CN115496990B - 一种基于深度学习的服装图像解析方法 - Google Patents

一种基于深度学习的服装图像解析方法 Download PDF

Info

Publication number
CN115496990B
CN115496990B CN202211442985.4A CN202211442985A CN115496990B CN 115496990 B CN115496990 B CN 115496990B CN 202211442985 A CN202211442985 A CN 202211442985A CN 115496990 B CN115496990 B CN 115496990B
Authority
CN
China
Prior art keywords
image
clothing
convolution
image analysis
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211442985.4A
Other languages
English (en)
Other versions
CN115496990A (zh
Inventor
余锋
李会引
刘筱笑
姜明华
周昌龙
宋坤芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Textile University
Original Assignee
Wuhan Textile University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN202211442985.4A priority Critical patent/CN115496990B/zh
Publication of CN115496990A publication Critical patent/CN115496990A/zh
Application granted granted Critical
Publication of CN115496990B publication Critical patent/CN115496990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的服装图像解析方法，所述的服装图像解析方法包括以下步骤：首先设计适用于解析服装图像的模型网络结构配置，然后设计损失函数，确定训练过程中调节参数的策略，最后得到服装图像解析模型，模型可以将输入的服装图像，解析成像素级预测的图像。所述的服装图像解析模型包括图像特征编码模块和服装特征解码模块。本发明通过改进这些算法融合可以明显提高服装解析的准确率，提供了一种高效解析服装图像的方法，给后续服装图像分析提供了高质量的服装标注图像，大大节省了人力成本。

