CN113435478B - 一种利用图卷积神经网络进行服装样板图分类的方法和*** - Google Patents
一种利用图卷积神经网络进行服装样板图分类的方法和*** Download PDFInfo
- Publication number
- CN113435478B CN113435478B CN202110618339.8A CN202110618339A CN113435478B CN 113435478 B CN113435478 B CN 113435478B CN 202110618339 A CN202110618339 A CN 202110618339A CN 113435478 B CN113435478 B CN 113435478B
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- data
- clothing
- template
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000011423 initialization method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用图卷积神经网络进行服装样板图分类的方法,所述方法包括如下步骤:读取以DXF格式保存的数字化服装样板图文件中的信息并进行处理;归一化经上述处理后的DXF文件中的图线;将归一化的服装样板图图线的结果构建服装样板图图数据;使用神经网络模型对所构建的服装样板图图数据进行分类。本发明还提供了实现上述服装样板图分类方法的***。本发明所述的方法对服装样板图中图形元素的位移与旋转具有鲁棒性,也能解决服装样板图部件重合的问题,又能满足对现存的数字化服装样板图分类的需求。
Description
技术领域
本发明属于计算机视觉技术领域,涉及图形分析,具体涉及利用图卷积神经网络进行服装样板图分类的方法和***。
背景技术
服装样板图是服装工业生产中的“工程图纸”,它既是产品排料、裁剪和缝制的技术依据,也是对服装规格要求进行检验的质量标准。未来的服装制造业正面向客户个性设计方向发展,要求对现有设计资源结合智能技术进行挖掘与管理。
对服装样板进行分类是挖掘、管理现存的设计资源的重要步骤,传统的基于文本标签的分类方法不仅效率低下且面临相当部分现有资源没有标签或标签不全的问题,需要耗费大量人力与时间进行标注。基于内容的特征提取与分类技术成为对现有服装样板图设计资源进行分类的要求。
基于特征的方法主要应用图像处理与图像分析技术,结合领域知识实现测量、分类等任务。文献[1]设计了基于实物图像与设计图像的自动测量方案,并对测量结果进行了虚拟试制,建立了从测量结果到制造方案的转换模型。
文献[2]提出了使用离散小波与傅里叶变换提取形状特征,利用线性判别分析对特征进行降维,使用极限学习机进行分类的方法。
除了设计图纸之外,依据服装样板图生产的零部件也是对图样进行分析的重要资料。文献[3]使用RGB-D相机,建立视觉词袋(Bag of View Words),将生产过程中的衣物面片与设计图中的面片进行匹配;还提供了一个服装零部件的照片数据集,用于基准分类,零件检测和分割等任务。
仅依赖图像处理技术无法获取准确的形状信息描述,文献[4]在扫描真实样片并提取轮廓后,使用振波图技术提取真实样片的形状特征,完成分类任务;还使用中轴变换算法提取样板的区域骨架信息,为了获得层次化的骨架信息,采用分层去除的方式判断骨架所属的细节层次,从而对款式图与样板图进行匹配。
融合多种特征进行分析是工程应用中常见的做法,文献[5]将傅里叶描述子与Hu不变距融合,试图提高识别率。文献[6]则相反,通过对傅里叶描述子进行拆分,以其高频部分作为细节特征,以低频部分作为图像的整体特征,结合支持向量机对服装款式图进行识别。
发明内容
为了解决现有技术存在的不足,本发明的目的是提出了一种利用图卷积神经网络进行服装样板图分类的方法,对服装样板图进行分类,分类7类服装样板图中,分别为:大衣,长大衣,长裙,裤子,衬衣,短裙,上衣。
