CN110197200A - 一种基于机器视觉的服装电子标签生成方法 - Google Patents
一种基于机器视觉的服装电子标签生成方法 Download PDFInfo
- Publication number
- CN110197200A CN110197200A CN201910327629.XA CN201910327629A CN110197200A CN 110197200 A CN110197200 A CN 110197200A CN 201910327629 A CN201910327629 A CN 201910327629A CN 110197200 A CN110197200 A CN 110197200A
- Authority
- CN
- China
- Prior art keywords
- clothes
- characteristic
- layer
- fashionnet
- prediction
- 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
Classifications
-
- 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
- G06N3/045—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
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器视觉的服装电子标签生成方法,其特征在于,包括以下步骤:建立FashionNet服装特性多维度预测网络,FashionNet服装特性多维度预测网络包括向前传播部分及向后传播部分;利用DeepFashion数据集对FashionNet服装特性多维度预测网络进行训练和测试;每种特性对应的可能类别数随预测结果和该服装此特性类别的匹配程度密切相关,选取两种可能正确概率最大的类和原始预测结果供用户选择形成该件服装的电子标签。本发明提供的技术方案可以为服装推荐***提供服装的标签输出,同时,构建预测输错问题下的视觉相似度矩阵,为用户提供一种好的标签修改途径。
Description
技术领域
本发明通过服装特性分类网络以及FashionNet服装特性多维度预测网络输 出服装的标签特征,属于图像处理技术领域。
背景技术
随着人们物质生活的逐渐丰富,我们拥有了越来越多样化的服装,但我们缺 少一种能将服装识别后,转变为标签保存在数据库中的技术。这种技术的运用将 大大提高人们对家用以及商用服装管理的水平,更进一步,为日后服装的智能化 搭配推荐奠定基础。
发明内容
本发明的目的是:提供一种将服装识别后转变为标签的方法,使得标签可以 保存在数据库中。
为了达到上述目的,本发明的技术方案是提供了一种基于机器视觉的服装电 子标签生成方法,其特征在于,包括以下步骤:
步骤1、建立FashionNet服装特性多维度预测网络,FashionNet服装特性 多维度预测网络包括向前传播部分及向后传播部分,其中:
向前传播部分包括包含3个分支层和若干个共享卷积层,其中,第1个分支 层为Pose分支层,用于预测服装特征点是否存在和特征点位置;第2个分支层 为局部特征分支层,对Pose分支层中确定的服装特征点进行池化运算,再由卷 积层运算后得到服装特征点的局部特征矩阵;第3个分支层为全局特征分支层, 对整个服装图像输入卷积神经网络层,得到整个服装的全局特征;
向后传播部分包含4种损失函数,分别存在于特征点定位、特征点存在性判 别和服装类别预测、特性预测、服装图像对照组学习4个向前传播阶段,这4 种损失函数在保证收敛的前提下以迭代方式进行训练;
步骤2、利用DeepFashion数据集对FashionNet服装特性多维度预测网络 进行训练和测试,在进行测试时,对FashionNet服装特性多维度预测网络预测 过程中出现的错误结果定义了视觉相似度权重值矩阵,用来描述同一服装特性下 不同类的相关程度,视觉相似度权重值矩阵表征了:当预测结果为某一预测类时, 除此类外的其他各非预测类恰好为这一服装固有类的可能性程度,对该可能性程 度进行降序排序,从而得到与预测结果不同的按照概率从大到小排列的所有可能 结果;
