CN110728015B - 认知自动化和交互式个性化时尚设计 - Google Patents

认知自动化和交互式个性化时尚设计 Download PDF

Info

Publication number
CN110728015B
CN110728015B CN201910495710.9A CN201910495710A CN110728015B CN 110728015 B CN110728015 B CN 110728015B CN 201910495710 A CN201910495710 A CN 201910495710A CN 110728015 B CN110728015 B CN 110728015B
Authority
CN
China
Prior art keywords
fashion
design
computer
new
score
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
CN201910495710.9A
Other languages
English (en)
Other versions
CN110728015A (zh
Inventor
M·休厄科
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN110728015A publication Critical patent/CN110728015A/zh
Application granted granted Critical
Publication of CN110728015B publication Critical patent/CN110728015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • 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
    • 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
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例涉及认知自动化和交互式个性化时尚设计。描述了一种用于自动化时尚设计的方法。用于自动化时尚设计的计算机实现的方法包括：由计算机设备使用基于深度学习的计算机视觉来训练计算机模型；由计算机设备使用经认知地确定的时尚性得分(F得分)来标识至少一个差距；以及由计算机设备使用计算机模型和经标识的至少一个差距来创建新时尚设计。

Description

认知自动化和交互式个性化时尚设计
技术领域
本发明总体上涉及自动化时尚设计，并且更具体地涉及使用图像分析和认知分析以通过允许用户交互和迭代的自动化方式创建新时尚设计。
背景技术
时尚设计和时尚商业中通常有三方：时尚设计者、时尚零售商(也称为商品商)和时尚客户。传统的业务模式是时尚设计者创建被体现为时尚产品(例如，服饰)的时尚设计。时尚零售商选择销售某些可获得时尚产品(即，所有可获得时尚设计的子集)。时尚客户可以购买由时尚零售商销售的时尚产品。
将认知分析与时尚设计集成的尝试已经涉及这几方中的第一方，即时尚设计者。在一个示例中，设计者使用对(i)时尚产品的图像和(ii)建筑物的图像的组合的认知分析来生成混合的时尚和建筑图像，并且然后使用所生成的混合图像作为手动设计新的时尚产品的灵感。在另一示例中，设计者基于对穿戴者的社交媒体数据的认知分析来创建发光且改变颜色的穿着。
发明内容
在本发明的一方面，存在一种用于自动化时尚设计的计算机实现的方法。该方法包括：由计算机设备使用基于深度学习的计算机视觉来训练计算机模型；由计算机设备使用经认知地确定的时尚性得分(F得分)来标识至少一个差距；以及由计算机设备使用计算机模型和经标识的至少一个差距来创建新时尚设计。
在本发明的另一方面，存在一种用于自动化时尚设计的计算机程序产品。该计算机程序产品包括计算机可读存储介质，该计算机可读存储介质具有通过其体现的程序指令。程序指令由主计算设备可执行以使得主计算设备：使用基于深度学习的计算机视觉来训练计算机模型；使用经认知地确定的时尚性得分(F得分)来标识要在时尚设计中使用的成份组；以及使用经训练的计算机模型和经标识的该成份组来创建新时尚设计。
在本发明的另一方面，存在一种用于自动化时尚设计的***。该***包括处理器、计算机可读存储器和与计算设备相关联的计算机可读存储介质；用以使用基于深度学习的计算机视觉来训练计算机模型的程序指令；用以使用经认知地确定的时尚性得分(F得分)来标识要在时尚设计中使用的成份组的程序指令；以及用以使用经训练的计算机模型和经标识的该成份组来创建新时尚设计的程序指令。程序指令被存储在计算机可读存储介质上，以供处理器经由计算机可读存储器执行。
附图说明
通过本发明的示例性实施例的非限制性示例，参考所提到的多个附图，在下面的具体实施方式中描述本发明。
图1描绘了根据本发明的实施例的计算基础设施；
图2示出了根据本发明的各方面的示例性环境；
图3示出了根据本发明的各方面的示例性方法的步骤的流程图；
图4A-C示出了根据本发明的各方面的示例性方法的步骤的流程图；
图5示出了根据本发明的实施例的时尚设计自动化服务器的差距标识模块的各方面；以及
图6图示了根据本发明的各方面的被配置为分析和分类服装物品的卷积神经网络。
具体实施方式
本发明总体上涉及自动化时尚设计，并且更具体地涉及使用图像分析和认知分析以通过允许用户交互和迭代的自动化方式创建新时尚设计。本发明的各方面涉及使用图像分析和认知分析以基于提取、变换和组合现有时尚设计的不同成份来形成新时尚设计。在实施例中，使用基于认知分析和深度学习的计算机视觉来从现有时尚设计的不同图像并且基于F得分(即，时尚性得分)来创建新时尚设计。可以使用自动化方法或利用用户反馈的交互式和迭代的方法以这种方式创建新时尚设计。在交互式和迭代方法中，***可以接收用户喜欢和不喜欢来自不同的时尚设计图像的哪些成份的用户输入，并且***可以基于该用户输入来生成新时尚设计。在实施例中，***可以向用户呈现所生成的新时尚设计，接收关于对新时尚设计的一个或多个成份的喜欢和不喜欢的用户输入，并且基于先前所生成的新时尚设计和用户输入来生成另一新时尚设计。以这种方式，***可以提供用于针对特定用户创建新时尚设计的交互式和迭代方法。
如本文中使用的，时尚设计是指诸如一件服饰的时尚产品的视觉表示，服饰诸如衬衫、女士衬衫、裙子、长袍、裤子、帽子、手套、鞋子等。在实施例中，该***使用经训练的计算机模型创建新时尚设计，该模型利用基于深度学习的计算机视觉。特别地，该***可以训练和利用采用对象检测和实例分割的模型，以标识和分类现有时尚设计的图像中包括的所有时尚词汇表概念(例如，成份)。此外，***可以训练和利用模型以通过将经标识和经分类的时尚词汇表概念(例如，成份)中的不同概念拼接在一起并且使其均匀化来创建新时尚设计。以这种方式，本发明的实现可以用于基于对现有时尚设计的图像分析以及对时尚趋势和数据的认知分析来自动地生成新时尚设计。
如本文所述，本发明的各方面采用基于深度学习的计算机视觉来执行对现有时尚设计图像的图像分类、对象检测、实例分割和迁移学习。在实施例中，深度学习是利用传统的或以后开发的神经网络技术的机器学习。可以在实施例中使用的技术的示例包括但不限于：卷积神经网络(CNN)、基于区域的卷积神经网络(R-CNN)、快速R-CNN、更快的R-CNN、掩模R-CNN、Haar级联和局部二值模式(LBP)级联。以这种方式，本发明的实现可以被配置为利用基于深度学习的计算机视觉来分析现有时尚设计的图像，并且部分地基于该分析来生成新时尚设计。
如本文所述，F得分是时尚产品的类别和子类别内的产品(即，特定时尚设计)的时尚性得分。在实施例中，F得分使用对时尚趋势和相关联的时尚数据的认知分析来确定，时尚数据包括但不限于社交媒体、电子商务数据和全渠道零售数据。例如，F得分可以部分地基于对与时尚设计整体或时尚设计的单个属性相关联的正面和负面数据(例如，喜欢和不喜欢、正面和负面批评或评论、广告等)的认知分析来确定，时尚设计从诸如社交媒体、在线时尚杂志、在线零售商等源获得。在实施例中，F得分是具有可以用于下游机器学习算法中的维度的数字，该机器学习算法需要数值数据作为输入。例如，该维度可以表示产品在给定时刻的时髦度，并且该数字可以表示时髦度的相对度量，其可以与不同产品的其他F得分进行比较。
在实施例中，F得分用于确定可以用新时尚设计填补的差距。如本文中使用的，差距是指时尚零售商提供的时尚产品与时尚客户想要的时尚产品之间的可量化差异。通过使用F得分来标识差距，本发明的实现可以用于自动地生成新时尚设计以填补差距，并且因此为时尚零售商和时尚客户两者提供益处。
如本文中已经提到的，时尚设计和时尚商业中通常有三方：时尚设计者、时尚零售商(也称为商品商)和时尚客户。这种布置存在以下问题：时尚客户在时尚设计过程中没有输入并且必须适应经由时尚零售商可获得的任何时尚产品。本发明的各方面通过创建针对时尚客户个性化的时尚设计来提供对该问题的解决方案。特别地，与从时尚设计者的视角来集成认知分析技术相反，本发明的各方面应用认知分析技术来确定时尚零售商和时尚客户的时尚设计需求。从时尚客户的观点，本发明的各方面可以用于针对特定客户创建个性化时尚设计。从时尚零售商的观点，本发明的各方面可以用于标识时尚零售商提供的内容与时尚客户想要的内容之间的差距，并且创建新时尚设计以填补经标识的差距。在实施例中，这样的新时尚设计可以使用如本文所述的F得分来捕获当前趋势。在另外的实施例中，该***可以部分地基于新设计的预估收益性以及新设计如何影响其他时尚产品来优化填补经标识的差距的新时尚设计。
根据本发明的各方面，存在一种基于任何给定时尚子类别的所需要的产品的认知时尚性得分(F得分)和目标价格来认知性地和交互式地设计目标服饰(例如，时尚设计)的***和方法。实施例包括一种用于预估以下各项的机制：这样的所设计的时尚产品的可能销售、其对子类别中和特定F得分范围内的现有产品的交互作用、以及应当是产品的一部分的最佳设计成份。实现被配置为使用F得分，其确保所设计的产品不仅仅根据特定设计者的喜好，而且还可以针对具有不同时尚喜好的不同类型的客户群体获得不同的设计。实现还具有以下能力：基于经标识的子成份来呈现整个产品原型图像，并且能够基于保留最初创建设计的目标方面的标准与由算法标识的成份交互式地改变一个或多个成份。
本发明可以是在集成的任何可能的技术细节级别的***、方法和/或计算机程序产品。该计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质，该计算机可读程序指令用于使处理器执行本发明的各方面。
计算机可读存储介质可以是有形设备，其可以保留和存储指令以供指令执行设备使用。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述各项的任何合适的组合。计算机可读存储介质的更具体示例的非详尽列表包括：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用光盘(DVD)、记忆棒、软盘、其上记录有指令的机械编码装置(诸如凹槽中的穿孔卡或凸起结构)、以及前述各项的任何合适的组合。本文中使用的计算机可读存储介质不应当被解释为暂态信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)或通过电线传输的电信号。
本文中描述的计算机可读程序指令从计算机可读存储介质被下载到相应的计算/处理设备，或者经由网络(例如，因特网、局域网、广域网和/或无线网络)被下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并且转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、用于集成电路的配置数据、或者以一种或多种编程语言(包括诸如Smalltalk、C++等面向对象的编程语言以及诸如“C”编程语言或相似编程语言等过程编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分地在用户的计算机上并且部分地在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接至外部计算机(例如，使用因特网服务提供商通过因特网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路，以便执行本发明的各方面。
本文参考根据本发明的实施例的方法、装置(***)和计算机程序产品的流程图图示和/或框图来描述本发明的各方面。应当理解，流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读程序指令实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令能够创建用于实现在流程图和/或框图框的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以被存储在计算机可读存储介质中，该计算机可读存储介质可以指示计算机、可编程数据处理装置和/或其他设备以特定方式起作用，使得其中存储有指令的计算机可读存储介质包括一种制品，该制品包括用于实现在流程图和/或框图框的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤以产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现在流程图和/或框图框的一个或多个框中指定的功能/动作。
附图中的流程图和框图图示了根据本发明的各种实施例的***、方法和计算机程序产品的可能实现的架构、功能和操作。在这方面，流程图或框图中的每个框可以表示指令模块、段或部分，其包括用于实现所指定的(多个)逻辑功能的一个或多个可执行指令。在一些备选实现中，框中提到的功能可以不按图中所示的顺序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还应当注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行特定功能或动作或者执行专用硬件和计算机指令的组合的专用的基于硬件的***来实现。
