配的多样性。
在一种可能的实现方式中，在测试所述用于服饰搭配的神经网络之前，可以对各个测试图像组分别标注风格。
在本公开实施例中，可以通过第一子神经网络提取各个训练图像组中的各个单品图像的特征向量。图3示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中的第一子神经网络的示意图。图3示出了3个训练图像组(input garment sets)，在实际应用中，训练图像组的数量可以更多。如图3所示，第一子神经网络可以为卷积神经网络(ConvNeural Network)，第一子神经网络所提取的单品图像的特征向量可以为视觉特征向量(visual embeds)。例如，某一训练图像组中的单品图像的特征向量可以分别表示为x1,…,xk，其中，k表示该训练图像组中的单品图像的数量。
在一种可能的实现方式中，所述训练图像组包括作为正样本的训练图像组和作为负样本的训练图像组，其中，任一作为负样本的训练图像组中包括两个以上属于同一类型的单品图像。其中，两个单品图像属于同一类型可以指两个单品图像中的单品的类型相同，例如，两个单品图像中的单品均为上衣，或者两个单品图像中的单品均为帽子等。在该实现方式中，某一正样本的训练图像组可以对所有风格而言均为正样本，某一负样本的训练图像组可以对所有风格而言均为负样本。其中，作为正样本的训练图像组对应的搭配分数的真实值可以为1，作为负样本的训练图像组对应的搭配分数的真实值可以为0。
在一种可能的实现方式中，在所述通过第一子神经网络提取训练图像组中的单品图像的特征向量之后，还包括：确定第一单品图像对应的正样本对，其中，所述第一单品图像为任一训练图像组中的任一单品图像；确定第一单品图像对应的负样本对；根据所述正样本对对应的第一距离，以及所述负样本对对应的第二距离，确定第二损失函数的值；根据所述第二损失函数的值，优化所述第一子神经网络的参数。
作为该实现方式的一个示例，所述确定第一单品图像对应的正样本对，包括：根据所述第一单品图像和与所述第一单品图像互相搭配的第二单品图像，确定所述第一单品图像对应的正样本对，其中，所述第二单品图像为与所述第一单品图像互相搭配的任一单品图像。在本公开实施例中，互相搭配可以表示具有视觉相关性。例如，视觉相关性可以是能够产生和谐的视觉感受、能够产生均衡感或者能够产生整体感等。例如，互相搭配的两个单品图像可以表示具有视觉相关性的两个单品图像，与第一单品图像互相搭配的第二单品图像可以表示与第一单品图像具有视觉相关性的第二单品图像。一种可能的实现方式中，可以根据所述第一单品图像和与所述第一单品图像属于同一训练图像组的第二单品图像，确定所述第一单品图像对应的正样本对，其中，所述第二单品图像为所述第一单品图像所属的训练图像组中除所述第一单品图像以外的任一单品图像。例如，可以根据某一训练图像组的第一单品图像的特征向量为和与第一单品图像属于同一训练图像组的第二单品图像的特征向量确定第一单品图像对应的正样本对其中，上标u和v表示单品图像的类型，例如上衣、帽子等。
当然，也可以采用其他方式确定第一单品图像对应的正样本对，只要根据第一单品图像和与第一单品图像互相搭配的另一单品图像确定第一单品图像对应的正样本对即可。
在该实现方式中，可以根据第一单品图像和与第一单品图像不搭配的另一单品图像，确定第一单品图像对应的负样本对。
作为该实现方式的一个示例，所述第一单品图像对应的负样本对包括所述第一单品图像对应的绝对负样本对；所述确定第一单品图像对应的负样本对，包括：根据所述第一单品图像和与所述第一单品图像属于相同类型的第三单品图像，确定为述第一单品图像对应的绝对负样本对，其中，所述第三单品图像为与所述第一单品图像属于相同类型的任一单品图像。其中，第三单品图像可以与第一单品图像属于不同的训练图像组。例如，可以根据某一训练图像组的第一单品图像的特征向量为和与第一单品图像属于相同类型的第三单品图像的特征向量确定第一单品图像对应的绝对负样本对
作为该实现方式的另一个示例，所述第一单品图像对应的负样本对包括所述第一单品图像对应的相对负样本对；所述确定第一单品图像对应的负样本对，包括：根据所述第一单品图像和与所述第一单品图像互相搭配的任一单品图像属于相同类型的第四单品图像，确定所述第一单品图像对应的相对负样本对，其中，所述第四单品图像为与所述第一单品图像互相搭配的任一单品图像属于相同类型的任一单品图像。例如，第二单品图像为与所述第一单品图像互相搭配的单品图像，则可以根据所述第一单品图像和与所述第二单品图像属于相同类型的第四单品图像，确定为所述第一单品图像对应的相对负样本对，其中，所述第四单品图像为与所述第二单品图像属于相同类型的任一单品图像。其中，第四单品图像可以与第一单品图像属于不同的训练图像组。例如，可以根据某一训练图像组的第一单品图像的特征向量为和与第二单品图像属于相同类型的第四单品图像的特征向量确定第一单品图像对应的相对负样本对
作为该实现方式的另一个示例，所述第一单品图像对应的负样本对包括所述第一单品图像对应的绝对负样本对和所述第一单品图像对应的相对负样本对。所述确定第一单品图像对应的负样本对，包括：根据所述第一单品图像和与所述第一单品图像属于相同类型的第三单品图像，确定为所述第一单品图像对应的绝对负样本对，其中，所述第三单品图像为与所述第一单品图像属于相同类型的任一单品图像；根据所述第一单品图像和与所述第一单品图像互相搭配的任一单品图像属于相同类型的第四单品图像，确定所述第一单品图像对应的相对负样本对，其中，所述第四单品图像为与所述第一单品图像互相搭配的任一单品图像属于相同类型的任一单品图像。
作为该实现方式的一个示例，所述根据所述正样本对对应的第一距离，以及所述负样本对对应的第二距离，确定第二损失函数的值，包括：根据所述第一距离和所述第二距离的差值，确定所述第二损失函数的值。例如，第一距离第二距离可以表示为dneg。在该示例中，第二距离可以根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离中的至少一个距离确定。例如，所述第二距离可以根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离确定。例如，所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离为所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离为第二距离可以根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离的加权和确定。例如，第二距离其中，0≤α≤1，例如，α＝0.5。
