CN110738540B - 一种基于生成对抗网络的模特衣服推荐方法 - Google Patents
一种基于生成对抗网络的模特衣服推荐方法 Download PDFInfo
- Publication number
- CN110738540B CN110738540B CN201810801734.8A CN201810801734A CN110738540B CN 110738540 B CN110738540 B CN 110738540B CN 201810801734 A CN201810801734 A CN 201810801734A CN 110738540 B CN110738540 B CN 110738540B
- Authority
- CN
- China
- Prior art keywords
- clothes
- model
- image
- training
- planarization
- 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
Links
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于生成对抗网络的模特衣服推荐方法,包括将每个模特衣服图像与每个训练平面化衣服图像进行配对得到衣服图像匹配对;将训练模特衣服图像和训练平面化衣服图像输入至对生成对抗网络模型中的生成器和判别器中进行训练,得到含有已训练生成器和已训练判别器中已训练生成对抗网络模型;将待匹配模特衣服图像输入至已训练生成对抗网络模型中进行图像匹配,已训练生成对抗网络模型输入匹配到的训练平面化衣服图像;根据训练平面化衣服图像在预设衣服图像数据库中进行筛选并得到衣服推荐结果。本发明的一种基于生成对抗网络的模特衣服推荐方法,提高了推荐结果的精确度,避免了因切割衣服图像可能存在的背景及皮肤误差。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于生成对抗网络的模特衣服推荐方法。
背景技术
随着互联网的普及和发展,电子商务已经渗透到个人生活中,网上购物的理念逐渐深入人心。将网上购物和时尚深度融合,充分发挥互联网在购物领域的优越性和集成性,已经刻不容缓。包括电影、电视剧、时尚街拍的网络视频是互联网数据的一大组成部分,随着其数量和流量的飞跃性增长,视频用户群也在飞速扩大。视频中的明星同款往往会成为人们追捧的潮流,而这些同款中最大的组成部分便是服装。如何快速且准确的检索出居中明星同款并推荐给用户,成为了视频用户普遍关注的热点,研究结果能极大提升了周边产业转化率和用户体验满意度,互联网思维的发散更能挖掘出潜在的用户兴趣需求。
目前通常是通过物体识别算法获取衣服在图像中的所在坐标,根据坐标分割出衣服图像并将其放入数据库中进行检索,目前的推荐方法往往会因为背景或皮肤等噪音对推荐的精确度造成影响。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于生成对抗网络的模特衣服推荐方法,其能解决目前的推荐方法往往会因为背景或皮肤等噪音对推荐的精确度造成影响的问题。
本发明提供目的采用以下技术方案实现:
一种基于生成对抗网络的模特衣服推荐方法,包括以下步骤:
步骤A、衣服图像配对,获取网络上的若干训练模特衣服图像和若干训练平面化衣服图像,将每个所述模特衣服图像与每个所述训练平面化衣服图像进行配对得到衣服图像匹配对;
步骤B、构建生成对抗网络模型,将所述训练模特衣服图像和所述训练平面化衣服图像输入至对所述生成对抗网络模型中的生成器和判别器中进行训练,得到含有已训练生成器和已训练判别器中已训练生成对抗网络模型;
步骤C、平面化图像匹配,将待匹配模特衣服图像输入至所述已训练生成对抗网络模型中进行图像匹配,所述已训练生成对抗网络模型输入匹配到的训练平面化衣服图像;
步骤D、衣服推荐,根据所述训练平面化衣服图像在预设衣服图像数据库中进行筛选并得到衣服推荐结果。
进一步地,所述步骤A包括:
步骤A1、获取若干训练模特衣服图像和若干训练平面化衣服图像,根据类别对所述训练模特衣服图像进行模特ID标定,根据类别对所述训练平面化衣服图像进行平面化ID标定;
步骤A2、根据所述模特ID和所述平面化ID对所述训练模特衣服图像和所述平面化衣服图像进行配对并得到衣服图像匹配对。
进一步地,所述模特ID包括上衣、外套、裤子、半身裙、连衣裙、连身裤,所述平面化ID包括上衣、外套、裤子、半身裙、连衣裙、连身裤。
进一步地,所述步骤A2具体为:当所述模特ID和所述平面化ID相同时,将所述模特ID对应的所述训练模特衣服图像与所述平面化ID对应的所述平面化衣服图像进行配对并得到衣服图像匹配对。
进一步地,所述步骤B包括:
步骤B1、将所述训练模特衣服输入至所述生成器中,所述生成器输出第一输出图像;
步骤B2、将第一输出图像与所述已训练模特衣服融合组成一张新的第一融合图像,根据所述训练模特衣服在所述衣服图像匹配对中找出对应的所述训练平面化衣服,将所述衣服图像匹配对中的图像进行融合得到第二融合图像;将所述第一融合图像和所述第二融合图像分别输入至所述判别器中,所述判别器分别输出数值sr和sf;
