CN111325226A - 信息呈现方法和装置 - Google Patents
信息呈现方法和装置 Download PDFInfo
- Publication number
- CN111325226A CN111325226A CN201811535399.8A CN201811535399A CN111325226A CN 111325226 A CN111325226 A CN 111325226A CN 201811535399 A CN201811535399 A CN 201811535399A CN 111325226 A CN111325226 A CN 111325226A
- Authority
- CN
- China
- Prior art keywords
- clothing
- image
- clothing image
- matching
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 189
- 238000012549 training Methods 0.000 claims description 118
- 230000006870 function Effects 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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]
- G06Q30/0641—Shopping interfaces
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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]
- G06Q30/0623—Item investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了信息呈现方法和装置。该系统的一具体实施方式包括:接收对目标服饰进行服饰搭配的搭配请求,搭配请求包括目标服饰图像;对目标服饰图像进行特征提取,得到目标服饰图像的特征向量;基于目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,与目标服饰图像组成至少一组服饰搭配图,其中,服饰信息集合中包括服饰图像和服饰图像的特征向量;呈现所组成的至少一组服饰搭配图。该实施方式提高了服饰搭配效果。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及信息呈现方法和装置。
背景技术
随着信息技术的发展,互联网电子商务得到了广泛的普及。用户可以足不出户的通过诸如购物类网站、购物类应用等可以购买物品,从而极大的提高了大众生活的便利性。
当用户通过互联网购买诸如服饰类的物品时,希望看到服饰搭配效果。相关技术中,通常预先设置好服饰搭配组合。当用户请求某一件服饰的搭配效果图时,将包括该服饰的搭配效果图直接推送给用户。
发明内容
本申请实施例提出了信息呈现方法和装置。
第一方面,本申请实施例提供了一种信息呈现方法,包括:接收对目标服饰进行服饰搭配的搭配请求,搭配请求包括目标服饰图像;对目标服饰图像进行特征提取,得到目标服饰图像的特征向量;基于目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,与目标服饰图像组成至少一组服饰搭配图,其中,服饰信息集合中包括服饰图像和服饰图像的特征向量;呈现所组成的至少一组服饰搭配图。
在一些实施例中,服饰信息集合中包括服饰图像所呈现的服饰的属性信息;以及从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,包括:从服饰信息集合中筛选出与目标服饰的属性信息匹配的服饰的服饰图像,其中,属性信息包括以下至少一项:类别信息、风格信息、纹理信息;从筛选后的服饰图像中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像。
在一些实施例中,目标服饰的属性信息是通过预先训练的属性预测模型对目标服饰图像呈现的服饰进行属性预测得到的,其中,属性预测模型是基于训练样本对卷积神经网络和至少一个注意力模型进行训练得到。
在一些实施例中,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,包括:对于服饰信息集合中的服饰图像,将该服饰图像的特征向量和目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和目标服饰图像之间的匹配度值;按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。
在一些实施例中,匹配度模型通过如下步骤训练得到:获取训练样本集,训练样本集中的训练样本包括随机样本服饰图像、与随机样本服饰图像可进行搭配的正样本服饰图像、与随机样本服饰图像不可进行搭配的负样本服饰图像;利用卷积神经网络对样本服饰图像进行特征提取,得到样本服饰图像的特征向量;对于训练样本集合中的训练样本,执行如下训练步骤:将随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量输入至待训练的匹配度模型,得到对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接后的特征值;确定预设损失函数的损失值是否达到预设阈值,其中,预设损失函数用于指示训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离与随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离的差值与所得到的特征值集合中的特征值之间的差异;响应于确定预设损失函数的损失值达到预设阈值,确定匹配度模型训练完成;响应于确定预设损失函数的损失值未达到预设阈值,调整待训练的匹配度模型的参数,继续执行训练步骤。
在一些实施例中,呈现所组成的至少一组服饰搭配图,包括:将所组成的服饰搭配图输入至预先训练的分值预测模型,得到每一组服饰搭配图的预测分值,其中,分值预测模型是基于训练样本对长短记忆网络和分类器训练得到的;按照预测分值由高至低的顺序选取预设数目组服饰搭配图,以及呈现所选取的服饰搭配图。
第二方面,本申请实施例提供了一种信息呈现装置,装置包括:接收单元,被配置成接收对目标服饰进行服饰搭配的搭配请求,搭配请求包括目标服饰图像;特征提取单元,被配置成对目标服饰图像进行特征提取,得到目标服饰图像的特征向量;选择单元,被配置成基于目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,与目标服饰图像组成至少一组服饰搭配图,其中,服饰信息集合中包括服饰图像和服饰图像的特征向量;呈现单元,被配置成呈现所组成的至少一组服饰搭配图。
在一些实施例中,服饰信息集合中包括服饰图像所呈现的服饰的属性信息;以及选择单元进一步被配置成:从服饰信息集合中筛选出与目标服饰的属性信息匹配的服饰的服饰图像,其中,属性信息包括以下至少一项:类别信息、风格信息、纹理信息;从筛选后的服饰图像中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像。
在一些实施例中,目标服饰的属性信息是通过预先训练的属性预测模型对目标服饰图像呈现的服饰进行属性预测得到的,其中,属性预测模型是基于训练样本对卷积神经网络和至少一个注意力模型进行训练得到。
