CN113158272A - 个性化服装定制的自动打版方法和系统 - Google Patents
个性化服装定制的自动打版方法和系统 Download PDFInfo
- Publication number
- CN113158272A CN113158272A CN202110338253.XA CN202110338253A CN113158272A CN 113158272 A CN113158272 A CN 113158272A CN 202110338253 A CN202110338253 A CN 202110338253A CN 113158272 A CN113158272 A CN 113158272A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- body type
- size data
- outputting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007639 printing Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000012986 modification Methods 0.000 claims abstract description 19
- 230000004048 modification Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007635 classification algorithm Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 39
- 210000001624 hip Anatomy 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 241001456553 Chanodichthys dabryi Species 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 7
- 210000001015 abdomen Anatomy 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 210000001981 hip bone Anatomy 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000037237 body shape Effects 0.000 description 9
- 210000002414 leg Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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]
- G06Q30/0621—Item configuration or customization
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/16—Customisation or personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/12—Cloth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种个性化服装定制的自动打版方法和系统;所述方法包括:获取用户的净体尺寸数据和需求数据;将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据;获取用户的人体图像数据;将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签;根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则;将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。本申请的方案基于人工智能机器学习算法,使整个服装定制流程达到智能化和自动化,能够排除掉实际生产过程中由人为因素导致的不确定性,提升最终服装尺寸的准确度和舒适度。
Description
技术领域
本申请涉及服装定制生产技术领域,具体涉及一种个性化服装定制的自动打版方法和系统。
背景技术
目前行业现状普遍依赖制版师的人工经验来为客户制版,在这一过程中严重依赖版型师自己的从业经验。但是不同的版型师经验是不一样的,即使用相同的版型来为同一客户制版,也会生成完全不一样的成衣数据结果。在制版过程中,很多版型师的主观能动性充满了不确定性,这极大地影响了最终成品的准确率和稳定性,而且无法准确衡量哪个版型师做的更好,因为实际生活中,客户不可能下一单让两个版型师来做。至于针对难度系数更高的体型特体识别、变更项目和版型调整规则的生成更加无法达到经验化和统一化。
