CN111125415A - 服装设计的方法、装置、计算机设备及存储介质 - Google Patents
服装设计的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111125415A CN111125415A CN201911368563.5A CN201911368563A CN111125415A CN 111125415 A CN111125415 A CN 111125415A CN 201911368563 A CN201911368563 A CN 201911368563A CN 111125415 A CN111125415 A CN 111125415A
- Authority
- CN
- China
- Prior art keywords
- target
- clothing
- data
- trained
- garment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种服装设计的方法,所述方法包括:获取采集到的目标图片素材;根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;根据所述目标服装数据,组合得到目标服装。根据目标图片素材可以得到目标廓形数据和目标设计元素,将所得目标廓形数据和所得目标设计元素经过服装设计模型输出得到目标服装数据,将所得目标服装数据排列组合后可以得到目标服装,可以准确设计出流行服装款式,从而可以满足不同用户的需求。此外,还提出了一种服装设计的装置、计算机设备及存储介质。
Description
技术领域
本发明涉及服装设计技术领域,尤其涉及一种服装设计的方法、装置、计算机设备及存储介质。
背景技术
当今服装流行趋势越来越显现出模糊性、多元性的特点,越来越多的服装层出不穷,设计师的灵感来源也是通过累积观察目前的服装流行趋势所得出来的,这就要求设计师要具备很强的审美观和价值观。但不同的设计师设计出来的服装都带有主观性,无法满足不同用户对流行服装的追求;且传统服装设计模式耗费大量人力物力成本,随着网络时代的发展,在服装设计的创新思路匮乏的市场背景下,设计师的设计周期较长,设计效率较低,且准确性低。
发明内容
基于此,本发明提出了一种可以准确设计出流行服装款式,从而可以满足不同用户的需求的服装设计的方法、装置、计算机设备及存储介质。
一种服装设计的方法,所述方法包括:
获取采集到的目标图片素材;
根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
根据所述目标服装数据,组合得到目标服装。
在其中一个实施例中,所述根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,包括:获取所述目标图片素材中的服装信息;根据所述服装信息,分割得到所述目标设计元素;根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据。
在其中一个实施例中,所述根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据,包括:根据所述服装廓形特征,将所述服装结构数据划分成多个区间服装结构数据;根据所述多个区间服装结构数据,组合得到目标廓形数据。
在其中一个实施例中,所述根据所述服装信息,获取服装结构数据,包括:获取所述服装信息中的基础服装结构数据,获取所述基础服装结构数据对应的预设缓冲值;根据所述基础服装结构数据和所述预设缓冲值,计算得到所述服装结构数据。
在其中一个实施例中,所述服装设计模型采用以下步骤得到:获取训练样本对集合,所述训练样本对集合中包括多个训练样本对,所述训练样本对中包括训练图像样本和训练目标图像样本;提取所述训练图像样本的待训练廓形数据和待训练设计元素,提取所述训练目标图像样本的服装数据;将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型。
在其中一个实施例中,所述将所述训练图像样本的服装数据、所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型,包括:将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,获取所述待训练服装设计模型输出的实际服装数据;根据所述训练目标图像样本的服装数据和所述实际服装数据计算得到损失值;根据所述损失值对所述待训练服装设计模型中的基础人体数据、所述训练图像样本的待训练廓形数据和待训练设计元素进行优化,直到所述损失值达到预设的收敛条件,将最后优化得到的待训练服装设计模型作为训练好的服装设计模型。
在其中一个实施例中,所述根据所述目标服装数据,组合得到目标服装,包括:根据所述目标服装数据,排列组合得到多个组合服装;从所述多个组合服装中筛选得到所述目标服装。
第二方面,本发明实施例提出了一种服装设计的装置,所述装置包括:
获取模块模块,用于获取采集到的目标图片素材;
提取模块,用于根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
训练模块,用于将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
组合模块,用于根据所述目标服装数据,组合得到目标服装。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取采集到的目标图片素材;