在该示例中，第二损失函数可以表示为loss(i,j,m,l)＝max{0,dpos-dneg+μ}，其中，μ为系数。其中，μ大于0，例如μ可以等于0.2。通过将μ设置为大于0，能够使训练得到的神经网络获得的正样本对对应的第一距离与负样本对对应的第二距离的差值大于0，即，能够使训练得到的神经网络获得的正样本对对应的第一距离大于负样本对对应的第二距离。
通过上述方式优化第一子神经网络的参数，能够使第一子神经网络所提取的单品图像的特征向量中，较为搭配的单品图像的特征向量之间的距离较小，较不搭配的单品图像的特征向量之间的距离较大，从而能够提高服饰搭配预测的准确性。例如，较为搭配的单品图像可以是在视觉上较为和谐，较不搭配的搭配图像可以是在视觉上较不和谐。
在步骤S12中，通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量。
在一种可能的实现方式中，互相搭配的两个单品图像为属于同一训练图像组的任意两个单品图像。即，在该实现方式中，可以将属于同一训练图像组的任意两个单品图像确定为互相搭配的两个单品图像。
在其他可能的实现方式中，还可以通过人工指定等方式确定互相搭配的两个单品图像，互相搭配的两个单品图像也可在不同训练图像组。
在本公开实施例中，第二子神经网络可以是图神经网络。通过采用图神经网络进行服饰搭配预测，能够提高服饰搭配预测的准确性。在本公开实施例中，各个单品图像的特征向量可以分别作为图中的节点，并在互相搭配的两个单品图像对应的节点之间建边，由此形成图的节点和边。例如，可以在属于同一训练图像组的每两个单品图像对应的节点之间分别建边。两个单品图像对应的边表示连接该两个单品图像的特征向量对应的两个节点的边。任一单品图像对应的边，表示与该单品图像的特征向量对应的节点相连的边。在本公开实施例中，节点之间的边可以是无向的。
在一种可能的实现方式中，所述根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：根据任一单品图像对应的多个边的特征向量，更新该单品图像的特征向量。
作为该实现方式的一个示例，可以根据任一单品图像对应的所有边的特征向量，更新该单品图像的特征向量。
作为该实现方式的另一个示例，可以根据任一单品图像对应的部分边的特征向量，更新该单品图像的特征向量。
在一种可能的实现方式中，所述通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成该两个单品图像对应的边的特征向量；通过所述第二子神经网络重复根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，并根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，直至重复次数达到预设次数或者单品图像的特征向量和边的特征向量收敛。其中，重复次数可以表示更新该两个单品图像对应的边的特征向量和更新该单品图像的特征向量的次数。
在该实现方式中，通过重复根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，直至重复次数达到预设次数或者单品图像的特征向量和边的特征向量收敛，由此能够充分实现前向传播通道中边的信息共享。
图4示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中的第二子神经网络的示意图。如图4所示，第二子神经网络可以为图神经网络(Neural GraphFiltering)，第二子神经网络的输入可以为训练图像组的单品图像的特征向量x1,…,xk，各个单品图像的特征向量(例如xi，xj等)可以分别作为图中的节点(node feature)。图4示出了3个训练图像组(Set1、Set2和Set3)，在实际应用中，训练图像组的数量可以更多。第二子神经网络不仅计算节点的特征向量(即单品图像的特征向量)，还计算得到边的特征向量(edge feature vector)(例如eij)。第二子神经网络可以通过计算节点的特征向量(例如通过池化运算更新节点的特征向量)和计算边的特征向量(例如通过卷积运算更新边的特征向量)，实现基于边的聚集操作(edge aggregation)，由此能够实现前向传播通道中边的信息共享。经过风格分类器(Style Classifier)，可以得到训练图像组对应的搭配分数(Compatibility Score)。第二子神经网络可以表示为f(*)，通过第二子神经网络进行处理得到训练图像组对应的搭配分数可以表示为Scomp＝f(xi,…,xi+k)，其中，Scomp可以是标量。其中，风格分类器可以表示用于确定训练图像组对应的搭配分数的分类器。在一个示例中，可以采用相关技术中的多分类器(例如6分类器)初始化风格分类器，并可以在第二子神经网络训练的过程中不断优化风格分类器的参数。
在一种可能的实现方式中，所述根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，包括：通过多层感知器(Multi-LayerPerception，MLP)和对称函数(Symmetric Func)对互相搭配的任意两个单品图像的特征向量进行处理，并根据处理结果生成或更新该两个单品图像对应的边的特征向量。
图5示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量的示意图。如图5所示，在第p+1次迭代中，通过多层感知器(MLP)和对称函数对互相搭配的两个单品图像的特征向量和进行处理，得到该两个单品图像对应的边的特征向量的更新结果其中，h( )可以为对称的非线性函数。如图5所示，根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量的过程可以称为边特征生成(Edge Feature Generation)。
在一种可能的实现方式中，所述根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，包括：对互相搭配的任意两个单品图像的特征向量进行池化处理，并根据池化处理结果生成或更新该两个单品图像对应的边的特征向量。在该实现方式中，h( )可以为池化运算。
在其他可能的实现方式中，可以采用其他对称函数对互相搭配的任意两个单品图像的特征向量进行处理，并根据处理结果生成或更新该两个单品图像对应的边的特征向量。
在一种可能的实现方式中，所述根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：通过多层感知器和对称函数对任一单品图像对应的边的特征向量进行处理，并根据处理结果更新该单品图像的特征向量。
