CN111666963A - 一种服饰风格的识别方法、装置及设备 - Google Patents
一种服饰风格的识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111666963A CN111666963A CN201910179615.8A CN201910179615A CN111666963A CN 111666963 A CN111666963 A CN 111666963A CN 201910179615 A CN201910179615 A CN 201910179615A CN 111666963 A CN111666963 A CN 111666963A
- Authority
- CN
- China
- Prior art keywords
- clothing
- style
- feature vector
- label
- sub
- 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
Images
Classifications
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种服饰风格的识别方法、装置及设备,其中方法包括:获取待识别服饰的第一属性标签;对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量;将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签。采用本申请,可提高服饰图像中服饰的服饰风格识别准确率。
Description
技术领域
本申请涉及服饰技术领域,尤其涉及一种服饰风格的识别方法、装置及设备。
背景技术
伴随着消费升级时代的来临,中国的时尚市场正逐渐变得更加个性化,精致化和多样化,服饰的时尚风格对消费动机的影响愈渐加深。现有的服饰的风格识别多是基于计算机视觉来理解服饰相关的内容信息,难以排除图片背景对识别的干扰,根据这些信息来判断服饰的风格,导致识别出的服饰的服饰风格的准确性较低。
发明内容
本申请提供一种服饰风格的识别方法、装置及设备,可提高服饰图像中服饰的服饰风格的识别准确率。
第一方面,本申请提供了一种服饰风格的识别方法,该方法包括:
所述服饰风格的识别方法包括:
获取待识别服饰的第一属性标签;
对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量;
将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签。
结合第一方面,在一些可选的实施例中,
所述对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量,包括:
通过词向量转换模型对所述第一属性标签的M个子标签进行映射,以获得所述M个子标签对应的M个子特征向量,每个子特征向量包括N个维度,M、N均为大于或等于1的正整数;
对每个子特征向量中第i个维度上的数值进行计算,以获得所述待识别服饰对应的第一特征向量第i个维度上的数值,其中,1≤i≤N。
结合第一方面,在一些可选的实施例中,
所述对每个子特征向量中第i个维度上的数值进行计算,以获得所述待识别服饰对应的第一特征向量第i个维度上的数值,包括:
对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为所述第一属性标签第i个维度上的数值;
或者,
对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为所述第一属性标签第i个维度上的数值。
结合第一方面,在一些可选的实施例中,
所述将所述第一特征向量输入风格识别模型之前,所述方法还包括:
从服饰领域的语料库中,获取每个服饰的第二属性标签以及每个服饰的第二风格标签;
对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量;
将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用所述训练数据对待训练模型进行训练,以得到所述风格识别模型。
结合第一方面,在一些可选的实施例中,
所述将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用所述训练数据对待训练模型进行训练,以得到所述风格识别模型,包括:
将第j个服饰对应的第二特征向量输入所述待训练模型,得到第三风格标签;
根据所述第三风格标签及所述第j个服饰的第二风格标签,计算总损失;
根据所述总损失优化所述待训练模型的参数,以得到所述风格识别模型。
第二方面,本申请提供了一种服饰风格的识别装置,该装置包括:
获取单元,用于获取待识别服饰的第一属性标签;
转换单元,用于对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量;
分类单元,用于将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签。
结合第二方面,在一些可选的实施例中,
所述转换单元,具体用于:
对每个子特征向量中第i个维度上的数值进行计算,以获得待识别服饰对应的第一特征向量第i个维度上的数值,可包括但不限于以下方式:
方式1:对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为第一属性标签第i个维度上的数值。
方式2:对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为第一属性标签第i个维度上的数值。
结合第二方面,在一些可选的实施例中,