现在参考图1，示出了计算机基础设施的示例的示意图。计算机基础设施10仅是合适的计算机基础设施的一个示例，而非旨在对本文中描述的本发明的实施例的使用范围或功能提出任何限制。无论如何，计算机基础设施10能够实现和/或执行上文所述的任何功能。
在计算机基础设施10中，存在与很多其他通用或专用计算***环境或配置一起可操作的计算机***12。可以适用于与计算机***12一起使用的公知的计算***、环境和/或配置的示例包括但不限于个人计算机***、服务器计算机***、瘦客户端、厚客户端、手持式或膝上型设备、多处理器***、基于微处理器的***、机顶盒、可编程消费电子产品、网络PC、小型计算机***、大型计算机***、以及包括任何上述***或设备的分布式云计算环境等。
计算机***12可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般上下文中描述。通常，程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算机***12可以在其中任务由通过通信网络链接的远程处理设备执行的分布式云计算环境中实现。在分布式云计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机***存储介质中。
如图1所示，计算机基础设施10中的计算机***12以通用计算设备的形式示出。计算机***12的组件可以包括但不限于一个或多个处理器或处理单元16、***存储器28、以及将包括***存储器28的各种***组件耦合到处理器16的总线18。
总线18表示几种类型的总线结构中的任何一种或多种，包括存储器总线或存储器控制器、***总线、加速图形端口、以及使用各种总线架构中的任何总线架构的处理器或本地总线。作为示例而非限制，这样的架构包括工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线和***组件互连(PCI)总线。
计算机***12通常包括各种计算机***可读介质。这样的介质可以是计算机***12可访问的任何可获得介质，并且包括易失性和非易失性介质、可移除和不可移除介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，诸如随机存取存储器(RAM)30和/或高速缓冲存储器32。计算机***12还可以包括其他可移除/不可移除、易失性/非易失性计算机***存储介质。仅作为示例，可以提供存储***34以用于从不可移除的非易失性磁介质(未示出并且通常被称为“硬盘驱动器”)读取和向其写入。尽管未示出，但是可以提供用于从可移除的非易失性磁盘(例如，“软盘”)读取和向其写入的磁盘驱动器以及用于从可移除的非易失性光盘(诸如CD-ROM、DVD-ROM或其他光学介质)读取或向其写入的光盘驱动器。在这种情况下，每个都可以通过一个或多个数据媒体接口连接到总线18。如下面将进一步描绘和描述的，存储器28可以包括至少一个程序产品，该程序产品具有被配置为执行本发明的实施例的功能的程序模块的集合(例如，至少一个程序模块)。
作为示例而非限制，具有程序模块42的集合(至少一个程序模块)的程序/实用程序40、以及操作***、一个或多个应用程序、其他程序模块和程序数据可以被存储在存储器28中。操作***、一个或多个应用程序、其他程序模块和程序数据中的每个或其某种组合可以包括网络环境的实现。程序模块42通常执行如本文所述的本发明的实施例的功能和/或方法。
计算机***12还可以与以下各项通信：一个或多个外部设备14，诸如键盘、指示设备、显示器24等；使得用户能够与计算机***12交互的一个或多个设备；和/或使得计算机***12能够与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)。这样的通信可以经由输入/输出(I/O)接口22发生。此外，计算机***12还可以经由网络适配器20与一个或多个网络通信，诸如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如，因特网)。如所描绘的，网络适配器20经由总线18与计算机***12的其他组件通信。应当理解，尽管未示出，但是其他硬件和/或软件组件可以与计算机***12结合使用。示例包括但不限于：微代码、设备驱动程序、冗余处理单元、外部磁盘驱动器阵列、RAID***、磁带驱动器和数据存档存储***等。
图2示出了根据本发明的各方面的示例性环境的框图。在实施例中，环境包括用户设备210，用户设备210经由网络225可操作地连接到时尚设计自动化服务器220。环境可以包括与***的多个不同终端用户相关联的多个用户设备210，使得每个不同的用户可以独立于其他用户与该***交互。每个用户设备210可以包括诸如膝上型计算机、平板计算机、台式计算机等的计算机设备，该计算机设备包括图1的计算机***12的一个或多个元件。
网络225可以包括任何合适的计算机网络或网络组合。例如，网络225可以包括LAN、WAN和因特网中的一个或多个。在示例性实现中，图2所示的环境是云计算环境，并且图2所示的设备是云计算环境内的节点。在云实现中，时尚设计自动化服务器220可以以软件即服务(SaaS)云模型向设备提供本文中描述的服务。
时尚设计自动化服务器220可以包括诸如服务器的计算机设备，其包括图1的计算机***12的一个或多个元件。在实施例中，时尚设计自动化服务器220包括建模模块230、差距标识模块240和设计模块250，其中的每个模块可以包括关于图1描述的一个或多个程序模块42。
在实施例中，建模模块230被配置为使用时尚图像数据集来创建和/或训练模型，该模型采用基于深度学习的计算机视觉以执行对现有时尚设计的图像的图像分类、对象检测、实例分割和迁移学习。关于图3的步骤305和图4A所示的步骤更详细地描述训练模型。如本文所述，一旦经训练，模型就可以由设计模块250使用以通过自动化方式生成新时尚设计。
在实施例中，差距标识模块240被配置为标识时尚零售商提供的时尚设计与时尚客户(例如，与用户设备210相关联的用户)所期望的时尚设计之间的差距。在实施例中，差距标识模块240基于用于定量地定义不同时尚设计的时尚性和价格方面的数据来确定差距。这可以至少部分地基于使用如本文所述的认知分析来确定时尚设计的F得分。如本文所述，该数据可以从一个或多个外部数据服务器290获得。在图5和图6中更详细地描述确定F得分。关于图3的步骤310和图4B所示的步骤更详细地描述标识差距。如本文所述，一旦经标识，差距就可以由设计模块250使用以通过自动化方式生成新时尚设计。
在实施例中，设计模块250被配置为使用经训练的模型(来自建模模块230)和定义差距的数据(来自差距标识模块240)以通过自动化方式生成新时尚设计。如本文中使用的，生成新时尚设计是指对时尚产品(例如，一件服饰)的视觉表示(例如，电子图像)的基于计算机的生成。关于图3的步骤315和图4C所示的步骤更详细地描述生成新时尚设计。如本文所述，一旦经生成，时尚设计就可以被可视地呈现给用户。在一些实施例中，设计模块250被配置为(经由用户设备210)从用户接收反馈并且基于用户反馈自动地修正新时尚设计。
在实施例中，用户设备210包括用户模块260，其被配置为给用户提供用以访问由时尚设计自动化服务器220提供的功能的用户界面。用户模块260可以包括关于图1描述的一个或多个程序模块42。例如，用户模块260可以包括移动应用或基于web的门户，其被配置为：从时尚设计自动化服务器220接收数据，该数据定义由时尚设计自动化服务器220以自动化方式生成的时尚设计；在用户设备210的显示器上可视地显示时尚设计；接收包括关于所显示的时尚设计的一个或多个成份的正面或负面反馈的用户输入；将用户输入传送给时尚设计自动化服务器220；从时尚设计自动化服务器220接收数据，该数据定义由时尚设计自动化服务器220基于用户反馈以自动化方式生成的新时尚设计；以及在用户设备210的显示器上可视地显示新时尚设计。以这种方式，用户设备210和用户模块260可以用于向用户提供一种交互式和迭代***，以用于与时尚设计自动化服务器220接口以基于用户的输入产生对用户个性化的新时尚设计。
继续参考图2，环境可以包括分别与一个或多个时尚零售商和一个或多个时尚设计者相关联的一个或多个零售商计算机设备270和一个或多个设计者计算机设备280。例如，零售商计算机设备270和设计者计算机设备280中的每个可以包括膝上型计算机、平板计算机、台式计算机等，其包括图1的计算机***12的一个或多个元件。
仍然参考图2，环境可以包括一个或多个外部数据服务器290。外部数据服务器290可以包括存储时尚相关数据的一个或多个计算设备(例如，诸如图1的计算机***/服务器12)。外部数据服务器290可以是时尚源，诸如社交媒体源、与时尚相关的印刷媒体、与时尚相关的电子媒体等。在实施例中，时尚设计自动化服务器220可以自动地取回和监测来自一个或多个外部数据服务器290的时尚数据。如本文所述，“时尚数据”可以包括时尚产品的图像、视频、文本文章/评论、销售数据、时尚产品的客户满意度信息、和/或与时尚趋势和/或时尚产品相关的其他数据。在实施例中，时尚设计自动化服务器220可以解析从外部数据服务器290接收的数据，以确定哪些数据是时尚相关数据并且过滤掉非时尚相关数据。例如，时尚设计自动化服务器220可以使用图像分析技术来标识时尚产品，使用社交媒体过滤技术来标识与时尚产品相关的图像、评论、文章等(例如，通过主题类别过滤技术、散列标签过滤等)，使用自然语言处理(NLP)技术来确定与时尚产品相关的文章和/或其他文本等。
当从外部数据服务器290获得时尚数据时，时尚设计自动化服务器220的差距标识模块240可以利用认知时尚标识和识别来处理时尚数据以标识时尚产品、时尚产品的属性(类型、材料、样式、设计模式、颜色等)，标识新的时尚趋势，并且基于时尚数据(例如，基于产品的属性、关于时尚产品的客户和/或评论家评论、销售数据、商家偏好、用户偏好等)生成时尚产品在多个领域上的F得分。
在实施例中，可以针对时尚产品的每个部分生成F得分(例如，针对衬衫的主体(torso)部分的时尚得分以及衬衫的衣袖的另一得分等)。作为示例，F得分可以基于指示某些颜色/图案组合比其他颜色/图案组合更令人期望的客户和/或评论家评论。因此，如果主体和衣袖部分具有(例如，如基于对客户和/或评论家评论的自然语言处理而确定的)不期望的颜色/图案/样式组合，则F得分可能相对低。可以针对单个产品针对不同领域(例如，维度)生成时尚得分。例如，衬衫可以具有指示客户价值的度量(例如，第一维度)的得分、指示客户流行度的度量(例如，第二维度)的另一得分、指示对象符合特定样式或类型的接近程度的度量(例如，第三维度)的另一得分、指示时髦度的度量(例如，第四维度)的另一得分、以及指示利润水平(例如，第五维度)的另一得分。也就是说，衬衫可以具有现代样式得分、复古样式得分、指示产品符合晚礼服类型的水平的“晚礼服”类型得分、时髦度得分、利润得分、成本得分等。此外，衬衫的各个部分或子分类可以针对每个领域具有单个时尚得分。此外，整个整体可以具有基于不同时尚产品在一起混合得多好的交互作用的F得分。此外，随着持续接收更多时尚数据，时尚产品库存和F得分被更新。以这种方式，时尚设计自动化服务器220使用认知分析来识别和分析新的时尚趋势，并且更新/维护与时尚趋势有关的数据。
图3示出了根据本发明的各方面的示例性方法的流程图。图3的方法的步骤可以在图2所示的环境中执行，并且参考图2所示的元件来描述。
在步骤305处，***使用基于深度学习的计算机视觉来训练模型。在实施例中，时尚设计自动化服务器220存储或访问包括多个时尚设计图像集的数据库。图像是用元数据标记的训练数据，元数据定义每个图像中示出的时尚设计的不同方面。例如，对于任何特定图像，元数据可以定义图像中的服饰物品的类型(例如，图像可以被标记为衬衫、女士衬衫、裙子、长袍、裤子、帽子、手套、鞋子等)。元数据还可以定义图像中的服饰物品的成份(例如，衬衫可以用主体、衣领、衣袖等成份来标记)。元数据还可以定义图像中的服饰物品的成份的子类别(例如，衣领可以被标记为以下之一：带式、纽扣式、中式、展开式、翼式、高领式等)。这些标签示例仅用于说明，并且任何期望数目和类型的标签可以与本发明的实现一起使用。
根据本发明的各方面，建模模块230被编程为具有定义一个或多个模型的逻辑，这些模型使用基于深度学习的计算机视觉来执行对训练数据的图像的图像分类、对象检测、实例分割和迁移学习。在实施例中，深度学习是利用传统的或以后开发的神经网络技术的机器学习。可以在实施例中使用的技术的示例包括但不限于：卷积神经网络(CNN)、基于区域的卷积神经网络(R-CNN)、快速R-CNN、更快的R-CNN、掩模R-CNN、Haar级联和局部二值模式(LBP)级联。以这种方式，建模模块230使用训练数据的图像来训练模型以标识在图像中表示的时尚设计的不同部分，即以标识和分类现有时尚设计的图像中包括的所有时尚词汇表概念(例如，类型、成份和子成份)。在使用训练数据训练模型之后，可以确信地使用模型来执行对不是训练数据的一部分的时尚设计的图像中包括的时尚词汇表概念(例如，类型、成份和子成份)的基于计算机视觉的标识和分类。以这种方式，一旦模型经训练，它们就可以用于在时尚设计的新图像中执行图像分类和对象检测。
根据本发明的各方面，建模模块230被编程为具有使用训练数据的图像来训练模型以学习在时尚设计中某些成份如何与其他成份在空间上相关的逻辑。仅作为一个示例，模型可以被训练以学习：当衣服具有中式衣领时，衣领的尺寸相对于衣服的其他成份(例如，相对于主体和衣袖)具有一定的纵横比，并且衣领位于相对于衣服的其他成份(例如，相对于主体、相对于衣袖等)的特定位置。以这种方式，模型被训练以学习在时尚设计内不同成份如何可视地配合在一起。因此，并且基于该训练，可以(例如，通过设计模块250)使用模型以通过使用成份之间的所学习的空间关系来组合多个不同成份来生成新时尚设计。