在一些实施例中,选择单元进一步被配置成:对于服饰信息集合中的服饰图像,将该服饰图像的特征向量和目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和目标服饰图像之间的匹配度值;按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。
在一些实施例中,匹配度模型通过如下步骤训练得到:获取训练样本集,训练样本集中的训练样本包括随机样本服饰图像、与随机样本服饰图像可进行搭配的正样本服饰图像、与随机样本服饰图像不可进行搭配的负样本服饰图像;利用卷积神经网络对样本服饰图像进行特征提取,得到样本服饰图像的特征向量;对于训练样本集合中的训练样本,执行如下训练步骤:将随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量输入至待训练的匹配度模型,得到对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接后的特征值;确定预设损失函数的损失值是否达到预设阈值,其中,预设损失函数用于指示训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离与随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离的差值与所得到的特征值集合中的特征值之间的差异;响应于确定预设损失函数的损失值达到预设阈值,确定匹配度模型训练完成;响应于确定预设损失函数的损失值未达到预设阈值,调整待训练的匹配度模型的参数,继续执行训练步骤。
在一些实施例中,呈现单元进一步被配置成:将所组成的服饰搭配图输入至预先训练的分值预测模型,得到每一组服饰搭配图的预测分值,其中,分值预测模型是基于训练样本对长短记忆网络和分类器训练得到的;按照预测分值由高至低的顺序选取预设数目组服饰搭配图,以及呈现所选取的服饰搭配图。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任意实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任意实施例的方法。
本申请实施例提供的信息呈现方法和装置,通过将对目标服饰图像进行特征提取得到的特征向量与服饰信息集合中的各服饰图像的特征向量进行比较,选择出与服饰图像的特征向量与目标服饰图像的特征向量之间的匹配度大于预设阈值的服饰图像后,与目标服饰图像组成至少一组服饰搭配图,最后将所组成的至少一组服饰搭配图进行呈现,从而可以挑选出与目标服饰的特征匹配的服饰,将其与目标服饰搭配在一起,提高了服饰搭配效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的信息呈现方法的一个实施例的流程图;
图3是根据本申请的信息呈现方法的一个应用场景的示意图;
图4是根据本申请的信息呈现方法的又一个实施例的流程图;
图5示出了匹配度模型的训练方法的一种可选的实现方式的流程图;
图6是根据本申请的信息呈现装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息呈现方法或信息呈现装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏且支持数据输入的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上安装的例如购物类应用、网页显示类应用、服饰搭配类应用等提供支持的后台服务器。后台服务器可以对接收到的目标服饰图像进行分析处理,并将处理结果(例如所生成的服饰搭配图)反馈给终端设备。
需要说明的是,本申请实施例所提供的信息呈现方法一般由服务器105执行,相应地,信息呈现装置一般设置于服务器105中。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的信息呈现方法的一个实施例的流程200。该信息呈现方法,包括以下步骤:
步骤201,接收对目标服饰进行服饰搭配的搭配请求。
在本实施例中,信息呈现方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式接收终端发送的对目标服饰进行服饰搭配的搭配请求。该搭配请求可以包括目标服饰图像。用户使用的终端通常安装有上述执行主体所支持的例如服饰搭配类应用、购物类应用等。当用户通过终端安装的购物类应用购买服饰类物品时,通常希望看到该服饰与其他服饰进行搭配的搭配效果。由于用户通过终端只能看到服饰的图像,因此,可以将其想要购买的服饰对应的图像作为目标服饰图像来请求进行服饰搭配。用户也可以通过终端安装的服饰搭配类应用将本地保存的目标服饰图像发送至上述执行主体,以向上述执行主体请求获取与该目标服饰图像呈现的服饰可以进行搭配的服饰的服饰图像。
在本实施例中,上述服饰可以包括服装和饰品。其中,服装可以包括但不限于上装、下装、鞋,上装包括但不限于外套、衬衫、T恤、毛衣、卫衣,下装包括但不限于裤子、裙子;饰品包括但不限于发饰、太阳镜、围巾、胸针、耳钉、耳环、项链、手链、手环、手表。上述服饰搭配可以包括上装、下装、鞋子和配饰搭配。例如,外套、衬衫、裤子、鞋子、围巾和头饰的搭配。
步骤202,对目标服饰图像进行特征提取,得到目标服饰图像的特征向量。
在本实施例中,上述执行主体可以对目标服饰图像进行特征提取。具体的,可以将目标服饰图像输入至用于进行特征提取的神经网络,从而可以得到目标服饰图像的特征向量。该用于进行特征提取的神经网络是基于样本服饰图像进行预先训练的。其可以包括卷积层、池化层和嵌入层。其中,卷积层和池化层用于对服饰图像进行特征提取,得到服饰图像的特征图;嵌入层用于将特征图转换成固定长度的特征向量。
步骤203,基于目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,与目标服饰图像组成至少一组服饰搭配图。
在本实施例中,上述执行主体中可以预先设置有服饰信息集合。服饰信息集合中可以包括各种类别的服饰的服饰信息。服饰信息包括服饰图像、服饰图像的特征向量、服饰图像呈现的服饰的材质、颜色、类别等属性信息。其中,服饰信息集合中所包括的各服饰图像的特征向量可以是利用预先训练的用于进行特征提取的神经网络进行特征提取后得到的。
在本实施例中,上述服饰图像的特征向量可以包括用于表征颜色的特征分量、用于表征款式的特征分量、用于表征类别的特征分量、用于表征纹理的特征分量等。
在本实施例中,用于表征类别的特征分量中,相同的类别可以由相同的特征分量表示。上述执行主体得到目标服饰图像的特征向量后,可以首先从与服饰信息集合中筛选出与目标服饰图像中表征类别的特征分量相同的服饰图像。在进行匹配度计算时,筛选出的服饰图像不参与匹配度计算,从而可以将目标服饰图像呈现的服饰类别相同的服饰排除在外,造成不必要的服饰搭配,提高搭配效率。作为示例,当目标服饰图像所呈现的服饰为外套时,可以从服饰信息集合中选择下装图像、鞋子图像、配饰图像等进行匹配度计算。
上述执行主体可以将步骤202中所得到的目标服饰的特征向量与服饰信息集合中的各服饰图像的特征向量进行匹配度计算(例如计算向量之间的马氏距离),从而可以从服饰信息集合中选择出匹配度大于预设阈值的服饰图像。具体的,在进行匹配度计算时,可以分别计算各分量之间的匹配度值,然后对各分量的匹配度值进行加权求和。
在本实施例中,基于用于表征颜色的特征分量的匹配度值计算时,可以预先设置颜色匹配表,该颜色匹配表中设置有各颜色之间的匹配度值。匹配度值越大,代表二者颜色越容易搭配。上述执行主体可以参照该颜色匹配表,确定目标服饰图像的特征向量中用于表征颜色的分量与服饰信息集合中的服饰图像的特征向量中用于表征颜色的分量之间的匹配度值。