所述获取单元,还用于:在所述分类单元用于将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签之前,从服饰领域的语料库中,获取每个服饰的第二属性标签以及每个服饰的第二风格标签;所述转换单元,还用于:对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量;
所述装置,还包括:训练单元,用于将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用所述训练数据对待训练模型进行训练,以得到所述风格识别模型。
第三方面,本申请提供了一种服饰风格的识别设备,包括输入设备、输出设备、处理器和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持设备实现服饰风格的识别的程序代码,所述处理器被配置用于执行上述第一方面的服饰风格的识别方法。
第四方面,本申请提供了一种计算机可读的存储介质,用于存储一个或多个计算机程序,上述一个或多个计算机程序包括指令,当上述计算机程序在计算机上运行时,上述指令用于执行上述第一方面的服饰风格的识别方法。
第五方面,本申请提供了一种计算机程序,该计算机程序包括服饰风格的识别指令,当该计算机程序在计算机上执行时,上述利用机器学习指令用于执行上述第一方面提供的服饰风格的识别方法。
本申请通过提供一种服饰风格的识别方法、装置及设备。首先,获取待识别服饰的第一属性标签。然后,对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量。最后,将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。可以看出,通过对服饰的第一属性标签进行识别,进而将识别出的第一属性标签进行向量化处理,并结合风格识别模型以实现服饰的风格的识别,识别准确率较高。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请提供的一种服饰风格的识别方法的示意流程图;
图2是本申请提供的一种服饰风格的识别系统的示意性框图;
图3是本申请提供的一种装置的示意性框图;
图4是本申请提供的一种设备示意性框图。
具体实施方式
下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
为了更好地理解本申请,下面对本申请适用的服饰风格的识别方法的示意流程图进行描述。请参见图1,是本申请提供一种服饰风格的识别方法的示意流程图,如图1所示,该方法可以至少包括步骤S101~S103,这些步骤由智能设备执行,该智能设备可为移动手机、平板电脑或移动互联网设备。
S101、获取待识别服饰的第一属性标签。
本申请实施例中,待识别服饰的第一属性标签可包括但不限于:待识别服饰的类别信息或/或属性信息,其中:
待识别服饰的类别信息可包括但不限于:上衣、外套、连身裙、半身裙、裤子、连身裤等,此处不作具体限定。
待识别服饰的属性信息可包括但不限于:颈部设计、领口设计、袖长、衣长、裙型、裤型等若干大类,每个大类可以具体划分为若干子属性信息,例如,领口设计可以分为圆领、立领、V领、西装领、一字领等,裤型可以分为哈伦裤、喇叭裤、小脚裤等,以下表1示出所述第一属性标签的示例,应理解,表1所示内容仅仅是作为举例,不作具体限定。
表1属性信息及子属性信息列表
下面以举例的形式提供几种获取待识别服饰的第一属性标签方式:
方式1:通过图像识别的方式从服饰图像中获得到待识别服饰的第一属性标签。例如:通过图像识别对一幅包括有公主裙的服饰图像进行识别,以获取到该服饰图像中诸如黑色、立领、高袖笼、高腰身、大下摆等信息,这些信息可以作为该公主裙的第一属性标签。
方式2:通过语音输入的方式获取到待识别服饰的第一属性标签。例如:在用户通过对公主裙进行观察之后,说出黑色、立领、高袖笼、高腰身、大下摆等信息,这些信息可以作为该公主裙的第一属性标签,实现了语音输入方式获取公主裙的第一属性标签。
方式3:通过文字输入的方式获取到待识别服饰的第一属性标签。例如:在用户通过对公主裙进行观察之后,以文字输入的形式输入黑色、立领、高袖笼、高腰身、大下摆等信息,这些信息可以作为公主裙的第一属性标签,实现了文字输入方式获取公主裙的第一属性标签。
方式4:通过查询网页中服饰的描述信息的方式,来获取到待识别服饰的第一属性标签。举例来说,查询京东商城、淘宝网或聚美优品等购物平台的服饰售卖网站中公主裙的描述信息(如服饰的领型、品牌,生产厂家、编号、颜色、袖型或袖长等等),进而,通过对查询到的公主裙的描述信息进行去重处理,将去重处理后的信息作为公主裙的第一属性标签。
S102、对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量。
本申请实施例中,对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量,具体可包括但不限于处理过程一及处理过程二。其中,
处理过程一:通过词向量转换模型对第一属性标签的M个子标签进行映射,以获得M个子标签对应的M个子特征向量,每个子特征向量包括N个维度,M、N均为大于或等于1的正整数。
应当说明的,词向量转换模型可包括但不限于:Word2vec模型、神经语言程序学(Neuro-Linguistic Programming,NLP)模型或高级的词向量表示模型(GlobalVectorsfor Word Representation,glove)模型等。
下面提供一个示例来阐述如何通过词向量转换模型对第一属性标签的M个子标签进行映射。其中,M可为2。