步骤B3、将所述训练平面化衣服和所述第一输出图像分别输入至所述判别器中,所述判别器输出数值pr和pf;
步骤B4、根据所述sr、sf、pr及pf计算所述判别器的损失函数、所述生成器的损失函数以及所述生成对抗网络模型中的分类器的损失函数;
步骤B5、将所述训练模特衣服图像和所述训练平面化衣服图像输入至所述生成对抗网络模型中的生成器和判别器中进行训练,直到所述判别器的损失函数、所述生成器的损失函数以及所述生成对抗网络模型中的分类器的损失函数均达到收敛,得到已收敛的已训练生成对抗网络模型。
进一步地,所述步骤B5具体为:根据随机梯度下降算法将所述训练模特衣服图像和所述训练平面化衣服图像输入至所述生成对抗网络模型中的生成器和判别器中进行训练,直到所述判别器的损失函数、所述生成器的损失函数以及所述生成对抗网络模型中的分类器的损失函数均达到收敛,得到已收敛的所述已训练生成对抗网络模型。
进一步地,所述步骤C具体为:将待匹配模特衣服图像输入至所述已训练生成对抗网络模型中进行图像转换,所述已训练生成对抗网络模型根据所述待匹配模特衣服图像筛选出对应的所述衣服图像匹配对,在所述衣服图像匹配对中筛选出对应的训练平面化衣服图像。
进一步地,所述步骤D具体为:使用预设VGG网络模型提取所述训练平面化衣服图像中的衣服特征,根据所述衣服特征在预设衣服数据库中进行筛选并得到衣服推荐结果。
进一步地,所述衣服推荐结果为至少十张衣服图像。
进一步地,还包括:步骤E、将所述衣服推荐结果发送至用户端。
相比现有技术,本发明的有益效果在于:本发明的一种基于生成对抗网络的模特衣服推荐方法,通过将获取到的若干训练模特衣服图像和若干训练平面化衣服图像进行配对得到衣服图像匹配对;将衣服匹配对作为训练数据输入至生成对抗网络模型中进行训练,得到已训练生成对抗网络模型;将待匹配模特衣服图像输入至所述已训练生成对抗网络模型中的生成器中进行图像转换,所述已训练生成对抗网络模型输出匹配到的训练平面化衣服图像;根据所述训练平面化衣服图像在预设衣服图像数据库中进行筛选并得到衣服推荐结果;整个过程提高了推荐结果的精确度,使推荐的结果更加精确,避免了因切割衣服图像可能存在的背景及皮肤误差。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的一种基于生成对抗网络的模特衣服推荐方法的流程图一;
图2为本发明的一种基于生成对抗网络的模特衣服推荐方法的流程图二;
图3为本发明的一种基于生成对抗网络的模特衣服推荐方法的流程图三;
图4为本发明的一种基于生成对抗网络的模特衣服推荐方法的工作状态示意图一;
图5为本发明的一种基于生成对抗网络的模特衣服推荐方法的工作状态示意图二;
图6为本发明的一种基于生成对抗网络的模特衣服推荐方法的工作状态示意图三。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1-3所示的本发明的一种基于生成对抗网络的模特衣服推荐方法,具体包括以下步骤:
步骤A、衣服图像配对,获取网络上的若干训练模特衣服图像和若干训练平面化衣服图像,将每个模特衣服图像与每个训练平面化衣服图像进行配对得到衣服图像匹配对;本实施例中的步骤A具体包括以下步骤:
步骤A1、获取若干训练模特衣服图像和若干训练平面化衣服图像,根据类别对训练模特衣服图像进行模特ID标定,根据类别对训练平面化衣服图像进行平面化ID标定;本实施例中主要从互联网上爬去获得若干训练模特衣服图像和若干训练平面化衣服图像,上述图像来自多种不同的品牌,例如:zara、uniqlo、bershka、lee、ca、moco等20多个品牌,以品牌为单位,各类别(分为上衣、外套、裤装、连衣裙、连体裤、半身裙6个类别)包含训练模特衣服图像和训练平面化衣服图像,本实施例中一共获取图像共计20万余张。根据类别标定对应的ID,模特ID包括上衣、外套、裤子、半身裙、连衣裙、连身裤,平面化ID包括上衣、外套、裤子、半身裙、连衣裙、连身裤。
步骤A2、根据模特ID和平面化ID对训练模特衣服图像和平面化衣服图像进行配对并得到衣服图像匹配对。如图4所示,具体为当模特ID和平面化ID相同时,将模特ID对应的训练模特衣服图像与平面化ID对应的平面化衣服图像进行配对并得到衣服图像匹配对。例如:当模特ID为上衣,平面化ID为上衣,则将其对应的训练模特衣服图像和平面化衣服图像进行配对得到衣服图像匹配对。在本实施例中,模特ID还包括品牌名称,平面化ID还包括品牌名称,即在配对过程中将类别以及品牌都相同的训练模特衣服图像和平面化衣服图像进行配对。训练平面化衣服图像为只含有衣服的平面图像,训练模特衣服图像为人体穿着衣服时的图像,图像中包括人体和衣服。