步骤3、当前待预测服装经过FashionNet服装特性多维度预测网络和视觉 相似度矩阵的运算后,得到和当前待预测服装包含的5种特性相匹配的若干个可 能类别,5种特性分别为纹理、面料、颜色、风格、类别,每种特性对应的可能 类别数随预测结果和该服装此特性类别的匹配程度密切相关,选取两种可能正确 概率最大的类和原始预测结果供用户选择,对于某一特性,用户从3个可能类中 选择1个,5种特性均确定唯一类别后即形成该件服装的电子标签。
优选地,步骤1中,所述FashionNet服装特性多维度预测网络的Pose分支 层包括landmark池化层,landmark池化层对输入的服装图像上的的某一块区域 进行特征的提取,这部分的特征称之为局部特征,将局部特征分支层和全局特征 分支层的特征按通道组合在一起之后经过一个全连接层再编码一次,然后基于 landmark池化层得到的局部特征对属性、类别标签进行分类学习,同时使用三 元组loss进行辅助学习。
本发明提供的技术方案可以为服装推荐***提供服装的标签输出,通过服装 特性分类网络以及FashionNet服装特性多维度预测网络输出服装的标签特征。 同时,构建预测输错问题下的视觉相似度矩阵,为用户提供一种好的标签修改途 径。
在社会经济层面,相比于传统纯人工服装电子标签分类方法,本发明方案减 少了人工分类的时间成本,提高了效率,增强了服装电子标签***的普适性和易 用性,非专业人员使用较为简单。在技术效果层面,相比与近年来出现的计算机 视觉方法,本发明方案可以将服装电子标签中各个特性编码和服装本身特性的匹 配程度从59.36%~67.58%提高到95.74%~98.85%,并且在不占用更高的硬件运算 资源的前提下,保证从服装影像信息到服装特性信息的映射运算速度满足实际使 用需求,能够真正推动基于计算机视觉的服装电子标签的大众化使用。
具体实施方式
为使本发明更明显易懂,兹以优选实施例作详细说明如下。
本发明提供的一种基于机器视觉的服装电子标签生成方法以基于计算机视 觉的服装特性识别结果为主要信息源,再以该主要信息源作为输入,通过构建视 觉矩阵相似度,产生针对某一件服装的各特性的多条可能类,再由人机交互的方 式,以人在这些每条特性中各可能类的选择作为偏差纠正项,最终在占用较少硬 件运算条件资源的前提下,形成了能够对任意1件服装在纹理 (Attribute-Texture)、面料(Attribute-Fabric)、颜色、风格(Attribute-Style)、 类别(Category)5个特性进行准确描述的多维度服装电子标签。本发明具体包 括以下步骤:
步骤1、建立FashionNet服装特性多维度预测网络
FashionNet服装特性多维度预测网络包括全局特征提取网络、局部特征提 取网络和特征点回归网络。
全局特征提取网络:捕捉整个服装项目的全局特征,基于VGG16前4个阶 段增加了conv5卷积结构,后面连接一个全连接层用于特征编码,输出特征作为 最终检索特征的一部分。
局部特征提取网络:在stage5卷积结构后面使用两个全连接层进行特征编 码,根据输出的特征分别再使用两个全连接层输出服装特征点和特征点是否可见 的标签。
特征点回归网络:预测了landmark的位置以及它们的可见性(即它们是否 被遮挡),借助于特征点回归网络输出的服装特征点,提出了一个新的层, landmark池化层,这也是关键的创新点。此层能够对图上的某一块区域进行特 征的提取,这部分的特征称之为局部特征。将全局特征提取网络和局部特征提取 网络的特征按通道组合在一起之后经过一个全连接层再编码一次,然后基于这个 特征对属性、类别标签进行分类学习,同时使用三元组loss进行辅助学习。
步骤2、利用DeepFashion数据集对FashionNet服装特性多维度预测网络 进行训练和测试。训练时,包括前向传播阶段及反向传播阶段。
前向传播
