CN110705755A - 一种基于深度学习的服装流行趋势预测方法与装置 - Google Patents
一种基于深度学习的服装流行趋势预测方法与装置 Download PDFInfo
- Publication number
- CN110705755A CN110705755A CN201910844884.1A CN201910844884A CN110705755A CN 110705755 A CN110705755 A CN 110705755A CN 201910844884 A CN201910844884 A CN 201910844884A CN 110705755 A CN110705755 A CN 110705755A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- model
- deep learning
- clothing
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims abstract description 4
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 18
- 230000009193 crawling Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G06T5/90—
Abstract
本发明公开了一种基于深度学习的服装流行趋势预测装置，包括数据采集系统、数据预处理系统、图片处理系统、模型生成系统以及结果输出系统，数据采集系统用于从电商服装网站采集历年的流行服装图片和信息，数据预处理系统用于对数据采集系统采集的图片和信息进行预处理，图片处理系统用于提取照片中服装的特征，模型生成系统用于将数据进行整合，结果输出系统用于根据模型结果输出服装流行度为topk的服装排名，本发明还提供了一种基于深度学习的服装流行趋势预测方法，本发明不仅提高了服装流行趋势预测的效率，还大大增强了模型计算的准确性。
Description
技术领域
本发明涉及服装行业技术领域，尤其涉及一种基于深度学习的服装流行趋势预测方法与装置。
背景技术
随着现在人们生活水平的提高，现代服装的更新周期越来越短，服装流行趋势越来越显现出模糊性、多元性的特点，这使的服装流行趋势预测愈加重要。通过对服装流行趋势的预测，可以了解下一季或未来更长时期内服装将会发生什么变化以及目前那些事件可以对将来产生重大影响。因此，许多发达国家都非常重视对服装流行及其预测的研究，并定期发布服装流行趋势，用以指导服装生产和消费。传统的服装流行趋势预测常YOLO V3和FASTER RCNN等方法，但是这些方法存在预测准确度和预测性能不高等缺陷。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供一种基于深度学习的服装流行趋势预测方法与装置，目的在于提升服装流行趋势预测的准确度，且提升服装流行趋势预测的效率。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种基于深度学习的服装流行趋势预测装置，包括依次连接的数据采集系统、数据预处理系统、图片处理系统、模型生成系统以及结果输出系统，所述数据采集系统用于从电商服装网站采集历年的流行服装图片和信息，所述数据预处理系统用于对数据采集系统采集的图片和信息进行预处理，减少噪音数据，所述图片处理系统用于提取照片中服装的特征，所述模型生成系统用于将数据进行整合，生成合适的模型，所述结果输出系统用于根据模型结果输出服装流行度为topk 的服装排名。
优选地，上述基于深度学习的服装流行趋势预测方法与装置中，所述数据采集系统包括图片爬取模块和信息爬取模块，所述图片爬取模块用于收集带有颜色、轮廓、款式、图案等特征的服装图片，所述信息爬取模块用于收集服装类型、服装名称、时间、季节、地域、出售状态、销量、价格、排名等信息。
优选地，上述基于深度学习的服装流行趋势预测方法与装置中，所述数据预处理系统包括图像增强模块和信息完善模块，所述图像增强模块用于增强图片对比度，消除边缘噪音，所述信息完善模块用于在不同条件下，对未有畅销量信息的服装进行畅销量的计算。
优选地，上述基于深度学习的服装流行趋势预测方法与装置中，所述图片处理系统包括相互连接的目标检测模块和特征提取模块，所述目标检测模块用于对数据预处理系统处理后的数据中的图片进行检测，所述特征提取模块用于对目标检测模块检测后的图片进行服装特征提取。
优选地，上述基于深度学习的服装流行趋势预测方法与装置中，所述模型生成系统包括依次连接的数据清洗模块、特征选择模块以及模型选择模块，所述数据清洗模块用于对图片处理系统传入的数据的清洗，去除噪音数据，所述特征选择模块用于对清洗后的数据进行特征提取，选择合适特征作为模型的数据，所述模型选择模块用于生成合适的模型，并对模型进行优化输出。
优选地，上述基于深度学习的服装流行趋势预测方法与装置中，所述模型选择模块采用DNN进行模型训练和开发。
优选地，上述基于深度学习的服装流行趋势预测方法与装置中，所述目标检测模块采用CornerNet-Lite方法对图片进行检测，所述特征提取模块采用引入度量学习的卷积神经网络算法对图片进行特征提取，所述引入度量学习的卷积神经网络算法的损失函数的表达式为：L＝ωLmetric+(-ω)Lsoftmax。
一种基于深度学习的服装流行趋势预测方法，包括如下步骤：
S100、采集电商平台上流行服装商品图片及信息；
S200、图片和文本信息的数据预处理；
S300、通过图像识别算法对采集的服装图片的关键点特征进行提取，提取的特征点包括有廓形、色彩、样式、面料、图案等特征；
S400、将识别出的服装相关特征维度采用深度学习算法构建预测模型；
S500、输出预测时间段的流行服装特征组。
本发明的有益效果是：