Description

一种基于深度学习的服装图像解析方法
技术领域
本发明涉及服装图像分割领域，并且更具体地，涉及一种基于深度学习的服装图像解析方法。
背景技术
时尚产业快速发展，服装视觉分析成为了服装图像的研究热点。服装图像分割在服装视觉分析领域显得尤为重要。应用服装图像分割的领域较为广泛，如：服装检索、服装推荐、虚拟试衣等领域。传统的服装分割技术用边界、区域、阈值等技术手段对服装图像进行分割，这些技术仅仅适宜对背景较为简单的服装图像进行处理，而对于背景稍微复杂的图像，分割效果表现一般。早期出现的服装图像分割技术甚至要求服装图像中必须出现人体，这种分割技术是根据人体相关部位检测实现的。对如今的服装图像分割领域而言，早期出现的技术已经无法满足当今的服装分割任务的需求。
由于在产业中的巨大潜力，服装图像分析成为了活跃的研究课题，随着互联网的普及和网络购物的崛起，服装已经成为最畅销的产品。现在，消费者不仅仅关注服装图案、版型等服装本身的特点，对于服装的试穿效果越来越多的被消费者所关注，此外，对于服装设计师而言，他们也关注自己的产品会如何被消费者搭配和使用，将各种服装图像从复杂图片中分割出来成为了进行虚拟试衣以及服装三维展示的前提条件。随着计算机图像处理技术和深度学习的发展，对于图像的分割更加追求细粒度的分割，即对于细小轮廓、复杂边缘的分割，深度学习算法可以学习到图片中的服装特征信息，按照像素点为单位进行分类达到分割的效果，分割的精度远超传统的分割算法。
公开号为CN113870269A的中国专利公开了“一种图像分割方法、装置、电子设备及存储介质”，使用深度学习分割Unet网络，其可以对边缘信息明显的图片进行分割且有较好的效果，但是对于像服装图片这种复杂场景下的图片而言，仅使用深度学习分割Unet网络进行分割其分割精度是不够的。
公开号为CN113657480A的中国专利公开了“一种基于特征融合网络模型的服装解析方法”使用高层次特征与低层次特征融合，并结合解析损失函数和边缘损失函数的方式来感知语义边缘特征，这方式是有助于服装解析，但是高层次特征与低层次特征融合在网络训练过程中总是会丢失一部分重要特征信息的，特别是服装解析这种细粒度任务上。
发明内容
针对现有技术的以上缺陷或者改进需求，本发明提供了一种基于深度学习的服装解析方法，其目的在于通过深度学习算法有效解析的服装图片中的服装信息，提高对图像中服装信息分割的准确度。
为实验上述目的，按照本发明的一个方面，提供了一种基于深度学习的服装解析方法，包括以下步骤：
步骤1：结合滤波信息设计适用于解析服装图像的基于深度学习的服装图像解析模型；
所述的基于深度学习的服装图像解析模型包括图像特征编码模块和服装特征解码模块，所述图像特征编码模块中含有多个编码模块，服装特征解码模块包括多个上采样解码模块，每一个上采样解码模块都由卷积层和双线性上采样层组成；
步骤2：训练设计好的服装图像解析模型；
步骤3：使用训练好的服装图像解析模型来解析服装图片，生成像素级的预测图像。
进一步的，步骤1中的图像特征编码模块中含有16个编码模块，每一个编码模块都由卷积层和激活层构成，其中编码模块的具体操作是：先进行3×3卷积，卷积后面跟着一个激活层，再进行一个3×3卷积，卷积后面跟着一个激活层，最后进行1×1卷积，卷积后面跟着一个激活层。
进一步的，步骤1中的服装特征解码模块中含有4个上采样解码模块，上采样解码模块的具体操作是：先进行1×1卷积，卷积后面跟着一个激活层，再进行5×5卷积，卷积后面跟着一个激活层，最后通过双线性上采样层，对特征图进行特征还原，其中对于最后一个上采样解码模块，在最后的双线性上采样层后还加了两个卷积层，第一个卷积层为3×3卷积对特征图进行进一步的理解学习，然后使用第二个卷积层为1×1卷积输出最终预测特征图，其中通道数为最终的分类数。
进一步的，步骤2中服装图像解析模型的输入是原图像拼接上高频滤波处理器处理原图像后生成的高频图像，高频图像包含图像的边缘信息可以有效的提高图像分割精度，这里自定义的高频滤波处理器使用的核矩阵
Figure 100002_DEST_PATH_IMAGE002
。
进一步的，步骤2中训练过程的使用的损失函数由两部分组成，第一部分是像素损失函数Loss pixel 公式如下：
Figure 100002_DEST_PATH_IMAGE004
其中Nclasses为服装总类别数，i为当前类别索引，Acci为该类别预测正确的个数与该类别总数的比值，初始赋值为0；(1-Acci)为分类权重，使模型训练更加关注分类准确率低的类别，y true 为该类别的真实像素个数，y为预测正确的像素个数；
第二部分是区域损失函数Loss region 公式如下：
Figure 100002_DEST_PATH_IMAGE006
其中θ是区域超参数其值设置为1.95，
Figure 100002_DEST_PATH_IMAGE008
为图像真实分割图，Y pred 为图像预测分割图，
Figure 100002_DEST_PATH_IMAGE010
表示真实分割像素与预测分割像素交集的元素个数，
Figure 100002_DEST_PATH_IMAGE012
表示真实分割图中的像素总数，|Y pred |表示预测分割图像中的像素总数；
训练中使用的损失函数
Figure 100002_DEST_PATH_IMAGE014
，其中
Figure 100002_DEST_PATH_IMAGE016
是自适应权重系数，初始值为0，随着训练轮数每10轮增加0.05，增加到1时权重系数不再变化。
进一步的，所述激活层使用的激活函数S公式如下：
Figure 100002_DEST_PATH_IMAGE018
其中
Figure 100002_DEST_PATH_IMAGE020
为服装总类别数，x表示特征图任意位置上的像素值，激活函数在保留输入值正负属性的同时将线性关系转化为非线性关系，可以有效缓解梯度消失现象，使模型训练效果更好。