相关技术中,一些技术方案输入服装款型参数的步骤比较繁琐,对数据要求较高;其通过手工标定关键点和结构线图的方法也要求操作者有比较丰富的行业经验知识,操作过程繁琐、效率不高,无法实现毫秒级制版,人工成本较高;因其本身的局限性(不具有普适性)可扩展性差,无法对整个服装定制行业的生产效率带来有效提高。
此外,制版师的人工费用非常高,衣服的版型库对工厂来说价值更是无法衡量,这也限制了服装定制行业的发展。传统的高级定制流程中,严重依赖版型师的人工经验,这种情况导致了低效率、高返修等问题。
总而言之,从客户人体净体数据到成衣尺寸数据的映射需要经过专业版型师繁琐的制版工艺,效率低下并且代价昂贵,这种打版方式已经无法满足当下大规模定制化的市场需求。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种个性化服装定制的自动打版方法和系统。
根据本申请实施例的第一方面,提供一种个性化服装定制的自动打版方法,包括:
获取用户的净体尺寸数据和需求数据;
将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据、变更项目和初始的版型调整规则;
获取用户的人体图像数据;
将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签;
根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则;
将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。
进一步地,所述净体尺寸数据为服装定制行业通用的多个维度的属性数据,至少包括:衣长、袖长、肩宽、胸围、裤长、腰围、臀围;
所述需求数据包括:与成衣尺寸相关联的第一需求数据、与变更项目相关联的第二需求数据;其中,第一需求数据至少包括修身、宽松、合身、袖稍长、袖稍短、九分裤、七分裤、裤腿稍肥、裤腿稍瘦、肩稍窄、肩稍宽、衣长稍长、衣长稍短;第二需求数据至少包括挽裤脚、袖稍肥、袖稍瘦;
所述成衣尺寸数据包括服装定制所需的不同维度的成衣属性。
所述版型调整规则是根据所述需求数据进行制版CAD的变更和调整的数据。
进一步地,所述自动打版算法模型的训练过程包括:
分别遍历不同部位的成衣属性,采用相关系数法计算与各部位的成衣属性最相关的N个净体尺寸数据;
将特征选择后的净体尺寸数据,通过随机采样分割为训练数据集和测试数据集;
通过K-Fold交叉训练方法,将训练数据集平均分为若干份,不断交叉训练和验证;
采用机器学习回归算法训练模型,并对模型参数进行设置,选择模型效果最优的参数并将其保存;
用保存的最优模型对测试数据集中的净体尺寸数据进行测试,输出成衣尺寸数据,并根据输出的成衣尺寸数据计算平均绝对误差MAE;
采用增强学习方法对保存的最优模型进行迭代优化。
进一步地,所述对模型参数进行设置,包括:自动寻参和/或手动设置参数;
所述选择模型效果最优的参数,包括:采用回归模型的损失函数评估方法来确定效果最优的参数;其中,所述损失函数包括平方根误差和/或平均绝对误差。
进一步地,所述采用增强学习方法对保存的最优模型进行迭代优化,包括:
判断计算结果MAE是否可信;
如果可信,将对应测试数据集中的净体尺寸数据以及模型输出的对应的成衣尺寸数据一起加入训练集,迭代训练模型;
如果不可信,根据预设的版型调整规则由人工进行调版修改,然后再次计算MAE并判断其是否可信,再次进行迭代。
进一步地,所述体型分类算法模型的训练过程包括:
通过多途径采集人体正面和/或背面以及侧面的体型图像,并对采集到的图像进行裁剪和筛选;
根据预先设定的体型特征将图片进行分类和标注;
将带标注的图像按预定比例随机分为训练集和测试集;
将训练集的图像输入基于深度学习的计算机视觉AI算法模型,利用随机梯度下降法训练并拟合体型特征,生成人体体型分类算法模型;
通过验证集对算法模型进行验证。
进一步地,所述将人体图像数据输入预训练的体型分类算法模型中进行处理,包括:
构建算法的卷积神经网络,初始化并载入预训练好的网络参数;
将预处理后的图像输入到卷积神经网络中,进行特征提取,得到特征图;
通过RPN网络对提取出的特征区域进行细化,得到细化后的特征区域;
通过双线性插值的方法进行RoIAlign操作,对特征图进行处理,使每个特征区域生成固定尺寸的特征图;
通过分类分支获取目标的类别信息,通过回归分支获取目标框的坐标信息,通过掩码网络获取掩码信息;
将类别信息、坐标信息和掩码信息应用于特征图,获取人体体型类别的实例分割和人体体型类别标签。
进一步地,所述预先设定的体型特征包括正常体和特体;
人体正面图像的特体种类包括:溜肩体、平肩体、右肩低和左肩低;
人体侧面图像的特体种类包括:凸肚体、驼背体、弯腰驼背体、挺胸体、挺胸仰体、弯腰体、圆背体和平背体;
人体臀部图像的特体种类包括:翘臀体、平臀体、高胯骨、前腰低位和两腿间宽体/窄体;
每个人体均对应正面、侧面、臀部三个部位的体型特征的组合。
根据本申请实施例的第二方面,提供一种个性化服装定制的自动打版系统,包括:
净体数据获取单元,用于获取用户的净体尺寸数据和需求数据;
打版算法单元,用于将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据、变更项目和初始的版型调整规则;