图6示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中根据任一单品图像对应的所有边的特征向量，更新该单品图像的特征向量的示意图。如图6所示，在第p+1次迭代中，通过多层感知器和对称函数对任一单品图像对应的边的特征向量进行处理，得到该单品图像的特征向量的更新结果其中，g( )可以为对称函数，例如，g( )可以用于对任一单品图像对应的边的特征向量进行卷积处理，例如可以是1×1卷积处理。如图6所示，根据任一单品图像对应的所有边的特征向量，更新该单品图像的特征向量的过程可以称为边卷积操作(EdgeConv Operation)。
在一种可能的实现方式中，所述根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，包括：对任一单品图像对应的边的特征向量进行卷积处理，并根据卷积处理结果更新该单品图像的特征向量。在该实现方式中，可以通过卷积运算来处理图的不规则性，由此来聚集图中所有边的特征，这样针对边的运算可以总结出与一个节点相连的所有边的信息。
在其他可能的实现方式中，可以采用其他对称函数对任一单品图像对应的边的特征向量进行处理，并根据处理结果更新该单品图像的特征向量。
图7示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的所有边的特征向量，更新该单品图像的特征向量的示意图。如图7所示，在对于单品图像的特征向量xl的第p+1次基于边的聚集操作(Edge Feature Aggregationxl for at the p+1th layer)中，可以对xl和与xl互相搭配的单品图像的特征向量和进行边特征生成处理，得到和对应的边的特征向量和对应的边的特征向量和对应的边的特征向量和对应的边的特征向量和对应的边的特征向量对和进行边卷积操作，得到xl的更新结果经过第p+1次迭代后xl的更新结果可以表示为其中，xj:(l,j)∈ε表示与xl相连的节点。
在步骤S13中，通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数。
在一种可能的实现方式中，所述通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数，包括：通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组针对不同风格的搭配分数；根据该训练图像组针对不同风格的搭配分数，确定该训练图像组对应的搭配分数。
作为该实现方式的一个示例，所述通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组针对不同风格的搭配分数，包括：通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数(Softmax)运算，确定该训练图像组针对不同风格的搭配分数。
作为该实现方式的一个示例，可以计算该训练图像组针对不同风格的搭配分数之和，得到该训练图像组对应的搭配分数。例如，可以计算该训练图像组针对所有风格(例如6种风格)的搭配分数之和，得到该训练图像组对应的搭配分数。
图8示出本公开实施例提供的用于服饰搭配的神经网络的训练方法中的第二子神经网络的另一示意图。如图8所示，第二子神经网络针对训练图像组(Input Graph)可以进行多次基于边的聚集操作(Edge Feature Aggregation)，得到单品图像的更新后的特征向量(Aggregated Feature Vector at Each Node)。其中，单品图像的更新后的特征向量的维数可以为1024。针对训练图像组的各个单品图像的更新后的特征向量进行池化处理、多层感知器(MLP)处理和归一化指数(Softmax)运算，可以得到该训练图像组针对不同风格的搭配分数。例如，可以得到该训练图像组针对相邻(analogous)、相对(complementary)、三角(triadic)、相同(same)、黑白(monochromatic)和其他(Other)这6种风格的搭配分数。计算该训练图像组针对这6种风格的搭配分数之和(Sum)，可以得到该训练图像组对应的搭配分数(Compatibility Score)。
在另一个示例中，可以计算该训练图像组针对不同风格的搭配分数的加权和，得到该训练图像组对应的搭配分数。例如，可以计算该训练图像组针对所有风格(例如6种风格)的搭配分数的加权和，得到该训练图像组对应的搭配分数。
在步骤S14中，根据该训练图像组对应的搭配分数，确定第一损失函数的值。
在本公开实施例中，若该训练图像组为正样本，则该训练图像组对应的搭配分数的真实值可以为1；若该训练图像组为负样本，则该训练图像组对应的搭配分数的真实值可以为0。根据该训练图像组对应的搭配分数的真实值，以及第二子神经网络输出的该训练图像组对应的搭配分数(即该训练图像组对应的搭配分数的预测值)，可以确定第一损失函数的值。例如，若第二子神经网络输出的该训练图像组对应的搭配分数为s，该训练图像组为正样本，则可以根据1-s，确定第一损失函数的值为1-s；若第二子神经网络输出的该训练图像组对应的搭配分数为s，该训练图像组为负样本，则可以根据s-0＝s，确定第一损失函数的值为s。在其他实施例中，可以根据预测的搭配分数和真实值之间的差距，利用加权计算等计算方式得到第一损失函数的值。
在步骤S15中，根据所述第一损失函数的值，优化所述第二子神经网络的参数。
在一种可能的实现方式中，可以根据第一损失函数的值，采用梯度下降的反向传播方法，优化第二子神经网络的参数。
由于在所有训练图像组的所有单品图像中，一些类型的单品图像的数量可能比另一些类型的单品图像的数量多得多。例如，类型为上衣的单品图像的数量比类型为帽子的单品图像的数量多得多。因此，不同类型的单品图像的数量存在不平衡的问题。而在本公开实施例中，由于不仅考虑单品图像的特征向量，还考虑节点之间的边的特征向量(即单品图像的特征向量之间的边的特征向量)，即，考虑了单品图像数量较多的类型中的单品图像与单品图像数量较少的类型中的单品图像之间的关系，因此能够很好地解决不同类型的单品图像的数量不平衡的问题。
在本公开实施例中，在采用训练图像组训练用于服饰搭配的神经网络之后，还可以采用测试图像组测试该用于服饰搭配的神经网络。
