CN116090670A - 一种基于多属性的服装流行趋势预测方法 - Google Patents

Abstract

本发明公开了一种基于多属性的服装流行趋势预测方法，涉及图像处理技术领域，本方法包括如下步骤：首先使用服装图像爬取模块对购物网站上的服装图像进行爬取，然后通过服装分类模块对爬取的服装图像进行服装风格分类和服装款式分类，最后用服装流行趋势预测模块，对服装分类数据分别在风格维度和款式维度进行流行趋势预测。本发明通过服装分类算法，完成了两种服装分类任务，大大提高了多任务服装分类的效率，为流行趋势预测提供了有效的数据保障。制定了合理的服装流行趋势预测方案，将参考周期的范围扩大，并通过权重系数对预测结果合理的控制，实现了服装流行趋势的智能预测。

Description

一种基于多属性的服装流行趋势预测方法

技术领域

本发明属于服装流行趋势预测技术领域，主要涉及一种基于多属性的服装流行趋势预测方法。

背景技术

随着现代认知计算技术的出现，如数据挖掘与知识发现、机器学习、深度学习、计算机视觉、自然语言处理等，以及大量结构化和非结构化数据的影响，传统的时尚观念正在转换。目前流行的电子商务门户网站正在利用已收集的大数据储备和人工智能技术向时尚产业进军。

研究服装流行趋势，对于引导服装企业的生产、帮助企业降低市场风险、避免生产的盲目性及对减少资源浪费具有积极意义。

公开号为CN108960499A中国发明专利公开了“一种融合视觉和非视觉特征的服装流行趋势预测系统”，包括对服装数据进行采集、预处理、前景提取、服装自动标注，以及服装流行趋势预测几个部分，该方法能够有效提高服装图像标注的准确性与效率，促进时尚领域服装流行趋势预测的智能化，但是没有提出具体提出如何预测流行趋势的方案，主要关注点在如何提升服装分类的准确度上，而且最终的流行趋势评价算法参考周期只有7天，参考周期短导致预测结果过于片面。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多属性的服装流行趋势预测方法，其目的是通过对购物网站购买量靠前的服装进行分类，并将分类后的结果代入流行趋势预测算法中来推测近期女装风格和女装款式的流行趋势。

为实现上述目的，按照本发明的一个方面，提供了一种基于多属性的服装流行趋势预测方法，包括如下步骤：

步骤（1），使用服装图像爬取模块对购物网站上的服装图像进行爬取；

步骤（2），通过服装分类模块对爬取的服装图像进行服装风格分类和服装款式分类；

所述服装分类模块的处理过程如下：

输入图像进入服装分类模块后被分成两条支路，第一条分支A包括4个特征提取模块和1个分类结果输出模块，4个特征提取模块分别记为A1、A2、A3和A4，其中A1中包含1个卷积层和1个双分支残差注意模块；A2中包括2个卷积层、1个通道注意模块、1个分支残差注意模块；A3中包括3个卷积层和1个分支残差注意模块；A4中包括2个卷积层、1个通道注意模块、和1个分支残差注意模块；最后分类结果输出模块中包括两个全连接层和Softmax层；

第二条分支B同样包括4个特征提取模块和1个分类结果输出模块，4个特征提取模块分别记为B1、B2、B3和B4，其中B1中包含1个卷积层和1个双分支残差注意模块；B2中包括3个卷积层和1个分支残差注意模块；B3中包括2个卷积层、1个通道注意模块和1个分支残差注意模块；B4中包括3个卷积层和1个分支残差注意模块；最后分类结果输出模块中包括两个全连接层和Softmax层；

其中的双分支残差注意模块是分支A和B共享的，最终输出两个分类结果，分支A输出服装风格预测结果，分支B输出服装款式预测结果；

步骤（3），使用预训练的服装流行趋势预测模块，对服装分类数据分别在风格维度和款式维度进行流行趋势预测。

进一步的，A1中卷积层卷积核的大小为3×3，A2和A4的中2个卷积层卷积核的大小均为1×1，A3中卷积层卷积核的大小分别为1×1、3×3、1×1。

进一步的，B1中卷积层卷积核的大小为3×3，B2和B4的中3个卷积层卷积核的大小分别为1×1、3×3、1×1，B3中2个卷积层卷积核的大小均为1×1。

进一步的，服装分类模块中的双分支残差注意模块有两个输入和输出，具体处理过程如下；

首先，第一个输入特征图Input1先进行一个层归一化操作，然后分成三条分支，第一条分支进行3×3卷积操作得到第一条支路的输出，第二条分支依次进行1×1卷积操作和3×3卷积操作得到第二条支路的输出，第三条分支依次进行1×1卷积操作和3×3卷积操作得到第三条支路的输出；第一条分支的输出与第二条分支的输出进行特征图相乘，将得到的特征图进行Softmax操作得到的结果与第三条分支的输出进行特征图相乘，将得到的特征图进行3×3卷积操作得到中间特征图；