1、本发明采用CornerNet-Lite方法进行服装图片的目标检测，相比于YOLO V3和FASTER RCNN等方法，其优点在于提高了基于关键点目标检测的效率，该方法更适合对离线的图片进行处理，在检测过程中在不降低准确率的情况下也提高了效率，据目前不完全统计其准确率由原来的33.0％提升至34.4％，其性能由39ms提升至30ms；
2、本发明对采集的数据和图片信息差异化进行处理，针对图片进行图片增强处理，减少噪音数据，针对缺失的服装销量通过库存和排名状态进行二次计算，在数据的预处理上优化处理，增强了后续模型计算的准确性；
3、本发明采用深度学习模型进行流行服装的预测，对传统的流行度评价模型进行优化，综合考虑了服装的销量、排名和服装特征等特征，使其准确性有更进一步的提升。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的服装流行趋势预测装置机构示意图；
图2为本发明的服装流行趋势预测方法流程示意图。
附图中，各标号所代表的部件列表如下：
1-数据采集系统；2-数据预处理系统；3-图片处理系统；4-模型生成系统；5-结果输出系统；6-图片爬取模块；7-信息爬取模块；8- 图像增强模块；9-信息完善模块；10-目标检测模块；11-特征提取模块；12-数据清洗模块；13-特征选择模块；14-模型选择模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-2所示，本实施例为一种基于深度学习的服装流行趋势预测方法与装置，包括依次连接的数据采集系统1、数据预处理系统2、图片处理系统3、模型生成系统4以及结果输出系统5，数据采集系统1用于从电商服装网站采集历年的流行服装图片和信息，数据采集系统1包括图片爬取模块6和信息爬取模块7，图片爬取模块 6用于收集带有颜色、轮廓、款式、图案等特征的服装图片，信息爬取模块7用于收集服装类型、服装名称、时间、季节、地域、出售状态、销量、价格、排名等信息，数据预处理系统2用于对数据采集系统1采集的图片和信息进行预处理，减少噪音数据，数据预处理系统 2包括图像增强模块8和信息完善模块9，图像增强模块8用于增强图片对比度，消除边缘噪音，信息完善模块9用于在不同条件下，对未有畅销量信息的服装进行畅销量的计算，图片处理系统3用于提取照片中服装的特征，图片处理系统3包括相互连接的目标检测模块 10和特征提取模块11，目标检测模块10用于对数据预处理系统2处理后的数据中的图片进行检测，特征提取模块11用于对目标检测模块10检测后的图片进行服装特征提取，目标检测模块10采用 CornerNet-Lite方法对图片进行检测，特征提取模块11采用引入度量学习的卷积神经网络算法对图片进行特征提取，引入度量学习的卷积神经网络算法的损失函数的表达式为：L＝ωLmetric+(1-ω)Lsoftmax，模型生成系统4用于将数据进行整合，生成合适的模型，模型生成系统4包括依次连接的数据清洗模块12、特征选择模块13以及模型选择模块14，模型选择模块14采用DNN进行模型训练和开发，数据清洗模块12用于对图片处理系统3传入的数据的清洗，去除噪音数据，特征选择模块13用于对清洗后的数据进行特征提取，选择合适特征作为模型的数据，模型选择模块14用于生成合适的模型，并对模型进行优化输出，结果输出系统5用于根据模型结果输出服装流行度为topk的服装排名。
本发明还提供一种基于深度学习的服装流行趋势预测方法，包括如下步骤：
S100、采集电商平台上流行服装商品图片及信息；
S200、图片和文本信息的数据预处理；
S300、通过图像识别算法对采集的服装图片的关键点特征进行提取，提取的特征点包括有廓形、色彩、样式、面料、图案等特征；
S400、将识别出的服装相关特征维度采用深度学习算法构建预测模型；
S500、输出预测时间段的流行服装特征组
本发明设计合理，采用CornerNet-Lite方法进行服装图片的目标检测，相比于YOLO V3和FASTER RCNN等方法，其优点在于提高了基于关键点目标检测的效率，该方法更适合对离线的图片进行处理，在检测过程中在不降低准确率的情况下也提高了效率，据目前不完全统计其准确率由原来的33.0％提升至34.4％，其性能由39ms提升至 30ms；本发明对采集的数据和图片信息差异化进行处理，针对图片进行图片增强处理，减少噪音数据，针对缺失的服装销量通过库存和排名状态进行二次计算，在数据的预处理上优化处理，增强了后续模型计算的准确性；本发明还采用深度学习模型进行流行服装的预测，对传统的流行度评价模型进行优化，综合考虑了服装的销量、排名和服装特征等特征，使其准确性有更进一步的提升。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于深度学习的服装流行趋势预测装置，其特征在于：包括依次连接的数据采集系统(1)、数据预处理系统(2)、图片处理系统(3)、模型生成系统(4)以及结果输出系统(5)，所述数据采集系统(1)用于从电商服装网站采集历年的流行服装图片和信息，所述数据预处理系统(2)用于对数据采集系统(1)采集的图片和信息进行预处理，减少噪音数据，所述图片处理系统(3)用于提取照片中服装的特征，所述模型生成系统(4)用于将数据进行整合，生成合适的模型，所述结果输出系统(5)用于根据模型结果输出服装流行度为topk的服装排名。
2.根据权利要求1所述的基于深度学习的服装流行趋势预测装置，其特征在于：所述数据采集系统(1)包括图片爬取模块(6)和信息爬取模块(7)，所述图片爬取模块(6)用于收集带有颜色、轮廓、款式、图案等特征的服装图片，所述信息爬取模块(7)用于收集服装类型、服装名称、时间、季节、地域、出售状态、销量、价格、排名等信息。
3.根据权利要求1所述的基于深度学习的服装流行趋势预测装置，其特征在于：所述数据预处理系统(2)包括图像增强模块(8)和信息完善模块(9)，所述图像增强模块(8)用于增强图片对比度，消除边缘噪音，所述信息完善模块(9)用于在不同条件下，对未有畅销量信息的服装进行畅销量的计算。