本发明的独特之处在于不使用服装样板图的图像或实物照片,从服装样板图的数字化设计图出发,因此可以采用端到端的架构完成分类任务;同时可以不受图像分辨率、照片边缘提取精度等问题的困扰。
本发明提出了一种利用图卷积神经网络进行服装样板图分类的方法,所述方法包括如下步骤:
步骤一、读取以DXF格式保存的数字化服装样板图文件中的信息并进行处理;
步骤二、归一化经步骤一处理后的DXF文件中的图线;
步骤三、由步骤二中获得的归一化的服装样板图图线的结果构建服装样板图图数据;
步骤四、使用神经网络模型对步骤三所构建的服装样板图图数据进行分类。
步骤一中,所述图文件中的信息包括块信息、图层信息、图形元素信息。
步骤一中,所述对信息的处理方法进一步包括:将服装样板图中部件块的放置位置作为该块中图形元素的坐标原点;删除注释文字与起尺寸标注作用的图线。
步骤二中,所述归一化操作是指将服装样板图中所有图线的颜色设为同一颜色;并将所有图线的宽度调整为同一宽度。
步骤三中,所述构建服装样板图图数据的过程包括如下步骤:
步骤3.1、定义图数据如公式1:
其中,为节点集合;fi∈Rd是节点vi对应的d维图元特征;ci∈R2是节点vi所对应的二维图元的质心位置;为边的集合;U={u(1,1),u(1,2),…,u(n,n)},u(i,j)∈R4,u(i,j)是节点对(i,j)在笛卡尔坐标系与极坐标系中的相对坐标;
步骤3.2、图数据的节点特征fi∈R6×1为节点vi对应的6×1维图元特征,同时也为该节点图元的二次曲线隐式方程的系数,所述节点在绘图平面上的位置ci为所对应图元的质心;
所述二次曲线隐式方程为:
ax2+by2+cxy+dx+ey+f=0;
步骤3.3、遍历所有的节点对,如果两个节点(vi,vj)所对应的图元相关联(如彼此相连接或相切),就在这两个节点间建立连接,即在E中添加边ei,j。
步骤3.4、以节点对(i,j)在笛卡尔坐标系与极坐标系中的相对坐标作为伪坐标u(i,j),如公式2:
其中,Δx,Δy分别是两节点位置ci,cj的横坐标差和纵坐标差;
式中xn,yn,rn,θn分别为归一化的相对坐标分量。
所述服装样板图建模为图数据的方法,能将服装样板图建模为适用于图神经网络的无向加权图数据。
步骤四中,所述神经网络模型包括卷积层、池化层、输出层、分类器;
所述神经网络模型为由高斯混合模型卷积作为卷积层,自注意力图池化作为池化层,全局最大池化作为输出层,多层感知机作为分类器,采用层次化池化结构,共包含3个池化层与输出层的神经网络。
本发明还提供了上述神经网络模型的训练方法,包括如下步骤:
步骤1、使用He Initialization方法初始化可学习参数为均匀分布;
步骤2、使用加权的交叉熵损失作为损失函数,加权的交叉熵函数的权值由数据集中各类占比所决定;
步骤3、设置超参数;使用自适应动量估计Adam优化器;设置初始学习率、训练批大小和总训练次数(t);
步骤4、在一定训练次数后提升学习率,在训练t/2次后每隔t/8次训练将学习率下降至一半。
具体地,可以设置超参数k=0.4,使用自适应动量估计Adam优化器,设置初始学习率为0.0001,训练批大小为4,总训练次数为400代;在100代后提升学习率至0.001并在280代后每30代将学习率下降至一半。
最后,上述经训练后的神经网络,能够提取从所设计的图数据中提取服装样板图部件与整体的特征,对提取出来的特征进行判断,进而判断服装样板图所属的类别,即可给出服装样板图属于7类中每一类的概率。
本发明还提出了一种实现上述分类方法的***,所述***包括:数据读取模块,数据前处理模块,图神经网络分类模块。
所述数据读取模块用于从DXF格式文件中读取块信息、图层信息、图形元素信息;
所述数据前处理模块用于归一化读取的图形元素信息并将其建构为图数据,并对图数据进行处理以备输入神经网络模块;
所述图神经网络分类模块用于将处理后的图数据分类,判断服装样板图所属的类别。