如示例所述,可通过词向量转换模型对(长袖、九分裤)等子标签进行映射。具体的,词向量转换模型根据上衣、裤子、鞋子、帽子等4个维度来表示长袖及九分裤。通过词向量转换模型对长袖进行映射之后,长袖对应的词向量可能是(0.88,0.02,0.01,0.03)。应当说明的,长袖对应的词向量的值可分别标识长袖与上衣、裤子、鞋子、帽子之间的相关性强弱;从上可以看出,长袖与上衣之间的相关性强,长袖分别与裤子、鞋子、帽子之间的相关性弱。通过词向量转换模型对九分裤进行映射之后,九分裤对应的词向量(0.01,0.98,0.02,0.03)。应当说明的,九分裤对应的词向量的值可分别标识九分裤与上衣、裤子、鞋子、帽子之间的相关性强弱;从上可以看出,九分裤与裤子之间的相关性强,九分裤分别与上衣、鞋子、帽子之间的相关性弱。
处理过程二:对每个子特征向量中第i个维度上的数值进行计算,以获得所述待识别服饰对应的第一特征向量第i个维度上的数值,其中,1≤i≤N。
应当说明的,对每个子特征向量中第i个维度上的数值进行计算,以获得待识别服饰对应的第一特征向量第i个维度上的数值,可包括但不限于途径1及途径2,其中,
途径1:对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为第一属性标签第i个维度上的数值。
下面结合下述示例对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为第一属性标签第i个维度上的数值。具体可包括如下步骤。
首先,假设N等于4,如果通过Word2Vec工具等词向量转换模型将识别出的服饰的第一属性标签的4个子标签(长袖,中长款,V领,中长裙)分别进行映射,以分别获得4个子标签对应的子特征向量,其中,长袖对应的子特征向量为(1,2,3,4)、中长款对应的子特征向量为(5,6,7,8)、V领对应的子特征向量为(9,10,11,12)、中长裙对应的子特征向量为(3,5,4,7),应当说明的,长袖对应的子特征向量可为长袖在语义上的一种表示形式,中长款对应的子特征向量可为中长款在语义上的一种表示形式,V领对应的子特征向量可为V领在语义上的一种表示形式,中长裙对应的子特征向量可为中长裙在语义上的一种表示形式。
然后,对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为第一属性标签第i个维度上的数值。第i个维度上的数值的加权平均运算公式为:第i个维度上的加权平均数为yi=(xi1fi1+xi2fi2+…xinfin)/n,其中,xi1,xi2,…,xin为第i个维度上的各个数值,fi1,fi2,…,fin为第i个维度上每个数值对应的权重,fi1+fi2+…+fin=n。通过数值和权重的乘积计算,并进一步求平均值。在本申请实施例中,fi1+fi2+…+fin=1,即第i个维度上的加权平均数为yi=xi1fi1+xi2fi2+…xinfin。
以每个子特征向量的各个维度上的数值分别对应的权重都为0.25为例,具体的加权平均运算过程如下:
第1维:(0.25*1+0.25*5+0.25*9+0.25*3)/(0.25+0.25+0.25+0.25)=4.5
第2维:(0.25*2+0.25*6+0.25*10+0.25*5)/(0.25+0.25+0.25+0.25)=5.75
第3维:(0.25*3+0.25*7+0.25*11+0.25*4)/(0.25+0.25+0.25+0.25)=6.25
第4维:(0.25*4+0.25*8+0.25*12+0.25*7)/(0.25+0.25+0.25+0.25)=7.75
因而,第一特征向量可为(4.5,5.75,6.25,7.75)。
例如,继续引用上述的例子,维数i为4,以每个子特征向量的各个维度上的数值对应的权重fi1、fi2、fi3以及fi4分别为0.1、0.2、0.3和0.4时,即fi1+fi2+fi3+fi4=1第一特征向量的4个维度上的加权平均数的运算分别为:第1维:(0.1*1+0.2*5+0.3*9+0.4*3)/1=5
第2维:(0.1*2+0.2*6+0.3*10+0.4*5)/1=6.4
第3维:(0.1*3+0.2*7+0.3*11+0.4*4)/1=6.6
第4维:(0.1*4+0.2*8+0.3*12+0.4*7)/1=8.4
因此,第一特征向量维(5,6.4,6.6,8.4)。
途径2:对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为第一属性标签第i个维度上的数值。具体可包括如下步骤:
首先,假设N等于4,如果通过Word2Vec工具等词向量转换模型将识别出的服饰的第一属性标签的4个子标签(长袖,中长款,V领,中长裙)分别进行映射,以分别获得4个子标签对应的子特征向量,其中,长袖对应的子特征向量为(1,2,3,4)、中长款对应的子特征向量为(5,6,7,、8)、V领对应的子特征向量为(9,10,11,12)、中长裙对应的子特征向量为(3,5,4,7)。
然后,对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为第一属性标签第i个维度上的数值。具体的运算过程如下:
第1维:9
第2维:10
第3维:11
第4维:12
因而,第一特征向量可为(9,10,11,12)。
S103、将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。
具体的,可通过风格识别模型根据输入的第一特征向量获得第一参量(可用于表征服饰的风格标签的值),进而,通过风格识别模型将第一参量分别与已存的多个参量进行比较,并从已存的多个参量中,确定出与第一参量最接近的目标参量,最后通过风格识别模型可输出目标参量对应的服饰的服饰风格标签。
下面例举一个示例对上述过程进行说明。该示例可包括但不限于以下步骤:
步骤1:通过风格识别模型根据输入的第一特征向量获得的第一参量为4.1。