4.根据权利要求1所述的基于深度学习的服装流行趋势预测装置，其特征在于：所述图片处理系统(3)包括相互连接的目标检测模块(10)和特征提取模块(11)，所述目标检测模块(10)用于对数据预处理系统(2)处理后的数据中的图片进行检测，所述特征提取模块(11)用于对目标检测模块(10)检测后的图片进行服装特征提取。
5.根据权利要求1所述的基于深度学习的服装流行趋势预测装置，其特征在于：所述模型生成系统(4)包括依次连接的数据清洗模块(12)、特征选择模块(13)以及模型选择模块(14)，所述数据清洗模块(12)用于对图片处理系统(3)传入的数据的清洗，去除噪音数据，所述特征选择模块(13)用于对清洗后的数据进行特征提取，选择合适特征作为模型的数据，所述模型选择模块(14)用于生成合适的模型，并对模型进行优化输出。
6.根据权利要求5所述的基于深度学习的服装流行趋势预测装置，其特征在于：所述模型选择模块(14)采用DNN进行模型训练和开发。
7.根据权利要求4所述的基于深度学习的服装流行趋势预测装置，其特征在于：所述目标检测模块(10)采用CornerNet-Lite方法对图片进行检测，所述特征提取模块(11)采用引入度量学习的卷积神经网络算法对图片进行特征提取，所述引入度量学习的卷积神经网络算法的损失函数的表达式为：L＝ωLmetric+(1-ω)Lsoftmax。
8.一种基于深度学习的服装流行趋势预测方法，其特征在于：包括如下步骤：
S100、采集电商平台上流行服装商品图片及信息；
S200、图片和文本信息的数据预处理；
S300、通过图像识别算法对采集的服装图片的关键点特征进行提取，提取的特征点包括有廓形、色彩、样式、面料、图案等特征；
S400、将识别出的服装相关特征维度采用深度学习算法构建预测模型；
S500、输出预测时间段的流行服装特征组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910844884.1A CN110705755A (zh) | 2019-09-07 | 2019-09-07 | 一种基于深度学习的服装流行趋势预测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910844884.1A CN110705755A (zh) | 2019-09-07 | 2019-09-07 | 一种基于深度学习的服装流行趋势预测方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705755A true CN110705755A (zh) | 2020-01-17 |
Family
ID=69194938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910844884.1A Pending CN110705755A (zh) | 2019-09-07 | 2019-09-07 | 一种基于深度学习的服装流行趋势预测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705755A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434210A (zh) * | 2020-12-14 | 2021-03-02 | 武汉纺织大学 | 一种服装流行趋势预测系统与方法 |
| CN112509679A (zh) * | 2020-12-04 | 2021-03-16 | 南通市第一人民医院 | 一种加强妇产科住院管理的方法及系统 |
| CN112819510A (zh) * | 2021-01-21 | 2021-05-18 | 江阴逐日信息科技有限公司 | 基于服饰多属性识别的时尚趋势预测方法、系统以及设备 |
| CN113159826A (zh) * | 2020-12-28 | 2021-07-23 | 武汉纺织大学 | 基于深度学习的服装流行元素预测的系统及方法 |
| 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 |
| CN114997905A (zh) * | 2022-05-16 | 2022-09-02 | 温州鞋革产业研究院 | 一种服饰流行趋势智能可视化展示方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108960499A (zh) * | 2018-06-27 | 2018-12-07 | 东华大学 | 一种融合视觉和非视觉特征的服装流行趋势预测系统 |
| CN109272011A (zh) * | 2018-07-31 | 2019-01-25 | 东华大学 | 面向服装图像分类的多任务深度表示学习方法 |
| CN109325952A (zh) * | 2018-09-17 | 2019-02-12 | 上海宝尊电子商务有限公司 | 基于深度学习的时尚服装图像分割方法 |
-
2019
- 2019-09-07 CN CN201910844884.1A patent/CN110705755A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108960499A (zh) * | 2018-06-27 | 2018-12-07 | 东华大学 | 一种融合视觉和非视觉特征的服装流行趋势预测系统 |
| CN109272011A (zh) * | 2018-07-31 | 2019-01-25 | 东华大学 | 面向服装图像分类的多任务深度表示学习方法 |