本发明的有益效果包括:本发明所述的方法将非显式图的服装样板图建模为图数据,在预处理之后将服装样板图中的图形元素视作独立的约束点,进而使用质心及方程建模为图数据,相对于直接使用服装样板图图像,对服装样板图中图形元素的位移与旋转具有鲁棒性,也能解决服装样板图部件重合的问题,又能满足对现存的数字化服装样板图分类的需求。
附图说明
图1为本发明中神经网络模型结构示意图。
图2为本实施样例的服装样板图。
图3为步骤3中实施样例的建模结果可视化图。
图4为本发明利用图卷积神经网络进行服装样板图分类的流程图。
具体实施方式
结合以下具体实施例和附图,对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明提出了一种利用图卷积神经网络进行服装样板图分类的方法,所述方法包含以下步骤:
步骤一、读取以DXF格式保存的数字化服装样板图文件中的信息并进行处理;
步骤二、归一化经步骤一处理后的DXF文件中的图线;
步骤三、由步骤二中获得的归一化的服装样板图图线的结果构建服装样板图图数据;
步骤四、使用神经网络模型对步骤三所构建的服装样板图图数据进行分类。
本发明还提供了一种神经网络的训练方法,所述训练方法包括如下步骤:
步骤1、使用He Initialization方法初始化可学习参数为均匀分布;
步骤2、使用加权的交叉熵损失作为损失函数;所述加权的交叉熵函数的权值由数据集中各类占比所决定;
步骤3、设置超参数;使用自适应动量估计Adam优化器;设置初始学习率、训练批大小和总训练次数t;
步骤4、在一定训练次数后变更学习率,在训练t/2次后每隔t/8次训练将学习率下降至一半。
本发明还提出了一种实现上述分类方法的***,所述***包括:数据读取模块,数据前处理模块,图神经网络分类模块。
所述数据读取模块用于从DXF格式文件中读取块信息、图层信息、图形元素信息;
所述数据前处理模块用于归一化读取的图形元素信息并将其建构为图数据,并对图数据进行处理以备输入神经网络模块;
所述图神经网络分类模块用于将处理后的图数据分类,判断服装样板图所属的类别。
实施例
以图4为例说明本发明利用图卷积神经网络进行服装样板图分类的方法流程,具体包括如下步骤:
步骤一、读取以DXF格式保存的数字化服装样板图文件中的信息并进行处理;
步骤二、归一化经步骤一处理后的DXF文件中的图线;
步骤三、由步骤二中获得的归一化的服装样板图图线的结果构建服装样板图图数据;
步骤四、使用神经网络模型对步骤三所构建的服装样板图图数据进行分类。
步骤一、步骤二、步骤三将非显式图的服装样板图建模为图数据,在预处理之后将服装样板图中的图形元素视作独立的约束点,进而使用质心及方程建模为图数据,相对于直接使用服装样板图图像,对平面的平移与旋转都具更强的鲁棒性。
步骤一中,需要对图2所示的服装样板图DXF文件中的块信息、图层信息、图形元素信息进行处理,包括将服装样板图中部件块的放置位置作为该块中图形元素的坐标原点;删除注释文字与起标尺寸标注作用的图线。
步骤二中,对经步骤一处理后的图2所示的服装样板图DXF文件进行归一化,包括将所有图纸的颜色设置黑色,并将所有图线的宽度调整为1。
步骤三中,对经步骤二处理后的服装样板图构建图数据,构建的图数据如图3所示,具体包括以下步骤:
步骤3.1、定义图数据如公式1:
其中,为节点集合;fi∈Rd是节点vi对应的d维图元特征;ci∈R2是节点vi所对应的二维图元的质心位置;为边的集合;U={u(1,1),u(1,2),…,u(n,n)},u(i,j)∈R4,u(i,j)是节点对(i,j)在笛卡尔坐标系与极坐标系中的相对坐标;
步骤3.2、图数据的节点特征fi∈R6×1为节点vi对应的6×1维图元特征,同时也为该节点图元的二次曲线隐式方程的系数,所述节点在绘图平面上的位置ci为所对应图元的质心;
所述二次曲线隐式方程为:
ax2+by2+cxy+dx+ey+f=0;