在实施例中，步骤305可以使用本文中更详细地描述的图4A的步骤401-409来实现。然而，实现不限于这些特定步骤，并且在步骤305处可以使用其他基于计算机的技术来训练模型。
在步骤310处，***使用经认知确定的F得分来标识一个或多个差距。在实施例中，时尚设计自动化服务器220的差距标识模块240访问多个现有时尚设计(例如，图像)的目录，并且确定多个现有时尚设计中的每个的F得分。目录可以包括例如定义由特定时尚零售商销售的时尚设计的库存的多个图像。在实施例中，差距标识模块240还访问用户的购买历史，并且确定购买历史中定义的由用户购买的每个时尚产品的F得分。根据本发明的各方面，差距标识模块240将多个现有时尚设计的目录的F得分与用户的购买历史中包含的时尚产品的F得分进行比较，并且使用该比较来定量地确定多个现有时尚设计的目录与用户购买历史中包含的时尚产品有多相似或多相异。在实施例中，当相异性的度量超过阈值量时，差距标识模块240确定差距存在。
根据本发明的各方面，F得分基于时尚设计的所确定的时尚性和价格弹性。在实施例中，时尚设计的时尚性使用对从诸如外部数据服务器290等外部源获得的时尚数据的认知分析来确定。如关于图2所述，时尚数据可以包括时尚产品的图像、视频、文本文章/评论、销售数据、时尚产品的客户满意度信息、和/或与时尚趋势和/或时尚产品相关的其他数据。通过将认知分析技术应用于与特定时尚设计相关联的时尚数据，***可以确定对特定时尚设计的维度(例如，时髦度)的数值度量。以这种方式，差距标识模块240可以被编程为具有通过对与特定时尚设计相似的其他时尚设计相关联的时尚数据执行认知分析来确定特定时尚设计(例如，时尚零售商目录中的时尚产品的图像或来自用户的购买历史的时尚产品的图像)的F得分的逻辑。
在实施例中，步骤310处的差距标识包括与所确定的F得分相关地分析定价数据。例如，如关于图4B的步骤420-435更详细地描述的，步骤310处的差距标识可以包括分析：不同价格点处每个F得分组的价格范围、平均价格和价格弹性；确定所有F得分组之间的交互作用和部分偏相关；确定F得分组内的各种产品对每个产品的交互作用和部分偏相关；测量校正值对其他F得分组的预测的交互和偏作用；针对交互和偏相关作用，校正经修正的预测估计；以及测量可盈利的价格弹性处的数量差距，同时最小化对F得分和相关联的趋势F得分和相应产品图像的冲击。以这种方式，本发明的实现包括用以预估以下各项的机制：这样的所设计的时尚产品的可能销售、其对子类别中和特定F得分范围内的现有产品的交互作用、以及应当是产品的一部分的最佳设计成份。然而，实现不限于这些特定步骤，并且在步骤310处可以使用其他认知分析技术来标识差距。
在步骤315处，***使用模型(来自步骤305)并且基于经标识的差距(来自步骤310)来创建新时尚设计。在实施例中，设计模块250被配置为通过使用成份之间的所学习的空间关系来组合多个不同成份来生成新时尚设计(例如，诸如一件新服饰等时尚产品的视觉表示)。新时尚设计中使用的成份从在步骤310处确定的成份的F得分和一个或多个差距来确定。成份之间的所学习的空间关系被包括在来自步骤305的经训练的模型中。在实施例中，设计模块250被编程为具有使用经训练的模型以通过将经标识的成份可视地拼接在一起并且使其均匀化来创建新时尚设计的逻辑。
在实施例中，步骤315可以使用本文中更详细地描述的图4C的步骤440-453来实现。例如，设计模块250可以被编程为：获取表示在差距F得分之下和之上的趋势产品中的不同概念和表示的图像，该获取基于由差距标识模块240确定的所确定的F得分和差距；并且将所获取的图像分解成经标识的时尚成份和边界坐标，并且使用来自建模模块230的经训练的模型的图像分类和对象检测功能将成份映射到组类。此外，设计模块250可以在目录和时尚事件数据库中的图像上运行相似性标记，以标识与可以充当区分分类特征的子类别有关的成份并且获得特征影响极性(正面和负面)，该相似性标记基于由差距标识模块240确定的所确定的F得分和差距以及来自建模模块230的经训练的模型来执行。针对每个标记的时尚成份，设计模块250可以从词汇表中获得成份类。针对所有负面影响特征，设计模块250可以针对相同类内的成份设计特征或向量空间中的向量相异性。针对所有正面影响特征成份，设计模块250可以确定相似性成份。此外，设计模块250可以基于所确定的正面影响特征和所确定的负面影响特征来确定(来自从经分解的所获取的图像标识的成份的)最佳匹配成份。然后，设计模块250可以使用来自建模模块230的经训练的模型中的所学***滑、颜色混合和/或视觉过滤使所连接的成份的连接边缘可视地平滑。最终结果是计算机生成的时尚设计，例如可以经由计算机设备显示的诸如一件新服饰等时尚产品的视觉表示。然而，实现不限于这些特定步骤，并且在步骤315处可以使用其他基于计算机的技术来生成新时尚设计。
在步骤320处，***将新时尚设计(来自步骤315)呈现给用户。在实施例中，时尚设计自动化服务器220将定义新时尚设计的数据传输到用户设备210，并且用户模块260使新时尚设计被显示在用户设备210的显示器上，例如，在由用户模块260生成或与用户模块260相关联的用户界面中(UI)中。
在第一示例性用例中，***被配置为接受用户输入作为关于新时尚设计的反馈，并且基于反馈来修正新时尚设计。例如，由用户模块260呈现的用户界面可以向用户提示关于时尚设计的用户输入，该时尚设计在用户界面中可视地显示。例如而非限制，用户输入可以是用鼠标或触摸屏输入来选择所显示的新时尚设计的一个或多个成份。例如而非限制，选择可以包括对单个成份的选择(例如，通过点击或叩击显示器上的单个成份)或对一组成份的选择(例如，通过使用诸如在显示器上的多个成份周围的可调节大小的矩形的捕获工具)。对于每个所选择的成份，用户输入可以包括用户喜欢还是不喜欢所选择的成份的指示。以这种方式，用户模块260可以接收定义用户喜欢还是不喜欢所显示的新时尚设计的一个或多个所选择的成份的用户输入。
在步骤325处，如果用户提供关于所显示的新时尚设计的这样的用户输入，则该过程返回到步骤315，以通过基于用户输入修正先前的新时尚设计来创建下一迭代新时尚设计。在实施例中并且基于用户输入，设计模块250将用户喜欢的成份添加到先前确定的正面影响特征组，并且将用户不喜欢的成份添加到先前确定的负面影响特征组。然后，设计模块250使用经更新的正面影响特征组和负面影响特征组来重新运行生成步骤，这使得创建下一迭代新时尚设计。然后，在步骤320处将下一迭代新时尚设计呈现给用户，并且在步骤325处用户可以提供关于下一迭代新时尚设计的用户输入。以这种方式，***提供了迭代和交互式过程，其中用户可以提供反馈以根据他们的喜好定制新时尚设计，最终结果是针对用户的高度个性化的新时尚设计。
在步骤330处，***可以订购作为用户交互过程的结果的新时尚设计。例如，用户设备210可以将订购数据传输到零售商设备270和/或设计者设备280，该订购数据定义由时尚设计自动化服务器220生成的新时尚设计的最终迭代(例如，用户接受的迭代)。订购数据可以包括用户愿意购买体现新时尚设计的有形(即，真实世界)时尚产品的指示。作为响应，时尚零售商可以获取所请求的时尚产品并且将时尚产品销售给用户。附加地或备选地，时尚设计者可以物理地制造所请求的时尚产品并且将时尚产品销售给用户和/或一个或多个时尚零售商。以这种方式，用户可以被提供订购基于计算机生成的时尚设计的时尚产品的模式。
在第二示例性用例中，时尚零售商可以利用从步骤315得到的新时尚设计来获取体现新时尚设计的有形时尚产品。在该用例中，没有用户反馈(即，不执行步骤325，并且在第一实例之后不重复步骤315)。如本文所述，在步骤315处生成的新时尚设计部分地基于一个或多个差距，该一个或多个差距基于由时尚零售商提供的现有时尚设计而被标识。在步骤315处生成的新时尚设计还部分地基于价格、价格弹性、级联作用以及被确定为流行的当前时尚趋势。因此，在步骤315处生成的新时尚设计表示被预估为时尚零售商可盈利的时尚产品。因此，时尚零售商可能希望通过获取和销售体现新时尚设计的有形时尚产品来利用该信息。因此，在实施例中，零售商设备270可以将订购数据传输到设计者设备280，订购数据定义在步骤315处生成的新时尚设计。订购数据可以包括时尚零售商愿意购买体现新时尚设计的有形(即，真实世界)时尚产品的数目的指示。作为响应，时尚设计者可以物理地制造所请求的时尚产品并且将时尚产品销售给时尚零售商。以这种方式，时尚零售商可以被提供基于计算机生成的时尚设计的时尚产品，该时尚设计基于对时尚数据的认知分析而被预估为可盈利。
在第三示例性用例中，时尚设计者可以利用由时尚设计自动化服务器220生成的多个不同的新时尚设计，并且基于多个不同的新时尚设计来创建单个新时尚设计。例如，在步骤335处，***可以收集在步骤310和315的多个不同实例中生成的多个不同的新时尚设计。
在步骤340处，***标识多个新设计的彼此相似的子集。在实施例中，时尚设计自动化服务器220通过确定多个不同的新时尚设计的成份的相似性的度量来确定新设计的相似性，例如，使用已经与多个不同的新时尚设计中的每个的各种成份相关联的标签和/或通过使用经训练的模型对多个不同的新时尚设计中的每个执行图像分类和对象检测。可以将聚类方法应用于相似性数据以标识多个新设计的彼此相似的子集。
在步骤345处，***创建对于来自步骤340的子集中的全部是共用的单个新设计。在实施例中，设计模块250可以定义正面影响特征组以包括来自多个新设计的子集中的一些新设计的相似成份。然后，设计模块250使用所定义的正面影响特征组重新运行生成步骤315，这使得创建基于子集中包括的多个时尚设计的单个新时尚设计。
在步骤350处，时尚设计者可以物理地制造体现基于子集中包括的多个时尚设计的单个新时尚设计的时尚产品，并且可以将时尚产品销售给时尚零售商和/或时尚客户。
图4A-C示出了根据本发明的各方面的示例性方法的流程图。图4A-C的方法的步骤可以在图2所示的环境中执行，并且参考图2所示的元件描述。
参考图4A，步骤401-409图示了可以在图3的步骤305处所述的生成和训练模型时执行的示例性步骤。在实施例中，在步骤401处，时尚设计自动化服务器220可以从数据库中获取使用分类信息(或标签)标识不同类别的时尚产品图像的时尚数据。每个标签可以标识与子类别有关的每个时尚产品图像的关键内容。作为说明性示例，衣服的图像可以被标记为具有“中式领”、“灯笼袖”等的“巴斯克”。时尚设计自动化服务器220可以使用应用编程接口(API)调用来访问来自一个或多个外部数据服务器290的数据，其中一个或多个外部数据服务器290将时尚数据存储在应用和/或数据库内。
在步骤402处，时尚设计自动化服务器220可以应用基于深度学习的或其他分类器以使用不同的类和概念的权重对图像中的对象进行分类。步骤402涉及使用本文中所述的基于计算机视觉的分类技术以对在步骤401处获取的图像中的对象进行分类。在实施例中，时尚设计自动化服务器220可以使用图像分析技术来标识时尚产品，使用社交媒体过滤技术和/或其他认知和深度学习过程来标识与时尚产品相关的图像、评论、文章等(例如，通过主题类别过滤技术、散列标签过滤等)，使用自然语言处理(NLP)技术来确定与时尚产品相关的文章和/或其他文本等以分类对象。
在步骤403处，时尚设计自动化服务器220可以开发相似性模型以将概念和类与在对象检测器模型中被训练的部分/对象相关联。例如，时尚设计自动化服务器220可以通过以下方式来开发相似性模型：从图像中标识时尚产品的相似属性，并且使用相似性作为对象检测器模型的输入以对被添加到数据库或时尚产品目录的新时尚产品进行分类。
在步骤404处，时尚设计自动化服务器220可以获取不同类别的时尚图像的数据库，该时尚图像具有与子类别有关的关键属性、部分和对象的位置。在实施例中，时尚设计自动化服务器220可以使用应用编程接口(API)调用来访问来自一个或多个外部数据服务器290的数据，其中一个或多个外部数据服务器290将时尚数据存储在应用和/或数据库内。
在步骤405处，***使用本文中所述的基于计算机视觉的对象检测技术来检测在步骤401和/或步骤404处获取的图像中的对象。在实施例中，使用诸如R-CNN、Haar、LBP级联等技术，时尚设计自动化服务器220可以针对各个对象和部分开发合适的级联。级联可以用于将图像、视频和/或其他相关媒体转换成时尚相关数据，该时尚相关数据可以被输入到一个或多个数学模型中以标识最新趋势、以及针对时尚对象的各部分、整个时尚对象和/或跨多种类型的领域的时尚产品的整体的时尚得分。
在步骤405处生成的输出在步骤406和408处被使用。特别地，在步骤406处，时尚设计自动化服务器220可以开发级联以标识图片源中的多个对象部分的对象/部分坐标。在步骤408处，时尚设计自动化服务器220可以开发用于对象间连接点、距离、最近距离点指定以及对象间缩放和纵横比的模型。
在步骤403和406处生成的输出在步骤407处被使用以开发用以分类和区分多类对象的分类法。作为说明性的非限制性示例，时尚设计自动化服务器220可以开发以下分类标准：具有羊毛织物和压缩纹理的时尚产品应当被分类为“强缩(boiled)羊毛服装”。作为另一示例，时尚设计自动化服务器220可以开发以下分类标准：具有从腰部中心到肩部外边缘的走向长度的特定品牌织物的时尚产品应当被分类为“背带”。
在步骤403和406处生成的输出在步骤407至步骤409处被使用以细化和丰富模型，时尚设计自动化服务器220可以细化和丰富分类模型。例如，时尚设计自动化服务器220可以基于分类和对象组合模型以及针对相对位置、连接、纵横、距离、缩放、类型的描述来细化和丰富分类模型。如本文所述，在步骤409处输出的模型可以在图4B和4C的步骤441、442和447中的每个步骤处被使用。
参考图4B，步骤420-435图示了可以在如图3的步骤310处描述的、使用经认知确定的F得分来标识差距时执行的示例性步骤。步骤420-435可以独立于图4A的步骤401-409来执行。
