基于服饰多属性识别的时尚趋势预测方法、系统以及设备技术方案

本发明专利技术提供了一种基于服饰多属性识别的时尚趋势预测方法，包括以下步骤：设置用于识别和预测的服饰时尚属性元数据集；按日采集多个电商网站售卖的服饰对应图片数据；标注服饰图片属性并按属性比例执行重采样；执行图像预处理；执行服饰多属性分类神经网络AttrNet模型训练；判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值；基于训练后的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；执行双层LSTM属性趋势预测模型的训练；判断双层LSTM属性趋势预测模型的曲线拟合程度的平均困惑度是否小于阈值；以及双层LSTM属性趋势预测模型输出后续时尚趋势属性关键词。测模型输出后续时尚趋势属性关键词。测模型输出后续时尚趋势属性关键词。

【技术实现步骤摘要】
基于服饰多属性识别的时尚趋势预测方法、系统以及设备


[0001]本专利技术涉及计算机领域，尤其涉及一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备。

技术介绍

[0002]当前服装行业的时尚趋势预测主要由一些国际知名公司，如WGSN等通过雇佣大量员工在世界各地收集时尚相关的视觉信息，包括街拍、博客、时装秀等，之后由专业的时尚从业人员再对这些信息进行手工的编辑和分类来完成相应的标注工作，设计师们依据这些标注好的大量时尚信息进行抽象形成自己的时尚趋势判断，最后完成相应的服装成衣设计。在这一过程中，需要大量专业从业者花费较长时间来完成，而且随着当下时尚趋势的变化越来越快，这一依靠人工完成时尚趋势预测的整体成本以及从业人员的工作强调还在不断上升。