在本实施例中,基于用于表征风格的特征分量的匹配度值计算时,上述执行主体可以确定目标服饰图像的特征向量中用于表征风格的特征分量与服饰信息集合中的服饰图像的特征向量中用于表征风格的分量之间的匹配度值。作为示例,可以将风格相同的服饰的匹配度值设置为1(例如同属于运动风格、工装风格、西装风格),将可以搭配在一起但属于不同风格的服饰的匹配度值设置为0.7(例如西装风格与运动风格),将完全不可以搭配在一起的不同风格的服饰的匹配度值设置为0。
在本实施例中,上述执行主体从服饰信息集合中选择出与目标服饰图像匹配的图像后,可以与目标图像组成至少一组服饰搭配图。具体的,可以对所选择出的服饰图像进行排列组合,得到多组搭配图。然后将目标服饰图像添加至每一组搭配图中。
在对选择出的服饰图像进行排列组合时,对于至少一组服饰搭配图中的每一组服饰搭配图,该组服饰搭配图中所呈现的服饰均属于不同的类别。
在本实施例的一些可选的实现方式中,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像还包括:从服饰信息集合中筛选出与目标服饰的属性信息匹配的服饰的服饰图像,其中,属性信息包括以下至少一项:类别信息、风格信息、纹理信息。然后,从筛选后的服饰图像中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像。上述执行主体可以预先存储有属性搭配表。其可以存储有纹理之间的搭配和风格之间的搭配,纹理的搭配又可以包括颜色的搭配、图案的搭配、材质的搭配。上述执行主体可以根据属性搭配表选择出与目标服饰的风格可进行搭配的服饰的服饰图像;也可以基于目标服饰的类别,选择出能够与目标服饰形成一套服饰的服饰图像。也可以选择出与目标服饰的颜色可进行搭配的服饰的服饰图像等。
在本实施例的一些可选的实现方式中,从服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量之间的匹配度大于预设阈值的服饰图像进一步包括:对于服饰信息集合中的服饰图像,将该服饰图像的特征向量和目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和目标服饰图像之间的匹配度值;按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。其中,匹配度模型用于表征两特征向量之间的匹配度值。
步骤204,呈现所组成的至少一组服饰搭配图。
在本实施例中,根据步骤203中所组成的至少一组服饰搭配图,上述执行主体可以在请求获取服饰搭配请求的终端呈现所组成的至少一组服饰搭配图。该至少一组服饰搭配图可以为一组服饰搭配图,也可以为多组服饰搭配图。
继续参考图3,图3是根据本实施例的信息呈现方法的应用场景的一个示意图。在图3的应用场景中,用户通过终端向服务器302发送了“球服A”的服饰搭配请求,该搭配请求包括“球服A”的图像301。然后,服务器302可以对“球服A”的图像进行特征提取,从而得到“球服A”的图像301的特征向量303。接着,服务器302可以将“球服A”的图像301的特征向量303与预先设定的服饰信息集合304中的各服饰图像的特征向量进行对比,从服饰图像集合304中选择出服饰图像的特征向量与“球服A”的图像301的特征向量303匹配的服饰图像,从而与“球服A”的图像301组成服饰搭配图305。最后,可以将该服饰搭配图305通过发送请求的终端呈现。
本申请实施例提供的信息呈现方法,通过将对目标服饰图像进行特征提取得到的特征向量与服饰信息集合中的各服饰图像的特征向量进行比较,选择出与服饰图像的特征向量与目标服饰图像的特征向量之间的匹配度大于预设阈值的服饰图像后,与目标服饰图像组成至少一组服饰搭配图,最后将所组成的至少一组服饰搭配图进行呈现,从而可以挑选出与目标服饰的特征匹配的服饰,将其与目标服饰搭配在一起,提高了服饰搭配效果。
进一步参考图4,其示出了根据本申请的信息呈现方法的又一个实施例的流程400。该信息呈现方法,包括以下步骤:
步骤401,接收对目标服饰进行服饰搭配的搭配请求。
在本实施例中,信息呈现方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式接收终端发送的对目标服饰进行服饰搭配的搭配请求。该搭配请求可以包括目标服饰图像。
步骤402,对目标服饰图像进行特征提取,得到目标服饰图像的特征向量。
本实施例所示的步骤401、步骤402的具体处理方法及实现参考图2所示的实施例中的步骤201、步骤202的相关步骤,在此不再赘述。
步骤403,从服饰信息集合中筛选出与目标服饰的属性信息匹配的服饰的服饰图像。
在本实施例中,上述执行主体还可以对目标服饰图像进行图像识别,得到该目标服饰图像呈现的目标服饰的属性信息。该属性信息可以包括纹理信息、类别信息、风格信息、适穿的季节信息,纹理信息又可以包括颜色、材质、图案等。其中,类别信息用于表征目标服饰所属的类别,该类别可以包括上衣、下衣、鞋子、发饰等,属于上衣的类别又可以包括衬衫、卫衣、外套、毛衣、T恤等,下衣类别下又可以包括裤子、裙子等类别。风格信息用于表征目标服饰所属的风格,该风格例如可以包括运动风格、牛仔风格、休息风格、商务风格等。
上述执行主体中可以预先设置有服饰信息集合。服饰信息集合中可以包括各种类别的服饰的服饰信息。服饰信息包括服饰图像、服饰图像呈现的服饰的属性信息。该属性信息可以包括纹理信息、类别信息、风格信息、适穿的季节信息等。
然后,上述执行主体可以将目标服饰的属性信息与服饰信息集合中所包括的服饰图像呈现的服饰的属性信息进行比较,从而可以筛选出与目标服饰的属性信息匹配的服饰的服饰图像。具体的,上述执行主体可以预先存储有属性搭配表。其可以存储有纹理之间的搭配和风格之间的搭配,纹理的搭配又可以包括颜色的搭配、图案的搭配、材质的搭配。上述执行主体可以根据属性搭配表选择出与目标服饰的风格可进行搭配的服饰的服饰图像;也可以基于目标服饰的类别,选择出能够与目标服饰形成一套服饰的服饰图像。也可以选择出与目标服饰的颜色可进行搭配的服饰的服饰图像等。
在一些可选的实现方式中,上述目标服饰的属性信息是通过预先训练的属性预测模型对目标服饰图像进行属性预测得到的。该属性预测模型是基于训练样本对卷积神经网络和至少一个注意力模型(Attention model)进行训练得到。
上述属性信息包括类别、风格和纹理之一时,上述注意力模型可以为一个。当属性信息同时包括类别、风格和纹理时,上述注意力模型为三个。注意力模型是以卷积神经网络为框架,基于对所获取的信息的关注点不同引入权重机制的模型。具体的,注意力模型可以在输入端引入一权重函数,该权重函数可以根据需要识别的信息的不同,将可用于识别出待识别信息的特征图设置较高的权重,将其余特征图设置较低的权重或将其权重设置为0。举例来说,当注意力模型用于识别服饰图像的类别时,在将与服饰图像对应的特征图输入至注意力模型时,可以将用于表征轮廓特征的特征图设置较高的权重,表征其余特征的特征图设置交底的权重;当注意力模型用于识别服饰图像的风格时,可以将用于表征服饰的诸如衣领特征、颜色特征等特征信息的特征图设置较高的权重,其余特征的特征图设置交底的权重;将当注意力模型用于识别服饰图像的纹理时,可以将局部表征纹理特征的特征图设置较高的权重,表征其余特征的特征图设置交底的权重。
以上述属性预测模型由卷积神经网络和三个注意力模型为例进行具体阐述。
首先,可以获取训练样本集,其中该训练样本集包括样本服饰图像和样本服饰图像的标注信息,其中标注信息包括与样本服饰图像对应的类别信息、风格信息和纹理信息。
接着,执行第一训练步骤:将训练样本集中的样本服饰图像输入至卷积神经网络,得到与样本服饰图像对应的样本特征图。确定样本特征图的大小、数目是否达到设置值。响应于确定样本特征图的大小、数目达到预设值,确定卷积神经网络训练完成。响应于确定样本特征图的大小、数目未达到预设值,调整卷积神经网络中的卷积核的大小、卷积核数目、卷积层的数目等参数,继续执行第一训练步骤。