根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
根据所述目标服装数据,组合得到目标服装。
第四方面,本发明实施例提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取采集到的目标图片素材;
根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
根据所述目标服装数据,组合得到目标服装。
上述服装设计的方法、装置、计算机设备及存储介质,通过获取采集到的目标图片素材,然后根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,再将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据,最后根据所述目标服装数据,组合得到目标服装。根据目标图片素材可以得到目标廓形数据和目标设计元素,将所得目标廓形数据和所得目标设计元素经过服装设计模型输出得到目标服装数据,将所得目标服装数据排列组合后可以得到目标服装,可以准确设计出流行服装款式,从而可以满足不同用户的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为一个实施例中服装设计的方法的流程图;
图2为一个实施例中获取目标廓型数据、提取目标设计元素的流程图;
图3为一个实施例中获取目标廓形数据的流程图;
图4为一个实施例中训练得到服装设计模型的流程图;
图5为一个实施例中得到训练好的服装设计模型的流程图;
图6为一个实施例中服装设计的装置的结构框图;
图7为一个实施例中计算机设备的结构框图。
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。
如图1所示,提出了一种服装设计的方法,该服装设计的方法可以应用于终端,本实施例以应用于终端举例说明。该服装设计的方法具体包括以下步骤:
步骤102,获取采集到的目标图片素材。
其中,目标图片素材是指包含有服装图像的图片,可以根据需求得到目标图片素材;目标图片素材可以是多个。获取目标图片素材的目的是,根据目标图片素材中的服装图像,可以精准推算出需要设计的服装。在一个实施例中,目标图片素材可以是根据用户自行搜集并上传得到。用户搜集到的目标图片素材可以是包含有一类人的服装图像的图片,例如,目标图片素材可以是包含有女性服装图像的图片,也可以是包含有男性服装图像的图片。假设需要设计的是女性服装,则需要获取的目标图片素材为包含有女性服装图像的图片。根据不同用户的选择可以得到不同的目标图片素材。
步骤104,根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素。
其中,目标廓形数据是指目标图片素材中服装图像的外轮廓线信息;目标设计元素是指构成目标图片素材中服装图像的流行趋势的要素,目标设计元素可以是:立领、宽袖或夸张的口袋。可以将目标廓形数据用于表示目标图片素材中服装的款式造型,可以将目标设计元素用于表示目标图片素材中服装的流行趋势。在一个实施例中,可以是根据目标图片素材获取目标廓形数据,可以是根据目标图片素材提取得到目标设计元素。例如,可以获取目标图片素材中的服装图像的相关廓形数据,可以将所得相关廓形数据作为目标廓形数据;可以是将目标图片素材中的服装图像进行图像分割,可以通过处理分割结果得到目标设计元素。可以将目标廓形数据和目标设计元素用于训练得到目标服装数据。
步骤106,将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据。
其中,服装设计模型是指基于多个服装数据训练得到的训练模型;目标服装数据是指通过设计得到的服装的数据,可以包括:目标服装的廓形数据和目标服装的设计元素。在一个实施例中,可以是基于多个廓形数据和多个设计元素进行训练,得到服装设计模型;然后可以将目标廓形数据和目标设计元素作为服装设计模型的输入,通过获取服装设计模型的输出即可得到目标服装数据。
步骤108,根据所述目标服装数据,组合得到目标服装。
其中,目标服装是指通过设计得到的服装。由于目标服装数据是通过设计得到的服装的数据,所以可以将目标服装数据进行组合,根据组合结果可以得到目标服装。在一个实施例中,可以是将目标服装数据进行排列组合,然后可以从排列组合得到的服装中筛选出目标服装。可以是通过***自动识别进行筛选得到目标服装,也可以是人为主动进行筛选得到目标服装。
上述服装设计的方法,根据目标图片素材可以得到目标廓形数据和目标设计元素,将所得目标廓形数据和所得目标设计元素经过服装设计模型输出得到目标服装数据,将所得目标服装数据排列组合后可以得到目标服装,可以准确设计出流行服装款式,从而可以满足不同用户的需求。
如图2所示,在一个实施例中,所述根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,包括:
步骤202,获取所述目标图片素材中的服装信息。
其中,服装信息是指目标图片素材中的服装图像信息。由于目标图片素材中可以包含有服装图像信息,也可以包含人体图像信息等其他图像信息,所以需要从目标图片素材中提取出服装图像信息。在一个实施例中,获取目标图片素的服装信息,可以是先识别目标图片素材中的服装图像,再对识别得到的服装图像进行信息提取,从而可以得到目标图片素材中的服装信息。可以根据服装信息提取得到目标设计元素及目标廓形数据。
步骤204,根据所述服装信息,分割得到所述目标设计元素。