在第一阶段中,先将特征点回归网络的loss权重调高,而用于属性、类别 分类及triplet学习的loss权值保持正常。经过一段时间的迭代训练之后进入第 二阶段。
使用第一阶段中的最优模型作为fine-tune基础,开始第二轮训练,网络结 构和训练数据保持不变。与第一阶段中不同的是,这一阶段的训练中,特征点回 归子网络中的loss比重与其余loss保持一致。
这样做的理论依据在于,网络的表征能力受到了特征点回归准确程度的影响, 在第一个训练阶段中,增加特征点回归子网络的loss比重,可以使得网络在优 化训练过程中朝着特征点回归任务偏移,但属性、类别分类器的存在,也使得网 络在迭代过程中同时兼顾了服装类别的区分。通过一段时间的第一阶段训练之后, 将训练策略调整为所有loss的权重平等。这种训练方式能更好的找到局部特征, 辅助全局特征进行分类的效果。
反向传播
FashionNet服装特性多维度预测网络在训练过程中总共使用了4种loss结 构,分别是特征点定位的回归loss,特征点可见和衣服类别标签预测的 softmaxloss,属性预测的交叉熵loss,以及最终生成的对衣服图像的度量学习的 三元组loss。计算方法分别如下:
(1)特征点定位的回归loss:
特征点回归使用了L2regression loss,公式如下:
式中,D表示训练样本;vj是向量形式表现的第j个样本特征点可见性;表示第j个样本特征点的实际位置;lj表示预测出的第j个样本特征点的位置。
(2)特征点可见和衣服类别标签预测的softmaxloss
这两点使用了多标签分类任务,Softmax分类器及其loss函数被用于训练这 部分内容,loss分别为Lvisibility和Lcategory。
属性预测的交叉熵loss
由于对于不同的属性正负比例不均,使用了不同的权重去定义该部分的loss, 公式如下所示:
Lattributes表示数据集中单件服装服装细粒度类别;wpos和wneg由训练集中的 正样本和负样本的数量的比率确定的权值;xj和aj代表第j个衣服图像及其属性 标签;p(aj|xj)表示服装图片xj的属性为aj概率。
(3)三元组loss
度量学习三元组loss也被用于在组合特征中对不同的服装类别进行区分度 学习,使用欧氏距离作为距离判定标准,约束条件为:
式中,m表示度量学习阈值参数;和分别表示服装xj在当前属性组中的 位置和其他属性组中的位置;d(…,…)是一个距离函数,用于表示两向量之间的距 离。
步骤2、利用DeepFashion数据集对FashionNet服装特性多维度预测网络 进行训练和测试。
本发明所采用的服装标签数据集是香港中文大学和商汤科技共同提出的DeepFashion数据集,该数据集包含了规模较大的已标注属性的服装属性图片, 标注信息包括:50种细粒度类别,1000种属性及该属性对应位置,特征区域边 界框,300000个服装商家图片和服装买家图像对照组。在本发明中,该数据集 被应用于服装类别与属性预测网络的训练和测试。
(1)数据集的产生方式
数据集包含了1,320,078张来自于电商网站上及其用户评价的图片,囊括 了391,482个服装类别。数据集还包含了通过谷歌搜索到的服装图片,总共 1,273,150张图片。将这些图片合并为一个集合后进行预处理,具体做法是通过 利用AlexNet的fc-7的输出比较来分辨出相近的图片,删除相近的图片后得出 的图片经过人工的标记来删除图片质量较差或者不是服装的图片,最终数据集中 剩下800,000张图片。
(2)数据集中图片的标注
使用以下几个标注信息来进行服装的分类与检索:
(Ⅰ)海量特性:重要的关于服装类别的信息。
(Ⅱ)Landmarks(特征点):利用服装特定位置的标记来处理解决服装变型 或者时姿势的多样。将局部采样得到的多个局部的信息组合形成局部特征图,通 过比较局部特征图就可以利用局部的特征来确定是否为相近的类型。
(Ⅲ)Consumer-to-shop pairs:解决不同场景下的图片的识别能力。
每个对象有五种属性:纹理属性、面料属性、形状属性、穿着区域属性、款 式属性.