执行第二训练步骤:将训练完成的卷积神经网络输出的与样本服饰图像对应的特征图分别输入至待训练的第一注意力模型,得到样本服饰图像呈现的样本服饰的类别信息。其中,第一注意力模型用于表征特征图与类别信息之间的对应关系。类别信息包括预设类别集合中与各类别信息对应的概率值。接着,确定样本服饰图像对应的最大概率值集合中,与最大概率值对应的类别信息是否为样本服饰图像标注的类别信息。若是,确定第一注意力模型训练完成。若否,调整第一注意力模型的参数,继续执行第二训练步骤。
执行第三训练步骤:将训练完成的卷积神经网络输出的与样本服饰图像对应的特征图输入至待训练的第二注意力模型,得到样本服饰图像呈现的样本服饰的风格信息。第二注意力模型用于表征特征图与风格信息之间的对应关系。风格信息包括预设风格集合中与各风格信息对应的概率值。接着,确定样本服饰图像对应的风格最大概率值集合中,与最大概率值对应的风格信息是否为样本服饰图像标注的风格信息。若是,确定第二注意力模型训练完成。若否,调整第二注意力模型的参数,继续执行第三训练步骤。
执行第四训练步骤:将训练完成的卷积神经网络输出的与样本服饰图像对应的特征图输入至待训练的第三注意力模型,得到样本服饰图像呈现的样本服饰的纹理信息。第三注意力模型用于表征特征图与纹理信息之间的对应关系。纹理信息包括预设纹理集合与各纹理信息对应的概率值,其中纹理信息还包括服饰的布料信息、颜色信息。接着,确定样本服饰图像对应的纹理最大概率值集合中,与最大概率值对应的纹理信息是否为样本服饰图像标注的纹理信息。若是,确定第三注意力模型训练完成。若否,调整第三注意力模型的参数,继续执行第四训练步骤。
在这里值得注意的是,由于第一注意力模型、第二注意力模型和第三注意力模型之间相互独立,不存在依赖关系。因此,待第一训练步骤执行完毕后,第二训练步骤、第三训练步骤和第四训练步骤可以同时执行,也可以分开执行。
在一些可选的实现方式中,上述预设信息集合所包括的服饰图像呈现的服饰的属性信息也可以通过预先训练的属性预测模型对服饰图像进行属性预测得到的。
通过利用预先训练的属性预测模型可以提高所确定的各服饰图像呈现的服饰的属性的准确性,从而使得筛选出的服饰图像更加准确,进而可以提高与目标服饰进行搭配的搭配速度,有利于提高服饰搭配效果。
步骤404,对于筛选出的服饰图像中的服饰图像,将该服饰图像的特征向量和目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和目标服饰图像之间的匹配度值。
在本实施例中,服饰信息集合中还包括各服饰图像的特征向量。各服饰图像的特征向量可以是利用预先训练的用于进行特征提取的神经网络进行特征提取后得到的。服饰图像的特征向量可以包括用于表征颜色的特征分量、用于表征款式的特征分量、用于表征类别的特征分量、用于表征纹理的特征分量等。
然后,上述执行主体可以将每一个筛选出服饰图像对应的特征向量与目标服饰图像对应的特征向量输入至预先训练的匹配度模型,从而可以得到该服饰图像和目标服饰图像之间的匹配度值。在这里,该匹配度模型用于表征服饰图像的特征向量与目标服饰图像的特征向量之间的匹配度值。在本实施例中,上述匹配度模型可以为欧式距离确定函数,该欧式距离确定函数中的固定参数是基于训练样本预先确定的。利用欧式距离确定函数通过目标服饰图像的特征向量与筛选出的服饰图像的特征向量之间的距离来确定匹配度值。欧式距离越大,匹配度值越小;欧式距离越小,匹配度值越大。
步骤405,按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像,与目标服饰图像组成至少一组服饰搭配图。
在本实施例中,上述执行主体可以根据步骤404所确定的筛选出的服饰图像对应的特征向量与目标服饰图像对应的特征向量之间的匹配度值,按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。从而,将选择出的服饰图像与目标服饰图像之间组成至少一组服饰搭配图。
步骤406,将所组成的服饰搭配图输入至预先训练的分值预测模型,得到每一组服饰搭配图的预测分值。
在本实施例中,上述执行主体可以将所组成的服饰搭配图输入至预先训练的分值预测模型,从而得到每一组服饰搭配图的预测分值。在这里,该分值预测模型是基于训练样本对长短记忆网络(LSTM,Long short term memory network)和分类器训练得到的。其中,分类器可以包括逻辑斯蒂回归(Logistic)分类器和softmax分类器。长短记忆神经网络,是对循环网络的改进。其通常包括多个相互连接的记忆神经元,每一个记忆神经元都可以接收到携带有其他神经元全部或部分特征的上一个记忆神经元输入的信息,然后对该信息进行处理,从而实现记忆特征。通常,可以对LSTM设置时间步长,每一个时间步长为一个处理周期。该时间步长可以根据每一组服饰搭配图所包括的服饰图像的数目来设定。举例来说,当每一组服饰搭配图像包括5幅服饰图像时,上述时间步长为处理完该5幅服饰图像的时间。
具体的,对于所组成的服饰搭配图中的每一组服饰搭配图,将该组服饰搭配图依次输入至预先训练的LSTM模型。在这里,当第一幅服饰图像输入至LSTM中后,LSTM对其进行特征提取,得到第一幅服饰图像的特征值;接着,LSTM接收第二幅服饰图像,同时将上述特征值叠加至所接收到的第二幅服饰图像中,对叠加后的信息进行特征提取;依次往复,直到该组服饰搭配图中的全部图像处理完毕,得到第一输出特征值。在这里,LSTM也可以进行反相传播,也即是说,将最后输入至LSTM的服饰图像作为第一幅服饰图像,进行特征提取,得到特征提取后的特征值,然后将该特征值叠加至其前一时刻输入至LSTM的服饰图像,对叠加后的信息进行特征提取;依次往复,直到该组服饰搭配图中的全部图像处理完毕,得到第二输出特征值。然后将第一输出特征值和第二输出特征值进行全连接。最后,将全连接后的数据输入至分类器,得到该组服饰搭配图的预测分值。
本实施例通过采用双向传播的LSTM对每一组服饰搭配图进行特征提取,可以加快处理速度,还可以提高模型的准确度,使得输入至分类器中的特征数据更加准确,从而可以进一步提高分类器所预测的分值的准确度。
分值预测模型具体可通过如下步骤训练得到:
首先,获取训练样本集,其中,训练样本集中包括多组样本服饰搭配图,该多组样本服饰搭配图包括人工指定的可构成一组服饰搭配图的正样本,还包括随机组成的一组服饰搭配图的负样本,正样本的人工标注值为1,负样本的人工标注值为0。
然后,执行如下训练步骤:对于训练样本集中的每一组训练样本,将该组训练样本中的服饰图像分时输入至待训练的LSTM,得到经过LSTM处理后的特征值,然后将该特征值输入至待训练的softmax分类器,得到经softmax分类器的样本预测值。
确定预设损失函数的损失值是否达到预设阈值。响应于确定预设损失函数的损失值达到预设阈值,确定分值预测模型训练完成。其中,预设损失函数用于表征样本预测值集合中的样本预测值和其对应的服饰搭配图的人工标注值之间的差值。该预设损失函数例如可以为互熵损失函数、平方损失函数等。
响应于确定预设损失函数的损失值未达到预设阈值,可以调整LSTM和softmax分类器的参数,利用训练样本集合继续执行上述训练步骤。
步骤407,按照预测分值由高至低的顺序选取预设数目组服饰搭配图,以及呈现所选取的服饰搭配图。
在本实施例中,上述执行主体在确定出所组成的服饰搭配图中的每一组服饰搭配图的预测分值后,可以按照预测分值由高至低的顺序,选取出预设数目组服饰搭配图,然后通过请求获取服饰搭配请求的终端呈现所组成的至少一组服饰搭配图。