步骤3.3、遍历所有的节点对,如果两个节点(vi,vj)所对应的图元相关联(如彼此相连接或相切),就在这两个节点间建立连接,即在E中添加边ei,j。
步骤3.4、以节点对(i,j)在笛卡尔坐标系与极坐标系中的相对坐标作为伪坐标u(i,j),如公
式2:
其中,Δx,Δy分别是两节点位置ci,cj的横坐标差和纵坐标差;
本发明构建的神经网络如图1所示,所述神经网络模型包括卷积层、池化层、输出层、分类器;
所述神经网络模型指由高斯混合模型卷积作为卷积层,自注意力图池化作为池化层,全局最大池化作为输出层,多层感知机作为分类器,采用层次化池化结构,共包含3个池化层与输出层的神经网络。
通过引入伪坐标,高斯混合模型卷积聚合目标节点与其邻居节点的特征从而得到目标节点的新特征。注意力图池化作为池化层,利用自注意力机制来区分应该删除的节点和应该保留的节点,采用注意力机制能够让神经网络更加“重视”某些节点特征。
所述卷积层中,卷积核的感受野为1阶邻居,卷积核的数量分别为2×8、2×16、2×32,2×8表示本卷积层包含两组卷积核,每组8个,使用Relu激活函数,随后加入自注意力图池化层;
所述自注意力图池化层中,使用GNN作为池化参数神经网络输出到下一个卷积层中或通过全局最大池化层输出;
所述神经网络的训练过程包括以下步骤:使用He Initialization方法初始化可学习参数为均匀分布;使用加权的交叉熵损失作为损失函数,加权的交叉熵函数的权值由数据集中各类占比所决定;设置超参数k=0.4;使用自适应动量估计Adam优化器;设置初始学习率为0.0001;训练批大小(batch size)为4;总训练次数为400代;在第100代后将学习率提升至0.001并在第280代后每30代将学习率下降至一半。
在神经网络训练完成后,可以使用该网络进行服装样板图分类。
步骤四中,对步骤三所构建的图数据进行处理,神经网络得到的输出结果为定长数组[0.740,0.065,0.061,0.001,0.004,0.013,0.116],数组中全部元素的和为1,各个位次依次代表所判断的服装样板图属于大衣,长大衣,长裙,裤子,衬衣,短裙,上衣的概率,据此判断其属于大衣。
参考文献
[1]董晨雪.服装款式图像自动识别研究[D].东华大学,2013.
[2]An L,Li W.An integrated approach to fashion flat sketchesclassification[J].International Journal of Clothing Science and Technology,2014,26(5):346-366.
[3]Ramisa A,AlenyàG,Moreno-Noguer F,et al.Learning RGB-D descriptorsof garment parts for informed robot grasping[J].Engineering Applications ofArtificial Intelligence,2014,35:246-258.
[4]Lee J,Sul I.Construction of garment pattern shape informationsystem using image analysis and shape recognition techniques[J].InternationalJournal of Clothing Science and Technology,2016.
[5]Hou A L,Zhao L-Q,Shi D-C.Garment image retrieval based on multi-features[C].2010International Conference on Computer,Mechatronics,Control andElectronic Engineering,2010:194-197.
[6]李东,万贤福,汪军.采用傅里叶描述子和支持向量机的服装款式识别方法[J].纺织学报,2017,38(05):122-127.