进一步的，所述图像特征编码模块中编码模块的卷积层设置，当编码模块的序号是4的整数倍数时将最后一个1×1卷积替换为2×2卷积，且步长设置为2，用于调节特征图的高宽。
进一步的，所述4个上采样解码模块的输入的具体操作为：第16个编码模块的输出拼接上低频图像下采样16倍的输出是第1个上采样解码模块输入，第12个编码模块的输出拼接上低频图像下采样8倍的输出是第2个上采样解码模块的输入，第8个编码模块的输出拼接上低频图像下采样4倍的输出是第3个上采样解码模块的输入，第4个编码模块的输出拼接上低频图像下采样2倍的输出是第4个上采样解码模块的输入，低频图像是输入网络原图像经过低通滤波处理器得到的，低频图像包含图像的细节信息可以补充网络学习过程中丢失的细节信息，这里自定义的低频滤波处理器使用的核矩阵
Figure DEST_PATH_IMAGE022
。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
（1）首先通过加深网络的深度增强模型的学习能力，再通过结合滤波器信息提高模型识别的精确度。
（2）使用创新的损失函数和激活函数，使模型训练的更加关注难以分类的类别，同时训练效果更好，更加符合服装图像场景。
（3）通过将服装图像输入模型中生成标注图片大大节省了人工成本，对于后续虚拟试衣等技术提供高质量的标注图片，相比于现有的分割网络提高了7个百分点左右。
附图说明
图1 本发明实施例提供的一种基于深度学习的服装图像解析方法的技术方案流程图。
图2本发明实施例提供的一种基于深度学习的服装图像解析方法的服装解析模型网络结构图。
图3本发明实施例提供的一种基于深度学习的服装图像解析方法的编码模块示意图。
图4本发明实施例提供的一种基于深度学习的服装图像解析方法的上采样解码模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的一种基于深度学习的服装图像解析方法的实现方案，请参见附图1，图1是实施用例提供的一种基于深度学习的服装图像解析方法的技术方案流程图，具体包含如下步骤：
（1）结合滤波信息设计适用于解析服装图像的基于深度学习的服装图像解析模型；
其中，所述的基于深度学习的服装图像解析模型包括图像特征编码模块和服装特征解码模块，请参见图2，图2是实施例提供的一种基于深度学习的服装图像解析方法的服装解析模型网络结构图；
其中，图像特征编码模块中含有16个编码模块，请参见图3，图3是实施例提供的一种基于深度学习的服装图像解析方法的编码模块示意图，每一个编码模块都由卷积层和激活层构成，其中编码模块的具体操作是：先进行3×3卷积，卷积后面跟着一个激活层，再进行一个3×3卷积，卷积后面跟着一个激活层，最后进行1×1卷积，卷积后面跟着一个激活层。
其中，服装特征解码模块中含有4个上采样解码模块，请参见图4，图4是实施例提供的一种基于深度学习的服装图像解析方法的上采样解码模块示意图，每一个上采样解码模块都由卷积层和双线性上采样层组成。上采样解码模块的具体操作是：先进行1×1卷积，卷积后面跟着一个激活层，再进行5×5卷积，卷积后面跟着一个激活层，最后通过双线性上采样层，对特征图进行特征还原。其中对于最后一个上采样解码模块，在最后的双线性上采样层后还加了两个卷积层，第一个卷积层为3×3卷积对特征图进行进一步的理解学习，然后使用第二个卷积层为1×1卷积输出最终预测特征图，其中通道数为最终的分类数。
其中，图像特征编码模块中编码模块的卷积层设置，当编码模块的序号是4的整数倍数时将最后一个1×1卷积替换为2×2卷积，且步长设置为2，用于调节特征图的高宽。
具体的，激活层使用的激活函数S公式如下：
Figure 779080DEST_PATH_IMAGE018
其中
Figure 961799DEST_PATH_IMAGE020
为服装总类别数，x表示特征图任意位置上的像素值，激活函数在保留输入值正负属性的同时将线性关系转化为非线性关系，可以有效缓解梯度消失现象，使模型训练效果更好。
具体的，4个上采样解码模块的输入的具体操作。其中第16个编码模块的输出拼接上低频图像下采样16倍的输出是第1个上采样解码模块输入，第12个编码模块的输出拼接上低频图像下采样8倍的输出是第2个上采样解码模块的输入，第8个编码模块的输出拼接上低频图像下采样4倍的输出是第3个上采样解码模块的输入，第4个编码模块的输出拼接上低频图像下采样2倍的输出是第4个上采样解码模块的输入，低频图像是输入网络原图像经过低通滤波处理器得到的，低频图像包含图像的细节信息可以补充网络学习过程中丢失的细节信息，这里自定义的低频滤波处理器使用的核矩阵
Figure 272695DEST_PATH_IMAGE022
。
（2）训练设计好的服装图像解析模型；
具体的，服装图像解析模型的输入是原图像拼接上高频滤波处理器处理原图像后生成的高频图像。高频图像包含图像的边缘信息可以有效的提高图像分割精度，这里自定义的高频滤波处理器使用的核矩阵
Figure 933483DEST_PATH_IMAGE002
。
具体的，训练过程的使用的损失函数由两部分组成，第一部分是像素损失函数Loss pixel 公式如下：
Figure DEST_PATH_IMAGE023
其中Nclasses为服装总类别数，i为当前类别索引，Acci为该类别预测正确的个数与该类别总数的比值，初始赋值为0。(1-Acci)为分类权重，使模型训练更加关注分类准确率低的类别，y true 为该类别的真实像素个数，y为预测正确的像素个数。
第二部分是区域损失函数
Figure DEST_PATH_IMAGE025
公式如下：
Figure 75752DEST_PATH_IMAGE006
其中θ是区域超参数其值设置为1.95，
Figure DEST_PATH_IMAGE026
为图像真实分割图，Y pred 为图像预测分割图，
Figure 960531DEST_PATH_IMAGE010
表示真实分割像素与预测分割像素交集的元素个数，
Figure 493144DEST_PATH_IMAGE012