步骤B、构建生成对抗网络模型,将训练模特衣服图像和训练平面化衣服图像输入至对生成对抗网络模型中的生成器和判别器中进行训练,得到含有已训练生成器和已训练判别器中已训练生成对抗网络模型;在本实施例中是基于生成对抗网络(CatGAN)的基础上,生成对抗网络(CatGAN)模型主要投三个部分:生成器、判别器和分类器组成。如图5所示,生成器在一个解码-译码的变型框架下实现,该框架在对应的层之间跳跃链接,具体体现在译码阶段网络会把对应层的特征进行连接,再接着去进行卷积或者批标准化,进而进行上采样,这样的框架通常被称之为“U-Net”。判别器则是一个卷积的“PatchGAN”,用来判别图像中的每一个块是真的还是假的;分类器是一个类别分类网络,类似于图像分类网络,其用来判定生成的图片是否属于正确的类别。CatGAN的生成器主要使用用于学习从一张人体衣服图像x到一张平面化衣服图像的映射y:G:x→y;而其判别器被定义为D:x×y→{0,1},其中0代表判别器输入的匹配对是假的,反之,1则是真的匹配对;分类器则是被定义为其中是是一个由m-1个0一个1组成m维向量,m代表类别个数,在本论文中m=6,向量中的1代表此张图像属于某个特定的类别,0的意义则相反。
在本实施例中步骤B包括以下步骤:
步骤B1、将训练模特衣服输入至生成器中,生成器输出第一输出图像;
步骤B2、将第一输出图像与已训练模特衣服融合组成一张新的第一融合图像,根据训练模特衣服在衣服图像匹配对中找出对应的训练平面化衣服,将衣服图像匹配对中的图像进行融合得到第二融合图像;将第一融合图像和第二融合图像分别输入至判别器中,判别器分别输出数值sr和sf;其中sr是判别器输入为真实匹配对的输出,sf是判别器输入为假的匹配岁的输出,判别将此损失回传,用于调整判别器的参数。
步骤B3、将训练平面化衣服和第一输出图像分别输入至判别器中,判别器输出数值pr和pf;
步骤B4、根据sr、sf、pr及pf计算判别器的损失函数、生成器的损失函数以及生成对抗网络模型中的分类器的损失函数。在本实施例中,如图5所示,生成器在一个解码-译码的变型框架下实现,该框架在对应的层之间跳跃链接,具体体现在译码阶段网络会把对应层的特征进行连接,再接着去进行卷积或者批标准化,进而进行上采样,这样的框架通常被称之为“U-Net”。判别器则是一个卷积的“PatchGAN”,用来判别图像中的每一个块是真的还是假的;分类器是一个类别分类网络,类似于图像分类网络,其用来判定生成的图片是否属于正确的类别。CatGAN的生成器主要使用用于学习从一张人体衣服图像x到一张平面化衣服图像的映射y:G:x→y;而其判别器被定义为D:x×y→{0,1},其中0代表判别器输入的匹配对是假的,反之,1则是真的匹配对;分类器则是被定义为其中是是一个由m-1个0,一个1组成m维向量,m代表类别个数,在本论文中m=6,向量中的1代表此张图像属于某个特定的类别,0的意义则相反。
判别器的损失函数如公式(1)所示:
LD←logsr+(1-logsf) (1)
其中,LD为判别器的损失函数。
分类器的损失函数如公式(2)所示:
LC←Crossentory(pr)+Crossentory(pf) (2)
其中,LC为分类器的损失函数。
生成器的损失函数如公式(3)所示:
步骤B5、将训练模特衣服图像和训练平面化衣服图像输入至生成对抗网络模型中的生成器和判别器中进行训练,直到判别器的损失函数、生成器的损失函数以及生成对抗网络模型中的分类器的损失函数均达到收敛,得到已收敛的已训练生成对抗网络模型。具体为:根据随机梯度下降算法(SGD)将训练模特衣服图像和训练平面化衣服图像输入至生成对抗网络模型中的生成器和判别器中进行训练,直到判别器的损失函数、生成器的损失函数以及生成对抗网络模型中的分类器的损失函数均达到收敛,得到已收敛的已训练生成对抗网络模型。
步骤C、平面化图像匹配,将待匹配模特衣服图像输入至已训练生成对抗网络模型中的进行图像匹配,具体为:将待匹配模特衣服图像输入至已训练生成对抗网络模型中的生成器中进行图像转换,生成语待匹配模特衣服图像对应的训练平面化衣服图像;如图6所示,在本实施例中将待匹配模特衣服图像输入至已训练生成对抗网络模型中进行图像匹配,具体为将待匹配模特衣服图像输入至已训练生成对抗网络模型中生成器中进行图像转换,已训练生成对抗网络模型根据待匹配模特衣服图像筛选出对应的衣服图像匹配对,在衣服图像匹配对中筛选出对应的训练平面化衣服图像。图6中的输入即为将待匹配模特衣服图像输入值已训练生成对抗网络模型中的已训练生成器中进行图像转换,即可输出对应的如图6中的真实平面化图像,图6中的CatGAN即为本发明中的生成对抗网络模型,因此由生成对抗网络模型中生成器输出对应的训练平面化衣服图像。
步骤D、衣服推荐,根据训练平面化衣服图像在预设衣服图像数据库中进行筛选并得到衣服推荐结果。具体为:使用预设VGG网络模型提取训练平面化衣服图像中的衣服特征,根据衣服特征在预设衣服数据库中进行筛选并得到衣服推荐结果。衣服推荐结果为至少十张衣服图像。
步骤E、将衣服推荐结果发送至用户端。