从图4中可以看出,与图2所示的实施例不同的是,本实施例突出了从服饰信息集合中选择出与目标服饰具有相同属性的服饰的服饰图像的步骤,从而可以减少参与特征匹配的服饰图像的数目,进而可以提高确定与目标服饰可进行搭配的服饰图像呈现的服饰的速度;还突出了对所组成的服饰搭配图进行分值预测,筛选出预测分值较高的至少一套服饰搭配图的步骤,从而可以进一步提高搭配效果。
在上述实施例的一些可选的实现方式中,上述匹配度模型可以是基于样本集合训练得出的。图5示出了该匹配度模型的训练方法的一种可选的实现方式的流程500。该流程500包括以下步骤:
步骤501,获取训练样本集。在这里,该训练样本集中的训练样本包括随机样本服饰图像、与随机样本服饰图像可进行搭配的正样本服饰图像、与随机样本服饰图像不可进行搭配的负样本服饰图像。
步骤502,利用卷积神经网络对样本服饰图像进行特征提取,得到样本服饰图像的特征向量。在这里,该卷积神经网络为预先训练的可用来进行图像特征提取。
步骤503,对于训练样本集中的每一个训练样本,执行如下训练步骤:
首先,在步骤5031中,将随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量输入至待训练的匹配度模型,得到对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接后的特征值。其中,上述待训练的匹配度模型可以由神经网络构成。该神经网络包括一层全连接层,该全连接层用于对对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接操作,从而可以输出基于该训练样本的特征值。
然后,在步骤5032中,确定预设损失函数的损失值是否达到预设阈值。在这里,该预设损失函数用于指示训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离与随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离的差值与所得到的特征值集合中的特征值之间的差异。在这里,预设损失函数可以为triplet loss损失函数。该损失函数具体为:训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离,减去随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离,加上预设常数。在具体的训练过程中,可以利用反向传播算法和梯度下降算法,迭代调整待训练的匹配度模型的参数,使得预设损失函数的损失值逐渐收敛。该调整待训练的匹配度模型的参数例如可以调整进行全连接时各样本服饰图的特征向量的权重,特征向量对应的特征分量的数目等。当预设损失函数的损失值收敛至预设阈值时,可以确定匹配度模型训练完成。。
最后,在步骤5033中,响应于确定预设损失函数的损失值达到预设阈值,确定匹配度模型训练完成。
在一些可选的实现方式中,还包括:步骤504,响应于确定预设损失函数的损失值未达到预设阈值,调整待训练的匹配度模型的参数,继续执行上述训练步骤。通常,采用梯度下降算法训练上述匹配度模型时,当预设损失函数的损失值收敛至某一数值后,损失函数的损失值不再继续下降,但并未达到预设阈值时,需要调整待训练的匹配度模型的参数。在这里,调整待训练的匹配度模型的参数例如可以包括调整损失函数中的预设常数的大小,调整用于训练匹配度模型的神经网络的卷积核数目、卷积核大小等。
基于图5提供的匹配度模型的训练步骤得到的匹配度模型通过将三幅样本服饰图像作为一组输入至匹配度模型,使得匹配度模型学习随机样本与正样本之间差异和随机样本与负样本之间的差异,从而使得随机样本与正样本之间的欧式距离越来越小,与负样本之间的欧式距离越来越大,从而可以更加准确的从服饰图像集合中选择出可以与目标服饰进行搭配的服饰的服饰图像,进而有利于提高服饰搭配效果。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种信息呈现装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的信息呈现装置600包括:接收单元601、特征提取单元602、选择单元603和呈现单元604。其中接收单元601,被配置成接收对目标服饰进行服饰搭配的搭配请求,搭配请求包括目标服饰图像。特征提取单元602,被配置成对目标服饰图像进行特征提取,得到目标服饰图像的特征向量。选择单元603,被配置成基于目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,与目标服饰图像组成至少一组服饰搭配图,其中,服饰信息集合中包括服饰图像和服饰图像的特征向量。呈现单元604,被配置成呈现所组成的至少一组服饰搭配图
在本实施例中,信息呈现装置600中:接收单元601、特征提取单元602、选择单元603和呈现单元604的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201、步骤202和步骤203的实现方式的相关描述,在此不再赘述。
在本实施例的一些可选的实现方式中,服饰信息集合中包括服饰图像所呈现的服饰的属性信息;以及选择单元603进一步被配置成:从服饰信息集合中筛选出与目标服饰的属性信息匹配的服饰的服饰图像,其中,属性信息包括以下至少一项:类别信息、风格信息、纹理信息;从筛选后的服饰图像中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像。
在本实施例的一些可选的实现方式中,目标服饰的属性信息是通过预先训练的属性预测模型对目标服饰图像呈现的服饰进行属性预测得到的,其中,属性预测模型是基于训练样本对卷积神经网络和至少一个注意力模型进行训练得到。
在本实施例的一些可选的实现方式中,选择单元603进一步被配置成:对于服饰信息集合中的服饰图像,将该服饰图像的特征向量和目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和目标服饰图像之间的匹配度值;按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。
在本实施例的一些可选的实现方式中,匹配度模型通过如下步骤训练得到:获取训练样本集,训练样本集中的训练样本包括随机样本服饰图像、与随机样本服饰图像可进行搭配的正样本服饰图像、与随机样本服饰图像不可进行搭配的负样本服饰图像;利用卷积神经网络对样本服饰图像进行特征提取,得到样本服饰图像的特征向量;对于训练样本集合中的训练样本,执行如下训练步骤:将随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量输入至待训练的匹配度模型,得到对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接后的特征值;确定预设损失函数的损失值是否达到预设阈值,其中,预设损失函数用于指示训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离与随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离的差值与所得到的特征值集合中的特征值之间的差异;响应于确定预设损失函数的损失值达到预设阈值,确定匹配度模型训练完成;响应于确定预设损失函数的损失值未达到预设阈值,调整待训练的匹配度模型的参数,继续执行训练步骤。