步骤420-426图示了确定时尚产品的F得分。在实施例中，在步骤421处，时尚设计自动化服务器220可以获得子类别中的每个产品的F得分。例如，时尚设计自动化服务器220可以使用任何合适的技术来确定F得分，其中F得分指示针对时尚产品的跨多个领域的各种测量。如本文所述，F得分可以指示客户价值的度量、客户流行度的度量、对象符合特定样式或图案的接近程度的度量(例如，现代样式得分、复古样式得分等)、对于销售者的对象可盈利程度的度量、时髦度的度量等，在实施例中，F得分可以基于销售数据、基于产品属性定义得分的规则引擎、来自社交媒体和/或其他平台的客户/评论家反馈评级和叙述等来生成。如本文所述，时尚产品的每个部分或子类别可以包括F得分的集合。
在步骤422处，时尚设计自动化服务器220可以使用基于密度的或基于内核和密度的技术来离散化F得分的连续跨度。在步骤423处，时尚设计自动化服务器220可以将每个产品分配到其相应的F得分组中并且标识/标示出任何异常值。例如，时尚设计自动化服务器220可以存储将具有相似F得分的时尚产品分组在一起的信息。如本文所述，在步骤423处定义的F得分组在步骤427、530、433和434处被使用。
在步骤424处，时尚设计自动化服务器220可以获得不同的时尚相关事件、社交和商业事件(诸如电影、时尚秀等)的列表。例如，时尚设计自动化服务器220可以从一个或多个外部数据服务器230获得事件列表。在步骤425处，对于事件目录中的每个时尚产品，时尚设计自动化服务器220可以推导出相应的F得分(例如，使用如上面关于步骤421所述的相似过程)。如本文所述，步骤425的输出可以在步骤426、440和442处被使用。在步骤426处，对于每个F得分组，时尚设计自动化服务器220可以推导出关于不同事件(诸如时尚秀等)的作用的频谱频率和时段滞后。
步骤427-429图示了部分地基于时尚零售商的定价和销售关注来确定针对来自步骤423的每个F得分组的校正因子和经修正的预测。在实施例中，在步骤427处，时尚设计自动化服务器220可以获得每个F得分组的销售趋势。例如，时尚设计自动化服务器220可以与存储每个产品的销售趋势的外部数据服务器290通信，并且时尚设计自动化服务器220可以存储链接与时尚产品的相应F得分相关的时尚产品的销售趋势的信息。在步骤428处，时尚设计自动化服务器220可以获得针对每个F得分组的基本估计。在步骤429处，时尚设计自动化服务器220使用步骤425、426和428处的输出，以基于时尚事件观点和滞后来确定校正因子和经修正的预测。如本文所述，在步骤429处确定的校正因子和经修正的预测可以在步骤431和432处被使用。
步骤430-432图示了确定在步骤423处定义的F得分组之间的交互作用和偏相关。在实施例中，在步骤430处，时尚设计自动化服务器220可以获得所有F得分组之间的交互作用信息以及部分偏相关。在步骤431处，基于来自步骤429的校正因子和经修正的预测以及交互作用信息和部分偏相关430，时尚设计自动化服务器220可以测量校正值对其他F得分组的预测的交互和偏作用。例如，趋势数据可以指示先前趋势不再时尚，从而更改先前时尚产品的时髦度时尚得分，或者通过在当经更新的趋势确定这些时尚产品或多或少兼容时更改整体中的时尚产品的“交互作用”。因此，当新趋势数据可获得时，相应地更新时尚得分以捕获并且考虑交互作用、时髦度得分等的变化。在步骤432处，时尚设计自动化服务器220可以针对交互和偏相关作用来校正经修正的预测估计，重复直到接近收敛。
在步骤433处，时尚设计自动化服务器220可以(例如，从外部数据服务器290)获得针对不同价格点处每个F得分组中的时尚产品的组级别价格范围、平均价格和弹性。外部数据服务器290可以通过时尚产品的F得分按价格范围、平均价格和弹性来组织和/或分组时尚产品。在步骤434处，时尚设计自动化服务器220可以获得F得分组内的各种产品对每个产品的交互作用信息以及部分偏相关。例如，时尚设计自动化服务器220可以确定“交互作用”，其中整体的时尚得分基于不同的时尚产品(例如，服饰、配饰等)如何彼此交互。也就是说，即使两个单独的时尚产品单独地具有高时尚得分，但是当在整体中被放在一起时，整体的时尚得分可能不一定高。在实施例中，可以通过分析时尚趋势并且基于时尚趋势、客户流行度等对整个整体的属性进行评分来应用交互作用。在实施例中，针对在步骤423处定义的每个F得分组执行步骤433和434。
在步骤435处，时尚设计自动化服务器220使用步骤432、433和434的输出来测量可盈利的价格弹性处的数量差距，同时最小化对F得分和相关联的趋势F得分和相应产品图像的冲击。在步骤435处确定的差距是关于图3的步骤315描述的差距。在实施例中，差距对应于时尚零售商提供的时尚产品与基于来自外部数据服务器290的当前时尚数据而被认知地确定为时尚的和可盈利的时尚产品之间的定量表达的差异。
参考图4C，步骤440-453图示了可以在如图3的步骤315、320和325所述的创建新时尚设计，向用户呈现时尚设计，以及接收用户输入以交互式地和迭代地修正新时尚设计时执行的示例性步骤。
步骤440-445图示了从时尚图像中确定要包括在新时尚设计中的特定成份(例如，特定衣袖、衣领、主体等的图像)，其中该确定基于所确定的F得分和差距。在步骤440处，时尚设计自动化服务器220使用来自步骤425的F得分和来自步骤435的(多个)差距来获取表示在来自步骤435的差距F得分之下和之上的趋势产品中的不同概念和表示的图像。在步骤441处，时尚设计自动化服务器220使用来自步骤409的模型将来自步骤440的所获取的图像分解成经标识的时尚成份和边界坐标，并且将成份映射到成份类。
在步骤442处，时尚设计自动化服务器220使用来自步骤409的模型、来自步骤425的F得分和来自步骤435的(多个)差距来在目录和时尚事件数据库上的图像上运行相似性标记，以标识可以充当区分分类特征的与子类别相关的时尚词汇表成份并且获得特征影响极性(正面和负面)。在步骤443处，对于来自步骤442的每个标记的时尚成份，时尚设计自动化服务器220从词汇表获得成份类。作为说明性示例，当时尚产品的成份被标记为“中式颈”时，时尚设计自动化服务器220可以确定该分类是衣服的颈部样式。在步骤444处，对于所有负面影响特征，时尚设计自动化服务器220可以针对相同类内的成份在特征或向量空间中设计向量相异性。对于正面影响特征成份，时尚设计自动化服务器220可以找到相似性成份。
在步骤445处，时尚设计自动化服务器220使用来自步骤441的经映射的成份和类以及来自步骤444的所确定的正面和负面影响特征来从来自图像成份的正面相似物或负面相异物中确定最佳匹配成份。例如，时尚设计自动化服务器220可以确定要被组合在时尚产品(例如，衬衫、裙子等)中的、在由标准指定的领域中最大化时尚得分的不同时尚成份(例如，衣袖、衣领等)的组。例如，如果标准指示产品应当是正式的晚礼服、具有高水平的时髦度并且是复古样式，则时尚设计自动化服务器220可以确定要被组合在时尚设计中的、用以最大化时髦度得分、复古样式得分和正式的晚礼服得分的不同时尚成份的组。
步骤446-449图示了使用来自步骤409的模型将所确定的成份组合成新的时尚产品。在步骤446处，时尚设计自动化服务器220按照设计成份建立理想的拼接类及其坐标。在步骤447处，时尚设计自动化服务器220使用来自步骤446的成份和来自步骤409的模型来建立理想的拼接规范(例如，图像拼接)，诸如纵横比、放置、与其他对象的距离、对象的相对缩放。
在步骤448处，时尚设计自动化服务器220根据在步骤447处确定的视觉拼接来连接来自步骤445的设计成份以进行整个集成的产品设计。例如，时尚设计自动化服务器220通过基于来自步骤447的拼接类和规范来组合来自步骤445的最佳匹配成份以生成新时尚设计。在步骤449处，时尚设计自动化服务器220使用平滑、颜色混合和视觉过滤中的一种或多种使新时尚设计的视觉图像中的成份的连接边缘平滑。最终结果是可以经由计算机设备显示的新的计算机生成的时尚设计，例如，诸如一件新服饰等时尚产品的视觉表示。
在步骤449处输出的新时尚设计可以用作关于图3描述的第二和第三示例性用例的基础。例如，在第二示例性用例中，时尚零售商可以利用从步骤449得到的新时尚设计来获取体现新时尚设计的有形时尚产品。或者，在第三示例性用例中，例如，如图3的步骤335、340和345所述，时尚设计者可以将来自步骤449的新时尚设计用作多个不同的新时尚设计之一，并且基于多个不同的新时尚设计来创建单个新时尚设计。
在步骤449处输出的新时尚设计也可以用作关于图3描述的第一示例性用例的基础，例如，其中用户交互式地和迭代地修改新时尚设计直到用户满意。例如，在步骤450处，可以例如经由显示在用户设备210上的图形用户界面在用户设备210处向用户呈现来自步骤449的新时尚设计。
在步骤451处，***可以允许用户提供关于新时尚设计的用户输入(例如，反馈)。例如而非限制，用户输入可以是用鼠标或触摸屏输入来选择所显示的新时尚设计的一个或多个成份。例如而非限制，选择可以包括对单个成份的选择(例如，通过点击或叩击显示器上的单个成份)或对成份组的选择(例如，通过使用在显示器上的诸如在多个成份周围可调节大小的矩形等捕获工具)。对于每个所选择的成份，用户输入可以包括对用户喜欢还是不喜欢所选择的成份的指示。以这种方式，用户模块260可以接收定义用户喜欢还是不喜欢所显示的新时尚设计的一个或多个所选择的成份的用户输入。
在步骤452处，***确定用户是否提供关于新时尚设计的任何一个或多个成份的输入。在用户提供输入的情况下，然后在步骤453处，***将经标识的优选成份映射到成份列表，保留所选择的成份，以及要被替换的成份作为负面。在实施例中，基于来自步骤451的用户输入，***将用户喜欢的成份添加到先前确定的正面影响特征组，并且将用户不喜欢的成份添加到先前确定的负面影响特征组。然后，该过程返回到步骤444，其中正面影响特征组和负面影响特征组被更新。然后，***重复步骤以使用正面影响特征组和负面影响特征组的新组来生成新时尚设计，结果是在步骤449处的经修正的新时尚设计，该经修正的新时尚设计在步骤450处被呈现给用户。过程可以以这种方式通过任何次数的迭代重复，直到用户对新时尚设计满意为止。
如本文关于图2-4所描述的，本发明的各方面使用如针对电子商务和全渠道零售下的时尚的不同类别和子类别中的不同产品而获得的认知和量化的F得分，以用于时尚设计和相关决策。本文中使用的F得分具有认知和人工智能能力。确定时尚性的传统方法基于对有限用户的侵犯式调查。相反地，使用先进的人工智能和计算机视觉算法来确定F得分，以使***足够智能以处置理解时尚的认知负荷。
本文中使用的F得分可以用于确定电子商务和全渠道零售下的每个时尚子类别中的每个产品的时尚性得分。确定时尚性的传统方法基于找到用户的时尚流派，该时尚流派可以作为次优表示被转移到产品。相反地，本发明的实现计算产品在其时尚子类别内的时尚得分，即使是在产品是新的并且没有被任何用户看到的情况下，并且不需要任何用户首先表达他们的喜欢或不喜欢。此外，本文中使用的F得分并不仅是宽泛的流派，而是定量确定的数字，其具有可以在需要数值数据的下游机器学习算法中被使用的维度。
本文中使用的F得分提供了基于不同条件下的不同子类别来自动地选择不同基础认知算法的灵活性。可以最佳地定义不同子类别的时尚性的认知现象并且因此算法可能因人而异，并且因此没有一种适合所有的方法。因此，认知地标识和选择正确的人工智能方法、拓扑和网络的灵活性有助于确定产品与其在其时尚子类别中的时尚性得分之间的正确关联。确定时尚性的传统方法不基于认知分析，并且不足够灵活以区分不同的算法。
本文中使用的F得分基于社交媒体事件、时尚事件、电影、文化差异、天气差异和位置差异(仅举几个示例)来提供对F得分的分布的不断变化的动态适应性。时尚是一个动态概念，总是随着时间不断发展。
确定时尚性的传统方法基于用户调查，其有用性在时间上滞后于时尚观点的真实世界变化。因此，让人类时尚设计者尝试理解每个客户的时尚需求并且根据每个客户的喜好单独设计是不切实际、不公平或甚至不可行的。因此，本发明的各方面使用人工智能和机器学习，以跨所有交易以及跨所有时尚子类别来理解每个客户的需求。以这种方式，本发明的实现提供了使用基于认知的时尚性分析和认知F得分的个性化时尚设计，该认知F得分适用于新的和现有的时尚的所有时尚类别并且还可以将时尚映射到客户。
根据本发明的各方面实现的个性化时尚设计(例如，如图2-4所述)提供了设计单个时尚客户想要的内容的好处，并且因此避免了仅推送设计者创建的内容的问题。个性化就是反映人们的喜好并且是一种表达形式。在传统模型中，人们在这方面的表达受到从时尚设计者可获得的内容的限制。然而，真正的表达在于理解每个单个用户在每个时尚子类别下可能喜欢的内容并且设计完全如此的内容，并且将该创建物提供给特定用户以便他们可以相应地表达自己。在实施例中，该***采用映射每个客户跨每个时尚子类别的随时间变化的和不断发展的F得分的算法。以这种方式，本发明的实现可以用于确定最适合特定客户的F得分和喜好的新时尚设计(例如，不同时尚成份的组合)、以及新时尚设计将创建最正面的感知并且对于时尚零售商是可盈利的价格。
根据本发明的各方面，F得分可以用于告知由时尚设计者或时尚零售商做出的业务决策，例如，以与时尚产品获取决策和适应性“构建或购买”决策集成的形式。对于具有新产品开发功能的业务(诸如在时尚行业设计新的时尚产品)，证明构建决策合格的重要标准是填补存在于现有(库存)和来自不同来源和价格点的可能的(获取功能)产品阵容之间的差距的可行性(例如，上市时间、可行性和可盈利性)。因此，在没有获取功能的集成的情况下，无法单独最优地进行这样的新开发(时尚设计)决策。很多时候，当这些功能没有以最佳协同作用发挥作用时，可能会导致对现有阵容的冲击或对新构建的阵容的表现的显著影响，这涉及广泛的固定成本资本分配以及昂贵的设计和开发成本。因此，发明人已经确定时尚设计过程应当是可***的，以向时尚获取功能提供输入以及从时尚获取功能中获取输入以使其最佳。