由于目标设计元素是构成目标图片素材中服装图像的流行趋势的要素,所以可以是对目标图片素材中的服装信息进行分割,从而可以得到目标图片素材中服装图像的各个流行趋势的要素,即得到目标设计元素。在一个实施例中,可以是通过图像分割算法,对服装信息进行分割,得到目标设计元素。例如,可以是利用超像素的概率进行计算,自动获取目标图片素材的前景和背景种子点,再利用所得前景和背景种子点对n-links和t-links进行初始化,最后可以根据最大流/最小割的计算结果对目标图片素材进行分割,从而得到目标设计元素。
步骤206,根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据。
其中,服装结构数据是指服装图像中的、表示服装结构的数据,例如:肩腰之间角度、胸腰之间角度、腰臀之间角度、臀膝之间角度;服装廓形特征是指服装图像中各个服装廓形的特征。服装廓形特征可以用英文字母形态来表现,例如,A型、H型、X型、S型、T型等。在一个实施例中,假设服装廓形特征是用英文字母形态来表现,然后可以根据服装廓形特征和服装结构数据得到目标廓形数据。例如,可以根据服装廓形特征将服装结构数据进行区间划分,然后可以将划分得到的各个区间的服装结构数据进行整合。通过不同的整合方式,可以确定目标廓形数据。通过获取目标图片素材中的服装信息,对所得服装信息进行合理处理,从而可以分别得到准确的目标廓形数据和目标设计元素。
如图3所示,在一个实施例中,所述根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述结构数据得到所述目标廓形数据,包括:
步骤302,根据所述服装廓形特征,将所述服装结构数据划分成多个区间服装结构数据。
其中,区间服装结构数据是指将服装结构数据进行划分后得到的每个区间对应的服装结构数据,不同区间对应的服装结构数据不同。在一个实施例中,可以是根据服装廓形特征将服装结构数据划分成多个区间服装结构数据。例如,假设服装廓形特征是用英文字母形态来表现,例如,A型、H型、X型、T型。则可以根据不同的服装廓形特征,将服装结构数据进行划分。例如,假设服装廓形特征为A型、H型。其中,A型廓形结构线以弧线为主,即,A型廓形的肩腰同宽,下摆扩大;H型廓形为肩围、胸围、腰围、臀围均同宽。假设服装结构数据为肩腰之间角度θsw,假设基本人体肩腰之间角度为θsw0=-0.207rad。假设根据A型廓形和H型廓形对上述服装结构数据进行区间划分,可以是:当θsw≈θsw0=-0.207rad时,表明服装结构数据中的肩腰之间角度与基本人体自身曲线相吻合,则可以将θsw划分为A型区间服装结构数据;当θsw=0rad时,表明服装结构数据中的肩腰之间角度为0,即肩与腰同宽,可以将θsw划分为H型区间服装结构数据。可以依次根据服装廓形特征,将服装结构数据进行划分,由此可以得到多个区间服装结构数据。
步骤304,根据所述多个区间服装结构数据,组合得到目标廓形数据。
其中,组合是指将多个区间服装结构数据通过不同的组合方式进行组合,例如,随机组合方式。组合多个区间服装结构数据是为了得到正确的目标廓形数据。在一个实施例中,假设组合得到的目标服装结构数据为肩腰之间角度θsw=0rad,胸腰之间角度θbw=-0.109rad,腰臀之间角度θwh=0rad,获取上述组合得到的目标服装结构数据,从而可以得到所需的目标服装结构数据。通过服装廓形特征,可以将服装结构数据进行区间划分,得到多个区间服装结构数据,再将多个区间服装结构数据进行组合,从而可以准确判断目标图片素材中服装图像的服装廓形,得到正确的目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据,包括:
步骤1,获取所述服装信息中的基础服装结构数据,获取所述基础服装结构数据对应的预设缓冲值。
其中,基础服装结构数据是指直接从目标图片素材中提取得到的、表示服装结构的数据;预设缓冲值是指预先设置的、基础服装结构数据对应的上下缓冲范围。由于从目标图片素材中直接获取的基础服装结构数据是平面数据,而所需的服装结构式数据是立体数据,所以可以通过设置预设缓冲值,将平面数据转换为立体数据。在一个实施例中,假设基础服装结构数据为肩腰之间角度θsw和腰臀之间角度θwh,假设预设缓冲值为50,则分别获取基础服装结构数据θsw和θwh,获取预设缓冲值为50。
步骤2,根据所述基础服装结构数据和所述预设缓冲值,计算得到所述服装结构数据。
由于需要得到的是立体数据,所以可以将目标图片素材中直接获取的平面数据(基础服装结构数据)转换成为立体数据(服装结构数据)。在一个实施例中,可以根据基础服装结构数据和预设缓冲值,计算得到服装结构数据,即,得到立体数据,从而可以实现将平面数据转换为立体数据。例如,可以假设基础服装结构数据中的一个数据为肩腰之间角度θsw,假设预设缓冲值为50。通过计算可以得到服装结构数据中的一个数据为肩腰之间角度:θsw±50。依次根据每个基础服装结构数据和每个预设缓冲值,可以得到所有的服装结构数据。通过获取基础服装结构数据,然后设置预设缓冲值,再根据基础服装结构数据和预设缓冲值,可以将基础服装结构数据转换成立体的服装结构数据,根据立体的服装结构数据进行服装设计,可以得到更准确的设计服装。
如图4所示,在一个实施例中,所述服装设计模型采用以下步骤得到:
步骤402,获取训练样本对集合,所述训练样本对集合中包括多个训练样本对,所述训练样本对中包括训练图像样本和训练目标图像样本。
其中,训练图像样本是指采集到的服装图像构成的样本;训练目标图像样本是指期望得到的服装图像构成的样本;训练样本对是指由每个训练图像样本和每个训练目标图像样本组成的多对训练样本;训练样本集合是指多对训练样本组成的集合。训练图像样本和训练目标图像样本可以是多个,训练图像样本和训练目标图像样本之间可以是一一对应的关系。在一个实施例中,获取训练图像样本,可以是根据需求采集多个服装图像,即可得到多个训练图像样本;可以根据期望得到的多个服装图像得到训练目标图像样本,然后可以将得到的训练图像样本和训练目标图像样本组成训练样本对集合。