在本实施例的一些可选的实现方式中,呈现单元604进一步被配置成:将所组成的服饰搭配图输入至预先训练的分值预测模型,得到每一组服饰搭配图的预测分值,其中,分值预测模型是基于训练样本对长短记忆网络和分类器训练得到的;按照预测分值由高至低的顺序选取预设数目组服饰搭配图,以及呈现所选取的服饰搭配图。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,该程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、特征提取单元、选择单元和呈现单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收对目标服饰进行服饰搭配的搭配请求的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收对目标服饰进行服饰搭配的搭配请求,搭配请求包括目标服饰图像;对目标服饰图像进行特征提取,得到目标服饰图像的特征向量;基于目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与目标服饰图像的特征向量匹配的服饰图像,与目标服饰图像组成至少一组服饰搭配图,其中,服饰信息集合中包括服饰图像和服饰图像的特征向量;呈现所组成的至少一组服饰搭配图。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种信息呈现方法,包括:
接收对目标服饰进行服饰搭配的搭配请求,所述搭配请求包括目标服饰图像;
对所述目标服饰图像进行特征提取,得到所述目标服饰图像的特征向量;
基于所述目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与所述目标服饰图像的特征向量匹配的服饰图像,与所述目标服饰图像组成至少一组服饰搭配图,其中,所述服饰信息集合中包括服饰图像和服饰图像的特征向量;
呈现所组成的至少一组服饰搭配图。
2.根据权利要求1所述的方法,其中,所述服饰信息集合中包括服饰图像所呈现的服饰的属性信息;以及
所述从预设的服饰信息集合中选择出服饰图像的特征向量与所述目标服饰图像的特征向量匹配的服饰图像,包括:
从所述服饰信息集合中筛选出与所述目标服饰的属性信息匹配的服饰的服饰图像,其中,属性信息包括以下至少一项:类别信息、风格信息、纹理信息;
从筛选后的服饰图像中选择出服饰图像的特征向量与所述目标服饰图像的特征向量匹配的服饰图像。
3.根据权利要求2所述的方法,其中,所述目标服饰的属性信息是通过预先训练的属性预测模型对所述目标服饰图像呈现的服饰进行属性预测得到的,其中,所述属性预测模型是基于训练样本对卷积神经网络和至少一个注意力模型进行训练得到的。
4.根据权利要求1或2所述的方法,其中,所述从预设的服饰信息集合中选择出服饰图像的特征向量与所述目标服饰图像的特征向量匹配的服饰图像,包括:
对于所述服饰信息集合中的服饰图像,将该服饰图像的特征向量和所述目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和所述目标服饰图像之间的匹配度值;
按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。
5.根据权利要求4所述的方法,其中,所述匹配度模型通过如下步骤训练得到:
获取训练样本集,所述训练样本集中的训练样本包括随机样本服饰图像、与随机样本服饰图像可进行搭配的正样本服饰图像、与随机样本服饰图像不可进行搭配的负样本服饰图像;
利用卷积神经网络对样本服饰图像进行特征提取,得到样本服饰图像的特征向量;
对于所述训练样本集合中的训练样本,执行如下训练步骤:
将随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量输入至待训练的匹配度模型,得到对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接后的特征值;
确定预设损失函数的损失值是否达到预设阈值,其中,所述预设损失函数用于指示训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离与随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离的差值与所得到的特征值集合中的特征值之间的差异;
响应于确定预设损失函数的损失值达到预设阈值,确定匹配度模型训练完成;
响应于确定预设损失函数的损失值未达到预设阈值,调整待训练的匹配度模型的参数,继续执行所述训练步骤。
6.根据权利要求4所述的方法,其中,所述呈现所组成的至少一组服饰搭配图,包括:
将所组成的服饰搭配图输入至预先训练的分值预测模型,得到每一组服饰搭配图的预测分值,其中,所述分值预测模型是基于训练样本对长短记忆网络和分类器训练得到的;
按照预测分值由高至低的顺序选取预设数目组服饰搭配图,以及呈现所选取的服饰搭配图。
7.一种信息呈现装置,包括:
接收单元,被配置成接收对目标服饰进行服饰搭配的搭配请求,所述搭配请求包括目标服饰图像;
特征提取单元,被配置成对所述目标服饰图像进行特征提取,得到所述目标服饰图像的特征向量;
选择单元,被配置成基于所述目标服饰图像的特征向量,从预设的服饰信息集合中选择出服饰图像的特征向量与所述目标服饰图像的特征向量匹配的服饰图像,与所述目标服饰图像组成至少一组服饰搭配图,其中,所述服饰信息集合中包括服饰图像和服饰图像的特征向量;
呈现单元,被配置成呈现所组成的至少一组服饰搭配图。
8.根据权利要求7所述的装置,其中,所述服饰信息集合中包括服饰图像所呈现的服饰的属性信息;以及
所述选择单元进一步被配置成:
从所述服饰信息集合中筛选出与所述目标服饰的属性信息匹配的服饰的服饰图像,其中,属性信息包括以下至少一项:类别信息、风格信息、纹理信息;
从筛选后的服饰图像中选择出服饰图像的特征向量与所述目标服饰图像的特征向量匹配的服饰图像。
9.根据权利要求8所述的装置,其中,所述目标服饰的属性信息是通过预先训练的属性预测模型对所述目标服饰图像呈现的服饰进行属性预测得到的,其中,所述属性预测模型是基于训练样本对卷积神经网络和至少一个注意力模型进行训练得到的。
10.根据权利要求7或8所述的装置,其中,所述选择单元进一步被配置成:
对于所述服饰信息集合中的服饰图像,将该服饰图像的特征向量和所述目标服饰图像的特征向量输入至预先训练的匹配度模型,得到该服饰图像和所述目标服饰图像之间的匹配度值;
按照匹配度值由高至低的顺序,从所得到的匹配度值集合中选择出预设数目个匹配度值所对应的服饰图像。
11.根据权利要求10所述的装置,其中,所述匹配度模型通过如下步骤训练得到:
获取训练样本集,所述训练样本集中的训练样本包括随机样本服饰图像、与随机样本服饰图像可进行搭配的正样本服饰图像、与随机样本服饰图像不可进行搭配的负样本服饰图像;
利用卷积神经网络对样本服饰图像进行特征提取,得到样本服饰图像的特征向量;
对于所述训练样本集合中的训练样本,执行如下训练步骤:
将随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量输入至待训练的匹配度模型,得到对随机样本服饰图像的特征向量、正样本服饰图像的特征向量和负样本服饰图像的特征向量进行全连接后的特征值;
确定预设损失函数的损失值是否达到预设阈值,其中,所述预设损失函数用于指示训练样本中的随机样本服饰图像的特征向量和正样本服饰图像的特征向量之间的欧式距离与随机样本服饰图像的特征向量和负样本服饰图像的特征向量之间的欧式距离的差值与所得到的特征值集合中的特征值之间的差异;
响应于确定预设损失函数的损失值达到预设阈值,确定匹配度模型训练完成;
响应于确定预设损失函数的损失值未达到预设阈值,调整待训练的匹配度模型的参数,继续执行所述训练步骤。
12.根据权利要求10所述的装置中,所述呈现单元进一步被配置成:
将所组成的服饰搭配图输入至预先训练的分值预测模型,得到每一组服饰搭配图的预测分值,其中,所述分值预测模型是基于训练样本对长短记忆网络和分类器训练得到的;