在一种可能的实现方式中，还包括：通过所述第一子神经网络提取测试图像组中的单品图像的特征向量，其中，每个测试图像组分别包括多个单品图像；通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，获取该测试图像组针对不同风格的搭配分数；根据该测试图像组针对不同风格的搭配分数，确定第三损失函数的值；根据所述第三损失函数的值，优化所述第二子神经网络的参数。
在一个示例中，所述测试图像组包括作为正样本的测试图像组和作为负样本的测试图像组，其中，任一作为负样本的测试图像组中包括两个以上属于同一类型的单品图像。在该示例中，某一正样本的测试图像组可以对所有风格而言均为正样本，某一负样本的测试图像组可以对所有风格而言均为负样本。
在一个示例中，第三损失函数可以为集中损失函数。第三损失函数可以表示为其中，M表示风格的总数，pi表示测试图像组针对第i种风格的搭配分数，yi表示测试图像组针对第i种风格的搭配分数的真实值，γ表示超参数，例如，γ＝0.5。yi的取值为0或1，若某一测试图像组属于第i种风格，则该测试图像组针对第i种风格的搭配分数的真实值为1；若某一测试图像组不属于第i种风格，则该测试图像组针对第i种风格的搭配分数的真实值为0。例如，M＝6，第1种风格为相邻(analogous)，第2种风格为相对(complementary)，第3种风格为三角(triadic)，第4种风格为相同(same)，第5种风格为黑白(monochromatic)，第6种风格为其他(Other)。若某一测试图像组属于第3种风格，则y3＝1，y1＝y2＝y4＝y5＝y6＝0。
在一个示例中，可以根据第三损失函数的值，采用梯度下降的反向传播方法，优化第二子神经网络的参数。
由于在所有的训练图像组中，一些风格的训练图像组的数量可能比另一些训练图像组的数量多得多。因此，不同风格的训练图像组的数量存在不平衡的问题。采用上述实现方式，通过所述第二子神经网络获取任一测试图像组针对不同风格的搭配分数，根据该测试图像组针对不同风格的搭配分数，确定第三损失函数的值，并根据所述第三损失函数的值，优化所述第二子神经网络的参数，由此能够解决不同风格的训练图像组的数量存在不平衡的问题。
在一种可能的实现方式中，还包括：通过所述第一子神经网络提取测试图像组中的单品图像的特征向量，其中，每个测试图像组分别包括多个单品图像；通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，获取该测试图像组对应的搭配分数；根据该测试图像组对应的搭配分数，确定第四损失函数的值；所述根据所述第四损失函数的值，优化所述第二子神经网络的参数。
在该实现方式中，若该测试图像组为正样本，则该测试图像组对应的搭配分数的真实值可以为1；若该测试图像组为负样本，则该测试图像组对应的搭配分数的真实值可以为0。根据该测试图像组对应的搭配分数的真实值，以及第二子神经网络输出的该测试图像组对应的搭配分数(即该测试图像组对应的搭配分数的预测值)，可以确定第四损失函数的值。例如，若第二子神经网络输出的该测试图像组对应的搭配分数为s，该测试图像组为正样本，则可以根据1-s，确定第一损失函数的值为1-s；若第二子神经网络输出的该测试图像组对应的搭配分数为s，该测试图像组为负样本，则可以根据s-0＝s，确定第四损失函数的值为s。在确定第四损失函数的值之后，可以根据第四损失函数的值，采用梯度下降的反向传播方法，优化第二子神经网络的参数。在其他实施例中，可以根据预测的搭配分数和真实值之间的差距，利用加权计算等计算方式得到第四损失函数的值。
本公开实施例训练得到的用于服饰搭配的神经网络能够接受任意单品数量的输入和输出，从而能够提高服饰搭配的灵活性；另外，本公开实施例训练得到的用于服饰搭配的神经网络能够生成不同风格的成套搭配，从而能够提高服饰搭配的多样性。
图9示出本公开实施例提供的服饰搭配方法的流程图。所述服饰搭配方法采用上述用于服饰搭配的神经网络的训练方法训练得到用于服饰搭配的神经网络，并采用所述用于服饰搭配的神经网络进行服饰搭配。所述服饰搭配方法的执行主体可以是服饰搭配装置。例如，所述服饰搭配方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备、移动设备、用户终端、终端、个人数字助理、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述服饰搭配方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图9所示，所述服饰搭配方法包括步骤S21至步骤S24。
在步骤S21中，获得请求搭配的单品图像。
在本公开实施例中，请求搭配的单品图像的数量可以为一个或多个，即，输入的单品图像的数量可以为一个或多个。本公开实施例不对请求搭配的单品图像的数量进行限制，即，本公开实施例提供的服饰搭配方法能够接受任意单品数量的输入，从而能够提高服饰搭配的灵活性。
在步骤S22中，通过所述第一子神经网络提取所述请求搭配的单品图像的特征向量。
在步骤S23中，通过所述第二子神经网络获得候选单品图像的特征向量。
在本公开实施例中，候选单品图像可以为数据库中的所有或者部分单品图像。
在步骤S24中，通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定所述请求搭配的单品图像对应的搭配结果。
在一种可能的实现方式中，所述请求搭配的单品图像对应的搭配结果包括以下一项或两项：与所述请求搭配的单品图像匹配的一个或多个候选单品图像；包括所述请求搭配的单品图像的一个或多个服饰搭配组合，其中，每个服饰搭配组合中包括一个或多个候选单品图像。
在该实现方式的一个示例中，所述请求搭配的单品图像对应的搭配结果包括：与所述请求搭配的单品图像匹配的一个或多个候选单品图像。图10示出本公开实施例提供的服饰搭配方法中与所述请求搭配的单品图像匹配的一个或多个候选单品图像的示意图。在图10中的虚线的上方，所述请求搭配的单品图像的数量为5。该5个请求搭配的单品图像与A中的耳环组成的服饰搭配组合对应的搭配分数为0.98，该5个请求搭配的单品图像与B中的包组成的服饰搭配组合对应的搭配分数为0.24，该5个请求搭配的单品图像与C中的包组成的服饰搭配组合对应的搭配分数为0.47，该5个请求搭配的单品图像与D中的包组成的服饰搭配组合对应的搭配分数为0.11。基于此，可以将A中的耳环作为与所述请求搭配的单品图像匹配的候选单品图像。在图10中的虚线的下方，所述请求搭配的单品图像的数量为3。该3个请求搭配的单品图像与A中的钥匙扣组成的服饰搭配组合对应的搭配分数为0.56，该3个请求搭配的单品图像与B中的裤子组成的服饰搭配组合对应的搭配分数为0.39，该3个请求搭配的单品图像与C中的鞋组成的服饰搭配组合对应的搭配分数为0.93，该3个请求搭配的单品图像与D组成的服饰搭配组合对应的搭配分数为0.44。基于此，可以将C中的鞋作为与所述请求搭配的单品图像匹配的候选单品图像。