步骤404,提取所述训练图像样本的待训练廓形数据和待训练设计元素,提取所述训练目标图像样本的服装数据。
其中,待训练廓形数据是指需要训练的、训练图像样本中的服装图像的廓形数据;待训练设计元素是指需要训练的、训练图像样本中的服装图像的流行趋势的要素;训练目标图像样本的服装数据,是指期望得到的服装的数据。由于不同的训练图像样本对应不同的待训练廓形数据和待训练设计元素、不同的训练目标图像样本对应不同的服装数据,所以可以分别提取得到每个训练图像样本的待训练廓形数据和待训练设计元素、提取得到每个训练目标样本的服装数据。
步骤406,将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型。
其中,待训练服装设计模型是指需要训练的服装设计模型;训练好的服装设计模型是指基于各个服装数据训练得到的训练模型,训练好的服装设计模型可以用于将目标廓形数据和目标设计元素转换,输出目标服装数据。在一个实施例中,可以是基于训练图像的样本的待训练廓形数和待训练设计元素作为待训练服装设计模型的输入,将训练目标图像样本的服装数据作为待训练服装设计模型的输出,得到待训练服装设计模型。例如,可以根据MDFT的服装风格决策模型得到待训练服装设计模型,其中,MDFT的反馈矩阵S可以采用如下公式计算得到:
其中,d为欧氏距离,A、B分别代表了两个备选(设计X和Y两个属性),i表示属性个数,此处是EVSC和EVFT即为2(EVSC和EVFT分别为两个独立的属性)。S值的符号可从下表中查询可得值(X1表示备择X属性1的值),最终计算出S矩阵。
S值符号查询表
X<sub>1</sub>-Y<sub>1</sub>的符号 | X<sub>2</sub>-Y<sub>2</sub>的符号 | S值符号 |
正 | 正 | 备选X抑制Y的选择,则S值为负 |
负 | 负 | 备选X加强Y的选择,则S值为正 |
正 | 负 | 备选X抑制Y的选择,则S值为负 |
负 | 正 | 备选X抑制Y的选择,则S值为负 |
其中,MDFT的M的属性的初始权重值作为决策模型关键因素。此时使用计算这个组合对应W从[0.05,0.95.....95,0.05]和[0.05,0.85.....86,0.04时的模拟选择值,并将结果保存,供用户通过样本的组数据训练得出适用于自己的初始值。根据上述公式和表格可以得到待训练服装设计模型。可以对所得待训练服装设计模型进行训练,从而可以得到训练好的服装设计模型。通过获取训练样本对集合,根据训练样本对集合中的每一对训练样本对,得到待训练服装设计模型,然后再对待训练服装设计模型进行训练,可以得到训练好的服装设计模型,从而可以根据训练好的服装设计模型,实现将目标廓形数据和目标设计元素转换为目标服装数据,从而可以得到目标服装,满足不同用户的需求。
如图5所示,在一个实施例中,所述将所述训练图像样本的服装数据、所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型,包括:
步骤502,将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,获取所述待训练服装设计模型输出的实际服装数据。
其中,实际服装数据是指待训练服装设计模型输出的实际上的服装数据。由于待训练服装设计模型输出的服装数据,不一定就是期望得到的服装数据,或是与期望得到的服装数据差异较大,所以要得到待训练服装设计模型输出的实际上的服装数据。在一个实施例中,可以是将待训练廓形数据和待训练设计元素作为待训练服装设计模型的输入,得到待训练服装设计模型的输出,可以将输出所得作为实际上的服装数据,从而可以得到实际服装数据,可以将实际服装数据用于训练待训练服装设计模型。
步骤504,根据所述训练目标图像样本的服装数据和所述实际服装数据计算得到损失值。
其中,损失值是指实际服装数据和训练目标图像样本的服装数据之间的差异的数值。由于在训练阶段得到的实际服装数据会与期望得到的服装数据之间存在较大的差异,为了得到二者之间的差异,可以是根据训练目标图像样本的服装数据和实际服装数据,计算得到损失值,可以用损失值来表示二者之间的差异。在一个实施例中,假设计算得到的损失值为loss,即可得到训练目标图像样本的服装数据和实际服装数据之间的差异。可以将所得loss用于对待训练服装设计模型中的基础人体数据、待训练廓形数据和待训练设计元素进行优化更新。
步骤506,根据所述损失值对所述待训练服装设计模型中的基础人体数据、所述训练图像样本的待训练廓形数据和待训练设计元素进行优化,直到所述损失值达到预设的收敛条件,将最后优化得到的待训练服装设计模型作为训练好的服装设计模型。
其中,基础人体数据是标准人体的相关数值,基础人体数据可以包括:标准肩腰之间角度、标准胸腰之间角度、腰臀之间角度、臀膝之间角度。预设的收敛条件是指预先设置的训练收敛的条件。通过基础人体数据可以判断待训练廓形数据的正确性。由于实际服装数据与训练目标图像样本的服装数据之间存在差异,为了得到训练目标图像样本的服装数据,可以是根据损失值,对待训练服装设计模型中的基础人体数据、待训练廓形数据和待训练设计元素进行优化,直至达到预设的收敛条件,使得训练收敛,可以得到最后优化的各个参数和服装设计模型。可以将最后优化得到的待训练服装设计模型作为训练好的服装设计模型,可以将目标廓形数据和目标设计元素作为训练好的服装设计模型的输入,获取训练好的服装设计模型输出的目标服装数据。通过获取实际服装数据,根据训练目标图像样本的服装数据和实际服装数据计算得到损失值,再根据所得损失值对待训练服装设计模型中的基础人体数据、待训练廓形数据和待训练设计元素进行优化,然后将最后优化得到的待训练服装设计模型作为训练好的服装设计模型,使得所有参数都同时得到了更新和学习;通过预设的收敛条件,可以使得训练收敛,使得在训练收敛后,可以得到训练好的服装设计模型。根据训练好的服装设计模型,可以实现将目标廓形数据和目标设计元素转换为准确的目标服装数据,从而得到准确的目标服装,满足不同用户的需求。