类别与特性标记:类别集大小适中(50类),类别标记是互斥的。每一张图 片有一个类别标记。每张图片可以有多个特性(总共有1000个特性)。
在进行测试时,对FashionNet服装特性多维度预测网络预测过程中出现的 错误结果定义了视觉相似度权重值矩阵,用来描述同一服装特性下不同类的相关 程度,视觉相似度权重值矩阵表征了:当预测结果为某一预测类时,除此类外的 其他各非预测类恰好为这一服装固有类的可能性程度,对该可能性程度进行降序 排序,从而得到与预测结果不同的按照概率从大到小排列的所有可能结果。
视觉相似性矩阵的构建包括以下内容:
(一)视觉相似度
在测试集测试过程中,对于一件服装的α特性A类的预测结果进行观察,若 预测正确则不记录,否则记录错误的类,当测试结束时,统计各特性的每个类在 预测过程中被误判为同一特性下其他各类的次数,该次数描述了同一特性下不同 类之间的视觉相似度的权重值矩阵Pα=[n11,n12,n13…;n21,n22,n23…;…],最 终可以得到5个分别对应不同特性的二维权重值方阵,其中每一行代表该服装该 特性的固有类,每一列代表该服装该特性的预测类,每个方阵的行列数等于该特 性下包含的类的总个数。
(二)非预测类正确概率排序表
对于一服装某一特性的各个类,除预测类外的其他类定义为非预测类,在任 一特性的视觉相似度矩阵中,对当前预测结果对应列的权重值进行降序排序,权 重值最大的2个非预测类和当前预测类作为结果输出,供用户选择。
步骤3、当前待预测服装经过FashionNet服装特性多维度预测网络和视觉 相似度矩阵的运算后,得到和当前待预测服装包含的5种特性相匹配的若干个可 能类别,5种特性分别为纹理、面料、颜色、风格、类别,每种特性对应的可能 类别数随预测结果和该服装此特性类别的匹配程度密切相关,选取两种可能正确 概率最大的类和原始预测结果供用户选择,对于某一特性,用户从3个可能类中 选择1个,5种特性均确定唯一类别后即形成该件服装的电子标签。
在具体实现的过程中优化了人机交互的过程,使得用户在具体的属性匹配环 节中提高了交互的效率,优先向用户提供可能性高的选项,以提高用户进行偏差 纠正的效率,优化界面显示,便于非专业用户使用。
Claims (2)
1.一种基于机器视觉的服装电子标签生成方法,其特征在于,包括以下步骤:
步骤1、建立FashionNet服装特性多维度预测网络,FashionNet服装特性多维度预测网络包括向前传播部分及向后传播部分,其中:
向前传播部分包括包含3个分支层和若干个共享卷积层,其中,第1个分支层为Pose分支层,用于预测服装特征点是否存在和特征点位置;第2个分支层为局部特征分支层,对Pose分支层中确定的服装特征点进行池化运算,再由卷积层运算后得到服装特征点的局部特征矩阵;第3个分支层为全局特征分支层,对整个服装图像输入卷积神经网络层,得到整个服装的全局特征;
向后传播部分包含4种损失函数,分别存在于特征点定位、特征点存在性判别和服装类别预测、特性预测、服装图像对照组学习4个向前传播阶段,这4种损失函数在保证收敛的前提下以迭代方式进行训练;
步骤2、利用DeepFashion数据集对FashionNet服装特性多维度预测网络进行训练和测试,在进行测试时,对FashionNet服装特性多维度预测网络预测过程中出现的错误结果定义了视觉相似度权重值矩阵,用来描述同一服装特性下不同类的相关程度,视觉相似度权重值矩阵表征了:当预测结果为某一预测类时,除此类外的其他各非预测类恰好为这一服装固有类的可能性程度,对该可能性程度进行降序排序,从而得到与预测结果不同的按照概率从大到小排列的所有可能结果;
步骤3、当前待预测服装经过FashionNet服装特性多维度预测网络和视觉相似度矩阵的运算后,得到和当前待预测服装包含的5种特性相匹配的若干个可能类别,5种特性分别为纹理、面料、颜色、风格、类别,每种特性对应的可能类别数随预测结果和该服装此特性类别的匹配程度密切相关,选取两种可能正确概率最大的类和原始预测结果供用户选择,对于某一特性,用户从3个可能类中选择1个,5种特性均确定唯一类别后即形成该件服装的电子标签。
2.如权利要求1所述的一种基于机器视觉的服装电子标签生成方法,其特征在于,步骤1中,所述FashionNet服装特性多维度预测网络的Pose分支层包括landmark池化层,landmark池化层对输入的服装图像上的的某一块区域进行特征的提取,这部分的特征称之为局部特征,将局部特征分支层和全局特征分支层的特征按通道组合在一起之后经过一个全连接层再编码一次,然后基于landmark池化层得到的局部特征对属性、类别标签进行分类学习,同时使用三元组loss进行辅助学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910327629.XA CN110197200B (zh) | 2019-04-23 | 2019-04-23 | 一种基于机器视觉的服装电子标签生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910327629.XA CN110197200B (zh) | 2019-04-23 | 2019-04-23 | 一种基于机器视觉的服装电子标签生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197200A true CN110197200A (zh) | 2019-09-03 |
CN110197200B CN110197200B (zh) | 2022-12-09 |
Family