步骤2:通过风格识别模型将第一参量分别与已存的多个参量(1,2,3,4,5,6,7)进行比较,其中,多个参量中每一个参量对应一种服饰的服饰风格标签。
步骤3:通过风格识别模型从已存的多个参量中,确定出与第一参量最接近的目标参量为4。
步骤4:通过风格识别模型根据目标参量4对应的第一风格标签,并输出第一风格标签。
本申请实施例中,随机森林模型可为一种优选的用于识别服饰的服饰风格的风格识别模型,因为随机森林模型的鲁棒性较高,对特征向量的缺失值不太敏感,不需繁琐的交叉验证过程,且模型训练的效率或速度较高。
应当说明的,将第一特征向量输入风格识别模型之前,还可以先对大量描述服饰风格和属性标签的数据进行训练,从而得到该风格识别模型。训练得到风格识别模型的方式包括但不限于如下步骤:
步骤1:从服饰领域的语料库中,获取每个服饰的第二属性标签以及每个服饰的第二风格标签。
具体的,以服饰领域的语料库为京东商城、淘宝网或聚美优品等购物平台的服饰售卖网站为例。例如,可查询京东商城、淘宝等购物平台中的服饰的详情介绍(包括服饰的领型、品牌,厂家、编号、颜色、袖型或袖长等属性标签),进而,分别对服饰领域的语料库中每一件服饰的详情介绍进行去重处理,分别将去重后的服饰的中衣款、长袖、V领等详情介绍作为该服饰的第二属性标签,将服饰的欧美风格等详情介绍作为该服饰的第二风格标签(还可通过人工判断出该服饰的服饰风格,为该服饰打上欧美风格的服饰风格标签)。
应当说明的,服饰领域的语料库可包括但不限于:存储有服饰图像的ImageNet、PASCALVOC或COCO(Common Objects in Context)等图像数据集、存储有中服饰的描述信息的京东商城、淘宝等购物平台的服饰售卖网站。
步骤2:对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量。
具体的,可通过Word2vec模型等词向量模型对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量。
例如,长袖及V领等第二属性标签可用“上衣、裤子、鞋子、帽子”4个维度来表示,其中,经过Word2vec模型等词向量模型对长袖进行向量转换之后,可获得长袖对应的第二特征向量(0.88,0.02,0.01,0.03);经过Word2vec模型等词向量模型对V领进行向量转换之后,可获得V领对应的第二特征向量(0.99,0.01,0.02,0.03)。具体原理可以参照前面将第一属性标签转换为第一特征向量的方式。
步骤3:将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用训练数据对待训练模型进行训练,以得到风格识别模型。具体的,
首先,将第j个服饰对应的第二特征向量输入待训练模型,得到第三风格标签。其中,1≤j≤T,T为大于或等于1的正整数。
然后,根据第三风格标签及第j个服饰的第二风格标签,计算总损失。
更具体的,通过损失(loss)函数计算出第三风格标签及第j个服饰的第二风格标签之间的损失,之后将计算出的损失进行累加,计算出总损失,该总损失体现了当前的待训练模型的预测结果与实际结果之间的偏差量。
最后,根据总损失优化待训练模型的参数,以得到风格识别模型,其中,优化的目的是使得优化后的待训练识别模型的预测结果与实际结果更加接近,通过这样迭代优化可以最终使得得到的待训练模型的预测结果与实际结果之间的损失不超过预先设定的偏差值,最终得到的待训练模型即为该风格识别模型。
应当说明的,待训练模型的参数可包括但不限于:待训练模型的最大训练次数、训练要求精度、学习率、训练迭代次数、最大训练时间、动量因子、权值变化增长量或权值变化减小量等等。
采用上述方法,获取待识别服饰的第一属性标签。然后,对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量。最后,将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。可以看出,通过对服饰的第一属性标签进行识别,进而将识别出的第一属性标签进行向量化处理,并结合风格识别模型以实现服饰的风格的识别,识别准确率较高。
图2是本申请提供的一种服饰风格的识别系统的架构图。如图2所示,系统可包括但不限于:属性标签识别模块201、词向量转换模块202或服饰风格识别模块203。其中,
属性标签识别模块201,可用于对服饰图像中的服饰的第一属性标签进行识别。应当说明的,待识别服饰的第一属性标签可包括但不限于:待识别服饰的类别信息或属性信息。
其中,待识别服饰的类别信息可包括但不限于:
上衣、外套、连身裙、半身裙、裤子、连身裤等,此处不作具体限定。
待识别服饰的属性信息可包括但不限于:
颈部设计、领口设计、袖长、衣长、裙型、裤型等若干大类,每个大类可以具体划分为若干子属性信息,例如,领口设计可以分为圆领、立领、V领、西装领、一字领等,裤型可以分为哈伦裤、喇叭裤、小脚裤等
应当说明的,属性标签识别模块201,可用于通过以下方式获取待识别服饰的第一属性标签。
方式1:通过图像识别的方式从服饰图像中获得到待识别服饰的第一属性标签。
方式2:通过语音输入的方式获取到待识别服饰的第一属性标签。
方式3:通过文字输入的方式获取到待识别服饰的第一属性标签。
方式4:通过查询网页中服饰的描述信息的方式,来获取到待识别服饰的第一属性标签。
词向量转换模块202,可用于:
步骤一:通过词向量转换模型对第一属性标签的M个子标签进行映射,以获得M个子标签对应的M个子特征向量,每个子特征向量包括N个维度,M、N均为大于或等于1的正整数。
应当说明的,词向量转换模型可包括但不限于:Word2vec模型、神经语言程序学(Neuro-Linguistic Programming,NLP)或高级的词向量表示模型(GlobalVectors forWord Representation,glove)模型等。