表示真实分割图中的像素总数，|Y pred |表示预测分割图像中的像素总数；
训练中使用的损失函数
Figure DEST_PATH_IMAGE027
，其中λ是自适应权重系数，初始值为0，随着训练轮数每轮增加0.05，增加到1时权重系数不再变化。
（3）使用训练好的服装图像解析模型来解析服装图片，生成像素级标注的图像。
具体的，使用训练好的服装图像解析模型来解析服装图片，生成高精度、高质量的标注图像，为下一步进行虚拟试衣、服装检索等提供稳定的技术支持。
本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种基于深度学习的服装图像解析方法，其特征在于，所述的基于深度学习的服装图像解析方法包括以下步骤：
步骤1：结合滤波信息设计适用于解析服装图像的基于深度学习的服装图像解析模型；
所述的基于深度学习的服装图像解析模型包括图像特征编码模块和服装特征解码模块，所述图像特征编码模块中含有多个编码模块，服装特征解码模块包括多个上采样解码模块，每一个上采样解码模块都由卷积层和双线性上采样层组成；
步骤2：训练设计好的服装图像解析模型；
步骤2中训练过程的使用的损失函数由两部分组成，第一部分是像素损失函数Loss pixel 公式如下：
Figure DEST_PATH_IMAGE002
其中Nclasses为服装总类别数，i为当前类别索引，Acci为该类别预测正确的个数与该类别总数的比值，初始赋值为0；(1-Acci)为分类权重，使模型训练更加关注分类准确率低的类别，y true 为该类别的真实像素个数，y为预测正确的像素个数；
第二部分是区域损失函数Loss region 公式如下：
Figure DEST_PATH_IMAGE004
其中θ是区域超参数其值设置为1.95，
Figure DEST_PATH_IMAGE006
为图像真实分割图，Y pred 为图像预测分割图，
Figure DEST_PATH_IMAGE008
表示真实分割像素与预测分割像素交集的元素个数，
Figure DEST_PATH_IMAGE010
表示真实分割图中的像素总数，|Y pred |表示预测分割图像中的像素总数；
训练中使用的损失函数
Figure DEST_PATH_IMAGE012
，其中λ是自适应权重系数，初始值为0，随着训练轮数每10轮增加0.05，增加到1时权重系数不再变化；
步骤3：使用训练好的服装图像解析模型来解析服装图片，生成像素级的预测图像。
2.如权利要求1所述的一种基于深度学习的服装图像解析方法，其特征在于：步骤1中的图像特征编码模块中含有16个编码模块，每一个编码模块都由卷积层和激活层构成，其中编码模块的具体操作是：先进行3×3卷积，卷积后面跟着一个激活层，再进行一个3×3卷积，卷积后面跟着一个激活层，最后进行1×1卷积，卷积后面跟着一个激活层。
3.如权利要求1所述的一种基于深度学习的服装图像解析方法，其特征在于：步骤1中的服装特征解码模块中含有4个上采样解码模块，上采样解码模块的具体操作是：先进行1×1卷积，卷积后面跟着一个激活层，再进行5×5卷积，卷积后面跟着一个激活层，最后通过双线性上采样层，对特征图进行特征还原，其中对于最后一个上采样解码模块，在最后的双线性上采样层后还加了两个卷积层，第一个卷积层为3×3卷积对特征图进行进一步的理解学习，然后使用第二个卷积层为1×1卷积输出最终预测特征图，其中通道数为最终的分类数。
4.如权利要求1所述的一种基于深度学习的服装图像解析方法，其特征在于：步骤2中服装图像解析模型的输入是原图像拼接上高频滤波处理器处理原图像后生成的高频图像，高频图像包含图像的边缘信息可以有效的提高图像分割精度，这里自定义的高频滤波处理器使用的核矩阵
Figure DEST_PATH_IMAGE014
。
5.如权利要求2或3所述的一种基于深度学习的服装图像解析方法，其特征在于：所述激活层使用的激活函数S公式如下：
Figure DEST_PATH_IMAGE016
其中
Figure DEST_PATH_IMAGE018
为服装总类别数，x表示特征图任意位置上的像素值，激活函数在保留输入值正负属性的同时将线性关系转化为非线性关系，可以有效缓解梯度消失现象，使模型训练效果更好。
6.如权利要求2所述的一种基于深度学习的服装图像解析方法，其特征在于：所述图像特征编码模块中编码模块的卷积层设置，当编码模块的序号是4的整数倍数时将最后一个1×1卷积替换为2×2卷积，且步长设置为2，用于调节特征图的高宽。
7.如权利要求3所述的一种基于深度学习的服装图像解析方法，其特征在于：所述4个上采样解码模块的输入的具体操作为：第16个编码模块的输出拼接上低频图像下采样16倍的输出是第1个上采样解码模块输入，第12个编码模块的输出拼接上低频图像下采样8倍的输出是第2个上采样解码模块的输入，第8个编码模块的输出拼接上低频图像下采样4倍的输出是第3个上采样解码模块的输入，第4个编码模块的输出拼接上低频图像下采样2倍的输出是第4个上采样解码模块的输入，低频图像是输入网络原图像经过低通滤波处理器得到的，低频图像包含图像的细节信息可以补充网络学习过程中丢失的细节信息，这里自定义的低频滤波处理器使用的核矩阵
Figure DEST_PATH_IMAGE020
。
CN202211442985.4A 2022-11-18 2022-11-18 一种基于深度学习的服装图像解析方法 Active CN115496990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211442985.4A CN115496990B (zh) 2022-11-18 2022-11-18 一种基于深度学习的服装图像解析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211442985.4A CN115496990B (zh) 2022-11-18 2022-11-18 一种基于深度学习的服装图像解析方法