ID=67751934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910327629.XA Active CN110197200B (zh) | 2019-04-23 | 2019-04-23 | 一种基于机器视觉的服装电子标签生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197200B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706205A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(重庆)科技有限公司 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
CN111967930A (zh) * | 2020-07-10 | 2020-11-20 | 西安工程大学 | 一种基于多网络融合的服装风格识别推荐方法 |
CN112270221A (zh) * | 2020-10-14 | 2021-01-26 | 西安工程大学 | 一种融合四季色彩理论的服装个性化推荐方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239907A (zh) * | 2014-07-16 | 2014-12-24 | 华南理工大学 | 面向变化场景的远红外行人检测方法 |
CN106250915A (zh) * | 2016-07-22 | 2016-12-21 | 福州大学 | 一种融合深度特征和语义邻域的自动图像标注方法 |
WO2017203262A2 (en) * | 2016-05-25 | 2017-11-30 | Metail Limited | Method and system for predicting garment attributes using deep learning |
US20180012110A1 (en) * | 2016-07-06 | 2018-01-11 | Accenture Global Solutions Limited | Machine learning image processing |
CN108229503A (zh) * | 2018-01-04 | 2018-06-29 | 浙江大学 | 一种针对服装照片的特征提取方法 |
CN108614884A (zh) * | 2018-05-03 | 2018-10-02 | 桂林电子科技大学 | 一种基于卷积神经网络的服装图像检索方法 |
CN108629367A (zh) * | 2018-03-22 | 2018-10-09 | 中山大学 | 一种基于深度网络增强服装属性识别精度的方法 |
CN108960499A (zh) * | 2018-06-27 | 2018-12-07 | 东华大学 | 一种融合视觉和非视觉特征的服装流行趋势预测*** |
CN108960342A (zh) * | 2018-08-01 | 2018-12-07 | 中国计量大学 | 基于改进SoftMax损失函数的图像相似度计算方法 |
CN109272011A (zh) * | 2018-07-31 | 2019-01-25 | 东华大学 | 面向服装图像分类的多任务深度表示学习方法 |
US20210142097A1 (en) * | 2017-06-16 | 2021-05-13 | Markable, Inc. | Image processing system |
-
2019
- 2019-04-23 CN CN201910327629.XA patent/CN110197200B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239907A (zh) * | 2014-07-16 | 2014-12-24 | 华南理工大学 | 面向变化场景的远红外行人检测方法 |
WO2017203262A2 (en) * | 2016-05-25 | 2017-11-30 | Metail Limited | Method and system for predicting garment attributes using deep learning |
US20180012110A1 (en) * | 2016-07-06 | 2018-01-11 | Accenture Global Solutions Limited | Machine learning image processing |
CN106250915A (zh) * | 2016-07-22 | 2016-12-21 | 福州大学 | 一种融合深度特征和语义邻域的自动图像标注方法 |
US20210142097A1 (en) * | 2017-06-16 | 2021-05-13 | Markable, Inc. | Image processing system |
CN108229503A (zh) * | 2018-01-04 | 2018-06-29 | 浙江大学 | 一种针对服装照片的特征提取方法 |
CN108629367A (zh) * | 2018-03-22 | 2018-10-09 | 中山大学 | 一种基于深度网络增强服装属性识别精度的方法 |
CN108614884A (zh) * | 2018-05-03 | 2018-10-02 | 桂林电子科技大学 | 一种基于卷积神经网络的服装图像检索方法 |