然后，将中间特征图与第二个输入特征图Input2进行特征图相加，输出双分支残差注意模块的第一个输出特征图Output1；

最后，将双分支残差注意模块的第一个输出特征图Output1依次进行层归一化操作，多层感知机操作，并加上输入特征图Input1，得到第二个输出特征图Output2。

进一步的，服装分类模块中的通道注意模块的具体处理过程为：将输入特征图依次进行3×3卷积操作、全局平均池化、1×1卷积操作和Sigmoid操作得到一个特征图，将得到的特征图与输入特征图进行特征图相乘得到通道注意模块的输出特征图。

进一步的，步骤（2）中利用爬取的服装图像集合制作数据集进行服装分类模块的预训练，首先采用人工的方式制作数据集进行训练，将服装图像进行筛选，将质量好的图像全部放在一个文件夹中，然后将所有服装图像的文件名和标签放在一个文件中存储起来，标签分为两列，一列存储服装图像的风格标签，另一列存储服装图像的款式标签；然后采用训练后的服装分类模块实现对爬取服装图像的粗分类，然后采用人工对服装分类的结果进行微调，得到预训练的服装分类模块。

进一步的，服装分类模块预训练中使用的是多属性分类损失函数，同时调节两个服装风格分类和服装款式分类，多属性分类损失函数公式的具体表示如下：

式中分别代表服装图像真实的风格类别和预测的风格类别，分别代表服装图像真实的款式类别和预测的款式类别，代表求取的二范数。

进一步的，服装流行趋势预测模块实现多属性服装流行趋势预测，由两部分组成服装流行趋势预测模块最终的预测结果；

第一部分为服装风格流行趋势预测，公式如下：

上式求的是前30天里所有风格服装图像中数量最多的类别下标，其中代表第n种服装风格在第天对应的图像数量，是求取最大值对应下标的函数，是权重系数；

第二部分为服装款式流行趋势预测，公式如下：

上式求的是前30天里所有款式服装图像中数量最多的类别下标，其中代表第m种服装款式在第天对应的图像数量，是求取最大值对应下标的函数，是权重系数；

服装流行趋势预测模块最终的预测结果由和的共同预测来推断流行的风格和款式。

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）提出了一种全新的服装分类网络，可以同时学习到服装图像的风格特征和款式特征完成两种不同的服装分类任务，可以大大节省人力，为后续的服装流行趋势预测提供可靠保障。

（2）重新制定了流行趋势预测公式其参考的周期为30天并增加权重系数，可以有效的预测最近女装流行的风格和款式。

（3）为服装流行趋势预测提供了有效的解决方案，并且可以针对具体场景进行任务的扩展，促进了服装流行趋势预测的智能化发展。

附图说明

图1为本发明实施例提供的一种基于多属性的服装流行趋势预测方法的流程示意图。

图2为本发明实施例提供的一种基于多属性的服装流行趋势预测方法的服装分类模块的网络结构图。

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。

如图1所示，是实施例提供的一种基于多属性的服装流行趋势预测方法的流程示意图；实施例以女装服装图像为例提供的一种基于多属性的服装流行趋势预测方法，包括如下步骤：

（1）使用服装图像爬取模块对购物网站上的女装服装图像进行爬取；

其中，服装图像爬取模块的爬取规则为：每天早上8点定时爬取指定购物网站上前一天购买量前100名的女装服装图像。

（2）通过服装分类模块对爬取的服装图像进行服装风格分类和服装款式分类；

其中，服装分类模块中训练数据集制作方法：数据集中的图像是以往爬取服装图像的集合。前期我们采用人工的方式制作数据集，将服装图像进行筛选，将质量好的图像全部放在一个文件夹中，然后将所有服装图像的文件名和标签放在一个文件中存储起来。其中我们的标签分为两列，一列存储服装图像的风格标签，另一列存储服装图像的款式标签。后期我们采用训练后的服装分类模型实现对爬取服装图像的粗分类，然后采用人工对服装分类的结果进行微调。通过这种方式可以不断扩充数据集，并且节省人力。