步骤二:对每个子特征向量中第i个维度上的数值进行计算,以获得待识别服饰对应的第一特征向量第i个维度上的数值,其中,1≤i≤N。
对每个子特征向量中第i个维度上的数值进行计算,以获得待识别服饰对应的第一特征向量第i个维度上的数值,具体可包括但不限于方式一及方式二,其中,
方式一:对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为第一属性标签第i个维度上的数值。
方式二:对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为第一属性标签第i个维度上的数值。
服饰风格识别模块203,可用于通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。
具体可用于:具体的,可通过风格识别模型根据输入的第一特征向量获得第一参量(可用于表征服饰的风格标签的值),进而,通过风格识别模型将第一参量分别与已存的多个参量进行比较,并从已存的多个参量中,确定出与第一参量最接近的目标参量,最后通过风格识别模型可输出目标参量对应的服饰的服饰风格标签。
本申请实施例中,随机森林模型可为一种优选的用于识别服饰的服饰风格的风格识别模型,因为随机森林模型的鲁棒性较高,对特征向量的缺失值不太敏感,不需繁琐的交叉验证过程,且模型训练的效率或速度较高,故用户体验较高。
综上所述,本申请实施例提供了一种服饰风格的识别系统。属性标签识别模块201可用于通过识别以获取待识别服饰的第一属性标签。词向量转换模块202可用于对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量。服饰风格识别模块203可用于通过风格识别模型根据输入的第一特征向量输出待识别服饰的第一风格标签。可以看出,通过对服饰的第一属性标签进行识别,进而将识别出的第一属性标签进行向量化处理,并结合风格识别模型以实现服饰的风格的识别,识别准确率较高。
可理解的,图2实施例中未提供的相关定义和说明可参考图1的方法实施例,此处不再赘述。
参见图3,是本申请提供的一种服饰风格的识别装置。如图3所示,装置30包括:获取单元301、转换单元302、分类单元303。其中:
获取单元301,可用于获取待识别服饰的第一属性标签。
转换单元302,可用于对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量。
分类单元303,可用于将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。
转换单元302,具体用于:
通过词向量转换模型对第一属性标签的M个子标签进行映射,以获得M个子标签对应的M个子特征向量,每个子特征向量包括N个维度,M、N均为大于或等于1的正整数。
对每个子特征向量中第i个维度上的数值进行计算,以获得待识别服饰对应的第一特征向量第i个维度上的数值,其中,1≤i≤N。
更具体的,转换单元302用于对每个子特征向量中第i个维度上的数值进行计算,以获得待识别服饰对应的第一特征向量第i个维度上的数值,可包括但不限于以下方式:
方式1:对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为第一属性标签第i个维度上的数值。
方式2:对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为第一属性标签第i个维度上的数值。
应当说明的,获取单元301,还用于:在分类单元303用于将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签之前,从服饰领域的语料库中,获取每个服饰的第二属性标签以及每个服饰的第二风格标签;转换单元302,还用于:对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量;
装置30包括:获取单元301、转换单元302、分类单元303之外,还可包括:训练单元,用于将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用训练数据对待训练模型进行训练,以得到风格识别模型。
通过训练单元将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用训练数据对待训练模型进行训练,以得到风格识别模型,具体可包括但不限于以下过程:
过程1:将第j个服饰对应的第二特征向量输入待训练模型,得到第三风格标签。
过程2:根据第三风格标签及第j个服饰的第二风格标签,计算总损失。
过程3:根据总损失优化待训练模型的参数,以得到风格识别模型。
综上所述,本申请实施例提供了一种服饰风格的装置。首先,装置30通过获取单元301获取待识别服饰的第一属性标签;然后,装置30通过转换单元302对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量;最后,装置30通过分类单元303将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。从上可以看出,通过对服饰的第一属性标签进行识别,进而将识别出的第一属性标签进行向量化处理,并结合风格识别模型以实现服饰的风格的识别,识别准确率较高。
应当理解,装置30仅为本申请实施例提供的一个例子,并且,装置30可具有比示出的部件更多或更少的部件,可以组合两个或更多个部件,或者可具有部件的不同配置实现。
可理解的,关于图3的装置30包括的功能块的具体实现方式,可参考前述图1、图2所述的实施例,这里不再赘述。