Publications (2)

Publication Number Publication Date
CN115496990A CN115496990A (zh) 2022-12-20
CN115496990B true CN115496990B (zh) 2023-03-24

Family

ID=85116118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211442985.4A Active CN115496990B (zh) 2022-11-18 2022-11-18 一种基于深度学习的服装图像解析方法

Country Status (1)

Country Link
CN (1) CN115496990B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021087425A1 (en) * 2019-10-31 2021-05-06 Bodygram, Inc. Methods and systems for generating 3d datasets to train deep learning networks for measurements estimation
CN111832570B (zh) * 2020-07-02 2024-08-16 北京工业大学 一种图像语义分割模型训练方法及系统
CN113160033B (zh) * 2020-12-28 2023-04-28 武汉纺织大学 服装风格迁移系统与方法
CN113486897A (zh) * 2021-07-29 2021-10-08 辽宁工程技术大学 一种卷积注意力机制上采样解码的语义分割方法
CN114708272A (zh) * 2022-03-16 2022-07-05 杭州知衣科技有限公司 一种服装图像分割模型建立方法及服装图像分割方法
CN114663552B (zh) * 2022-05-25 2022-08-16 武汉纺织大学 一种基于2d图像的虚拟试衣方法

Also Published As

Publication number Publication date
CN115496990A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
Bashir et al. A comprehensive review of deep learning-based single image super-resolution
CN110070511B (zh) 图像处理方法和装置、电子设备及存储介质
CN109389129B (zh) 一种图像处理方法、电子设备及存储介质
CN110675368B (zh) 一种融合图像分割与分类的细胞图像语义分割方法
CN115272330B (zh) 基于电池表面图像的缺陷检测方法、系统及相关设备
CN106846339A (zh) 一种图像检测方法和装置
CN113516126A (zh) 一种基于注意力特征融合的自适应阈值场景文本检测方法
CN110781980B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN113762409A (zh) 一种基于事件相机的无人机目标检测方法
CN110163866A (zh) 一种图像处理方法、电子设备及计算机可读存储介质
CN114742799A (zh) 基于自监督异构网络的工业场景未知类型缺陷分割方法
WO2021159778A1 (zh) 图像处理方法、装置、智能显微镜、可读存储介质和设备
CN114187454A (zh) 一种新的基于轻量级网络的显著性目标检测方法
WO2024041235A1 (zh) 图像处理方法、装置、设备、存储介质及程序产品
CN113902945A (zh) 一种多模态乳腺磁共振图像分类方法及系统
CN114529462A (zh) 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统
CN117557686A (zh) 图片处理方法、装置、设备及存储介质
Khan et al. Image Interpolation via Gradient Correlation‐Based Edge Direction Estimation
Pan et al. EU‐Net: A novel semantic segmentation architecture for surface defect detection of mobile phone screens
CN117853778A (zh) 一种基于改进的htc铸件dr图像缺陷识别方法
CN115496990B (zh) 一种基于深度学习的服装图像解析方法
CN113313162A (zh) 一种多尺度特征融合目标检测的方法及系统
CN116721091A (zh) 一种布匹瑕疵检测方法、装置及可读介质
CN111881914A (zh) 一种基于自学习阈值的车牌字符分割方法及系统
Fang et al. Developing a feature decoder network with low-to-high hierarchies to improve edge detection

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