CN108960499A (zh) * | 2018-06-27 | 2018-12-07 | 东华大学 | 一种融合视觉和非视觉特征的服装流行趋势预测*** |
CN109272011A (zh) * | 2018-07-31 | 2019-01-25 | 东华大学 | 面向服装图像分类的多任务深度表示学习方法 |
CN108960342A (zh) * | 2018-08-01 | 2018-12-07 | 中国计量大学 | 基于改进SoftMax损失函数的图像相似度计算方法 |
Non-Patent Citations (4)
Title |
---|
CHARLES CORBI`ERE等: "LeveragingWeakly Annotated Data for Fashion Image Retrieval and Label Prediction", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS》 * |
DIPU MANANDHAR等: "Tiered Deep Similarity Search for Fashion", 《EUROPEAN DEEP SIMILARITY SEARCH FOR FASHION》 * |
张振焕等: "基于残差的优化卷积神经网络服装分类算法", 《计算机工程与科学》 * |
秦思琪,曾子明: "基于深度哈希的数字人文移动视觉搜索方法", 《情报资料工作》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706205A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(重庆)科技有限公司 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
CN111967930A (zh) * | 2020-07-10 | 2020-11-20 | 西安工程大学 | 一种基于多网络融合的服装风格识别推荐方法 |
CN112270221A (zh) * | 2020-10-14 | 2021-01-26 | 西安工程大学 | 一种融合四季色彩理论的服装个性化推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110197200B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
Zhou et al. | Semantic understanding of scenes through the ade20k dataset | |
CN105844283B (zh) | 用于识别图像类目归属的方法、图像搜索方法及装置 | |
CN108510000A (zh) | 复杂场景下行人细粒度属性的检测与识别方法 | |
CN108537136A (zh) | 基于姿态归一化图像生成的行人重识别方法 | |
Gu et al. | A new deep learning method based on AlexNet model and SSD model for tennis ball recognition | |
CN112613552B (zh) | 一种结合情感类别注意力损失的卷积神经网络情感图像分类方法 | |
CN109523520A (zh) | 一种基于深度学习的染色体自动计数方法 | |
CN110197200A (zh) | 一种基于机器视觉的服装电子标签生成方法 | |
CN108647702B (zh) | 一种基于迁移学习的大规模食材图像分类方法 | |
CN108109055B (zh) | 一种基于图像渲染的跨场景服装检索方法 | |
CN109165540A (zh) | 一种基于先验候选框选择策略的行人搜索方法和装置 | |
CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
CN111915746B (zh) | 一种基于弱标注的三维点云目标检测方法及标注工具 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN106250909A (zh) | 一种基于改进视觉词袋模型的图像分类方法 | |
CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN109284760A (zh) | 一种基于深度卷积神经网络的家具检测方法及装置 | |
CN108228684A (zh) | 聚类模型的训练方法、装置、电子设备和计算机存储介质 | |
CN110188763A (zh) | 一种基于改进图模型的图像显著性检测方法 | |
CN108595558A (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
Liu et al. | Cbl: A clothing brand logo dataset and a new method for clothing brand recognition | |
CN107977948A (zh) | 一种面向社群图像的显著图融合方法 | |
CN109034238A (zh) | 一种基于信息熵的聚类划分方法 |
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 |