| CN109325952A (zh) * | 2018-09-17 | 2019-02-12 | 上海宝尊电子商务有限公司 | 基于深度学习的时尚服装图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| HEI LAW 等: "CornerNet-Lite: Efficient Keypoint Based Object Detection", 《ARXIV》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509679A (zh) * | 2020-12-04 | 2021-03-16 | 南通市第一人民医院 | 一种加强妇产科住院管理的方法及系统 |
| CN112434210A (zh) * | 2020-12-14 | 2021-03-02 | 武汉纺织大学 | 一种服装流行趋势预测系统与方法 |
| CN113159826A (zh) * | 2020-12-28 | 2021-07-23 | 武汉纺织大学 | 基于深度学习的服装流行元素预测的系统及方法 |
| CN112819510A (zh) * | 2021-01-21 | 2021-05-18 | 江阴逐日信息科技有限公司 | 基于服饰多属性识别的时尚趋势预测方法、系统以及设备 |
| 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 |
| CN114997905A (zh) * | 2022-05-16 | 2022-09-02 | 温州鞋革产业研究院 | 一种服饰流行趋势智能可视化展示方法和系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705755A (zh) | 一种基于深度学习的服装流行趋势预测方法与装置 | |
| Lin et al. | Gait recognition via effective global-local feature representation and local temporal aggregation | |
| Choutas et al. | Accurate 3D body shape regression using metric and semantic attributes | |
| CN110866907A (zh) | 基于注意力机制的全卷积网络织物疵点检测方法 | |
| Zhang et al. | Semantic-aware dehazing network with adaptive feature fusion | |
| CN109858467B (zh) | 一种基于关键点区域特征融合的人脸识别方法及装置 | |
| CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
| Zhang et al. | Gait-based age estimation with deep convolutional neural network | |
| Xia et al. | Human motion recovery jointly utilizing statistical and kinematic information | |
| CN110298279A (zh) | 一种肢体康复训练辅助方法及系统、介质、设备 | |
| Ren et al. | A deep and structured metric learning method for robust person re-identification | |
| CN109993595A (zh) | 个性化推荐商品及服务的方法、系统及设备 | |
| CN111488850A (zh) | 一种基于神经网络的老年人跌倒检测方法 | |
| CN109903053A (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
| KR20210090456A (ko) | 멀티 포즈를 지원하는 이미지 기반 자세보존 가상피팅 시스템 | |
| CN112434210A (zh) | 一种服装流行趋势预测系统与方法 | |
| Zhang et al. | Warpclothingout: A stepwise framework for clothes translation from the human body to tiled images | |
| CN114375463A (zh) | 从身体的隐藏扫描中估计裸露体形的方法 | |
| CN110414338A (zh) | 基于稀疏注意力网络的行人再辨识方法 | |
| Zaidan et al. | A novel hybrid module of skin detector using grouping histogram technique for Bayesian method and segment adjacent-nested technique for neural network | |
| CN114463789A (zh) | 非接触指纹图像增强方法、设备、存储介质和程序产品 | |
| CN115759110A (zh) | 基于多特征融合的恶意信息检测方法、装置及系统 | |
| JP2010198199A (ja) | 情報提供システム及び情報提供方法 | |
| CN114187495A (zh) | 一种基于图像的服装流行趋势预测方法 | |
| CN115050066A (zh) | 人脸伪造检测方法、装置、终端及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
| RJ01 | Rejection of invention patent application after publication |