一种基于深度学习的服装图像分割方法技术

本发明专利技术涉及计算机时间序列数据分析与预测技术领域，具体涉及一种基于机器学习的时间序列数据填补与还原方法。使用基于领域的中位数+均值填充法，填充缺失值；通过线性规则，估算期望采样时刻的真实值；检测时间序列的波峰与波谷，平滑异常值；以采集的数十万条真实数据为样本，设计和生成时序特征，以真实结果为标签，基于极速梯度提升决策树(XGBoost)的机器学习模型进行训练，用于对海量未知数据进行预测。本发明专利技术解决了特定时间序列数据的缺失值多、波动性大、误差累积等问题，有效提高了数据填补与还原的准确率；并且较好地控制了机器学习模型的复杂度，能在小时级内完成上亿条数据记录的填补与还原，具有较强的实用价值。

A method of clothing image segmentation based on deep learning

【技术实现步骤摘要】
一种基于深度学习的服装图像分割方法
本专利技术涉及服装图像处理
，具体涉及一种基于深度学习的服装图像分割方法。
技术介绍
图像分割是把图像划分为有意义的若干区域的图像处理技术，是计算机视觉处理中基础操作之一。图像分割技术的应用非常广泛。在自动驾驶中，图像分割可以实时获取道路场景，帮助汽车了解周围环境；在医学图像诊断中，图像分割帮助医生区分不同器脏及不同类型病灶，大大减少了运行诊断测试所需的时间；在服装领域，图像分割则可以帮助设计师从图像中识别出所呈现的所有服装对象，例如上装、下装、外套、内衬等，为进一步的服装精细检索和搭配提供重要依据。在传统的图像处理技术中，技术人员通常使用TextonForest和随机森林分类器进行语义分割。随着近些年深度学习的兴起，卷积神经网络在计算机视觉领域中得到充分应用，出现了各种深度卷积神经网络模型。卷积神经网络不仅对图像识别有所帮助，也对图像分割领域的发展起到巨大的促进作用。最初使用深度学习进行图像分割的方法是图像块分类，即利用像素周围的图像块对每一个像素进行独立的分类，其原因是分类网络通常采用全连接层，计算量大且感受区域受限。2014年，全卷积网络被提出，使得卷积神经网络无需全连接层即可进行密集的像素预测。使用这种方法可生成任意大小的图像分割图，且该方法比图像块分类法效率更高。除了全连接层，使用卷积神经网络进行图像分割存在的另一难点是池化层。池化层会造成位置信息的丢失，而图像分割则需要保留位置信息。有两种方法解决该问题：一是编码器/解码器结构。编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度。编码器和解码器之间通常存在快捷连接，能帮助解码器更好地修复目标的细节。U-Net是这种方法中最常用的结构。二是使用空洞/带孔卷积结构，来去除池化层。图像分割领域现在较为流行的是编码器/解码器结构。虽然通用的图像分割技术已经有了长足的发展，但是将其直接运用至服装图像，尤其是背景复杂的服装图像，其分割的结果尚有不足。主要表现在以下几点：1、当前模型的空间信息与边缘信息提取不够完整，分割时无法良好区分各个分割区域的边界，边界分割非常不准确，存在类别胡混与边界包含大量背景的情况。2、当前模型设计时未考虑到分割类别的边界与内部处理，每个分割点均单独计算，分割时存在大量分类错误的杂点，分割效果较差，单个分割类别中存在其他类别的杂点。3、当前模型未针对多尺度做相应的设计与处理，服装领域存在大量的服装形变问题与尺度问题，当前的模型不能良好处理，存在大量错误分割的问题。综上所述，目前亟需一种针对时尚服装图像的分割技术，即从复杂场景中识别出图像中所呈现的所有服装对象与对应背景信息(主要为外套、衬衫、内衬、皮肤、头发、鞋子、手和腿等)，然后应用于后期人工智能时尚服装分析处理。
技术实现思路
本专利技术提供一种基于深度学习的服装图像分割方法。本专利技术的目的也是为了所解决如下的技术问题：1、当前模型的空间信息与边缘信息提取不够完整，分割时无法良好区分各个分割区域的边界，边界分割非常不准确，存在类别胡混与边界包含大量背景的情况。2、当前模型设计时未考虑到分割类别的边界与内部处理，每个分割点均单独计算，分割时存在大量分类错误的杂点，分割效果较差，单个分割类别中存在其他类别的杂点。3、当前模型未针对多尺度做相应的设计与处理，服装领域存在大量的服装形变问题与尺度问题，当前的模型不能良好处理，存在大量错误分割的问题。通过本申请提供的基于深度学习的服装图像分割方法，对服装图像进行分割处理，分割出服装并进行类别分类。为了达到上述专利技术目的，本专利技术采用以下技术方案：首先，提供的是一种基于深度学习的服装图像分割方法，该方法包括如下步骤：收集服装图像数据，对服装图像进行分割标注，生成数据集；对生成的数据集进行比例划分；利用划分比例后的数据集进行分割模型的训练；将服装图像输入至训练好的分割模型中，并利用该分割模型对服装图像进行分割处理。优选的，所述标注的内容包括：给定一张待标注服装图像，标注该服装图像中服装的服装种类，同时分割标注出服装所在的区域。优选的，所述区域包括外套、内衬、裤装、、裙装、鞋子。优选的，标注时，不同的区域标注为不同的颜色。优选的，如果待标注服装图像中的服装由人穿着在身上，则需分割出人的脸部和其他未被服装覆盖的人体部位。此处不光需要标注服装,同时对人脸与人的皮肤进行标注,可以让模型更好的区分服装的边界。优选的，分割模型的训练中使用了mIoU。优选的，分割模型的设计方面，针对服装本身非刚性和小区块的特点，构建了多层次的特征提取模型。优选的，分割模型的模型构建采用resnet的基础结构，将普通CNN替换为空洞CNN。服装具有本身小区块的特点，与背景的分界线也较复杂，普通的CNN感受野不够大，无法良好的进行特征的提取，空洞CNN有效提高了感受野的面积，更好的进行服装边界区分。优选的，在分割模型上使用多个分支结构，用于提取数据的不同层次的特征，同时将高层语义特征与浅层的语义特征进行融合，保证特征提取部分的有效性和边缘的有效分类。此外不同层的注意力不同,进行多层特征融合可以获取更多的语义信息，更好的用于分割优选的，在loss函数上选取时，采用了动态分配mask的方法，保证类别的均衡训练。服装本身存在极端的数据不平衡问题，常规款服装与非常规款服装比例可达百倍以上，不使用动态分配方法模型无法良好学习非常规款服务，模型性能下降明显其次，提供的是一种于深度学习的服装图像分割装置以及系统：与现有技术相比，本专利技术的技术方案具有如下效果：1、对空间信息与边缘信息提取比较完整，分割时能够完好区分各个分割区域的边界，并且能够与背景进行区分；2、在图像分割时避免了目前存在的大量分类错误的杂点，各种杂点极少，分割效果较好；3、针对多尺度做相应的设计与处理，避免了服装形变问题与尺度问题，从而能够达到良好的处理结果，分割准确率较高。附图说明图1是本专利技术的流程图；图2是本专利技术中的图像分割标注示意图；图3是本专利技术的模型结构示意图。具体实施方式下面通过具体实施例结合附图对本专利技术的技术方案作进一步描述说明。如果无特殊说明，本专利技术的实施例中所采用的方法，均为本领域的常规方法。实施例1：一种基于深度学习的服装图像分割方法，如图1所示，该方法包括如下步骤：S1、收集服装图像数据，对服装图像进行分割标注，生成数据集；S2、对生成的数据集进行比例划分；S3、利用划分比例后的数据集进行分割模型的训练；S4、将服装图像输入至训练好的分割模型中，并利用该分割模型对服装图像进行分割处理。实施例2：在实施例1的基础上，其中步骤S1包括以下步骤：S1、收集服装本文档来自技高网...