图像数据获取单元,用于获取用户的人体图像数据;
体型分类单元,用于将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签;
数据修正单元,用于根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则;
文件输出单元,用于将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。
本申请的实施例提供的技术方案具备以下有益效果:
本申请的方案基于人工智能机器学习算法,使整个服装定制流程达到智能化和自动化,能够排除掉实际生产过程中由人为因素导致的不确定性,提升最终服装尺寸的准确度和舒适度;本申请应用于个性化服装定制流程中,成衣尺寸数据可以在毫秒级的时间内自动生成,极大地提升了服装定制行业的生产效率;并且通过易于推广的版型库,可以赋予中小企业工厂高级定制的能力,全面推动服装定制行业的发展。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种个性化服装定制的自动打版方法的流程图。
图2是根据一示例性实施例示出的一种自动打版算法模型流程图。
图3是根据一示例性实施例示出的人体体型识别算法的流程示意图。
图4(a)是根据一示例性实施例示出的人体肩部正常体特征的原始图像和二值图像。
图4(b)是根据一示例性实施例示出的人体右肩低特征的原始图像和二值图像。
图4(c)是根据一示例性实施例示出的人体左肩低特征的原始图像和二值图像。
图5(a)是根据一示例性实施例示出溜肩弯腰驼背体的体型和样片示例。
图5(b)是根据一示例性实施例示出平肩凸肚体的体型和样片示例。
图6(a)是根据一示例性实施例示出的正常体型身长加减的样片示例。
图6(b)是根据一示例性实施例示出的正常体型胸围加减的样片示例。
图6(c)是根据一示例性实施例示出的正常体型肩宽加减的样片示例。
图7是根据一示例性实施例示出的Mask R-CNN算法的结构示意图。
图8是根据一示例性实施例示出的个性化服装定制的自动打版系统的网络拓扑结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和装置的例子。
图1是根据一示例性实施例示出的一种个性化服装定制的自动打版方法的流程图。该方法可以包括以下步骤:
步骤S1:获取用户的净体尺寸数据和需求数据。具体地,可以从线上和线下等多种不同途径(比如,在线商城、在线平台和线下门店)的订单中提取净体尺寸数据和需求数据。
需要说明的是,对于从服装订单中提取的多种数据,需要进行数据标准化、归一化和数据变换,以满足算法模型的输入格式要求。
步骤S2:将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据、变更项目和初始的版型调整规则。
步骤S3:获取用户的人体图像数据。
步骤S4:将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签。
步骤S5:根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则。
步骤S6:将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。具体地,可以按照后续服装CAD制版软件的要求生成与订单相对应的文件,输出的数据文件格式为可扩展、可定制化的。
最后,可以将上述步骤生成的成衣尺寸数据文件输出到下级系统或软件中,输出接口形式包括但不局限于单机软件、联网软件和云服务器等。
本申请的方案基于人工智能机器学习算法,使整个服装定制流程达到智能化和自动化,能够排除掉实际生产过程中由人为因素导致的不确定性,提升最终服装尺寸的准确度和舒适度;本申请应用于个性化服装定制流程中,成衣尺寸数据可以在毫秒级的时间内自动生成,极大地提升了服装定制行业的生产效率;并且通过易于推广的版型库,可以赋予中小企业工厂高级定制的能力,全面推动服装定制行业的发展。
下面结合具体的应用场景,对本申请的方案进行拓展说明。
一些实施例中,所述净体尺寸数据为服装定制行业通用的多个维度的属性数据,至少包括:衣长、袖长、肩宽、胸围、裤长、腰围、臀围。
所述需求数据包括:与成衣尺寸相关联的第一需求数据、与变更项目相关联的第二需求数据;其中,第一需求数据至少包括修身、宽松、合身、袖稍长、袖稍短、九分裤、七分裤、裤腿稍肥、裤腿稍瘦、肩稍窄、肩稍宽、衣长稍长、衣长稍短;第二需求数据至少包括挽裤脚、袖稍肥、袖稍瘦。
所述成衣尺寸数据包括服装定制所需的不同维度的成衣属性。
所述母版版型由专业版型师归纳制作的原创自有服装版型,用于真实高级服装定制生产线生产。
一些实施例中,所述版型调整规则包括:变更调整规则种类、调整变更位置点。
上述版型调整规则可用于所有的款式服装,包括但不限于西装、衬衣、旗袍等等。本发明以西装和旗袍为例进行示例说明,其他款式规则变更与此相同,主要包括上衣变更和下衣变更。其中,上衣变更包括前曲量、后落肩、胸宽、背宽、袖位前后、圆后背、平背、弯腰、挺胸仰体、前撇胸、挺胸、弯腰驼背、驼背、凸肚、溜肩、平肩、袖笼深、袖口、袖肥、肩宽、臀围、重要、胸围、袖长、前衣长和衣长等。下衣变更包括腰围、臀围、横裆、膝围、脚口、裤长、平臀、翘臀、瘦高胯骨、凸肚、立裆、前立裆和后立档等。