在一个实施例中,所述根据所述目标服装数据,组合得到目标服装,包括:
步骤1,根据所述目标服装数据,排列组合得到多个组合服装。
其中,组合服装是指通过排列组合后得到的服装。在一个实施例中,由于目标服装数据可以是多个,为得到所需的目标服装,可以是先将多个目标服装数据进行排列组合,得到多个组合服装。例如,可以是根据特殊元素、特殊位置优先法对目标服装数据进行排列组合,得到多个组合服装;也可以是相同元素分配法对目标服装数据进行排列组合,得到多个组合服装。
步骤2,从所述多个组合服装中筛选得到所述目标服装。
因多个组合服装是由目标服装数据组合得到的,为得到所需的目标服装,可以是从多个组合服装中筛选得到目标服装。在一个实施例中,可以是通过***识别,对多个组合服装进行筛选得到目标服装;也可以是人为主动筛选得到目标服装。通过目标服装数据进行排列组合,可以得到多个组合服装;从多个组合服装中筛选得到目标服装,可以得到符合用户需求的目标服装,使得设计得到的流行服装款式更准确,满足不同用户的需求。
如图6所示,本发明实施例提出了一种服装设计的装置,所述装置包括:
获取模块602,用于获取采集到的目标图片素材;
提取模块604,用于根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
训练模块606,用于将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
组合模块608,用于根据所述目标服装数据,组合得到目标服装。
在一个实施例中,所述根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,包括:获取模块602还用于获取所述目标图片素材中的服装信息;提取模块604还用于根据所述服装信息,分割得到所述目标设计元素;获取模块602还用于根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据,包括:根据所述服装廓形特征,将所述服装结构数据划分成多个区间服装结构数据;组合模块608还用于根据所述多个区间服装结构数据,组合得到目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据,包括:获取模块602还用于获取所述服装信息中的基础服装结构数据,获取所述基础服装结构数据对应的预设缓冲值;根据所述基础服装结构数据和所述预设缓冲值,计算得到所述服装结构数据。
在一个实施例中,所述服装设计模型采用以下步骤得到:获取模块602还用于获取训练样本对集合,所述训练样本对集合中包括多个训练样本对,所述训练样本对中包括训练图像样本和训练目标图像样本;提取模块604还用于提取所述训练图像样本的待训练廓形数据和待训练设计元素,提取所述训练目标图像样本的服装数据;训练模块606还用于将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型。
在一个实施例中,所述将所述训练图像样本的服装数据、所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型,包括:获取模块602还用于将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,获取所述待训练服装设计模型输出的实际服装数据;获取模块602还用于根据所述训练目标图像样本的服装数据和所述实际服装数据计算得到损失值;训练模块606还用于根据所述损失值对所述待训练服装设计模型中的基础人体数据、所述训练图像样本的待训练廓形数据和待训练设计元素进行优化,直到所述损失值达到预设的收敛条件,将最后优化得到的待训练服装设计模型作为训练好的服装设计模型。
在一个实施例中,所述根据所述目标服装数据,组合得到目标服装,包括:组合模块608还用于根据所述目标服装数据,排列组合得到多个组合服装;从所述多个组合服装中筛选得到所述目标服装。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是终端。如图7所示,该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现服装设计的方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行服装设计的方法。网络接口用于与外界进行通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的服装设计的方法可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该服装设计的装置的各个程序模板。比如,获取模块602,提取模块604,训练模块606,组合模块608。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:获取采集到的目标图片素材;根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;根据所述目标服装数据,组合得到目标服装。