根据该示例，能够输出任意数量与所述请求搭配的单品图像匹配的候选单品图像，由此能够提高服饰搭配的灵活性。
在该实现方式的另一个示例中，所述请求搭配的单品图像对应的搭配结果包括：包括所述请求搭配的单品图像的一个或多个服饰搭配组合，其中，每个服饰搭配组合中包括一个或多个候选单品图像。在该示例中，所述多个服饰搭配组合可以属于不同风格。图11a、图11b和图11c示出本公开实施例提供的服饰搭配方法中包括所述请求搭配的单品图像(query item)的不同风格的多个服饰搭配组合的示意图。
根据该示例，能够输出不同风格的成套搭配(即服饰搭配组合)，例如可以针对每个风格分别推荐一套或多套搭配(即一个或多个服饰搭配组合)，从而能够提高服饰搭配的多样性。
另外，本公开实施例利用了图神经网络的结构优势，将服饰的搭配关系转化为图中的边的运算，不对每套搭配中的单品数量做限制，从而能够提高服饰搭配的灵活性。
在一种可能的实现方式中，在步骤S24之前，还可以包括：获得请求搭配的风格信息；步骤S24可以为：通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定包括所述请求搭配的单品图像属于请求搭配的风格的一个或多个服饰搭配组合。采用该实现方式，可以获得用户想要的风格的搭配。
图12示出本公开实施例提供的服饰搭配方法的另一流程图。所述服饰搭配方法采用上述用于服饰搭配的神经网络的训练方法训练得到用于服饰搭配的神经网络，并采用所述用于服饰搭配的神经网络进行服饰搭配。所述服饰搭配方法的执行主体可以是服饰搭配装置。例如，所述服饰搭配方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备、移动设备、用户终端、终端、个人数字助理、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述服饰搭配方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图12所示，所述服饰搭配方法包括步骤S31至步骤S33。
在步骤S31中，获得请求评价的服饰搭配组合。
在本公开实施例中，请求评价的服饰搭配组合中的单品图像的数量为多个。本公开实施例不对所述请求评价的服饰搭配组合中具体数量做限制，即，本公开实施例提供的服饰搭配方法能够接受任意单品数量的输入，从而能够提高服饰搭配的灵活性。
在步骤S32中，通过所述第一子神经网络提取所述请求评价的服饰搭配组合中的各个单品图像的特征向量。
在步骤S33中，通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合对应的搭配分数；所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果，包括：所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对不同风格的搭配分数；根据所述请求评价的服饰搭配组合针对不同风格的搭配分数，确定所述请求评价的服饰搭配组合对应的搭配分数。在一个示例中，可以计算所述请求评价的服饰搭配组合针对不同风格的搭配分数之和，得到所述请求评价的服饰搭配组合对应的搭配分数。例如，可以计算所述请求评价的服饰搭配组合针对所有风格(例如6种风格)的搭配分数之和，得到所述请求评价的服饰搭配组合对应的搭配分数。图13示出本公开实施例提供的服饰搭配方法中所述请求评价的服饰搭配组合对应的搭配分数的示意图。
在另一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合针对一个或多个风格的搭配分数；所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果，包括：所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对一个或多个风格的搭配分数。
当然，所述请求评价的服饰搭配组合对应的搭配结果不限于请求评价的服饰搭配组合对应的搭配分数。例如，所述请求评价的服饰搭配组合对应的搭配结果可以包括请求评价的服饰搭配组合对应的搭配等级，例如，搭配等级可以为非常搭配、比较搭配、比较不搭配、完全不搭配等。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了用于服饰搭配的神经网络的训练装置、服饰搭配装置、电子设备、计算机可读存储介质、程序，上述可用来实现本公开提供的用于服饰搭配的神经网络的训练方法或者服饰搭配方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图14示出本公开实施例提供的用于服饰搭配的神经网络的训练装置的框图。如图14所示，所述用于服饰搭配的神经网络的训练装置包括：第一提取模块41，用于通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像；生成与更新模块42，用于通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量；第一确定模块43，用于通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数；第二确定模块44，用于根据该训练图像组对应的搭配分数，确定第一损失函数的值；第一优化模块45，用于根据所述第一损失函数的值，优化所述第二子神经网络的参数。
在一种可能的实现方式中，互相搭配的两个单品图像为属于同一训练图像组的任意两个单品图像。
在一种可能的实现方式中，所述生成与更新模块42包括：生成子模块，用于通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成该两个单品图像对应的边的特征向量；更新子模块，用于通过所述第二子神经网络重复根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量，并根据互相搭配的任意两个单品图像的特征向量，更新该两个单品图像对应的边的特征向量，直至重复次数达到预设次数或者单品图像的特征向量和边的特征向量收敛。
在一种可能的实现方式中，所述生成与更新模块42用于：对互相搭配的任意两个单品图像的特征向量进行池化处理，并根据池化处理结果生成或更新该两个单品图像对应的边的特征向量。
在一种可能的实现方式中，所述生成与更新模块42用于：根据任一单品图像对应的多个边的特征向量，更新该单品图像的特征向量。