技术实现思路

[0003]本专利技术的目的之一在于提供一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备，使用了自动化的服饰图像收集以及属性标注方案，在实时获取当下消费者服饰穿搭数据的同时大幅减少了人工投入。
[0004]本专利技术的目的之一在于提供一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备，构建了专用的服饰多属性分类神经网络AttrNet，在无需人工的情况下该网络模型即可快速识别图像中服饰所含时尚属性。
[0005]本专利技术的目的之一在于提供一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备，通过双层LSTM模型来对时尚属性趋势的后续变化进行预测，该消费者端挖掘出相应时尚趋势变化，提供了低成本的时尚趋势预测能力。
>[0006]为了实现上述至少一个专利技术目的，本专利技术提供了一种基于服饰多属性识别的时尚趋势预测方法，所述基于服饰多属性识别的时尚趋势预测方法包括以下步骤：
[0007]设置用于识别和预测的服饰时尚属性元数据集；
[0008]按日采集多个电商网站售卖的服饰对应图片数据；
[0009]标注服饰图片属性并按属性比例执行重采样；
[0010]执行图像预处理；
[0011]执行服饰多属性分类神经网络AttrNet模型训练；
[0012]判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值，当该准确率不大于阈值时，重复执行服饰多属性分类神经网络AttrNet模型训练，直至该准确率大于阈值；
[0013]基于训练后的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；
[0014]执行双层LSTM属性趋势预测模型的训练；
[0015]判断双层LSTM属性趋势预测模型的曲线拟合程度的平均困惑度是否小于阈值，当该拟合曲线困惑度不小于阈值时，重复执行标注服饰图片属性并按属性比例执行重采样，直至该拟合曲线困惑度被判断为小于阈值；
[0016]以及
[0017]双层LSTM属性趋势预测模型输出后续时尚趋势属性关键词。
[0018]在一些实施例中，其中服饰时尚属性元数据集中包括多个类别，各类别下包括不同属性，其中对于任一服饰，在一个类别下设置的属性数量不多于一个，不同类别之间属性各自独立。
[0019]在一些实施例中，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：获取爬虫系统按日收集的多个电商网站售卖的服饰对应图片数据，执行重采样，对每个属性提取出图像，再为这些图像标注服装位置的矩形框，构建服饰属性数据集。
[0020]在一些实施例中，其中所述执行图像预处理步骤还包括以下步骤：对服饰属性数据集中的图像执行图像增广以及去均值。
[0021]在一些实施例中，其中所述执行服饰多属性分类神经网络AttrNet模型训练步骤还包括以下步骤：随机初始化服饰多属性分类神经网络AttrNet的权重参数，获取重采样后的服饰属性数据集，作为训练集训练初始化服饰多属性分类神经网络AttrNet，执行迭代，获取相应的服饰多属性分类神经网络AttrNet模型。
[0022]在一些实施例中，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：基于各电商平台服饰属性变化序列，执行迭代后获取对应的双层LSTM属性趋势预测模型。
[0023]在一些实施例中，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：获取原始图片，通过所述图像预处理步骤后执行图像特征提取，生成特征图；确定服装所在位置后生成不同大小的预测框，各个预测框被映射至特征图，并执行最大值池化转化为相同大小的特征图，最后在该特征图上通过连接全连接层的方式转换为2048维向量，之后连接各类别分类器，从而实现在多个类别上的服饰属性预测。
[0024]在一些实施例中，其中双层LSTM属性趋势预测模型中，设置X为输入的服饰属性变化序列，H为双层LSTM属性趋势预测模型中的隐藏层单元，O为输出，其中对于每个时间步的输入X
t
(0<t≤T)，两个隐藏层各自计算相应的隐藏状态变量其计算公式如下：
[0025][0026][0027]其中，Cell为LSTM单元的计算函数，第一个隐藏层状态变量由输入X
t
与上一时间步计算获得的隐藏层状态变量共同计算获得，第二隐藏层则以第一隐藏层的输出和上一时间步计算获得的隐藏层状态变量计算得到，另外对于输入X1，其对应的上一隐藏层状态变量
[0028]根据本专利技术的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机
程序，所述计算机程序被处理器执行时执行所述的基于服饰多属性识别的时尚趋势预测方法的步骤。
[0029]根据本专利技术的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测设备，所述基于服饰多属性识别的时尚趋势预测设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行所述软件应用程序，其中所述软件应用程序的各程序相对应地执行所述的基于服饰多属性识别的时尚趋势预测方法中的步骤。
[0030]根据本专利技术的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测系统，所述基于服饰多属性识别的时尚趋势预测系统包括服饰属性元数据集子系统、服饰多属性分类神经网络AttrNet模型训练子系统、属性变化序列子系统、双层LSTM属性趋势预测模型训练子系统以及时尚趋势属性预测输出子系统，
[0031]其中所述服饰属性元数据集子系统被配置为：获取爬虫系统存储的按日采集的电商网站售卖的服饰图像及对应的描述信息，标注服饰图片属性并按属性比例执行重采样，构建服饰属性元数据集；其中所述服饰多属性分类神经网络AttrNet模型训练子系统被配置为：基于所述服饰属性元数据集子系统构建的服饰属性元数据集，执行服饰多属性分类神经网络AttrNet模型训练；其中所述属性变化序列子系统被配置为：基于训练完成的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；其中所述双层LSTM属性趋势预测模型被配置为：获取生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于服饰多属性识别的时尚趋势预测方法，其特征在于，所述基于服饰多属性识别的时尚趋势预测方法包括以下步骤：设置用于识别和预测的服饰时尚属性元数据集；按日采集多个电商网站售卖的服饰对应图片数据；标注服饰图片属性并按属性比例执行重采样；执行图像预处理；执行服饰多属性分类神经网络AttrNet模型训练；判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值，当该准确率不大于阈值时，重复执行服饰多属性分类神经网络AttrNet模型训练，直至该准确率大于阈值；基于训练后的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；执行双层LSTM属性趋势预测模型的训练；判断双层LSTM属性趋势预测模型的曲线拟合程度的平均困惑度是否小于阈值，当该拟合曲线困惑度不小于阈值时，重复执行标注服饰图片属性并按属性比例执行重采样，直至该拟合曲线困惑度被判断为小于阈值；以及双层LSTM属性趋势预测模型输出后续时尚趋势属性关键词。2.如权利要求1所述的基于服饰多属性识别的时尚趋势预测方法，其中服饰时尚属性元数据集中包括多个类别，各类别下包括不同属性，其中对于任一服饰，在一个类别下设置的属性数量不多于一个，不同类别之间属性各自独立。3.如权利要求1所述的基于服饰多属性识别的时尚趋势预测方法，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：获取爬虫系统按日收集的多个电商网站售卖的服饰对应图片数据，执行重采样，对每个属性提取出图像，再为这些图像标注服装位置的矩形框，构建服饰属性数据集。4.如权利要求1所述的基于服饰多属性识别的时尚趋势预测方法，其中所述执行图像预处理步骤还包括以下步骤：对服饰属性数据集中的图像执行图像增广以及去均值。5.如权利要求1所述的基于服饰多属性识别的时尚趋势预测方法，其中所述执行服饰多属性分类神经网络AttrNet模型训练步骤还包括以下步骤：随机初始化服饰多属性分类神经网络AttrNet的权重参数，获取重采样后的服饰属性数据集，作为训练集训练初始化服饰多属性分类神经网络AttrNet，执行迭代，获取相应的服饰多属性分类神经网络AttrNet模型。6.如权利要求1所述的基于服饰多属性识别的时尚趋势预测方法，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：基于各电商平台服饰属性变化序列，执行迭代后获取对应的双层LSTM属性趋势预测模型。7.如权利要求1至6中任一所述的基于服饰多属性识别的时尚趋势预测方法，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：获取原始图片，通过所述图像预处理步骤后执行图像特征提取，生成特征图；确定服装所在位置后生成不同大小的预测框，各个预测框被映射至特征图，并执行最大值池化转化为相同大小的特征图，最后在该特征图上通过连接全连接层的方式转换为2048维向量，之后连接各类别分类器，从而实现在
多个类别上的服饰属性预测。8.如权利要求1至6中任一所述的基于服饰多属性识别的时尚趋势预测方法，其中双层LSTM属性趋势预测模型中，设置X为输入的服饰属性变化序列，H为双层LSTM属性趋势预测模型中的隐藏层单元，O为输出，其中对于每个时间步的输入X
t
(0<t≤T)，两个隐藏层各自计算相应的隐藏状态变量其计算公式如下：其计算公式如下：其中，Cell为LSTM单元的计算函数，第一个隐藏层状态变量由输入X
t
与上一时间步计算获得的隐藏层状态变量共同计算获得，第二隐藏层则以第一隐藏层的输出和上一时间步计算获得的隐藏层状态变量计算得到，另外对于输入X1，其对应的上一隐藏层状态变量9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行权利要求1至8中所述的基于服饰多属性识别的时尚趋势预测方法的步骤。10.一种基于服饰多属性识别的时尚趋势预测设备，其特征在于，所述基于服饰多属性识别的时尚趋势预测设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行所述软件应用程序，其中所述软件应用程序的各程序相对应地执行权利要求1至8中所述的基于服饰多属性识别的时尚趋势预测方法中的步骤。11...

【专利技术属性】
技术研发人员：王伟，狄念，
申请(专利权)人：江阴逐日信息科技有限公司，
类型：发明
国别省市：