上述版型调整规则的类别除了包括行业已有种类,更包括了本发明所提出的细节涉及特体的类别及其版型调整规则,包括前曲量、前撇胸、圆后背、弯腰驼背、挺胸仰体、弯腰、平背、后落肩、溜肩、翘臀、瘦高胯骨和平臀等属性信息及类别。
如图2所示,一些实施例中,所述自动打版算法模型的训练过程包括:
S21:分别遍历不同部位(比如上衣或者裤子)的成衣属性,采用相关系数法(即特征工程中的特征选择方法)计算与各部位的成衣属性最相关的N 个净体尺寸数据;
其中,N个净体尺寸数据可以根据实际应用设置N的具体数值,本方案的实施例采用十八个净体尺寸数据。所述预训练模型的特征工程包括但不限于采用主成分分析法和相关性分析方法确定与各成衣属性相关联的各人体维度属性数据。
S22:将特征选择后的净体尺寸数据,通过随机采样分割为训练数据集和测试数据集。
S23:通过K-Fold交叉训练方法,将训练数据集平均分为若干份,不断交叉训练和验证。
S24:采用机器学习回归算法训练模型,并对模型参数进行设置,选择模型效果最优的参数并将其保存;
一些实施例中,所述对模型参数进行设置,包括:自动寻参和/或手动设置参数。所述选择模型效果最优的参数,包括:采用回归模型的损失函数评估方法来确定效果最优的参数;其中,所述损失函数包括但不限于平方根误差(R_squared)和/或平均绝对误差(MAE,Mean Absolute Error)。
所述自动打版算法模型包括但不限于所有的回归算法。同时,随着工厂数量和规模的增加,通过上述版型调整规则获取更多数据后,可通过增强学习方法来提升回归模型准确度。
S25:用保存的最优模型对测试数据集中的净体尺寸数据进行测试,输出成衣尺寸数据,并根据输出的成衣尺寸数据计算平均绝对误差MAE。
S26:采用增强学习方法对保存的最优模型进行迭代优化。
本申请的自动打版算法模型为基于从大量真实的成净体尺寸特征数据、成衣尺寸数据、变更项目及数据和客户喜好需求训练得到的机器学习回归算法模型;基于已有的母版版型和版型调整规则可帮助工厂快速积累客户真实数据,便于模型的优化和本申请生产方式的推广;将所述自动打版算法模型的计算结果按照后续服装CAD制版软件的要求自动生成相对应订单的成衣尺寸和变更项目及数据的文件,真正实现“一人一版”。同时,随着工厂和订单数据的增加,可将更多可信数据通过增强学习方法模型用于提高模型精度。
参照图2,一些实施例中,所述采用增强学习方法对保存的最优模型进行迭代优化,包括:
S261:判断计算结果MAE是否可信;
S262:如果可信,将对应测试数据集中的净体尺寸数据以及模型输出的对应的成衣尺寸数据一起加入训练集,迭代训练模型;
S263:如果不可信,根据预设的版型调整规则由人工(具有专业经验的人员)进行调版修改,然后再次计算MAE并判断其是否可信,再次进行迭代。
为了满足大规模服装个性化定制的需求,本方案还通过人工智能算法快速准确识别人体体型信息以及体型对应的版型调整规则,将体型相关数据融合到自动打版算法中,更好地提升成衣尺寸的准确度、舒适度。如图3所示,图中示出了人体体型分类算法的流程。
一些实施例中,所述体型分类算法模型的训练过程包括:
S401:通过多途径采集人体正面和/或背面以及侧面的体型图像,并对采集到的图像进行裁剪和筛选。其中,所述多途径采集可以包括网站爬取、 ImageNet数据集和自有数据整理等。
S402:根据预先设定的体型特征将图片进行分类和标注。
S403:将带标注的图像按预定比例随机分为训练集和测试集。需要使用图像标注工具,由专业人士对裁剪和筛选后的图像进行手动标注,得到人体体型类别特征的二值图像。如图4所示,图4(a)~(c)依次示出了肩部正常体、右肩低、左肩低的示意图。
S404:将训练集的图像输入基于深度学习的计算机视觉AI算法模型,利用随机梯度下降法训练并拟合体型特征,生成人体体型分类算法模型。所述计算机视觉AI算法模型指的是机器学习和深度学习领域中目标检测、目标分割和图像分类等方向涉及到的所有相关算法模型。
S405:通过验证集对算法模型进行验证。
本申请的方案利用计算机视觉中的机器学习和深度学习AI算法,将过往抽象的人为判断体型量化为可解释的算法模型,解决了传统量体无法迅速、准确判断客户体型从而导致服装定制无法及时高效满足客户需要的问题。
本发明提出了正常体和特体的分类标准以及相应的处理规则。一些实施例中,所述预先设定的体型特征包括正常体和特体。
人体正面图像的特体种类包括:溜肩体、平肩体、右肩低和左肩低。人体侧面图像的特体种类包括:凸肚体、驼背体、弯腰驼背体、挺胸体、挺胸仰体、弯腰体、圆背体和平背体。人体臀部图像的特体种类包括:翘臀体、平臀体、高胯骨、前腰低位和两腿间宽体/窄体。每个人体均对应正面、侧面、臀部三个部位的体型特征的组合。
特体的体型和样片示例如图5所示。图5中的示例图从根本途径和修改思路上提供方向方法,可根据不同款式、工艺和客户要求,适当改变参数,调整比例,可方便地增加或删减。而且,图5中同时包含了上体和下体的所有特体体型。图5(a)~(b)分别示出了溜肩弯腰驼背体、平肩凸肚体两种体型的体型和样片示例。需要说明的是,还存在其它未列出的体型。