按照预测分值由高至低的顺序选取预设数目组服饰搭配图,以及呈现所选取的服饰搭配图。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535399.8A CN111325226B (zh) | 2018-12-14 | 2018-12-14 | 信息呈现方法和装置 |
PCT/CN2019/102124 WO2020119170A1 (zh) | 2018-12-14 | 2019-08-23 | 信息呈现方法和装置 |
US17/285,805 US20210383153A1 (en) | 2018-12-14 | 2019-08-23 | Method and apparatus for presenting information |
EP19894762.4A EP3896610A4 (en) | 2018-12-14 | 2019-08-23 | METHOD AND DEVICE FOR PRESENTING INFORMATION |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535399.8A CN111325226B (zh) | 2018-12-14 | 2018-12-14 | 信息呈现方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325226A true CN111325226A (zh) | 2020-06-23 |
CN111325226B CN111325226B (zh) | 2024-03-08 |
Family
ID=71075425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811535399.8A Active CN111325226B (zh) | 2018-12-14 | 2018-12-14 | 信息呈现方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210383153A1 (zh) |
EP (1) | EP3896610A4 (zh) |
CN (1) | CN111325226B (zh) |
WO (1) | WO2020119170A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070079A (zh) * | 2020-07-24 | 2020-12-11 | 华南理工大学 | 基于特征图重赋权的x光违禁品包裹检测方法及装置 |
CN112069841A (zh) * | 2020-07-24 | 2020-12-11 | 华南理工大学 | 新型x光违禁品包裹跟踪方法及装置 |
CN112203053A (zh) * | 2020-09-29 | 2021-01-08 | 北京市政建设集团有限责任公司 | 地铁施工人员行为智能监管方法及其系统 |
CN112307242A (zh) * | 2020-11-11 | 2021-02-02 | 百度在线网络技术(北京)有限公司 | 服饰搭配方法及装置、计算设备和介质 |
CN113034237A (zh) * | 2020-12-28 | 2021-06-25 | 武汉纺织大学 | 服饰套装推荐系统与方法 |
WO2023207681A1 (zh) * | 2022-04-28 | 2023-11-02 | 人工智能设计研究所有限公司 | 用于服饰智能搭配的方法、装置、电子设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102265946B1 (ko) * | 2020-11-23 | 2021-06-17 | 주식회사 엠로 | 기계 학습 기반 유사 아이템에 관한 정보를 제공하는 방법 및 장치 |
CN113590857A (zh) * | 2021-08-10 | 2021-11-02 | 北京有竹居网络技术有限公司 | 键值匹配方法、装置、可读介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180864A1 (en) * | 2012-12-20 | 2014-06-26 | Ebay Inc. | Personalized clothing recommendation system and method |
CN106021603A (zh) * | 2016-06-20 | 2016-10-12 | 昆明理工大学 | 一种基于分割和特征匹配的服装图像检索方法 |
CN106156297A (zh) * | 2016-06-29 | 2016-11-23 | 北京小米移动软件有限公司 | 服饰推荐方法及装置 |
CN107679155A (zh) * | 2017-09-27 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 服饰搭配库建立方法、信息推荐方法、装置、设备及介质 |
EP3328041A1 (en) * | 2015-07-23 | 2018-05-30 | Qingdao Haier Washing Machine Co., Ltd. | Clothes matching recommendation method and smart terminal |
CN108230082A (zh) * | 2017-06-16 | 2018-06-29 | 深圳市商汤科技有限公司 | 搭配服饰的推荐方法和装置、电子设备、存储介质 |
CN108734557A (zh) * | 2018-05-18 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 用于生成服饰推荐信息的方法、装置和系统 |
CN108920828A (zh) * | 2018-06-29 | 2018-11-30 | 云智衣橱(深圳)科技有限责任公司 | 一种服装搭配的方法及系统 |
CN108932260A (zh) * | 2017-05-25 | 2018-12-04 | 北京康得新创科技股份有限公司 | 服饰搭配推荐方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9639880B2 (en) * | 2009-12-17 | 2017-05-02 | Google Inc. | Photorealistic recommendation of clothing and apparel based on detected web browser input and content tag analysis |
CN104951966A (zh) * | 2015-07-13 | 2015-09-30 | 百度在线网络技术(北京)有限公司 | 推荐服饰商品的方法及装置 |
CN106803103A (zh) * | 2017-01-22 | 2017-06-06 | 曹溯 | 自动搭配衣物的方法和系统 |
CN107665238B (zh) * | 2017-08-24 | 2021-10-22 | 北京搜狗科技发展有限公司 | 图片处理方法和装置、用于图片处理的装置 |
KR20200045668A (ko) * | 2018-10-23 | 2020-05-06 | 오드컨셉 주식회사 | 스타일 추천 방법, 장치 및 컴퓨터 프로그램 |
-
2018
- 2018-12-14 CN CN201811535399.8A patent/CN111325226B/zh active Active
-
2019
- 2019-08-23 WO PCT/CN2019/102124 patent/WO2020119170A1/zh unknown