在如步骤435所述的确定差距时，本发明的各方面使用F得分来确定在相同子类别内和跨不同子类别的时尚的级联交互作用。例如，如步骤427-432所述，对于相同时尚子类别以及其他时尚子类别中的产品，***可以分析以给定价格的任何新产品开发对现有产品销售的影响。例如，零售商可能决定销售一种与在领先时尚秀中出现的新型的中式领晚礼服相似的中式领晚礼服。零售商可能决定以特定价格销售特定数量的新晚礼服。零售商的此决定可能具有对其他时尚产品的级联作用。例如，以特定数量和价格销售新礼服可能负面地影响当前库存中的另一晚礼服的销售。类似地，以特定数量和价格销售新礼服可能正面地影响当前库存中与新礼服相匹配的特定样式的鞋子的销售。级联交互作用的一个示例是，与新礼服相匹配的特定样式的鞋子的销售的增加可能负面地影响当前库存中的另一类型的鞋子的销售。因此，时尚零售商通常难以决定购买哪种时尚产品，购买多少单位以及购买和销售的价格。此问题既存在于新时尚设计的获取，也存在于现有时尚设计的重新购买。
本发明的各方面还使用F得分和价格弹性数据来在步骤435处确定差距。例如，如步骤433所述，***可以获得不同价格点处的、每个F得分组中的时尚产品的组级别价格范围、平均价格和弹性。除了对时尚设计的时尚感知之外，时尚销售数量估计还是价格、感知到的奢华和时尚设计者的感知的复杂函数。特定时尚设计可能以给定价格销售得很好，并且可能以不同价格销售得不好。与较低的价格相比，一些时尚设计甚至以较高的价格销售得更好。价格弹性的另一示例是，与在另一设计者的品牌名下提供的完全相同的时尚设计相比，时尚设计可能在一个设计者的品牌名下销售得更好。不同子类别的时尚的价格弹性分布可以假定不同级别的随机变量，并且关于时尚设计者的声誉，其可能导致复杂的混合模型随机变量作用。发明人已经确定，这表示新产品开发中的重要因素，例如，用于确定要制造什么时尚产品，针对谁定位产品，制造多少单元以及销售单元的价格。
本发明的各方面使时尚潮流与新产品开发超前时间和战略供应商优先级相匹配。流行时尚设计者取得了成功，主要是因为他们能够理解不同时尚的时尚潮流，并且因此优化他们的新产品开发功能(用于开发所设计的产品的战略设计公司、原材料供应商、装配和成品)。此外，通过将不同时尚的超前时间与其时尚潮流正确地匹配并且将敏捷性概念不仅作为定义时尚的重要方面而且作为时尚零售的生存标准，时尚设计者取得了成功。任何时尚获取过程在确定制造什么以及如何对其定价和定位时，还在其已经非常复杂的计算中并入了制造每种可能的替代物需要的时间(不仅是超前时间还有其可变性)以及每个单位在不同生产数量下的成本。此外，还有在不同的时尚公司和供应商之间分解新产品开发阵容时尚方面的设计和获取过程因素，以实现每个时尚子类别的最佳上市时间、成本、质量和时尚潮流映射。
本发明的各方面可以提供与时尚交叉销售和提升销售功能的集成。时尚绝不静止。它对于每个人以不同的速度和不同的方向跨所有时尚子类别不断发展。因此，设计者要么追随客户不断发展的时尚选择并且试图单独服务他们，要么在影响他们的时尚选择的发展速度和方向方面发挥重要作用，从而不仅让他们保持参与而且几乎拒绝了在服务客户方面的任何竞争。并非所有用户都具有与其他用户相似的F得分或时尚性。个人可能在产品与例如由本文中采用的F得分所指示的他们真正想要的产品紧密匹配的情况下愿意购买更昂贵的该产品。对于已经在给定时尚子类别中处于较高的随时间变化的F得分水平的个人，为了使他们保持参与并且保持影响他们的时尚喜好，有利的是，如本发明的各方面，提供认知时尚设计和认知推荐(现有客户)和认知营销(新客户)功能之间的集成。此外，由于本发明的各方面可以用于创建处于任何F得分级别的时尚设计，因此本发明的各方面也可以用于通过适当的促销来启动其销售和评论/评级过程以将特定客户为目标。否则，这将需要相当多的时间、精力甚至是次优的利润，因为刺激销售的定价非常低从而也使产品的价格弹性定位失真。
本发明的各方面提供了基于来自时尚秀、时尚杂志、电影、当地文化事件、天气等的时尚趋势来动态地调节获取决策的能力。本发明的各方面还可以根据从超本地、本地、国家或全球发生的不同事件中获取的每个图像在子类别或更低级别上映射F得分。本发明的各方面可以包括在理解当前客户喜好和未来客户需求的差距的映射方面的这些见解，并且在时尚设计和相关决策中使用这些见解，同时如上所述地优化其他新产品开发挑战。
本发明的各方面可以收集和分析来自各种外部源的数据，基于数据生成得分，并且提供对获得、维护、跟踪和更新时尚相关数据的技术问题的技术解决方案。本发明的各方面通过以人类步骤或经由笔和纸不可能的方式应用用于获得、维护、跟踪和更新时尚相关数据的技术解决方案来改进时尚设计领域。本发明的各方面是基于计算机的并且没有预计算机模拟。例如，使用基于深度学***。
图5和图6图示了根据本发明的各方面的用于确定F得分的示例性***和方法。图5示出了根据实施例的图2的时尚设计自动化服务器220的差距标识模块240的各方面。在所图示的实施例中，差距标识模块240包括认知应用130。认知应用130包括分类器组件135、训练组件140和多个卷积神经网络145。分类器组件135通常被配置为接收服装物品的图像并且确定描绘了服装物品的哪个类别。在一些实施例中，分类器组件135可以包括一个或多个机器学习模型。在一些实施例中，分类器组件135使用深度学习***。在一个实施例中，分类器组件135基于将在其中使用它的***进行训练。也就是说，在一个实施例中，基于将在特定实现中使用的特定类别来训练分类器组件135。
在一个实施例中，使用标记的训练数据(诸如服装图像150)训练分类器组件135。在所图示的实施例中，存储装置120中存储的每个服装图像150包括描述图像和/或描述其中描绘的服装物品的关联元数据。(存储装置120可以是图2的时尚设计自动化服务器220的一部分或由其可访问)。例如，如图所示，每个服装图像150包括一个或多个属性标签155。在一个实施例中，一个这样的属性标签155指示所描绘的服饰物品属于哪个类别。以这种方式，所标记的服装图像150可以用于训练分类器组件135中的一个或多个认知模型。例如，在一个实施例中，每个服装图像150被提供给机器学习模型作为输入，并且所标记的类别被提供作为目标输出。在被训练之后，分类器组件135然后可以接收未标记的服装图像150并且确定所描绘的(多个)服装物品属于哪个或哪些类别。
在一些实施例中，用于训练分类器组件135的服装图像150可以基于所描绘的服装类别由用户手动地标记或者分类。在一些实施例中，一个或多个网络爬虫可以被用于自动地取回并且标记图像以用于使用。在一个实施例中，可以基于对应于每个期望类别的字符串而发起(例如，因特网上的)网络搜索，并且所得到的图像可以被检索用于训练分类器组件135。例如，在这样的实施例中，可以通过针对“礼服”、“晚礼服”和描述期望类别内的服装物品的其他类似文本字符串执行一个或多个网络搜索来检索用于礼服的训练图像。所检索的图像可以然后利用适当的类别而被自动地标记，其促进分类器组件135的训练。在一些实施例中，分类器组件135还生成指示分类多么可靠的置信度度量。在一些实施例中，如果所生成的置信度度量低于预定义阈值，则图像可以被拒绝或者加上标志以用于由用户验证。
在所图示的实施例中，认知应用130还包括训练组件140，其用于生成并且训练卷积神经网络145。如上文所讨论的，在一些实施例中，存在对应于每个所标识的服装类别的一个或多个卷积神经网络145。如下面将更详细地讨论的，可以利用服装图像150和其对应的属性标签155训练每个卷积神经网络145，使得卷积神经网络145可以处理新未标记的服装图像150并且量化所描绘的服装物品的各种属性。在各种实施例中，属性标签155可以包括关于任何数目的属性的信息。例如，在各种实施例中，这样的属性可以包括服装物品的当代性(例如，如基于服装物品发行/公布的年份或者相关联的图像被出版/特写的年份而确定的)、服装物品的设计师、服装物品的品牌、特写服装物品的出版物(即，出版对应的图像的杂志、网站、电视频道等)等。类似地，在一些实施例中，附加的属性可以包括对象是什么(例如，衬衫、裤子、鞋等)、物品制成的材料、材料的图案、物品的名称、与物品相关联的年龄组、物品设计的性别、物品的价格等。在一些实施例中，属性还可以包括物品的流行度的指示，诸如调查应答、社交媒体反应等。
在相关实施例中，可以附加地在与服装物品有关的任何数目的概念上训练卷积神经网络145。例如，在一些实施例中，可以基于影响跨地理、时段、年龄组、社经阶级、社会媒体趋势、电影和其他事件的流行品味(以及跨不同的信道/年龄组的趋势、以及正看该流行的演员/模特)、流行杂志、设计师(和其排名/评级和关联)、品牌驿站(以及每个的排名)、材料(以及每个的种类，与不同流行的其关联)、图案(以及类型和关联)、以及如在流行词汇表中的子类的不同的流行相关概念的式样和类型、价格感知(作为人在用于特定连衣裙的正式/非正式调查中建议的理想价格)、实际价格(在给定一个或多个渠道)、费用等的概念来训练一个或多个卷积神经网络145。
为了促进卷积神经网络145的训练，服装图像150可以以若干方式被标记。例如，在一个实施例中，用户审核每个服装图像150以标识每个属性并且对其标记。在一些实施例中，调查可以被用于取决于地理区域、年龄组、社经阶级等来标识服装物品的时髦度。在一些实施例中，由使用对应于期望属性的预定字符串执行因特网搜索的一个或多个网络爬虫检索服装图像150。例如，为了检索并且标记用于基于晚礼服的设计师训练卷积神经网络145的服装图像，可以使用字符串(诸如“设计师A晚礼服”、“设计师B晚礼服”、“晚礼服+设计师C”)等执行一个或多个网络搜索。所检索的图像可以然后基于用于检索其的搜索项而被自动地标记。类似地，为了基于珠宝的当代性训练卷积神经网络145，可以利用特定时间约束(例如，每年、每三年周期等)发起网络搜索。
图6图示了根据本文中公开的一个实施例的被配置为分析和分类服装物品的CNN200。在所图示的实施例中，CNN 200接收服装物品的图像205(所描绘的图像205是女性的裙子)，并且输出F得分。CNN 200和图像205分别对应于图5所示的CNN 145和图像150。在一些实施例中，F得分是量化服装物品的单个值(例如，在0到1之间)。在一些实施例中，所生成的F得分是N维向量，其中N是在特定实现中使用的属性的数目。在一个实施例中，F得分是可以用于比较服装物品以基于时尚属性确定其客观相似性的定量值。也就是说，具有约0.4的F得分的所有裙子因为满足相似的时尚偏好可以被分组在一起。
在一些实施例中，每个CNN 200被配置为基于特定属性分析图像，并且所生成的结果(例如，结果向量)被聚集以生成F得分。在其他实施例中，单个CNN 200可以被配置为根据所有属性分析图像，并且生成多维向量作为F得分，其中每个维度对应于特定属性。如上所述，在一些实施例中，服装物品的每个类别可以对应于一个或多个卷积神经网络的集合，并且被训练为处理第一类别的CNN 200不会也用于处理第二服装类别。
在所图示的实施例中，利用CNN 200处理输入图像205包含跨许多层神经元传播的许多处理步骤。例如，在一个实施例中，处理图像包括卷积步骤、非线性步骤、池化或子采样步骤和分类步骤中的一个或多个步骤。在所图示的实施例中，第一操作(由箭头207所图示的)是卷积步骤。卷积步骤通常地包含利用一个或多个过滤器或者特征检测器处理输入区域。例如，卷积步骤可以包含跨图像205(即，跨对应于每个像素处的像素值的值的矩阵)滑动过滤器或者特征检测器(例如，值的预定义矩阵)并且利用逐元素乘法或者点积来基于对应的像素数据生成卷积特征、特征图或者激活图。在所图示的实施例中，使用三个特征检测器，使得所生成的特征图210具有三的深度。当然，在各种实施例中，可以利用任何数目的过滤器。
在一些实施例中，还通过利用零替换特征图210中的所有负值来引入非线性。在一些实施例中，沿着卷积步骤207执行该操作。如所图示的，下一处理步骤包含创建更可管理的特征图215的池化212。例如，在所图示的实施例中，池化包含通过将每个区域中的最大值用作池化的特征图125中的值来减少特征图210的大小(例如，减少对应的矩阵的大小)。在所图示的实施例中，卷积神经网络200包括卷积、非线性和池化操作的附加集合(例如，如由箭头217和222所指示的)。在各种实施例中，取决于特定实现，任何数目的卷积操作可以被利用在特定CNN 200中。
如由箭头227和232所图示的，在卷积步骤已经完成之后，数据被传递到一个或多个分类器层231和235。在一个实施例中，这些分类器层231和235全连接的，这指示先前层中的每个神经元被连接到后续层中的每个神经元。例如，在一个实施例中，来自CNN 200的“中间”或“隐藏”层中的最后一步的输出数据表示输入图像的高层特征，并且分类器层231和235利用这些检测到的特征以基于被用于训练CNN 200的(一个或多个)定义属性对图像进行分类。在一个实施例中，一个或多个分类器层231和235包括softmax激活函数。该处理的结果是根据定义的属性量化图像205中的服装物品的F得分。该F得分可以然后被用于比较物品，并且确定所选择的物品客观地类似的服装物品(基于属性)。当然，虽然描绘了特定CNN架构，但是在各种实施例中，可以使用任何神经网络架构或者模型。
在实施例中，服务提供商可以提供执行本文中描述的过程。在这种情况下，服务提供商可以创建、维护、部署、支持等针对一个或多个客户执行本发明的过程步骤的计算机基础设施。例如，这些客户可以是使用技术的任何企业。作为回报，服务提供商可以根据订阅和/或费用协议从(多个)客户接收付款，和/或服务提供商可以由于向一个或多个第三方销售广告内容而接收付款。
在另外的实施例中，本发明经由网络提供了一种计算机实现的方法。在这种情况下，可以提供诸如计算机***12(图1)等计算机基础设施，并且可以获得(例如，创建、购买、使用、修改等)用于执行本发明的过程的一个或多个***并且将其部署到计算机基础设施。就此而言，***的部署可以包括以下中的一个或多个：(1)在计算设备(诸如计算机***12(如图1所示))上安装来自计算机可读介质的程序代码；(2)将一个或多个计算设备添加到计算机基础设施；以及(3)合并和/或修改计算机基础设施的一个或多个现有***以使得计算机基础设施能够执行本发明的过程。
对本发明的各种实施例的描述已经出于说明的目的而被呈现，但是其并不旨在穷举或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，很多修改和变型对于本领域普通技术人员来说是清楚的。本文中使用的术语被选择以最好地解释实施例的原理、对市场中发现的技术的实际应用或技术改进，或者使得本领域其他普通技术人员能够理解本文中公开的实施例。