正常体型的修改范围、参数示例和样片示例如下表所示,其中所述X移动和所述Y移动是指沿X轴和Y轴的放缩比例。参数X和Y的调整区间包括但不限于样片示例所示的区间,图片只是示例说明。需要说明的是,未列出的其它体型,均有对应的预先设置的体型修改规则。
一些实施例中,所述将人体图像数据输入预训练的体型分类算法模型中进行处理,包括:
S411:构建算法的卷积神经网络,初始化并载入预训练好的网络参数;
S412:将预处理后的图像输入到卷积神经网络中,进行特征提取,得到特征图;
S413:通过RPN网络对提取出的特征区域进行细化,得到细化后的特征区域;
S414:通过双线性插值的方法进行RoIAlign操作,对特征图进行处理,使每个特征区域生成固定尺寸的特征图;
S415:通过分类分支获取目标的类别信息,通过回归分支获取目标框的坐标信息,通过掩码网络获取掩码信息;
S416:将类别信息、坐标信息和掩码信息应用于特征图,获取人体体型类别的实例分割。
参照图7,以Mask R-CNN为例进行介绍。Mask R-CNN是深度卷积神经网络,网络架构如图7所示,主要分为几个阶段:卷积神经网络(backbone,主干网络),候选区域生成网络RPN(region proposal network),候选区域分类网络(classification)、回归网络(boxregression)和目标实例的掩码网络(mask branch);网络的最后两部分为并行架构,即同时对候选区域进行目标分类和目标分割。
上述共享卷积层采用的是ResNet101-FPN架构(残差网络结构),用于对全图提取特征,并将得到的特征图(feature maps)送入RPN,候选区域生成网络(RPN)采用滑动窗口在共享特征图中生成预先设定的长宽比的目标框(anchor)即算法感兴趣区域ROI(Regionof Interest))的指定位置;候选区域分类网络由全连接神经网络构成,包括两条分支,一条用于目标框分类,另一条用于目标框回归;最后,目标实例的掩码生成网络也是由全卷积神经网络构成,用于为每个人体局部特征实例生成二值图像的掩码。
卷积神经网络ResNet101-FPN架构中的ResNet101为深度残差网络,具体结构包括五个阶段的子网络。其中,Stage1为CNN构成的输入网络,对输入图像进行卷积池化操作;Stage2-Stage5分别由两种类型的残差块构成。其中一种具体结构名为Identity Block;另一种结构名为Conv Block。
ResNet101-FPN架构中的FPN(Feature pyramid networks)为特征金字塔算法,通过独立预测不同层级的特征,然后通过融合低层特征高分辨率信息和高层特征的高语义信息,来提升模型预测物体位置信息的能力,提升模型检测和分类的整体性能。
经过RPN网络得到区域建议和区域得分,并对区域得分采用非极大值抑制(NMS)算法取出重叠的proposal,输出Top-300得分的区域给RoIAlign 层。然后RoIAlign层使用双线性插值来更精确地找到每个区域对应的特征。
采用上述的人体体型识别模型,本发明可以实现人体体型的简便、快速和准确识别,无需进行繁琐的标注或者人工计算工作,只需要通过客户照片即可快速便捷的识别其人体体型,并提供给服装定制系统来提升服装定制行业的产能和效率。
根据本申请实施例的第二方面,提供一种个性化服装定制的自动打版系统,包括:
订单接收及核验单元,用于接收线上和线下等途径提供的客户需求订单或生产订单;同时对订单内容需按照指定格式的内容进行填写,并对获取到的订单数据进行去重、处理与规范并返回提示信息等操作来提示平台订单数据是否完善。
净体数据获取单元,用于获取用户的净体尺寸数据和需求数据。
数据预处理单元,用于预处理从服装订单中提取到的特征数据和定制需求。
打版算法单元,用于将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据、变更项目和初始的版型调整规则。
增强学习单元,用于将通过算法生成的可信结果及其对应净体尺寸加入模型训练集中,通过增强学习算法不断迭代训练,提升模型回归拟合准确率及其性能。
图像数据获取单元,用于获取用户的人体图像数据。
体型分类单元,用于将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签。
数据修正单元,用于根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则。
文件输出单元,用于将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。