本发明的一种基于生成对抗网络的模特衣服推荐方法,通过将获取到的若干训练模特衣服图像和若干训练平面化衣服图像进行配对得到衣服图像匹配对;将衣服匹配对作为训练数据输入至生成对抗网络模型中进行训练,得到已训练生成对抗网络模型;将待匹配模特衣服图像输入至所述已训练生成对抗网络模型中的生成器中进行图像转换,所述已训练生成对抗网络模型中的生成器输输出对应的训练平面化衣服图像;根据所述训练平面化衣服图像在预设衣服图像数据库中进行筛选并得到衣服推荐结果;整个过程提高了推荐结果的精确度,使推荐的结果更加精确,避免了因切割衣服图像可能存在的背景及皮肤误差。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (9)
1.一种基于生成对抗网络的模特衣服推荐方法,其特征在于包括以下步骤:
步骤A、衣服图像配对,获取网络上的若干训练模特衣服图像和若干训练平面化衣服图像,将每个所述模特衣服图像与每个所述训练平面化衣服图像进行配对得到衣服图像匹配对;
步骤B、构建生成对抗网络模型,将所述训练模特衣服图像和所述训练平面化衣服图像输入至所述生成对抗网络模型中的生成器和判别器中进行训练,得到含有已训练生成器和已训练判别器的 已训练生成对抗网络模型;
步骤C、平面化图像匹配,将待匹配模特衣服图像输入至所述已训练生成对抗网络模型中进行图像匹配,所述已训练生成对抗网络模型输入匹配到的训练平面化衣服图像;
步骤D、衣服推荐,根据所述训练平面化衣服图像在预设衣服图像数据库中进行筛选并得到衣服推荐结果;
其中,所述步骤B包括:
步骤B1、将所述训练模特衣服输入至所述生成器中,所述生成器输出第一输出图像;
步骤B2、将第一输出图像与所述训练模特衣服融合组成一张新的第一融合图像,根据所述训练模特衣服在所述衣服图像匹配对中找出对应的所述训练平面化衣服,将所述衣服图像匹配对中的图像进行融合得到第二融合图像;将所述第一融合图像和所述第二融合图像分别输入至所述判别器中,所述判别器分别输出数值sr和sf;
步骤B3、将所述训练平面化衣服和所述第一输出图像分别输入至所述判别器中,所述判别器输出数值pr和pf;
步骤B4、根据所述sr、所述sf、所述pr及所述pf计算所述判别器的损失函数、所述生成器的损失函数以及所述生成对抗网络模型中的分类器的损失函数;
步骤B5、将所述训练模特衣服图像和所述训练平面化衣服图像输入至生成对抗网络模型中的生成器和判别器中进行训练,直到所述判别器的损失函数、所述生成器的损失函数以及所述生成对抗网络模型中的分类器的损失函数均达到收敛,得到已收敛的已训练生成对抗网络模型。
2.如权利要求1所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述步骤A包括:
步骤A1、获取若干训练模特衣服图像和若干训练平面化衣服图像,根据类别对所述训练模特衣服图像进行模特ID标定,根据类别对所述训练平面化衣服图像进行平面化ID标定;
步骤A2、根据所述模特ID和所述平面化ID对所述训练模特衣服图像和所述平面化衣服图像进行配对并得到衣服图像匹配对。
3.如权利要求2所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述模特ID包括上衣、外套、裤子、半身裙、连衣裙、连身裤,所述平面化ID包括上衣、外套、裤子、半身裙、连衣裙、连身裤。
4.如权利要求2所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述步骤A2具体为:当所述模特ID和所述平面化ID相同时,将所述模特ID对应的所述训练模特衣服图像与所述平面化ID对应的所述平面化衣服图像进行配对并得到衣服图像匹配对。
5.如权利要求1所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述步骤B5具体为:根据随机梯度下降算法将所述训练模特衣服图像和所述训练平面化衣服图像输入至所述生成对抗网络模型中的生成器和判别器中进行训练,直到所述判别器的损失函数、所述生成器的损失函数以及所述生成对抗网络模型中的分类器的损失函数均达到收敛,得到已收敛的所述已训练生成对抗网络模型。
6.如权利要求1所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述步骤C具体为:将待匹配模特衣服图像输入至所述已训练生成对抗网络模型中进行图像转换,所述已训练生成对抗网络模型根据所述待匹配模特衣服图像筛选出对应的所述衣服图像匹配对,在所述衣服图像匹配对中筛选出对应的训练平面化衣服图像。
7.如权利要求1所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述步骤D具体为:使用预设VGG网络模型提取所述训练平面化衣服图像中的衣服特征,根据所述衣服特征在预设衣服数据库中进行筛选并得到衣服推荐结果。
8.如权利要求1所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:所述衣服推荐结果为至少十张衣服图像。
9.如权利要求1所述的一种基于生成对抗网络的模特衣服推荐方法,其特征在于:还包括:
步骤E、将所述衣服推荐结果发送至用户端。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810801734.8A CN110738540B (zh) | 2018-07-20 | 2018-07-20 | 一种基于生成对抗网络的模特衣服推荐方法 |
JP2019062877A JP6893948B2 (ja) | 2018-07-20 | 2019-03-28 | 敵対的生成ネットワークに基づくモデル衣服推薦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810801734.8A CN110738540B (zh) | 2018-07-20 | 2018-07-20 | 一种基于生成对抗网络的模特衣服推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738540A CN110738540A (zh) | 2020-01-31 |
CN110738540B true CN110738540B (zh) | 2022-01-11 |
Family
ID=69170682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810801734.8A Active CN110738540B (zh) | 2018-07-20 | 2018-07-20 | 一种基于生成对抗网络的模特衣服推荐方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6893948B2 (zh) |
CN (1) | CN110738540B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400525B (zh) * | 2020-03-20 | 2023-06-16 | 中国科学技术大学 | 基于视觉组合关系学习的时尚服装智能搭配与推荐方法 |
CN111489802B (zh) * | 2020-03-31 | 2023-07-25 | 重庆金域医学检验所有限公司 | 报告单编码模型生成方法、系统、设备及存储介质 |
CN111783980B (zh) * | 2020-06-28 | 2023-04-07 | 大连理工大学 | 基于双重协作生成式对抗网络的排序学习方法 |
CN113298906A (zh) * | 2021-06-10 | 2021-08-24 | 浙江工业大学 | 一种基于草图引导的配对服装图像生成方法 |
CN113706428B (zh) * | 2021-07-02 | 2024-01-05 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
CN108021979A (zh) * | 2017-11-14 | 2018-05-11 | 华南理工大学 | 一种基于原始生成对抗网络模型的特征重标定卷积方法 |
CN108205816A (zh) * | 2016-12-19 | 2018-06-26 | 北京市商汤科技开发有限公司 | 图像渲染方法、装置和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8732025B2 (en) * | 2005-05-09 | 2014-05-20 | Google Inc. | System and method for enabling image recognition and searching of remote content on display |
JP2009251850A (ja) * | 2008-04-04 | 2009-10-29 | Albert:Kk | 類似画像検索を用いた商品推薦システム |
CN104408076B (zh) * | 2008-08-08 | 2018-04-03 | 株式会社尼康 | 检索辅助系统、检索辅助方法以及检索辅助程序 |
JP6151404B1 (ja) * | 2016-04-26 | 2017-06-21 | ヤフー株式会社 | 学習装置、学習方法および学習プログラム |
US9971958B2 (en) * | 2016-06-01 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for generating multimodal digital images |
US10430685B2 (en) * | 2016-11-16 | 2019-10-01 | Facebook, Inc. | Deep multi-scale video prediction |
JP2018097807A (ja) * | 2016-12-16 | 2018-06-21 | 株式会社デンソーアイティーラボラトリ | 学習装置 |
-
2018
