【技术实现步骤摘要】
面向服装图像分类的多任务深度表示学习方法
本专利技术涉及服装图像分类领域，特别是涉及一种面向服装图像分类的多任务深度表示学习方法。
技术介绍
近年来，随着图像分享社交方式的流行，时尚的最前沿从T台转入大众日常穿搭的周期越来越短，流行元素在网络上能否掀起大众的追捧也成为了检验流行度的依据。如何对用户分享的服装图像进行准确分类是充分利用这些信息进行个性化推荐以及时尚流行趋势预测的基础。服装图像的前景通常为人像而背景则可能是纯色背景，如电商网站的服装图像，或者是街景，如用户分享的街拍图像。传统的服装图像分类技术需要依靠一定的领域知识和巧妙设计的特征提取算法来提取颜色、形状、纹理等全局特征或是联合多种特征后再进行分类或检索；随着深度学习在图像识别领域取得的突破性进展，卷积神经网络(convolutionalneuralnetwork，CNN)成为研究的热点。不同于传统的分类过程，深度学习在解决分类问题时会将整个分类任务设计成端到端的训练过程。计算机对现实世界所有事物的理解都是基于0和1来表示，不同的表示可以或多或少地隐藏或解释数据背后的变化因素。一个广为接受的假设是，大脑...
【技术保护点】
1.一种面向服装图像分类的多任务深度表示学习方法，其特征在于，包括以下步骤：步骤1、由面向服装图像分类的多任务学习框架根据影响风格的服饰物品信息和服装所属季节信息设计不同任务的深度网络；步骤2、建立面向服装图像分类的深度表示模型，该深度表示模型由输入层、特征提取层、表示层、学习层，其中，基于卷积神经网络构建特征提取层，在构建特征提取层时，根据步骤1设计的不同任务的深度网络提取不同网络层的卷积特征；步骤3、输入层通过随机的方式将训练样本分成两组训练数据，两组训练数据传入特征提取层，在特征提取层的卷积神经网络中，每一层卷积都会提取出训练数据中最有效的特征，在这一过程中，两组训练...
【技术特征摘要】
1.一种面向服装图像分类的多任务深度表示学习方法，其特征在于，包括以下步骤：步骤1、由面向服装图像分类的多任务学习框架根据影响风格的服饰物品信息和服装所属季节信息设计不同任务的深度网络；步骤2、建立面向服装图像分类的深度表示模型，该深度表示模型由输入层、特征提取层、表示层、学习层，其中，基于卷积神经网络构建特征提取层，在构建特征提取层时，根据步骤1设计的不同任务的深度网络提取不同网络层的卷积特征；步骤3、输入层通过随机的方式将训练样本分成两组训练数据，两组训练数据传入特征提取层，在特征提取层的卷积神经网络中，每一层卷积都会提取出训练数据中最有效的特征，在这一过程中，两组训练数据的参数共享以提高反向传播算法的训练效率；步骤4、表示层根据下一层的目标函数不断调整特征提取层提取的特征，得到图像的语义特征；步骤5、利用带距离约束的目标函数优化算法对目标函数进行优化，在计算交叉熵损失的基础上添加距离约束，防止模型过早的嵌入过拟合，提高模型分类的准确性。2.如权利要求1所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤1中，任务包括季节学习子任务、服饰学习子任务、风格学习子任务，通过在嵌入层之后加入季节、服饰和风格三个带监督的预测器，完成三个不同的特征提取任务。3.如权利要求2所述的一种面向服装图像分类的多任务深度表示学习方法，其特征在于，所述步骤2中，在构建特征提取层时，对于季节学习子任务和风格学习子任务采用高层的卷积特征，而对于服饰学习子任务则采用相对浅层的卷积特征。4.如权利要求2所述的一种面向服装图像分类的多任务深度表示学习方法...
【专利技术属性】
技术研发人员：燕彩蓉，徐淑华，周灵杰，阿卜杜杰力力·热合麦提，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。