Claims (12)

1.一种用于自动化时尚设计的计算机实现的方法，包括：
由计算机设备使用基于深度学习的计算机视觉来训练计算机模型；
由所述计算机设备使用经认知地确定的时尚性得分，即F得分，来标识至少一个差距，其中所述至少一个差距基于以下各项而被标识：所设计的时尚产品的预估销售，以及所述预估销售对在所设计的所述时尚产品的相同子类别中和特定F得分范围内的现有时尚产品的交互作用；以及
由所述计算机设备使用所述计算机模型和经标识的所述至少一个差距来创建新时尚设计。
2.根据权利要求1所述的方法，其中训练所述模型包括：训练所述模型以使用神经网络技术和现有时尚设计的图像集来执行图像分类和对象检测。
3.根据权利要求2所述的方法，其中训练所述模型包括：训练所述模型以学习时尚设计的不同成份如何在空间上彼此相关。
4.根据权利要求1所述的方法，其中所述F得分使用对与现有时尚设计相关联的公开地可获得的时尚数据的认知分析而被确定。
5.根据权利要求4所述的方法，其中所述至少一个差距基于不同F得分组中的时尚产品的价格弹性而被标识。
6.根据权利要求5所述的方法，其中所述至少一个差距基于所有所述不同F得分组之间的交互作用和部分偏相关而被标识。
7.根据权利要求1所述的方法，其中创建所述新时尚设计包括：
基于所述至少一个差距来确定要被包括在所述新时尚设计中的多个成份；以及
使用经训练的所述模型将所述多个成份组合到单个设计中。
8.根据权利要求1所述的方法，还包括：
经由用户界面向用户呈现所述新时尚设计；
经由所述用户界面从所述用户接收用户输入；以及
由所述计算机设备使用所述计算机模型并且基于所述用户输入来修正所述新时尚设计。
9.根据权利要求8所述的方法，其中所述用户输入包括对所述用户喜欢的所述新时尚设计的至少一个成份的选择或者对所述用户不喜欢的所述新时尚设计的至少一个成份的选择。
10.根据权利要求1所述的方法，还包括：
多次执行所述标识和所述创建以创建多个新时尚设计；
由所述计算机设备标识所述多个新时尚设计的子集；以及
由所述计算机设备使用所述计算机模型并且基于所述多个新时尚设计的所述子集来创建共用的新时尚设计。
11.一种计算机可读存储介质，所述计算机可读存储介质具有通过其体现的程序指令，所述程序指令由计算设备可执行以使得所述计算设备执行根据权利要求1至10中任一项所述的方法。
12.一种用于自动化时尚设计的***，包括：
处理器、计算机可读存储器和计算机可读存储介质；
程序指令，用以执行根据权利要求1至10中任一项所述的方法，
其中所述程序指令被存储在所述计算机可读存储介质上，以供所述处理器经由所述计算机可读存储器执行。
CN201910495710.9A 2018-06-27 2019-06-10 认知自动化和交互式个性化时尚设计 Active CN110728015B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/020,205 2018-06-27
US16/020,205 US10963744B2 (en) 2018-06-27 2018-06-27 Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data