- 2019-08-23 EP EP19894762.4A patent/EP3896610A4/en active Pending
- 2019-08-23 US US17/285,805 patent/US20210383153A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180864A1 (en) * | 2012-12-20 | 2014-06-26 | Ebay Inc. | Personalized clothing recommendation system and method |
EP3328041A1 (en) * | 2015-07-23 | 2018-05-30 | Qingdao Haier Washing Machine Co., Ltd. | Clothes matching recommendation method and smart terminal |
CN106021603A (zh) * | 2016-06-20 | 2016-10-12 | 昆明理工大学 | 一种基于分割和特征匹配的服装图像检索方法 |
CN106156297A (zh) * | 2016-06-29 | 2016-11-23 | 北京小米移动软件有限公司 | 服饰推荐方法及装置 |
CN108932260A (zh) * | 2017-05-25 | 2018-12-04 | 北京康得新创科技股份有限公司 | 服饰搭配推荐方法及装置 |
CN108230082A (zh) * | 2017-06-16 | 2018-06-29 | 深圳市商汤科技有限公司 | 搭配服饰的推荐方法和装置、电子设备、存储介质 |
CN107679155A (zh) * | 2017-09-27 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 服饰搭配库建立方法、信息推荐方法、装置、设备及介质 |
CN108734557A (zh) * | 2018-05-18 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 用于生成服饰推荐信息的方法、装置和系统 |
CN108920828A (zh) * | 2018-06-29 | 2018-11-30 | 云智衣橱(深圳)科技有限责任公司 | 一种服装搭配的方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070079A (zh) * | 2020-07-24 | 2020-12-11 | 华南理工大学 | 基于特征图重赋权的x光违禁品包裹检测方法及装置 |
CN112069841A (zh) * | 2020-07-24 | 2020-12-11 | 华南理工大学 | 新型x光违禁品包裹跟踪方法及装置 |
CN112203053A (zh) * | 2020-09-29 | 2021-01-08 | 北京市政建设集团有限责任公司 | 地铁施工人员行为智能监管方法及其系统 |
CN112307242A (zh) * | 2020-11-11 | 2021-02-02 | 百度在线网络技术(北京)有限公司 | 服饰搭配方法及装置、计算设备和介质 |
CN113034237A (zh) * | 2020-12-28 | 2021-06-25 | 武汉纺织大学 | 服饰套装推荐系统与方法 |
WO2023207681A1 (zh) * | 2022-04-28 | 2023-11-02 | 人工智能设计研究所有限公司 | 用于服饰智能搭配的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3896610A4 (en) | 2022-08-24 |
WO2020119170A1 (zh) | 2020-06-18 |
CN111325226B (zh) | 2024-03-08 |
EP3896610A1 (en) | 2021-10-20 |
US20210383153A1 (en) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325226B (zh) | 信息呈现方法和装置 | |
JP6825141B2 (ja) | 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体 | |
US20200402282A1 (en) | Processing User Selectable Product Images And Facilitating Visualization-Assisted Virtual Dressing | |
US11809985B2 (en) | Algorithmic apparel recommendation | |
KR102664008B1 (ko) | 시각 정보에 기초한 고객 아이템 추천 방법 및 장치 | |
CN108229559B (zh) | 服饰检测方法、装置、电子设备、程序和介质 | |
US10346893B1 (en) | Virtual dressing room | |
KR20090028713A (ko) | 시뮬레이션 보조형 검색 | |
US11037071B1 (en) | Cross-category item associations using machine learning | |
CN109147007A (zh) | 贴纸加载方法、装置、终端及计算机可读存储介质 | |
CN112330383A (zh) | 用于基于可视元素的物品推荐的设备及方法 | |
CN112905889A (zh) | 服饰搜索方法及装置、电子设备和介质 | |
KR20210031223A (ko) | 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템 | |
CN110909746A (zh) | 一种服饰推荐方法、相关装置和设备 | |
CN111767420A (zh) | 一种生成服饰搭配数据的方法和装置 | |
Sapna et al. | Recommendence and fashionsence: Online fashion advisor for offline experience | |
US10474919B2 (en) | Method for determining and displaying products on an electronic display device | |
CN108764232B (zh) | 标签位置获取方法及装置 | |
CN116402590B (zh) | 一种基于人工智能的个性化服装商城系统及推荐方法 | |
CN111400527A (zh) | 一种基于深度学习的服饰属性标签识别方法 | |
US20190139120A1 (en) | Identification of apparel based on user characteristics | |
CN109584013B (zh) | 生成物品描述信息的方法和装置 | |
CN111784787A (zh) | 图像生成方法和装置 | |
CN114283300A (zh) | 标签确定方法及装置、模型训练方法及装置 | |
CN111507790A (zh) | 服饰搭配信息的处理方法、数据对象处理方法、系统及设备 |
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 |