【技术实现步骤摘要】
一种基于深度学习的服饰属性标签识别方法
本专利技术涉及基于深度学习进行图像识别及属性值的细分类，具体涉及一种基于深度学习的服饰属性标签识别方法。
技术介绍
服装款式由外部轮廓和内部细节变化构成，反映了服装结构的形状特征，不包含颜色和纹理特征。互联网技术突飞猛进，图像数据规模呈现指数倍增长。图像识别分类是获取图像中有效信息的重要手段。在服饰领域，购物网站商品数量剧增，导致用户难以快速挑选出满意的服饰，购物体验不佳；究其原因是现有方法大都基于服饰整体做出处理，而忽略了服饰细节要素特征；以往的关键字标注服饰图像不能全面反映服装本身的重要信息；海量的图像数量造成人工标注工作量极大；人工标注具有主观性的差别，这些都会直接影响用户检索的准确性，从而导致用户体验不佳，尤其在服饰检索领域。寻找一种有效的方法描述服装的款式特征并且快速精确地分类是服装款式识别领域的研究重点。“AI+时尚”时代的到来，使得人工技术和商业场景紧密结合，让每位顾客都拥有自己的时尚造型师。快速准确地对服饰进行识别分类，成为学术界和产业界具有划时代意义的课题。<...
【技术保护点】
1.一种基于深度学习的服饰属性标签识别方法，用于完成对服饰图像属性值的识别，其中训练涉及的数据集包含两部分，一部分为图像数据，一部分为图像对应的标注文件，其中图像数据为按属性维度划分的n类图像数据；标注文件包括对应图像的存储路径，对应图像的属性维度，对应图像属性维度对应的属性值，其特征在于该方法还依次包含以下步骤：/n步骤(1)对训练数据集进行初步分类，并完成对数据图像的预处理，其中所述的数据集初步分类指按属性维度将数据集分为长度层面数据集和设计层面数据集；/n步骤(2)将步骤(1)得到的长度层面数据集进行平铺数据和非平铺数的分类，得到长度平铺数据集和长度非平铺数据集，所述...
【技术特征摘要】
1.一种基于深度学习的服饰属性标签识别方法，用于完成对服饰图像属性值的识别，其中训练涉及的数据集包含两部分，一部分为图像数据，一部分为图像对应的标注文件，其中图像数据为按属性维度划分的n类图像数据；标注文件包括对应图像的存储路径，对应图像的属性维度，对应图像属性维度对应的属性值，其特征在于该方法还依次包含以下步骤：
步骤(1)对训练数据集进行初步分类，并完成对数据图像的预处理，其中所述的数据集初步分类指按属性维度将数据集分为长度层面数据集和设计层面数据集；
步骤(2)将步骤(1)得到的长度层面数据集进行平铺数据和非平铺数的分类，得到长度平铺数据集和长度非平铺数据集，所述的非平铺数据为图像中包含人体结构的数据，反之为平铺数据；
步骤(3)使用步骤(1)得到的设计层面数据集进行训练，建立设计层面的n个识别模型，所述设计层面的识别模型用于识别输入图像在设计层面的属性值；所述n个识别模型的区别仅在于所选基网络不同；
步骤(4)使用步骤(2)长度平铺数据和长度非平铺数据进行训练，建立长度层面的n个识别模型，所述长度层面的识别模型用于识别输入图像在长度层面的属性值；
步骤(5)建立预测模型，对待预测图像进行预测，包括对待预测图像进行设计层面的属性预测以及长度层面的属性预测两部分。
2.根据权利要求1所述的一种基于深度学习的服饰属性标签识别方法，其特征在于：
步骤1所述的数据预处理包含计算所有图像的RGB的std标准差与mean平均值，数据分辨率的选取，以及数据增强的使用。
3.根据权利要求1所述的一种基于深度学习的服饰属性标签识别方法，其特征在于：
步骤2中平铺数据和非平铺数据分类过程具体为：长度层面数据集经过JppNet框架完成平铺数据和非平铺数据的初步分类；接下来，对初步分类结果进行二次优化筛选，最终得到长度平铺数据集和长度非平铺数据集。
4.根据权利要求3所述的一种基于深度学习的服饰属性标签识别方法，其特征在于：
所述的二次优化筛选具体为，使用MaskRCNN和JppNet并行同时训练，对属性维度是衣长和袖长的非平铺图像进行复筛；使用MaskRCNN对于属性维度是裙长和裤长的非平铺图像进行复筛。
5.根据权利要求3所述的一种基于深度学习的服饰属性标签识别方法，其特征在于：
所述的JppNet框架和MaskRCNN框架的基网络优选ResNet50。
6.根据权利要求1所述的一种基于深度学习的服饰属性标签识别方法，其特征在于：所述设计层面识别模型的建立过程具体如下：
使用步骤(1)得到的均值和标准差对步骤(1)得到的设计层面数据集进行标准化；
然后导入基网络，冻结网络层；添加池化层和Dropout来防止过拟合；...
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。