在一种可能的实现方式中，所述生成与更新模块42用于：对任一单品图像对应的边的特征向量进行卷积处理，并根据卷积处理结果更新该单品图像的特征向量。
在一种可能的实现方式中，所述第一确定模块43包括：第一确定子模块，用于通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组针对不同风格的搭配分数；第二确定子模块，用于根据该训练图像组针对不同风格的搭配分数，确定该训练图像组对应的搭配分数。
在一种可能的实现方式中，所述第一确定子模块用于：通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，确定该训练图像组针对不同风格的搭配分数。
在一种可能的实现方式中，还包括：第三确定模块，用于确定第一单品图像对应的正样本对，其中，所述第一单品图像为任一训练图像组中的任一单品图像；第四确定模块，用于确定第一单品图像对应的负样本对；第五确定模块，用于根据所述正样本对对应的第一距离，以及所述负样本对对应的第二距离，确定第二损失函数的值；第二优化模块，用于根据所述第二损失函数的值，优化所述第一子神经网络的参数。
在一种可能的实现方式中，所述第三确定模块用于：根据所述第一单品图像和与所述第一单品图像互相搭配的第二单品图像，确定所述第一单品图像对应的正样本对，其中，所述第二单品图像为与所述第一单品图像互相搭配的任一单品图像。
在一种可能的实现方式中，所述第一单品图像对应的负样本对包括所述第一单品图像对应的绝对负样本对；所述第四确定模块用于：根据所述第一单品图像和与所述第一单品图像属于相同类型的第三单品图像，确定所述第一单品图像对应的绝对负样本对，其中，所述第三单品图像为与所述第一单品图像属于相同类型的任一单品图像。
在一种可能的实现方式中，所述第一单品图像对应的负样本对包括所述第一单品图像对应的相对负样本对；所述第四确定模块用于：根据所述第一单品图像和与所述第一单品图像互相搭配的任一单品图像属于相同类型的第四单品图像，确定所述第一单品图像对应的相对负样本对，其中，所述第四单品图像为与所述第一单品图像互相搭配的任一单品图像属于相同类型的任一单品图像。
在一种可能的实现方式中，所述第五确定模块用于：根据所述第一距离和所述第二距离的差值，确定所述第二损失函数的值。
在一种可能的实现方式中，所述第二距离根据所述第一单品图像对应的绝对负样本对中单品图像的特征向量之间的距离和所述第一单品图像对应的相对负样本对中单品图像的特征向量之间的距离中的至少一个距离确定。
在一种可能的实现方式中，所述训练图像组包括作为正样本的训练图像组和作为负样本的训练图像组，其中，任一作为负样本的训练图像组中包括两个以上属于同一类型的单品图像。
在一种可能的实现方式中，还包括：第二提取模块，用于通过所述第一子神经网络提取测试图像组中的单品图像的特征向量，其中，每个测试图像组分别包括多个单品图像；获取模块，用于通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，获取该测试图像组针对不同风格的搭配分数；第六确定模块，用于根据该测试图像组针对不同风格的搭配分数，确定第三损失函数的值；第三优化模块，用于根据所述第三损失函数的值，优化所述第二子神经网络的参数。
在一种可能的实现方式中，所述获取模块包括：第三确定子模块，用于通过所述第二子神经网络根据任一测试图像组中的单品图像的特征向量，确定该测试图像组中的单品图像的更新后的特征向量；获取子模块，用于通过所述第二子神经网络根据该测试图像组中的单品图像的更新后的特征向量进行池化处理、多层感知器处理和归一化指数运算，获取该测试图像组针对不同风格的搭配分数。
图15示出本公开实施例提供的服饰搭配装置的框图。所述服饰搭配装置采用上述用于服饰搭配的神经网络的训练装置训练得到的用于服饰搭配的神经网络进行服饰搭配。如图15所示，所述服饰搭配装置包括：第一获得模块51，用于获得请求搭配的单品图像；第三提取模块52，用于通过所述第一子神经网络提取所述请求搭配的单品图像的特征向量；第二获得模块53，用于通过所述第二子神经网络获得候选单品图像的特征向量；第七确定模块54，用于通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定所述请求搭配的单品图像对应的搭配结果。
在一种可能的实现方式中，所述请求搭配的单品图像对应的搭配结果包括以下一项或两项：与所述请求搭配的单品图像匹配的一个或多个候选单品图像；包括所述请求搭配的单品图像的一个或多个服饰搭配组合，其中，每个服饰搭配组合中包括一个或多个候选单品图像。
在一种可能的实现方式中，所述多个服饰搭配组合属于不同风格。
图16示出本公开实施例提供的服饰搭配装置的另一框图。所述服饰搭配装置采用上述用于服饰搭配的神经网络的训练装置训练得到的用于服饰搭配的神经网络进行服饰搭配。如图16所示，所述服饰搭配装置包括：第三获得模块61，用于获得请求评价的服饰搭配组合；第四提取模块62，用于通过所述第一子神经网络提取所述请求评价的服饰搭配组合中的各个单品图像的特征向量；第四获得模块63，用于通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合对应的搭配分数；所述第四获得模块63包括：第一获得子模块，用于所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对不同风格的搭配分数；第四确定子模块，用于根据所述请求评价的服饰搭配组合针对不同风格的搭配分数，确定所述请求评价的服饰搭配组合对应的搭配分数。
在一种可能的实现方式中，所述请求评价的服饰搭配组合对应的搭配结果包括请求评价的服饰搭配组合针对一个或多个风格的搭配分数；所述第四获得模块63用于：所述通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合针对一个或多个风格的搭配分数。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，也可以是易失性计算机可读存储介质。
在一些可选实施例中，本公开实施例提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的方法的指令。
在一些可选实施例中，本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