如图2所示，是实施例提供的一种基于多属性的服装流行趋势预测方法的服装分类模块的网络结构图。

其中，服装分类模块中采用的服装分类模型，其具体结构如下：

输入图像进入网络后会被分成两条支路分别通过4个特征提取模块和分类结果输出模块。其中第一条支路被称为分支A，第二条支路称为分支B，后续的A1代表分支A的第一个特征提取模块，依次类推。

第一条分支有4个特征提取模块和分类结果输出模块，A1中包含了3×3卷积层和双分支残差注意模块；A2中包括了1×1卷积层、通道注意模块、1×1卷积层和分支残差注意模块；A3中包括了1×1、3×3、1×1的卷积层和分支残差注意模块；A4中包括了1×1卷积层、通道注意模块、1×1卷积层和分支残差注意模块；最后分类结果输出模块中包括了两个全连接层和Softmax层。

第二条分支也有4个特征提取模块和分类结果输出模块，B1中包含了3×3卷积层和双分支残差注意模块；B2中包括了包括了1×1、3×3、1×1的卷积层和分支残差注意模块；B3中包括了1×1卷积层、通道注意模块、1×1卷积层和分支残差注意模块；B4中包括了1×1、3×3、1×1的卷积层和分支残差注意模块；最后分类结果输出模块中包括了两个全连接层和Softmax层。

其中的双分支残差注意模块是分支A和B共享的，且最终网络会输出两个分类结果，第一个代表服装风格预测结果，第二个代表服装款式预测结果。

具体的，服装分类模块中双分支残差注意模块，双分支残差注意模块将两个输入分别处理最终也会输出两个特征图，其具体实现方法如下：

首先，第一个输入特征图Input1先进行一个层归一化操作，然后分成三条分支，第一条分支进行3×3卷积操作得到第一条支路的输出，第二条分支依次进行1×1卷积操作和3×3卷积操作得到第二条支路的输出，第三条分支依次进行1×1卷积操作和3×3卷积操作得到第三条支路的输出。第一条分支的输出与第二条分支的输出进行特征图相乘，将得到的特征图进行Softmax操作得到的结果与第三条分支的输出进行特征图相乘，将得到的特征图进行3×3卷积操作得到中间特征图。

然后，将中间特征图与第二个输入特征图Input2进行特征图相加，输出双分支残差注意模块的第一个输出特征图Output1。

最后，将双分支残差注意模块的第一个输出特征图Output1依次进行层归一化操作，多层感知机操作，并加上输入特征图Input1，得到第二个输出特征图Output2。

具体的，服装分类模块中通道注意模块，其具体实现方法为：将输入特征图依次进行3×3卷积操作、全局平均池化、1×1卷积操作和Sigmoid操作会得到一个特征图。将得到的这个特征图与输入特征图Input进行特征图相乘得到通道注意模块的输出特征图。

其中，服装分类模块训练使用的多属性分类损失函数，其可以同时调节两个服装风格分类和服装款式分类，多属性分类损失函数公式的具体表示如下：

式中分别代表服装图像真实的风格类别和预测的风格类别，分别代表服装图像真实的款式类别和预测的款式类别，代表求取的二范数。

（3）使用服装流行趋势预测模块，对服装分类数据分别在风格维度和款式维度进行流行趋势预测；

其中，服装流行趋势预测模块的多属性服装流行趋势预测，由两个公式组成服装流行趋势预测模块最终的预测结果。

第一个公式为服装风格流行趋势预测公式，公式如下：

这个公式求的是前30天里所有风格服装图像中数量最多的类别下标，其中代表第n种服装风格在第天对应的图像数量，是求取最大值对应下标的函数，是权重系数越靠近当天的权重越大，反之越小。

第二个公式为服装款式流行趋势预测公式，公式如下：

这个公式求的是前30天里所有款式服装图像中数量最多的类别下标，其中代表第m种服装款式在第天对应的图像数量，是求取最大值对应下标的函数，是权重系数越靠近当天的权重越大，反之越小。

服装流行趋势预测模块最终的预测结果由和的共同预测来推断最近的女装流行的风格和款式。

具体操作实验流程为先进行训练上述服装分类网络得到服装风格分类和服装款式分类的准确分别为89%和93%的服装分类模型，使用服装分类模型对每日爬取购物网站获得的当日热门女装服装图像进行分类，通过对每一种风格和款式的数据进行统计，并代入流行趋势预测公式中得到最终得到关于风格和款式流行趋势预测结果。

显然，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 (8)