在一个实施例中,所述根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,包括:获取所述目标图片素材中的服装信息;根据所述服装信息,分割得到所述目标设计元素;根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据,包括:根据所述服装廓形特征,将所述服装结构数据划分成多个区间服装结构数据;根据所述多个区间服装结构数据,组合得到目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据,包括:获取所述服装信息中的基础服装结构数据,获取所述基础服装结构数据对应的预设缓冲值;根据所述基础服装结构数据和所述预设缓冲值,计算得到所述服装结构数据。
在一个实施例中,所述服装设计模型采用以下步骤得到:获取训练样本对集合,所述训练样本对集合中包括多个训练样本对,所述训练样本对中包括训练图像样本和训练目标图像样本;提取所述训练图像样本的待训练廓形数据和待训练设计元素,提取所述训练目标图像样本的服装数据;将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型。
在一个实施例中,所述将所述训练图像样本的服装数据、所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型,包括:将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,获取所述待训练服装设计模型输出的实际服装数据;根据所述训练目标图像样本的服装数据和所述实际服装数据计算得到损失值;根据所述损失值对所述待训练服装设计模型中的基础人体数据、所述训练图像样本的待训练廓形数据和待训练设计元素进行优化,直到所述损失值达到预设的收敛条件,将最后优化得到的待训练服装设计模型作为训练好的服装设计模型。
在一个实施例中,所述根据所述目标服装数据,组合得到目标服装,包括:根据所述目标服装数据,排列组合得到多个组合服装;从所述多个组合服装中筛选得到所述目标服装。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:获取采集到的目标图片素材;根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;根据所述目标服装数据,组合得到目标服装。
在一个实施例中,所述根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,包括:获取所述目标图片素材中的服装信息;根据所述服装信息,分割得到所述目标设计元素;根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据,包括:根据所述服装廓形特征,将所述服装结构数据划分成多个区间服装结构数据;根据所述多个区间服装结构数据,组合得到目标廓形数据。
在一个实施例中,所述根据所述服装信息,获取服装结构数据,包括:获取所述服装信息中的基础服装结构数据,获取所述基础服装结构数据对应的预设缓冲值;根据所述基础服装结构数据和所述预设缓冲值,计算得到所述服装结构数据。
在一个实施例中,所述服装设计模型采用以下步骤得到:获取训练样本对集合,所述训练样本对集合中包括多个训练样本对,所述训练样本对中包括训练图像样本和训练目标图像样本;提取所述训练图像样本的待训练廓形数据和待训练设计元素,提取所述训练目标图像样本的服装数据;将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型。
在一个实施例中,所述将所述训练图像样本的服装数据、所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型,包括:将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,获取所述待训练服装设计模型输出的实际服装数据;根据所述训练目标图像样本的服装数据和所述实际服装数据计算得到损失值;根据所述损失值对所述待训练服装设计模型中的基础人体数据、所述训练图像样本的待训练廓形数据和待训练设计元素进行优化,直到所述损失值达到预设的收敛条件,将最后优化得到的待训练服装设计模型作为训练好的服装设计模型。
在一个实施例中,所述根据所述目标服装数据,组合得到目标服装,包括:根据所述目标服装数据,排列组合得到多个组合服装;从所述多个组合服装中筛选得到所述目标服装。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种服装设计的方法,其特征在于,所述方法包括:
获取采集到的目标图片素材;
根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
根据所述目标服装数据,组合得到目标服装。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素,包括:
获取所述目标图片素材中的服装信息;
根据所述服装信息,分割得到所述目标设计元素;
根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述服装信息,获取服装结构数据和服装廓形特征,根据所述服装廓形特征和所述服装结构数据得到所述目标廓形数据,包括:
根据所述服装廓形特征,将所述服装结构数据划分成多个区间服装结构数据;
根据所述多个区间服装结构数据,组合得到目标廓形数据。
4.根据权利要求3所述的方法,其特征在于,所述根据所述服装信息,获取服装结构数据,包括:
获取所述服装信息中的基础服装结构数据,获取所述基础服装结构数据对应的预设缓冲值;
根据所述基础服装结构数据和所述预设缓冲值,计算得到所述服装结构数据。
5.根据权利要求1所述的方法,其特征在于,所述服装设计模型采用以下步骤得到:
获取训练样本对集合,所述训练样本对集合中包括多个训练样本对,所述训练样本对中包括训练图像样本和训练目标图像样本;
提取所述训练图像样本的待训练廓形数据和待训练设计元素,提取所述训练目标图像样本的服装数据;
将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型。
6.根据权利要求5所述的方法,其特征在于,所述将所述训练图像样本的服装数据、所述待训练设计元素作为待训练服装设计模型的输入,将所述训练目标图像样本的服装数据作为期望的输出,对所述待训练服装设计模型进行训练,得到训练好的服装设计模型,包括:
将所述待训练廓形数据和所述待训练设计元素作为待训练服装设计模型的输入,获取所述待训练服装设计模型输出的实际服装数据;
根据所述训练目标图像样本的服装数据和所述实际服装数据计算得到损失值;
根据所述损失值对所述待训练服装设计模型中的基础人体数据、所述训练图像样本的待训练廓形数据和待训练设计元素进行优化,直到所述损失值达到预设的收敛条件,将最后优化得到的待训练服装设计模型作为训练好的服装设计模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述目标服装数据,组合得到目标服装,包括:
根据所述目标服装数据,排列组合得到多个组合服装;
从所述多个组合服装中筛选得到所述目标服装。
8.一种服装设计的装置,其特征在于,所述装置包括:
获取模块,用于获取采集到的目标图片素材;
提取模块,用于根据所述目标图片素材获取目标廓形数据,根据所述目标图片素材提取得到目标设计元素;
训练模块,用于将所述目标廓形数据和所述目标设计元素作为服装设计模型的输入,获取所述服装设计模型输出的目标服装数据;
组合模块,用于根据所述目标服装数据,组合得到目标服装。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368563.5A CN111125415A (zh) | 2019-12-26 | 2019-12-26 | 服装设计的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368563.5A CN111125415A (zh) | 2019-12-26 | 2019-12-26 | 服装设计的方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111125415A true CN111125415A (zh) | 2020-05-08 |
Family
ID=70503242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368563.5A Pending CN111125415A (zh) | 2019-12-26 | 2019-12-26 | 服装设计的方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125415A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111728302A (zh) * | 2020-06-30 | 2020-10-02 | 深兰人工智能芯片研究院(江苏)有限公司 | 服装设计方法和装置 |
CN112199857A (zh) * | 2020-10-26 | 2021-01-08 | 广州紫为云科技有限公司 | 一种服装设计方法、装置、计算机设备和存储介质 |
CN113010931A (zh) * | 2021-05-07 | 2021-06-22 | 深圳市楠彬服饰有限公司 | 一种服装设计优化方法及*** |
CN113051778A (zh) * | 2021-05-12 | 2021-06-29 | 北京深尚科技有限公司 | 服装设计方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009388A (zh) * | 2018-01-30 | 2018-05-08 | 邢台职业技术学院 | 一种服装设计*** |
CN109034977A (zh) * | 2018-08-08 | 2018-12-18 | 浙江敦奴联合实业股份有限公司 | 一种定制化服装设计方法及*** |
CN109064288A (zh) * | 2018-08-03 | 2018-12-21 | 深圳市鑫汇达机械设计有限公司 | 一种服装设计*** |
CN109165428A (zh) * | 2018-08-08 | 2019-01-08 | 浙江敦奴联合实业股份有限公司 | 一种智能服装定制平台 |
CN109166172A (zh) * | 2018-08-28 | 2019-01-08 | 深圳市维冠视界科技股份有限公司 | 服装模型的构建方法、装置、服务器和存储介质 |
CN110069820A (zh) * | 2019-03-20 | 2019-07-30 | 珠海科进信息科技有限公司 | 一种设计师用的服装设计*** |
-
2019