【技术保护点】
1.一种基于深度学习的服装图像分割方法，其特征在于，该方法包括如下步骤：/n收集服装图像数据，对服装图像进行分割标注，生成数据集；所述标注的内容包括：给定一张待标注服装图像，标注该服装图像中服装的服装种类，同时分割标注出服装所在的区域；所述区域包括外套、内衬、裤装、裙装、鞋子；/n对生成的数据集进行比例划分；/n利用划分比例后的数据集进行分割模型的训练；/n将服装图像输入至训练好的分割模型中，并利用该分割模型对服装图像进行分割处理。/n

【技术特征摘要】
1.一种基于深度学习的服装图像分割方法，其特征在于，该方法包括如下步骤：
收集服装图像数据，对服装图像进行分割标注，生成数据集；所述标注的内容包括：给定一张待标注服装图像，标注该服装图像中服装的服装种类，同时分割标注出服装所在的区域；所述区域包括外套、内衬、裤装、裙装、鞋子；
对生成的数据集进行比例划分；
利用划分比例后的数据集进行分割模型的训练；
将服装图像输入至训练好的分割模型中，并利用该分割模型对服装图像进行分割处理。


2.根据权利要求1所述的一种基于深度学习的服装图像分割方法，其特征在于，标注时，不同的区域标注为不同的颜色。


3.根据权利要求1所述的一种基于深度学习的服装图像分割方法，其特征在于，如果待标注服装图像中的服装由人穿着在身上，则需分割出人的脸部和其他未被服装覆盖的人体部位。


4.根据权利要求1所述的一种基于深度...

【专利技术属性】
技术研发人员：郑泽宇，温苗苗，尚文祥，李鸽，李娜，何治，胡海滨，何辉辉，石磊，
申请(专利权)人：杭州知衣科技有限公司，
类型：发明
国别省市：浙江;33