Publications (2)

Publication Number Publication Date
CN110728015A CN110728015A (zh) 2020-01-24
CN110728015B true CN110728015B (zh) 2023-08-29

Family

ID=69055228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910495710.9A Active CN110728015B (zh) 2018-06-27 2019-06-10 认知自动化和交互式个性化时尚设计

Country Status (2)

Country Link
US (1) US10963744B2 (zh)
CN (1) CN110728015B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10755229B2 (en) 2018-04-11 2020-08-25 International Business Machines Corporation Cognitive fashion-ability score driven fashion merchandising acquisition
US11538083B2 (en) 2018-05-17 2022-12-27 International Business Machines Corporation Cognitive fashion product recommendation system, computer program product, and method
US10956928B2 (en) 2018-05-17 2021-03-23 International Business Machines Corporation Cognitive fashion product advertisement system and method
US10963744B2 (en) 2018-06-27 2021-03-30 International Business Machines Corporation Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data
US11861461B2 (en) * 2018-08-09 2024-01-02 Autodesk, Inc. Techniques for generating designs that reflect stylistic preferences
US20200097985A1 (en) * 2018-09-25 2020-03-26 Myntra Designs Private Limited System and method for modelling organic sellability of fashion products
US11037029B2 (en) * 2018-10-11 2021-06-15 Futurewei Technologies, Inc. Multi-stage image recognition for a non-ideal environment
US11775989B1 (en) * 2019-10-14 2023-10-03 Brand3P Incorporated Systems and methods for omnichannel environment relevance analytics
WO2021168411A1 (en) * 2020-02-21 2021-08-26 Savitude, Inc. Computer process for generating fashion pattern from an input image of a design element
CN111339675B (zh) * 2020-03-10 2020-12-01 南栖仙策(南京)科技有限公司 基于机器学习构建模拟环境的智能营销策略的训练方法
CN111814246B (zh) * 2020-06-11 2022-09-27 中国空气动力研究与发展中心计算空气动力研究所 一种基于生成对抗网络的翼型反设计方法
US12008586B2 (en) * 2020-11-04 2024-06-11 Capital One Services, Llc Systems for predicting activity distribution across mediums and methods thereof
US20220172258A1 (en) * 2020-11-27 2022-06-02 Accenture Global Solutions Limited Artificial intelligence-based product design
WO2022145525A1 (ko) 2020-12-29 2022-07-07 주식회사 디자이노블 학습된 조건 기반의 디자인 생성 방법 및 그 장치
US20230066295A1 (en) * 2021-08-25 2023-03-02 Capital One Services, Llc Configuring an association between objects based on an identification of a style associated with the objects