- 2019-12-26 CN CN201911368563.5A patent/CN111125415A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009388A (zh) * | 2018-01-30 | 2018-05-08 | 邢台职业技术学院 | 一种服装设计*** |
CN109064288A (zh) * | 2018-08-03 | 2018-12-21 | 深圳市鑫汇达机械设计有限公司 | 一种服装设计*** |
CN109034977A (zh) * | 2018-08-08 | 2018-12-18 | 浙江敦奴联合实业股份有限公司 | 一种定制化服装设计方法及*** |
CN109165428A (zh) * | 2018-08-08 | 2019-01-08 | 浙江敦奴联合实业股份有限公司 | 一种智能服装定制平台 |
CN109166172A (zh) * | 2018-08-28 | 2019-01-08 | 深圳市维冠视界科技股份有限公司 | 服装模型的构建方法、装置、服务器和存储介质 |
CN110069820A (zh) * | 2019-03-20 | 2019-07-30 | 珠海科进信息科技有限公司 | 一种设计师用的服装设计*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111728302A (zh) * | 2020-06-30 | 2020-10-02 | 深兰人工智能芯片研究院(江苏)有限公司 | 服装设计方法和装置 |
CN112199857A (zh) * | 2020-10-26 | 2021-01-08 | 广州紫为云科技有限公司 | 一种服装设计方法、装置、计算机设备和存储介质 |
CN113010931A (zh) * | 2021-05-07 | 2021-06-22 | 深圳市楠彬服饰有限公司 | 一种服装设计优化方法及*** |
CN113010931B (zh) * | 2021-05-07 | 2021-09-10 | 深圳市楠彬服饰有限公司 | 一种服装设计优化方法及*** |
CN113051778A (zh) * | 2021-05-12 | 2021-06-29 | 北京深尚科技有限公司 | 服装设计方法、装置、电子设备及存储介质 |
CN113051778B (zh) * | 2021-05-12 | 2024-01-16 | 北京慧美未来科技有限公司 | 服装设计方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125415A (zh) | 服装设计的方法、装置、计算机设备及存储介质 | |
CN109829356B (zh) | 神经网络的训练方法及基于神经网络的行人属性识别方法 | |
CN106778527B (zh) | 一种基于三重损失的改进的神经网络行人再识别方法 | |
CN109344855B (zh) | 一种基于排序引导回归的深度模型的人脸美丽评价方法 | |
CN105117739A (zh) | 一种基于卷积神经网络的服装分类方法 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN111383232B (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN103106265B (zh) | 相似图像分类方法及*** | |
CN110147833B (zh) | 人像处理方法、装置、***和可读存储介质 | |
CN113537066B (zh) | 基于多粒度混合损失的戴口罩人脸识别方法与电子设备 | |
CN110363233B (zh) | 一种基于块检测器及特征融合的卷积神经网络的细粒度图像识别方法及*** | |
CN110232698B (zh) | 一种基于模型分割与l1中值骨架的连续帧三维人体曲线骨架提取方法 | |
CN110459317B (zh) | 基于动态脑网络图核的阿尔茨海默病辅助诊断***及方法 | |
CN103886330A (zh) | 基于半监督svm集成学习的分类方法 | |
CN108154104A (zh) | 一种基于深度图像超像素联合特征的人体姿态估计方法 | |
CN104391879B (zh) | 层次聚类的方法及装置 | |
CN111160458B (zh) | 一种图像处理***及其卷积神经网络 | |
CN104732545A (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN111581414A (zh) | 服饰识别、分类及检索的方法、装置、设备及存储介质 | |
CN106296425A (zh) | 基于带权重联合非负矩阵分解的属性图聚类方法及*** | |
CN113837191B (zh) | 基于双向无监督域适应融合的跨星遥感图像语义分割方法 | |
CN113158272A (zh) | 个性化服装定制的自动打版方法和*** | |
CN106228036A (zh) | 一种采用烟花算法识别蛋白质复合物的方法 | |
CN110826500A (zh) | 基于运动链接空间的对抗性网络估计3d人体姿态的方法 | |
CN115272579A (zh) | 一种基于多特征融合的单张图像三维服装重建方法 |
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 |