- 2018-07-20 CN CN201810801734.8A patent/CN110738540B/zh active Active
-
2019
- 2019-03-28 JP JP2019062877A patent/JP6893948B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205816A (zh) * | 2016-12-19 | 2018-06-26 | 北京市商汤科技开发有限公司 | 图像渲染方法、装置和系统 |
CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
CN108021979A (zh) * | 2017-11-14 | 2018-05-11 | 华南理工大学 | 一种基于原始生成对抗网络模型的特征重标定卷积方法 |
Non-Patent Citations (1)
Title |
---|
细粒度图像分类、分割、生成与检索关键技术研究;赵波;《中国博士学位论文全文数据库》;20180715;I138-70 * |
Also Published As
Publication number | Publication date |
---|---|
JP6893948B2 (ja) | 2021-06-23 |
JP2020013543A (ja) | 2020-01-23 |
CN110738540A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738540B (zh) | 一种基于生成对抗网络的模特衣服推荐方法 | |
US11915352B2 (en) | Processing user selectable product images and facilitating visualization-assisted virtual dressing | |
Liu et al. | Toward AI fashion design: An Attribute-GAN model for clothing match | |
CN107688823B (zh) | 一种图像特征获取方法及装置,电子设备 | |
CN104504055B (zh) | 基于图像相似度的商品相似计算方法及商品推荐系统 | |
US9020250B2 (en) | Methods and systems for building a universal dress style learner | |
CN109196526A (zh) | 用于生成多模态数字图像的方法和系统 | |
CN108921123A (zh) | 一种基于双重数据增强的人脸识别方法 | |
CN106845421A (zh) | 基于多区域特征与度量学习的人脸特征识别方法及系统 | |
CN109344713B (zh) | 一种姿态鲁棒的人脸识别方法 | |
KR101872733B1 (ko) | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 | |
CN106303233A (zh) | 一种基于表情融合的视频隐私保护方法 | |
CN110689480B (zh) | 一种图像变换方法及装置 | |
US20200311306A1 (en) | Electronic device for obfuscating and decoding data and method for controlling same | |
CN105930834A (zh) | 基于球哈希二值编码的人脸识别方法及装置 | |
KR20190114448A (ko) | 사용자 맞춤형 의류 추천 방법 및 이를 실행하는 서버 | |
CN112085086A (zh) | 一种基于图卷积神经网络的多源迁移学习方法 | |
CN107563319A (zh) | 一种基于图像的亲子间人脸相似性度量计算方法 | |
KR20200042203A (ko) | 사용자 입력 영상 기반 의상코디 장치 및 방법 | |
CN114863499A (zh) | 一种基于联邦学习的指静脉与掌静脉识别方法 | |
CN109241869A (zh) | 答题卡分数识别方法、装置及终端设备 | |
Nguyen et al. | Multiple kernel interval type-2 fuzzy c-means clustering | |
KR102593305B1 (ko) | 인공지능 기반 의류 사이즈 추천 방법 및 시스템 | |
CN112488238B (zh) | 一种基于对抗自编码器的混合异常检测方法 | |
CN114565119A (zh) | 基于多模态图卷积网络的时尚兼容度预测方法 |
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 |