参照图8,本申请的自动打版系统的工作流程是:首先进行服装订单的接收,即,自动打版系统通过服装订单获取接口从线上和线下等不同途径接收客户服装订单,并对订单格式进行核验,即对数据去重、删除空行并返回提示信息等操作来检查并提示订单数据是否有效可用;然后,自动打版系统对所获取的订单进行数据提取,即自动打版系统从获取到的订单数据中提取服装类型、客户人体净体尺寸特征数据及客户喜好需求;然后,自动打版系统对提取出的数据进行预处理,即对订单数据进行标准化、归一化和数据变换等操作,使其符合算法模型的输入要求;然后,自动打版系统通过个性化服装定制自动打版算法对预处理后的数据进行拟合,输出客户成衣尺寸数据及变更项目和版型调整规则;最后,自动打版系统按后续制版软件的要求生成相对应订单的成衣尺寸数据文件,并结束此次自动打版工作。
可见,本申请的方案对服装定制效率带来了显著提升,解决了之前只能依靠版师来人为手工制版并提供变更经验,但返工率及准确率仍然底下的问题,真正提出依靠人工智能方法实现对体型各异的个人实现准确率极高的体型分类及相应的符合每个人自己本身的版型调整规则。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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申请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。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种个性化服装定制的自动打版方法,其特征在于,包括:
获取用户的净体尺寸数据和需求数据;
将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据、变更项目和初始的版型调整规则;
获取用户的人体图像数据;
将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签;
根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则;
将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。
2.根据权利要求1所述的方法,其特征在于,所述净体尺寸数据为服装定制行业通用的多个维度的属性数据,至少包括:衣长、袖长、肩宽、胸围、裤长、腰围、臀围;
所述需求数据包括:与成衣尺寸相关联的第一需求数据、与变更项目相关联的第二需求数据;其中,第一需求数据至少包括修身、宽松、合身、袖稍长、袖稍短、九分裤、七分裤、裤腿稍肥、裤腿稍瘦、肩稍窄、肩稍宽、衣长稍长、衣长稍短;第二需求数据至少包括挽裤脚、袖稍肥、袖稍瘦;
所述成衣尺寸数据包括服装定制所需的不同维度的成衣属性。
3.根据权利要求2所述的方法,其特征在于,所述版型调整规则是根据所述需求数据进行制版CAD的变更和调整的数据。
4.根据权利要求1所述的方法,其特征在于,所述自动打版算法模型的训练过程包括:
分别遍历不同部位的成衣属性,采用相关系数法计算与各部位的成衣属性最相关的N个净体尺寸数据;
将特征选择后的净体尺寸数据,通过随机采样分割为训练数据集和测试数据集;
通过K-Fold交叉训练方法,将训练数据集平均分为若干份,不断交叉训练和验证;
采用机器学习回归算法训练模型,并对模型参数进行设置,选择模型效果最优的参数并将其保存;
用保存的最优模型对测试数据集中的净体尺寸数据进行测试,输出成衣尺寸数据,并根据输出的成衣尺寸数据计算平均绝对误差;
采用增强学习方法对保存的最优模型进行迭代优化。
5.根据权利要求4所述的方法,其特征在于,所述对模型参数进行设置,包括:自动寻参和/或手动设置参数;
所述选择模型效果最优的参数,包括:采用回归模型的损失函数评估方法来确定效果最优的参数;其中,所述损失函数包括平方根误差和/或平均绝对误差。
6.根据权利要求4所述的方法,其特征在于,所述采用增强学习方法对保存的最优模型进行迭代优化,包括:
判断计算结果MAE是否可信;
如果可信,将对应测试数据集中的净体尺寸数据以及模型输出的对应的成衣尺寸数据一起加入训练集,迭代训练模型;
如果不可信,根据预设的版型调整规则由人工进行调版修改,然后再次计算MAE并判断其是否可信,再次进行迭代。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述体型分类算法模型的训练过程包括:
通过多途径采集人体正面和/或背面以及侧面的体型图像,并对采集到的图像进行裁剪和筛选;
根据预先设定的体型特征将图片进行分类和标注;
将带标注的图像按预定比例随机分为训练集和测试集;
将训练集的图像输入基于深度学习的计算机视觉AI算法模型,利用随机梯度下降法训练并拟合体型特征,生成人体体型分类算法模型;
通过验证集对算法模型进行验证。
8.根据权利要求7所述的方法,其特征在于,所述将人体图像数据输入预训练的体型分类算法模型中进行处理,包括:
构建算法的卷积神经网络,初始化并载入预训练好的网络参数;
将预处理后的图像输入到卷积神经网络中,进行特征提取,得到特征图;
通过RPN网络对提取出的特征区域进行细化,得到细化后的特征区域;
通过双线性插值的方法进行RoIAlign操作,对特征图进行处理,使每个特征区域生成固定尺寸的特征图;
通过分类分支获取目标的类别信息,通过回归分支获取目标框的坐标信息,通过掩码网络获取掩码信息;
将类别信息、坐标信息和掩码信息应用于特征图,获取人体体型类别的实例分割和人体体型类别标签。