图4是本申请提供的一种服饰风格的识别设备的结构示意图。本申请实施例中,设备可以包括移动手机、平板电脑、个人数字助理(PersonalDigital Assistant,PDA)、移动互联网设备(Mobile Internet Device,MID)、智能穿戴设备(如智能手表、智能手环)等各种设备,本申请实施例不作限定。如图4所示,设备40可包括:芯片401、存储器402(一个或多个计算机可读存储介质)、外围系统403。这些部件可在一个或多个通信总线404上通信。
芯片401可包括:一个或多个处理器(CPU)405。
处理器405,具体可用于以下步骤:
步骤1:获取待识别服饰的第一属性标签。
步骤2:对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量。
步骤3:将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。
存储器402与处理器405耦合,可用于存储各种软件程序和/或多组指令。具体实现中,存储器402可包括高速随机存取的存储器,并且也可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器402可以存储操作系统(下述简称系统),例如ANDROID,IOS,WINDOWS,或者LINUX等嵌入式操作系统。存储器402还可以存储网络通信程序,该网络通信程序可用于与一个或多个附加设备,一个或多个设备,一个或多个网络设备进行通信。存储器402还可以存储用户接口程序,该用户接口程序可以通过图形化的操作界面将应用程序的内容形象逼真的显示出来,并通过菜单、对话框以及按键等输入控件接收用户对应用程序的控制操作。
可理解的,存储器402可用于存储实现服饰的服饰风格识别方法的实现代码。
存储器402还可以存储一个或多个应用程序。这些应用程序可包括:K歌程序、社交应用程序(例如Facebook),图像管理应用程序(例如相册),地图类应用程序(例如谷歌地图),浏览器(例如Safari,Google Chrome)等等。
外围系统403主要用于实现设备40用户/外部环境之间的交互功能,主要包括设备40的输入输出装置。具体实现中,外围系统403可包括:显示屏控制器406、摄像头控制器407以及音频控制器408。其中,各个控制器可与各自对应的外围设备(如显示屏409、摄像头410以及音频电路411)耦合。在一些实施例中,显示屏可以配置有自电容式的悬浮触控面板的显示屏,也可以是配置有红外线式的悬浮触控面板的显示屏。在一些实施例中,摄像头410可以是3D摄像头。需要说明的,外围系统403还可以包括其他I/O外设。
综上所述,本申请实施例提供了一种服饰风格的设备。首先,设备40通过处理器405获取待识别服饰的第一属性标签;然后,设备40通过处理器405对第一属性标签进行词向量转换,以获得待识别服饰对应的第一特征向量;最后,设备40通过处理器405将第一特征向量输入风格识别模型,通过风格识别模型根据第一特征向量输出待识别服饰的第一风格标签。可以看出,通过对服饰的第一属性标签进行识别,进而将识别出的第一属性标签进行向量化处理,并结合风格识别模型以实现服饰的风格的识别,识别准确率较高。
应当理解,设备40仅为本申请实施例提供的一个例子,并且,设备40可具有比示出的部件更多或更少的部件,可以组合两个或更多个部件,或者可具有部件的不同配置实现。
可理解的,关于图4的设备40包括的功能块的具体实现方式,可参考前述图1、图2所述的实施例,这里不再赘述。
本申请提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现。
该计算机可读存储介质可以是前述任一实施例所述的设备的内部存储单元,例如设备的硬盘或内存。该计算机可读存储介质也可以是设备的外部存储设备,例如设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步的,该计算机可读存储介质还可以既包括设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储计算机程序以及设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请还提供一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,该计算机包括电子装置。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
上述描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、设备或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种服饰风格的识别方法,其特征在于,所述服饰风格的识别方法包括:
获取待识别服饰的第一属性标签;
对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量;
将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签。
2.如权利要求1所述的方法,其特征在于,所述对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量,包括:
通过词向量转换模型对所述第一属性标签的M个子标签进行映射,以获得所述M个子标签对应的M个子特征向量,每个子特征向量包括N个维度,M、N均为大于或等于1的正整数;
对每个子特征向量中第i个维度上的数值进行计算,以获得所述待识别服饰对应的第一特征向量第i个维度上的数值,其中,1≤i≤N。
3.如权利要求2所述的方法,其特征在于,所述对每个子特征向量中第i个维度上的数值进行计算,以获得所述待识别服饰对应的第一特征向量第i个维度上的数值,包括:
对每个子特征向量中第i个维度上的数值进行加权平均运算,并将运算结果作为所述第一属性标签第i个维度上的数值;
或者,
对每个子特征向量中第i个维度上的数值进行比较,并将第i个维度上的最大值作为所述第一属性标签第i个维度上的数值。
4.如权利要求1所述的方法,其特征在于,所述将所述第一特征向量输入风格识别模型之前,所述方法还包括:
从服饰领域的语料库中,获取每个服饰的第二属性标签以及每个服饰的第二风格标签;
对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量;
将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用所述训练数据对待训练模型进行训练,以得到所述风格识别模型。
5.如权利要求4所述的方法,其特征在于,所述将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用所述训练数据对待训练模型进行训练,以得到所述风格识别模型,包括:
将第j个服饰对应的第二特征向量输入所述待训练模型,得到第三风格标签;
根据所述第三风格标签及所述第j个服饰的第二风格标签,计算总损失;
根据所述总损失优化所述待训练模型的参数,以得到所述风格识别模型。
6.一种服饰风格的识别装置,其特征在于,包括:
获取单元,用于获取待识别服饰的第一属性标签;
转换单元,用于对所述第一属性标签进行词向量转换,以获得所述待识别服饰对应的第一特征向量;
分类单元,用于将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签。
7.如权利要求6所述的装置,其特征在于,所述转换单元,具体用于:
通过词向量转换模型对所述第一属性标签的M个子标签进行映射,以获得所述M个子标签对应的M个子特征向量,每个子特征向量包括N个维度,M、N均为大于或等于1的正整数;
对每个子特征向量中第i个维度上的数值进行计算,以获得所述待识别服饰对应的第一特征向量第i个维度上的数值,其中,1≤i≤N。
8.如权利要求6所述的装置,其特征在于,
所述获取单元,还用于:在所述分类单元用于将所述第一特征向量输入风格识别模型,通过所述风格识别模型根据所述第一特征向量输出所述待识别服饰的第一风格标签之前,从服饰领域的语料库中,获取每个服饰的第二属性标签以及每个服饰的第二风格标签;所述转换单元,还用于:对每个服饰的第二属性标签进行词向量转换,以获得每个服饰对应的第二特征向量;
所述装置,还包括:训练单元,用于将每个服饰对应的第二特征向量以及每个服饰的第二风格标签作为训练数据,并用所述训练数据对待训练模型进行训练,以得到所述风格识别模型。
9.一种服饰风格的识别设备,其特征在于,包括:输入设备、输出设备、存储器以及耦合于所述存储器的处理器,所述输入设备、输出设备、处理器和存储器相互连接,其中,所述存储器用于存储用于实现服饰风格的识别的程序代码,所述处理器被配置用于调用所述程序代码,执行如权利要求1-5任一项所述服饰风格的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述服饰风格的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179615.8A CN111666963B (zh) | 2019-03-07 | 2019-03-07 | 一种服饰风格的识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179615.8A CN111666963B (zh) | 2019-03-07 | 2019-03-07 | 一种服饰风格的识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666963A true CN111666963A (zh) | 2020-09-15 |
CN111666963B CN111666963B (zh) | 2023-10-13 |
Family
ID=72382123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910179615.8A Active CN111666963B (zh) | 2019-03-07 | 2019-03-07 | 一种服饰风格的识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666963B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163926A (zh) * | 2020-09-24 | 2021-01-01 | 深圳莱尔托特科技有限公司 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056132A (zh) * | 2016-05-19 | 2016-10-26 | 东华大学 | 一种基于傅里叶描述子和支持向量机的服装款式识别方法 |
CN106874296A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
CN109145294A (zh) * | 2018-08-07 | 2019-01-04 | 北京三快在线科技有限公司 | 文本实体识别方法及装置、电子设备、存储介质 |
CN109344872A (zh) * | 2018-08-31 | 2019-02-15 | 昆明理工大学 | 一种少数民族服装图像的识别方法 |
-
2019