1.一种基于多属性的服装流行趋势预测方法，其特征在于，包括如下步骤：

步骤（1），使用服装图像爬取模块对购物网站上的服装图像进行爬取；

步骤（2），通过服装分类模块对爬取的服装图像进行服装风格分类和服装款式分类；

所述服装分类模块的处理过程如下：

输入图像进入服装分类模块后被分成两条支路，第一条分支A包括4个特征提取模块和1个分类结果输出模块，4个特征提取模块分别记为A1、A2、A3和A4，其中A1中包含1个卷积层和1个双分支残差注意模块；A2中包括2个卷积层、1个通道注意模块、1个分支残差注意模块；A3中包括3个卷积层和1个分支残差注意模块；A4中包括2个卷积层、1个通道注意模块、和1个分支残差注意模块；最后分类结果输出模块中包括两个全连接层和Softmax层；

第二条分支B同样包括4个特征提取模块和1个分类结果输出模块，4个特征提取模块分别记为B1、B2、B3和B4，其中B1中包含1个卷积层和1个双分支残差注意模块；B2中包括3个卷积层和1个分支残差注意模块；B3中包括2个卷积层、1个通道注意模块和1个分支残差注意模块；B4中包括3个卷积层和1个分支残差注意模块；最后分类结果输出模块中包括两个全连接层和Softmax层；

其中的双分支残差注意模块是分支A和B共享的，最终输出两个分类结果，分支A输出服装风格预测结果，分支B输出服装款式预测结果；

步骤（3），使用预训练的服装流行趋势预测模块，对服装分类数据分别在风格维度和款式维度进行流行趋势预测。

2.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：A1中卷积层卷积核的大小为3×3，A2和A4的中2个卷积层卷积核的大小均为1×1，A3中卷积层卷积核的大小分别为1×1、3×3、1×1。

3.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：B1中卷积层卷积核的大小为3×3，B2和B4的中3个卷积层卷积核的大小分别为1×1、3×3、1×1，B3中2个卷积层卷积核的大小均为1×1。

4.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：服装分类模块中的双分支残差注意模块有两个输入和输出，具体处理过程如下；

首先，第一个输入特征图Input1先进行一个层归一化操作，然后分成三条分支，第一条分支进行3×3卷积操作得到第一条支路的输出，第二条分支依次进行1×1卷积操作和3×3卷积操作得到第二条支路的输出，第三条分支依次进行1×1卷积操作和3×3卷积操作得到第三条支路的输出；第一条分支的输出与第二条分支的输出进行特征图相乘，将得到的特征图进行Softmax操作得到的结果与第三条分支的输出进行特征图相乘，将得到的特征图进行3×3卷积操作得到中间特征图；

然后，将中间特征图与第二个输入特征图Input2进行特征图相加，输出双分支残差注意模块的第一个输出特征图Output1；

最后，将双分支残差注意模块的第一个输出特征图Output1依次进行层归一化操作，多层感知机操作，并加上输入特征图Input1，得到第二个输出特征图Output2。

5.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：服装分类模块中的通道注意模块的具体处理过程为：将输入特征图依次进行3×3卷积操作、全局平均池化、1×1卷积操作和Sigmoid操作得到一个特征图，将得到的特征图与输入特征图进行特征图相乘得到通道注意模块的输出特征图。

6.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：步骤（2）中利用爬取的服装图像集合制作数据集进行服装分类模块的预训练，首先采用人工的方式制作数据集进行训练，将服装图像进行筛选，将质量好的图像全部放在一个文件夹中，然后将所有服装图像的文件名和标签放在一个文件中存储起来，标签分为两列，一列存储服装图像的风格标签，另一列存储服装图像的款式标签；然后采用训练后的服装分类模块实现对爬取服装图像的粗分类，然后采用人工对服装分类的结果进行微调，得到预训练的服装分类模块。

7.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：服装分类模块预训练中使用的是多属性分类损失函数，同时调节两个服装风格分类和服装款式分类，多属性分类损失函数公式的具体表示如下：

;

式中分别代表服装图像真实的风格类别和预测的风格类别，分别代表服装图像真实的款式类别和预测的款式类别，代表求取的二范数。

8.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：服装流行趋势预测模块实现多属性服装流行趋势预测，由两部分组成服装流行趋势预测模块最终的预测结果；

第一部分为服装风格流行趋势预测，公式如下：

;

上式求的是前30天里所有风格服装图像中数量最多的类别下标，其中代表第n种服装风格在第天对应的图像数量，是求取最大值对应下标的函数，是权重系数；

第二部分为服装款式流行趋势预测，公式如下：

;

上式求的是前30天里所有款式服装图像中数量最多的类别下标，其中代表第m种服装款式在第天对应的图像数量，是求取最大值对应下标的函数，是权重系数；

服装流行趋势预测模块最终的预测结果由和的共同预测来推断流行的风格和款式。

Images