一种基于低秩正则化特征增强表征的时尚兼容度预测方法技术

本发明专利技术公开了一种基于低秩正则化特征增强表征的时尚兼容度预测方法，包括：将特征矩阵分解成由多个视角的主特征和一个稀疏错误矩阵组成的第一目标函数；用超图项规范低秩子空间中学习到的特征，获取时尚单品之间关系的第二目标函数：引入Grassmannian流形获取不同视角下的字典基矩阵间距离最大的第三目标函数；建立多视角低秩子空间的特征和输出搭配分数的联系，在最小二乘损失部分加上稀疏正则化项，获取典型的Lasso回归即第四目标函数；获取将亲和度矩阵作为标签矩阵，建立起亲和度矩阵和学习到的特征之间的关系，最小化其间误差的第五目标函数；根据第一至第五目标函数的加权获取总目标函数，利用交替方向乘子法优化总目标函数，引入拉格朗日乘子，依次迭代更新各个视角下的参数，直至目标函数的值收敛，得到最终的预测分数。

A Fashion Compatibility Prediction Method Based on Low Rank Regularization Feature Enhanced Representation

The invention discloses a fashion compatibility prediction method based on low-rank regularization feature enhancement representation, which includes: decomposing the feature matrix into a first objective function composed of main features from multiple perspectives and a sparse error matrix; normalizing the features learned from low-rank subspace with hypergraph terms to obtain the second objective function of the relationship between fashion items: introducing Grassmannian manifold Obtain the third objective function with the largest distance between dictionary base matrices from different perspectives; establish the relationship between features of low rank subspace from multiple perspectives and output collocation scores; add sparse regularization term to the least square loss part to obtain the typical Lasso regression, i.e. the fourth objective function; obtain the affinity matrix as the label matrix, and establish the affinity matrix and the learned features. The relationship between them minimizes the error of the fifth objective function; according to the weights of the first to fifth objective functions, the total objective function is obtained, and the alternating direction multiplier method is used to optimize the total objective function. The Lagrange multiplier is introduced to iteratively update the parameters from different perspectives until the value of the objective function converges and the final prediction score is obtained.

【技术实现步骤摘要】
一种基于低秩正则化特征增强表征的时尚兼容度预测方法
本专利技术涉及多媒体环境下的服饰分析领域，尤其涉及一种基于低秩正则化特征增强表征的时尚兼容度预测方法。
技术介绍
随着社会生产力的提高，人们的消费水平也逐渐升高，人们越来越注重对时尚的追求和提升个人形象。时尚搭配主要是指上装，下装，鞋子，配饰等在款式，颜色以及材质上的协调，以期达到整体潮流，大方的感觉。然而，并不是每个人都专注于服装搭配来使服装与繁琐的日常生活相匹配，因为它涉及风格定义，颜色分析，穿衣协调等方面。在目前，中国市场需要至少600万专业服装搭配师，而人才缺口约为480万，为了缓解这个问题，时尚搭配性的自动分析被认为是一种有效的方法，可以提升个人形象，从而成为改善在线时尚推荐系统的基础。近年来，时尚分析已成为多媒体领域中一个有吸引力的研究方向，以改善服务和购物体验。以前的研究主要集中在利用视觉信息来解决各种任务，如服装语义识别，服装解析，服装检索，时尚推荐和时尚流行度预测，只有一小部分来研究时尚搭配度评分。在网络购物盛行的时代，时尚搭配度评分在网络购物时可以为人们提供一定的参考意见，具有十分重要的现实意义。因此提出一种省时本文档来自技高网...

【技术保护点】
1.一种基于低秩正则化特征增强表征的时尚兼容度预测方法，其特征在于，所述方法包括：将特征矩阵分解成由多个视角的主特征和一个稀疏错误矩阵组成的第一目标函数；用超图项规范低秩子空间中学习到的特征，获取时尚单品之间关系的第二目标函数：引入Grassmannian流形获取不同视角下的字典基矩阵间距离最大的第三目标函数；建立多视角低秩子空间的特征和输出搭配分数的联系，在最小二乘损失部分加上稀疏正则化项，获取典型的Lasso回归即第四目标函数；获取将亲和度矩阵作为标签矩阵，建立起亲和度矩阵和学习到的特征之间的关系，最小化其间误差的第五目标函数；根据第一至第五目标函数的加权获取总目标函数，利用交替方向乘子法...

【技术特征摘要】
1.一种基于低秩正则化特征增强表征的时尚兼容度预测方法，其特征在于，所述方法包括：将特征矩阵分解成由多个视角的主特征和一个稀疏错误矩阵组成的第一目标函数；用超图项规范低秩子空间中学习到的特征，获取时尚单品之间关系的第二目标函数：引入Grassmannian流形获取不同视角下的字典基矩阵间距离最大的第三目标函数；建立多视角低秩子空间的特征和输出搭配分数的联系，在最小二乘损失部分加上稀疏正则化项，获取典型的Lasso回归即第四目标函数；获取将亲和度矩阵作为标签矩阵，建立起亲和度矩阵和学习到的特征之间的关系，最小化其间误差的第五目标函数；根据第一至第五目标函数的加权获取总目标函数，利用交替方向乘子法优化总目标函数，引入拉格朗日乘子，依次迭代更新各个视角下的参数，直至目标函数的值收敛，进而得到最终的预测分数。2.根据权利要求1所述的一种基于低秩正则化特征增强表征的时尚兼容度预测方法，其特征在于，所述第一目标函数具体为：其中，X∈RD×N为特征矩阵，D代表特征的维数，N代表图片的总数，Ui为第i个视角的字典，Vi为第i个视角下的低秩特征，E为稀疏错误矩阵，I为单位矩阵，‖·‖*代表核范数，i代表不同视角的序号，T为转置，...

【专利技术属性】
技术研发人员：张静，叶澍，井佩光，苏育挺，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12