Family Cites Families (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5749081A (en) 1995-04-06 1998-05-05 Firefly Network, Inc. System and method for recommending items to a user
US6317722B1 (en) 1998-09-18 2001-11-13 Amazon.Com, Inc. Use of electronic shopping carts to generate personal recommendations
US6266649B1 (en) 1998-09-18 2001-07-24 Amazon.Com, Inc. Collaborative recommendations using item-to-item similarity mappings
US7979309B1 (en) 1999-09-15 2011-07-12 Comcast Mo Group, Inc. Method and system for automating inventory management of consumer items
CH697548B1 (de) 2000-09-11 2008-11-28 Hueg Li Ltd Werbemittel.
US7007074B2 (en) 2001-09-10 2006-02-28 Yahoo! Inc. Targeted advertisements using time-dependent key search terms
US7979877B2 (en) 2003-12-23 2011-07-12 Intellocity Usa Inc. Advertising methods for advertising time slots and embedded objects
US20090006156A1 (en) 2007-01-26 2009-01-01 Herbert Dennis Hunt Associating a granting matrix with an analytic platform
JP4546157B2 (ja) 2004-06-03 2010-09-15 キヤノン株式会社 情報処理方法、情報処理装置、撮像装置
US7617016B2 (en) 2005-04-27 2009-11-10 Myshape, Inc. Computer system for rule-based clothing matching and filtering considering fit rules and fashion rules
US20060277098A1 (en) 2005-06-06 2006-12-07 Chung Tze D Media playing system and method for delivering multimedia content with up-to-date and targeted marketing messages over a communication network
US8726144B2 (en) * 2005-12-23 2014-05-13 Xerox Corporation Interactive learning-based document annotation
US8103646B2 (en) * 2007-03-13 2012-01-24 Microsoft Corporation Automatic tagging of content based on a corpus of previously tagged and untagged content
US20080262917A1 (en) 2007-04-19 2008-10-23 Jeff Green Internet advertising impression-based auction exchange system
US20080306819A1 (en) 2007-06-08 2008-12-11 Yahoo! Inc. System and method for shaping relevance scores for position auctions
US7870026B2 (en) 2007-06-08 2011-01-11 Yahoo! Inc. Selecting and displaying advertisement in a personal media space
US9135491B2 (en) 2007-08-31 2015-09-15 Accenture Global Services Limited Digital point-of-sale analyzer
US7921061B2 (en) 2007-09-05 2011-04-05 Oracle International Corporation System and method for simultaneous price optimization and asset allocation to maximize manufacturing profits
US20090276291A1 (en) 2008-05-01 2009-11-05 Myshape, Inc. System and method for networking shops online and offline
JP2012529122A (ja) 2009-06-03 2012-11-15 ライクドットコム ユーザーのジャンル及びスタイルを学習すると共に製品をユーザーの好みにマッチングさせるシステム及び方法
US8386574B2 (en) * 2009-10-29 2013-02-26 Xerox Corporation Multi-modality classification for one-class classification in social networks
US8751930B2 (en) 2010-11-02 2014-06-10 International Business Machines Corporation Seamlessly sharing and reusing knowledge between an administrator console and user interaction
CN103299324B (zh) * 2010-11-11 2016-02-17 谷歌公司 使用潜在子标记来学习用于视频注释的标记
FR2973540B1 (fr) 2011-04-01 2013-03-29 CVDM Solutions Procede d'extraction automatisee d'un planogramme a partir d'images de lineaire
US9785898B2 (en) 2011-06-20 2017-10-10 Hi-Tech Solutions Ltd. System and method for identifying retail products and determining retail product arrangements
US8620707B1 (en) 2011-06-29 2013-12-31 Amazon Technologies, Inc. Systems and methods for allocating inventory in a fulfillment network
US8737728B2 (en) 2011-09-30 2014-05-27 Ebay Inc. Complementary item recommendations using image feature data
US20140039979A1 (en) 2012-08-01 2014-02-06 Opera Solutions, Llc System and Method for Demand Forecasting
US20140122184A1 (en) 2012-10-29 2014-05-01 Elwha Llc Food Supply Chain Automation Grocery Information System And Method
FR3004833B1 (fr) 2013-04-17 2016-09-30 Retail Reload Systeme de gestion d'une collection d'objets telle que le stock de vetements et d'accessoires d'un magasin de confection.
US20140344102A1 (en) 2013-05-18 2014-11-20 Chaya Cooper Virtual Personal Shopping System
CN104217334A (zh) 2013-06-05 2014-12-17 北京京东尚科信息技术有限公司 一种产品信息推荐方法、装置和***
US9760900B2 (en) 2013-08-08 2017-09-12 International Business Machines Corporation Trend-factored RFM scores to improve campaign performance
US20150058079A1 (en) 2013-08-26 2015-02-26 Google Inc. Detecting trends from images uploaded to a social network
US9400925B2 (en) 2013-11-15 2016-07-26 Facebook, Inc. Pose-aligned networks for deep attribute modeling
US10339685B2 (en) 2014-02-23 2019-07-02 Northeastern University System for beauty, cosmetic, and fashion analysis
WO2015134767A1 (en) 2014-03-05 2015-09-11 24/7 Customer, Inc. Method and apparatus for personalizing customer interaction experiences
US20150324828A1 (en) 2014-05-09 2015-11-12 Myworld, Inc. Commerce System and Method of Providing Communication Between Publishers and Intelligent Personal Agents
US20150332296A1 (en) 2014-05-19 2015-11-19 International Business Machines Corporation Predicting customer value
US20150339726A1 (en) 2014-05-23 2015-11-26 Toshiba Global Commerce Solutions Holdings Corporation Advertising for sensor-enabled clothing
US20150347933A1 (en) 2014-05-27 2015-12-03 International Business Machines Corporation Business forecasting using predictive metadata
US9070171B2 (en) 2014-09-04 2015-06-30 Atelier CAAAW, Inc. System and method for providing automated clothing fashion recommendations
US9904744B2 (en) 2014-09-23 2018-02-27 International Business Machines Corporation Probabilistic simulation scenario design by using multiple conditional and nested probability distribution input functions
CN104281890A (zh) 2014-10-08 2015-01-14 电子科技大学 电子商务***中预测流行商品的方法和***
US10223727B2 (en) 2014-10-20 2019-03-05 Oath Inc. E-commerce recommendation system and method
WO2016098973A1 (ko) 2014-12-19 2016-06-23 박정호 트렌드 예고 및 마감을 포함하는 선도형 트렌드 기반 쇼핑몰 운영서버
US20160189274A1 (en) 2014-12-31 2016-06-30 Ebay Inc. Fashion administration
US20160225053A1 (en) 2015-01-29 2016-08-04 Clear Research Corporation Mobile visual commerce system
US10229117B2 (en) * 2015-06-19 2019-03-12 Gordon V. Cormack Systems and methods for conducting a highly autonomous technology-assisted review classification
US20170004567A1 (en) 2015-07-01 2017-01-05 DimensionalMechanics, Inc. System and method for providing modular online product selection, visualization and design services
US10157333B1 (en) * 2015-09-15 2018-12-18 Snap Inc. Systems and methods for content tagging
US10592855B2 (en) 2015-12-18 2020-03-17 Ricoh Co., Ltd. Method, system, and computer program product for planogram generation
US9661886B1 (en) 2016-05-15 2017-05-30 v Personalize Inc. System and method for capturing design state of apparel or accessory to enable extrapolation for style and size variants
CN109564651A (zh) 2016-05-19 2019-04-02 思比机器人公司 用于自动生成将产品分配到商店内的货架结构的货架图的方法
US11468290B2 (en) 2016-06-30 2022-10-11 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
US10832583B2 (en) * 2016-09-23 2020-11-10 International Business Machines Corporation Targeted learning and recruitment
US11315018B2 (en) 2016-10-21 2022-04-26 Nvidia Corporation Systems and methods for pruning neural networks for resource efficient inference
GB2573671B (en) 2016-12-29 2022-03-30 Walmart Apollo Llc Mobile modular displays
US10268646B2 (en) 2017-06-06 2019-04-23 Facebook, Inc. Tensor-based deep relevance model for search on online social networks
US10062039B1 (en) * 2017-06-28 2018-08-28 CS Disco, Inc. Methods and apparatus for asynchronous and interactive machine learning using word embedding within text-based documents and multimodal documents
US10489688B2 (en) 2017-07-24 2019-11-26 Adobe Inc. Personalized digital image aesthetics in a digital medium environment
US10474988B2 (en) 2017-08-07 2019-11-12 Standard Cognition, Corp. Predicting inventory events using foreground/background processing
US10776417B1 (en) 2018-01-09 2020-09-15 A9.Com, Inc. Parts-based visual similarity search
US10817749B2 (en) 2018-01-18 2020-10-27 Accenture Global Solutions Limited Dynamically identifying object attributes via image analysis
US11100400B2 (en) * 2018-02-15 2021-08-24 Adobe Inc. Generating visually-aware item recommendations using a personalized preference ranking network
US10990226B2 (en) 2018-03-08 2021-04-27 International Business Machines Corporation Inputting information using a virtual canvas
US10685265B2 (en) 2018-04-11 2020-06-16 International Business Machines Corporation Cognitive analysis and classification of apparel images
US10755229B2 (en) 2018-04-11 2020-08-25 International Business Machines Corporation Cognitive fashion-ability score driven fashion merchandising acquisition
US11538083B2 (en) 2018-05-17 2022-12-27 International Business Machines Corporation Cognitive fashion product recommendation system, computer program product, and method
US10956928B2 (en) 2018-05-17 2021-03-23 International Business Machines Corporation Cognitive fashion product advertisement system and method
US20190370874A1 (en) 2018-06-01 2019-12-05 Walmart Apollo, Llc Systems and methods for presenting merchandise to customers attending an event at a shopping facility
US10963744B2 (en) 2018-06-27 2021-03-30 International Business Machines Corporation Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data
US20200034781A1 (en) 2018-07-27 2020-01-30 International Business Machines Corporation System and method for cognitive adjacency planning and cognitive planogram design

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Yuncheng Li 等.Mining Fashion Outfit Composition Using an End-to-End Deep Learning Approach on Set Data.《IEEE TRANSACTIONS ON MULTIMEDIA》.2017,摘要，第I至IV部分. *

Also Published As

Publication number Publication date
US20200005087A1 (en) 2020-01-02
CN110728015A (zh) 2020-01-24
US10963744B2 (en) 2021-03-30

Similar Documents

Publication Publication Date Title
CN110728015B (zh) 认知自动化和交互式个性化时尚设计
Luce Artificial intelligence for fashion: How AI is revolutionizing the fashion industry
US11669776B2 (en) Using artificial intelligence to design a product
CN110110181B (zh) 一种基于用户风格和场景偏好的服装搭配推荐方法
CN110363213B (zh) 服装图像的认知分析和分类的方法和***
US10861077B1 (en) Machine, process, and manufacture for machine learning based cross category item recommendations
US20220138831A1 (en) Method of Providing Fashion Item Recommendation Service Using User's Body Type and Purchase History
KR102664008B1 (ko) 시각 정보에 기초한 고객 아이템 추천 방법 및 장치
US10891585B2 (en) Cognitive fashion-ability score driven fashion merchandising acquisition
JP6527275B1 (ja) イメージ内の複数の客体の調和に基づく調和検索方法、コンピュータ装置およびコンピュータプログラム
Feng et al. Interpretable partitioned embedding for customized multi-item fashion outfit composition
KR20200045668A (ko) 스타일 추천 방법, 장치 및 컴퓨터 프로그램
US11803872B2 (en) Creating meta-descriptors of marketing messages to facilitate in delivery performance analysis, delivery performance prediction and offer selection
Wu et al. Multimodal web aesthetics assessment based on structural SVM and multitask fusion learning
US20200372560A1 (en) Method for exploring and recommending matching products across categories
KR20220039697A (ko) 코디네이션 패션 아이템을 추천하는 방법
KR20220019737A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
KR102378072B1 (ko) 코디네이션 패션 아이템을 추천하는 방법
US10885556B2 (en) Fashion display system, method, recording medium and display apparatus
EP3905180A2 (en) Method for providing fashion item recommendation service to user by using swipe gesture
KR20210041730A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
You et al. Automatic Generation of Interactive Nonlinear Video for Online Apparel Shopping Navigation
US20230351654A1 (en) METHOD AND SYSTEM FOR GENERATING IMAGES USING GENERATIVE ADVERSARIAL NETWORKS (GANs)
Kadam et al. Mining of Complete Fashion Attire with Multiple Choices Using Deep Learning
Omogo An intelligent image processing model for context-aware digital signage: case of apparel advertisement

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