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (9)
1.一种利用图卷积神经网络进行服装样板图分类的方法,其特征在于,所述方法包括如下步骤:
步骤一、读取以DXF格式保存的数字化服装样板图文件中的信息并进行处理;
步骤二、归一化经步骤一处理后的DXF文件中的图线;
步骤三、由步骤二中获得的归一化的服装样板图图线的结果构建服装样板图图数据;所述服装样板图图数据的构建方法包括如下步骤:
步骤3.1、定义图数据为:
其中,为节点集合;fi∈Rd是节点vi对应的d维图元特征;ci∈R2是节点vi所对应的二维图元的质心位置;为边的集合;U={u(1,1),u(1,2),…,u(n,n)},u(i,j)∈R4,u(i,j)是节点对(i,j)在笛卡尔坐标系与极坐标系中的相对坐标;
步骤3.2、图数据的节点特征fi∈Rd为该节点对应的d维图元特征,同时也是所述节点图元的二次曲线隐式方程的系数,设定节点在绘图平面上的位置ci为所对应图元的质心;所述二次曲线隐式方程为:
ax2+by2+cxy+dx+ey+f=0;
步骤3.3、遍历所有的节点对,如果两个节点(vi,vj)所对应的图元相关联,即彼此相连接或相切,就在这两个节点间建立连接,即在E中添加边ei,j;
步骤3.4、以节点对(i,j)在笛卡尔坐标系与极坐标系中的相对坐标作为伪坐标u(i,j),即
u(i,j)={Δx,Δy,sqrt((Δx)2+(Δy)2),arctan((Δy)/(Δx))},
其中,Δx,Δy分别是两节点位置ci,cj的横坐标差和纵坐标差;
式中xn,yn,rn,θn分别为归一化的相对坐标分量;
所述服装样板图建模为图数据的方法,能将服装样板图建模为适用于图神经网络的无向加权图数据;
步骤四、使用神经网络模型对步骤三所构建的服装样板图图数据进行分类。
2.如权利要求1所述的方法,其特征在于,步骤一中,所述图文件中的信息包括块信息、图层信息、图形元素信息。
3.如权利要求1所述的方法,其特征在于,步骤一中,所述对信息的处理方法进一步包括如下步骤:
步骤1.1、将服装样板图中部件块的放置位置作为该块中图形元素的坐标原点;
步骤1.2、删除注释文字与起尺寸标注作用的图线。
4.如权利要求1所述的方法,其特征在于,步骤二中,所述归一化操作是指将服装样板图中所有图线的颜色设为同一颜色,并将所有图线的宽度调整为同一宽度。
5.如权利要求1所述的方法,其特征在于,步骤四中,所述神经网络模型包括卷积层、池化层、输出层、分类器;
其中,所述神经网络模型为由高斯混合模型卷积作为卷积层,自注意力图池化作为池化层,全局最大池化作为输出层,多层感知机作为分类器,采用层次化池化结构,共包含3个池化层与输出层的神经网络。
6.一种用于如权利要求1-5之任一项所述方法的神经网络模型的训练方法,其特征在于,所述训练方法包括如下步骤:
步骤1、使用He Initialization方法初始化可学习参数为均匀分布;
步骤2、使用加权的交叉熵损失作为损失函数;所述加权的交叉熵函数的权值由数据集中各类占比所决定;
步骤3、设置超参数;使用自适应动量估计Adam优化器;设置初始学习率、训练批大小和总训练次数t;
步骤4、在一定训练次数后变更学习率,在训练t/2次后每隔t/8次训练将学习率下降至一半。
7.如权利要求6所述的训练方法,其特征在于,所述训练后的神经网络能够提取从所设计的图数据中提取服装样板图部件与整体的特征,对提取出来的特征进行判断,进而判断服装样板图所属的类别。
8.一种实现如权利要求1-5之任一项所述方法的***,所述***包括:数据读取模块,数据前处理模块,图神经网络分类模块。
9.如权利要求8所述的***,其特征在于,所述数据读取模块用于从DXF格式文件中读取块信息、图层信息、图形元素信息;
所述数据前处理模块用于归一化读取的图形元素信息并将其建构为图数据,并对图数据进行处理以备输入神经网络模块;
所述图神经网络分类模块用于将处理后的图数据分类,判断服装样板图所属的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110618339.8A CN113435478B (zh) | 2021-06-03 | 2021-06-03 | 一种利用图卷积神经网络进行服装样板图分类的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110618339.8A CN113435478B (zh) | 2021-06-03 | 2021-06-03 | 一种利用图卷积神经网络进行服装样板图分类的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435478A CN113435478A (zh) | 2021-09-24 |
CN113435478B true CN113435478B (zh) | 2022-07-08 |
Family
ID=77803497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110618339.8A Active CN113435478B (zh) | 2021-06-03 | 2021-06-03 | 一种利用图卷积神经网络进行服装样板图分类的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435478B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
CN110929029A (zh) * | 2019-11-04 | 2020-03-27 | 中国科学院信息工程研究所 | 一种基于图卷积神经网络的文本分类方法及*** |
CN112765352A (zh) * | 2021-01-21 | 2021-05-07 | 东北大学秦皇岛分校 | 基于具有自注意力机制的图卷积神经网络文本分类方法 |
-
2021