本公开实施例还提出一种电子设备，包括：一个或多个处理器；与所述一个或多个处理器关联的存储器，所述存储器用于存储可执行指令，所述可执行指令在被所述一个或多个处理器读取执行时，执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图17示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图17，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图18示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图18，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于服饰搭配的神经网络的训练方法，其特征在于，包括：
通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像；
通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量；
通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数；
根据该训练图像组对应的搭配分数，确定第一损失函数的值；
根据所述第一损失函数的值，优化所述第二子神经网络的参数。
2.根据权利要求1所述的方法，其特征在于，互相搭配的两个单品图像为属于同一训练图像组的任意两个单品图像。
3.一种采用权利要求1或2训练得到的用于服饰搭配的神经网络进行服饰搭配的方法，其特征在于，包括：
获得请求搭配的单品图像；
通过所述第一子神经网络提取所述请求搭配的单品图像的特征向量；
通过所述第二子神经网络获得候选单品图像的特征向量；
通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定所述请求搭配的单品图像对应的搭配结果。
4.一种采用权利要求1或2训练得到的用于服饰搭配的神经网络进行服饰搭配的方法，其特征在于，包括：
获得请求评价的服饰搭配组合；
通过所述第一子神经网络提取所述请求评价的服饰搭配组合中的各个单品图像的特征向量；
通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果。
5.一种用于服饰搭配的神经网络的训练装置，其特征在于，包括：
第一提取模块，用于通过第一子神经网络提取训练图像组中的单品图像的特征向量，其中，每个训练图像组分别包括多个单品图像；
生成与更新模块，用于通过第二子神经网络根据互相搭配的任意两个单品图像的特征向量，生成或更新该两个单品图像对应的边的特征向量，并根据任一单品图像对应的边的特征向量，更新该单品图像的特征向量；
第一确定模块，用于通过所述第二子神经网络根据任一训练图像组中的单品图像的更新后的特征向量，确定该训练图像组对应的搭配分数；
第二确定模块，用于根据该训练图像组对应的搭配分数，确定第一损失函数的值；
第一优化模块，用于根据所述第一损失函数的值，优化所述第二子神经网络的参数。
6.根据权利要求5所述的装置，其特征在于，互相搭配的两个单品图像为属于同一训练图像组的任意两个单品图像。
7.一种采用权利要求5或6训练得到的用于服饰搭配的神经网络进行服饰搭配的装置，其特征在于，包括：
第一获得模块，用于获得请求搭配的单品图像；
第三提取模块，用于通过所述第一子神经网络提取所述请求搭配的单品图像的特征向量；
第二获得模块，用于通过所述第二子神经网络获得候选单品图像的特征向量；
第七确定模块，用于通过所述第二子神经网络根据所述请求搭配的单品图像的特征向量和所述候选单品图像的特征向量，确定所述请求搭配的单品图像对应的搭配结果。
8.一种采用权利要求5或6训练得到的用于服饰搭配的神经网络进行服饰搭配的装置，其特征在于，包括：
第三获得模块，用于获得请求评价的服饰搭配组合；
第四提取模块，用于通过所述第一子神经网络提取所述请求评价的服饰搭配组合中的各个单品图像的特征向量；
第四获得模块，用于通过所述第二子神经网络根据所述请求评价的服饰搭配组合中的各个单品图像的特征向量，获得所述请求评价的服饰搭配组合对应的搭配结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
与所述一个或多个处理器关联的存储器，所述存储器用于存储可执行指令，所述可执行指令在被所述一个或多个处理器读取执行时，执行权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910818098.4A CN110544154B (zh) | 2019-08-30 | 2019-08-30 | 服饰搭配方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910818098.4A CN110544154B (zh) | 2019-08-30 | 2019-08-30 | 服饰搭配方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110544154A true CN110544154A (zh) | 2019-12-06 |
| CN110544154B CN110544154B (zh) | 2022-03-29 |
Family
ID=68711150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910818098.4A Active CN110544154B (zh) | 2019-08-30 | 2019-08-30 | 服饰搭配方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110544154B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465593A (zh) * | 2020-11-27 | 2021-03-09 | 中国科学技术大学 | 通过图神经网络实现时尚套装推荐的方法 |
| CN112860928A (zh) * | 2021-02-08 | 2021-05-28 | 天津大学 | 一种基于类别感知图神经网络的服饰检索方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180101768A1 (en) * | 2016-10-07 | 2018-04-12 | Nvidia Corporation | Temporal ensembling for semi-supervised learning |
| CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
| CN109478254A (zh) * | 2016-05-20 | 2019-03-15 | 渊慧科技有限公司 | 使用合成梯度来训练神经网络 |
| CN109597907A (zh) * | 2017-12-07 | 2019-04-09 | 深圳市商汤科技有限公司 | 服饰管理方法和装置、电子设备、存储介质 |
| CN110021061A (zh) * | 2018-01-08 | 2019-07-16 | 广东欧珀移动通信有限公司 | 搭配模型构建方法、服饰推荐方法、装置、介质及终端 |
-
2019
- 2019-08-30 CN CN201910818098.4A patent/CN110544154B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109478254A (zh) * | 2016-05-20 | 2019-03-15 | 渊慧科技有限公司 | 使用合成梯度来训练神经网络 |
| US20180101768A1 (en) * | 2016-10-07 | 2018-04-12 | Nvidia Corporation | Temporal ensembling for semi-supervised learning |
| CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
| CN109597907A (zh) * | 2017-12-07 | 2019-04-09 | 深圳市商汤科技有限公司 | 服饰管理方法和装置、电子设备、存储介质 |
| CN110021061A (zh) * | 2018-01-08 | 2019-07-16 | 广东欧珀移动通信有限公司 | 搭配模型构建方法、服饰推荐方法、装置、介质及终端 |
Non-Patent Citations (2)
| Title |
|---|
| ANDREAS VEIT; BALAZS KOVACS; SEAN BELL; JULIAN MCAULEY; KAVITA B: ""Learning Visual Clothing Style with Heterogeneous Dyadic Co-Occurrences"", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
| YUNCHENG LI; LIANGLIANG CAO; JIANG ZHU; JIEBO LUO: ""Mining Fashion Outfit Composition Using an End-to-End Deep Learning Approach on Set Data"", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465593A (zh) * | 2020-11-27 | 2021-03-09 | 中国科学技术大学 | 通过图神经网络实现时尚套装推荐的方法 |
| CN112465593B (zh) * | 2020-11-27 | 2024-03-29 | 中国科学技术大学 | 通过图神经网络实现时尚套装推荐的方法 |
| CN112860928A (zh) * | 2021-02-08 | 2021-05-28 | 天津大学 | 一种基于类别感知图神经网络的服饰检索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110544154B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
| CN110516745B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
| TWI747325B (zh) | 目標對象匹配方法及目標對象匹配裝置、電子設備和電腦可讀儲存媒介 | |
| CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
| JP2022524262A (ja) | 目標対象物の検出方法、目標対象物の検出装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN111506758B (zh) | 物品名称确定方法、装置、计算机设备及存储介质 | |
| CN106485567B (zh) | 物品推荐方法及装置 | |
| CN108363750B (zh) | 服装推荐方法及相关产品 | |
| CN109635920B (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
| CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
| CN111009031B (zh) | 一种人脸模型生成的方法、模型生成的方法及装置 | |
| CN110544154B (zh) | 服饰搭配方法及装置、电子设备和存储介质 | |
| CN111582383B (zh) | 属性识别方法及装置、电子设备和存储介质 | |
| WO2020192113A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
| CN111581958A (zh) | 对话状态确定方法、装置、计算机设备及存储介质 | |
| CN110782010A (zh) | 一种神经网络的构建方法及装置、存储介质 | |
| CN111783517B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113269612A (zh) | 物品推荐方法、装置、电子设备及存储介质 | |
| CN114169534A (zh) | 分布式机器学习模型的训练方法、装置、设备及介质 | |
| CN110490389B (zh) | 点击率预测方法、装置、设备及介质 | |
| CN111027617A (zh) | 神经网络训练及图像识别方法、装置、设备和存储介质 | |
| CN114282035A (zh) | 图像检索模型的训练和检索方法、装置、设备及介质 | |
| CN111274489B (zh) | 信息处理方法、装置、设备及存储介质 |
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 |