9.根据权利要求7所述的方法,其特征在于,所述预先设定的体型特征包括正常体和特体;
人体正面图像的特体种类包括:溜肩体、平肩体、右肩低和左肩低;
人体侧面图像的特体种类包括:凸肚体、驼背体、弯腰驼背体、挺胸体、挺胸仰体、弯腰体、圆背体和平背体;
人体臀部图像的特体种类包括:翘臀体、平臀体、高胯骨、前腰低位和两腿间宽体/窄体;
每个人体均对应正面、侧面、臀部三个部位的体型特征的组合。
10.一种个性化服装定制的自动打版系统,其特征在于,包括:
净体数据获取单元,用于获取用户的净体尺寸数据和需求数据;
打版算法单元,用于将净体尺寸数据和需求数据输入预训练的自动打版算法模型中进行计算,输出成衣尺寸数据、变更项目和初始的版型调整规则;
图像数据获取单元,用于获取用户的人体图像数据;
体型分类单元,用于将人体图像数据输入预训练的体型分类算法模型中进行处理,输出体型类别标签;
数据修正单元,用于根据体型类别标签确定相应的体型修改规则,将体型修改规则与初始的版型调整规则结合后输出最终的版型调整规则;
文件输出单元,用于将成衣尺寸数据、变更项目和最终的版型调整规则输出为指定形式的文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338253.XA CN113158272A (zh) | 2021-03-30 | 2021-03-30 | 个性化服装定制的自动打版方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338253.XA CN113158272A (zh) | 2021-03-30 | 2021-03-30 | 个性化服装定制的自动打版方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158272A true CN113158272A (zh) | 2021-07-23 |
Family
ID=76885293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338253.XA Pending CN113158272A (zh) | 2021-03-30 | 2021-03-30 | 个性化服装定制的自动打版方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158272A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763453A (zh) * | 2021-09-06 | 2021-12-07 | 北京云数工场数据科技有限公司 | 一种人工智能量体系统及方法 |
CN113807708A (zh) * | 2021-09-22 | 2021-12-17 | 深圳市微琪思服饰有限公司 | 一种基于分布式的服装柔性生产制造平台系统 |
CN114331216A (zh) * | 2022-01-21 | 2022-04-12 | 杭州贝嘟科技有限公司 | 服装尺寸评估方法、电子装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106418848A (zh) * | 2016-08-04 | 2017-02-22 | 上海工程技术大学 | 一种用于男衬衫量身定制的体型分类方法 |
CN108648053A (zh) * | 2018-05-10 | 2018-10-12 | 南京衣谷互联网科技有限公司 | 一种用于虚拟试衣的成像方法 |
CN109800526A (zh) * | 2019-01-30 | 2019-05-24 | 华侨大学 | 一种童装纸样定制智能设计方法及系统 |
CN110163728A (zh) * | 2019-05-30 | 2019-08-23 | 肖伯祥 | 一种个性化服装定制制版方法 |
CN110415040A (zh) * | 2019-07-31 | 2019-11-05 | 福建省梅美一生服饰定制科技有限公司 | 一种基于人体数据库的非量体合体定制服装的方法及系统 |
CN112395659A (zh) * | 2020-11-20 | 2021-02-23 | 杭州贝嘟科技有限公司 | 成衣尺寸生成方法、装置、电子装置和存储介质 |
-
2021
- 2021-03-30 CN CN202110338253.XA patent/CN113158272A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106418848A (zh) * | 2016-08-04 | 2017-02-22 | 上海工程技术大学 | 一种用于男衬衫量身定制的体型分类方法 |
CN108648053A (zh) * | 2018-05-10 | 2018-10-12 | 南京衣谷互联网科技有限公司 | 一种用于虚拟试衣的成像方法 |
CN109800526A (zh) * | 2019-01-30 | 2019-05-24 | 华侨大学 | 一种童装纸样定制智能设计方法及系统 |