- 2019-03-07 CN CN201910179615.8A patent/CN111666963B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874296A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
CN106056132A (zh) * | 2016-05-19 | 2016-10-26 | 东华大学 | 一种基于傅里叶描述子和支持向量机的服装款式识别方法 |
CN109145294A (zh) * | 2018-08-07 | 2019-01-04 | 北京三快在线科技有限公司 | 文本实体识别方法及装置、电子设备、存储介质 |
CN109344872A (zh) * | 2018-08-31 | 2019-02-15 | 昆明理工大学 | 一种少数民族服装图像的识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163926A (zh) * | 2020-09-24 | 2021-01-01 | 深圳莱尔托特科技有限公司 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
CN112163926B (zh) * | 2020-09-24 | 2024-04-09 | 深圳莱尔托特科技有限公司 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111666963B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846327B2 (en) | Visual attribute determination for content selection | |
US20200342320A1 (en) | Non-binary gender filter | |
US9607010B1 (en) | Techniques for shape-based search of content | |
US10089680B2 (en) | Automatically fitting a wearable object | |
US20170262959A1 (en) | Browsing interface for item counterparts having different scales and lengths | |
KR102227896B1 (ko) | 영상데이터의 외형서술데이터 획득 방법, 장치 및 프로그램 | |
US9324102B2 (en) | System and method to retrieve relevant inventory using sketch-based query | |
US20150302515A1 (en) | Method, apparatus, and system for simulating objects | |
CN109643212A (zh) | 3d文档编辑系统 | |
WO2018035164A1 (en) | Description information generation and presentation systems, methods, and devices | |
US20160098091A1 (en) | Method, device, system and non-transitory computer-readable recording medium for providing user interface | |
US10026176B2 (en) | Browsing interface for item counterparts having different scales and lengths | |
KR102469717B1 (ko) | 오브젝트에 대한 검색 결과를 제공하기 위한 전자 장치 및 이의 제어 방법 | |
JP6114706B2 (ja) | 検索システム及び検索システムの制御方法 | |
WO2014154033A1 (en) | Method and apparatus for extracting web page content | |
CN112330383A (zh) | 用于基于可视元素的物品推荐的设备及方法 | |
CN110909746A (zh) | 一种服饰推荐方法、相关装置和设备 | |
US20200265233A1 (en) | Method for recognizing object and electronic device supporting the same | |
US20200372560A1 (en) | Method for exploring and recommending matching products across categories | |
US20210150243A1 (en) | Efficient image sharing | |
CN111666963B (zh) | 一种服饰风格的识别方法、装置及设备 | |
US20160379033A1 (en) | Interaction method and apparatus | |
CN111142663A (zh) | 一种手势识别方法及手势识别系统 | |
US20220300550A1 (en) | Visual Search via Free-Form Visual Feature Selection | |
CN108141474B (zh) | 与外部设备共享内容的电子设备及其用于共享内容的方法 |
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 |