- 2021-06-03 CN CN202110618339.8A patent/CN113435478B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
CN110929029A (zh) * | 2019-11-04 | 2020-03-27 | 中国科学院信息工程研究所 | 一种基于图卷积神经网络的文本分类方法及*** |
CN112765352A (zh) * | 2021-01-21 | 2021-05-07 | 东北大学秦皇岛分校 | 基于具有自注意力机制的图卷积神经网络文本分类方法 |
Non-Patent Citations (5)
Title |
---|
图像识别技术在纺织品及服装研究中的应用;刘咏梅;《浙江纺织服装职业技术学院学报》;20191231;第19-43页 * |
基于三维虚拟试衣技术的连衣裙样板设计CAD实验研究;林娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20190415;第1-188页 * |
基于振动时频图像的实时岩性识别;洪国斌;《中国优秀硕士学位论文全文数据库信息科技辑》;20210215;第1-54页 * |
基于深度学习的多标签服装图像分类研究;孙秀秀;《万方硕士学位论文全文数据库信息科技辑》;20210329;第1-43页 * |
基于空洞卷积和噪声估计的图像去噪算法研究;李圣昱;《中国优秀博士学位论文全文数据库信息科技辑》;20210115;第1-97页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435478A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066559B (zh) | 一种基于深度学习的三维模型检索方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN107368807B (zh) | 一种基于视觉词袋模型的监控视频车型分类方法 | |
Han et al. | Livestock detection in aerial images using a fully convolutional network | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN105488536A (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
CN109740686A (zh) | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 | |
CN108932518B (zh) | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 | |
CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
CN112686242B (zh) | 一种基于多层聚焦注意力网络的细粒度图像分类方法 | |
Manohar et al. | Convolutional neural network with SVM for classification of animal images | |
CN111965197A (zh) | 一种基于多特征融合的缺陷分类方法 | |
CN111161213A (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN116433704A (zh) | 一种基于中心点的细胞核分割方法及相关设备 | |
CN115049833A (zh) | 一种基于局部特征增强和相似性度量的点云部件分割方法 | |
Xi et al. | SR-POD: sample rotation based on principal-axis orientation distribution for data augmentation in deep object detection | |
CN113435478B (zh) | 一种利用图卷积神经网络进行服装样板图分类的方法和*** | |
Jain | Industrial objects recognition in intelligent manufacturing for computer vision | |
Caputo et al. | Support vector machines for classification of geometric primitives in point clouds | |
Jia et al. | Character identification for integrated circuit components on printed circuit boards using deep learning | |
Tewari et al. | Vehicle detection in aerial images using selective search with a simple deep learning based combination classifier | |
Athawale et al. | Weakly supervised learning model for clustering and segmentation of 3D point on cloud shape data | |
Wang et al. | Research on adhesive workpiece recognition and positioning based on machine vision |
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 |