CN110163728A (zh) * | 2019-05-30 | 2019-08-23 | 肖伯祥 | 一种个性化服装定制制版方法 |
CN110415040A (zh) * | 2019-07-31 | 2019-11-05 | 福建省梅美一生服饰定制科技有限公司 | 一种基于人体数据库的非量体合体定制服装的方法及系统 |
CN112395659A (zh) * | 2020-11-20 | 2021-02-23 | 杭州贝嘟科技有限公司 | 成衣尺寸生成方法、装置、电子装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
宋亚男等: ""服装精准定制中体型分类的方法"", 《服装学报》, vol. 1, no. 4, 31 August 2016 (2016-08-31) * |
林凯瀚: ""基于深度学习的人脸检测与分割方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2021 (2021-02-15), pages 20 - 35 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763453A (zh) * | 2021-09-06 | 2021-12-07 | 北京云数工场数据科技有限公司 | 一种人工智能量体系统及方法 |
CN113807708A (zh) * | 2021-09-22 | 2021-12-17 | 深圳市微琪思服饰有限公司 | 一种基于分布式的服装柔性生产制造平台系统 |
CN113807708B (zh) * | 2021-09-22 | 2024-03-01 | 深圳市微琪思服饰有限公司 | 一种基于分布式的服装柔性生产制造平台系统 |
CN114331216A (zh) * | 2022-01-21 | 2022-04-12 | 杭州贝嘟科技有限公司 | 服装尺寸评估方法、电子装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158272A (zh) | 个性化服装定制的自动打版方法和系统 | |
CN108510437B (zh) | 一种虚拟形象生成方法、装置、设备以及可读存储介质 | |
CN104978762B (zh) | 服装三维模型生成方法及系统 | |
JP6708847B1 (ja) | 機械学習装置及び方法 | |
Chowdhury et al. | 3D face reconstruction from video using a generic model | |
CN105426929B (zh) | 对象形状对准装置、对象处理装置及其方法 | |
CN110598017B (zh) | 一种基于自学习的商品详情页的生成方法 | |
CN110909615B (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
CN109241881A (zh) | 一种人体姿态估计方法 | |
CN111445426B (zh) | 一种基于生成对抗网络模型的目标服装图像处理方法 | |
US11922593B2 (en) | Methods of estimating a bare body shape from a concealed scan of the body | |
CN114445268A (zh) | 一种基于深度学习的服装风格迁移方法及系统 | |
KR102236191B1 (ko) | 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템 | |
CN116229066A (zh) | 人像分割模型的训练方法及相关装置 | |
CN109583456B (zh) | 基于特征融合和稠密连接的红外面目标检测方法 | |
CN115272579A (zh) | 一种基于多特征融合的单张图像三维服装重建方法 | |
CN112037173B (zh) | 染色体检测方法、装置及电子设备 | |
CN108876776A (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN113255514B (zh) | 基于局部场景感知图卷积网络的行为识别方法 | |
CN112084981B (zh) | 一种基于神经网络定制服装的方法 | |
CN109727256B (zh) | 一种基于玻尔兹曼和目标先验知识的图像分割识别方法 | |
CN109583275B (zh) | 一种基于cnn的赤足足迹的体重判定方法 | |
EP1341427A2 (en) | Production of made to order clothing | |
CN117035125B (zh) | 一种分布式人工智能模型的决策系统、方法及装置 | |
CN109918783A (zh) | 一种智能化的制衣设计系统 |
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 |