一种基于特征融合网络模型的服装解析方法技术

本发明专利技术公开了一种基于特征融合网络模型的服装解析方法，包括，获取服装数据集的训练集，并对训练集进行预处理；建立特征融合网络模型，并利用解析损失函数和边缘损失函数训练特征融合网络模型；利用编码网络提取高层次特征图；而后通过特征融合网络模块将高层次特征图和低层次特征图进行融合；根据通道顺序连接不同尺度的特征图，感知语义边缘特征；根据通道顺序，将解码网络的特征图和语义边缘特征进行连接，以获得解析的服装图像，并对解析的服装图像分别进行测试和评估；本发明专利技术可以在不利用扩大感受野获取多尺度信息和额外添加分支的情况下恢复在编码过程中丢失的空间细节信息，提升服装解析时的解析精度。提升服装解析时的解析精度。提升服装解析时的解析精度。

【技术实现步骤摘要】
一种基于特征融合网络模型的服装解析方法


[0001]本专利技术涉及服装解析的
，尤其涉及一种基于特征融合网络模型的服装解析方法。

技术介绍

[0002]近年来，编解码网络被广泛应用于服装解析，编解码网络中存在由于重复的下采样操作操作导致分辨率的显著降低和大量空间信息的丢失，而解码网络不能准确恢复丢失的细粒度细节信息的问题。已有服装解析算法通过添加一个侧分支用来提取超像素特征注入到解码器，解决了解码网络不能很好地恢复在编码网络中丢失的大量细节信息的问题，但是在实际应用中，由于服装图像具有纹理复杂、款式多样和人体姿态多变等特点。解析准确度还有待提升。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0004]鉴于上述现有存在的问题，提出了本专利技术。
[0005]因此，本专利技术提供了一种基于特征融合网络模型的服装解析方法，能够解决解码网络不能准确恢复编码网络丢失的细粒度细节信息的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：包括，获取服装数据集的训练集，并对所述训练集进行预处理；建立特征融合网络模型，并利用解析损失函数和边缘损失函数训练所述特征融合网络模型；利用编码网络提取高层次特征图；而后通过特征融合网络模块将高层次特征图和低层次特征图进行融合；根据通道顺序连接不同尺度的特征图，感知语义边缘特征；根据所述通道顺序，将解码网络的特征图和所述语义边缘特征进行连接，以获得解析的服装图像，并对所述解析的服装图像分别进行测试和评估。
[0007]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：所述预处理包括，分别将所述训练集进行裁减，裁剪尺寸为336*336；对裁剪的训练集图像进行随机缩放和顺时针旋转，旋转角度为30
°
；将训练集进行归一化到[
‑
1,1]，获得初始化数据集。
[0008]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：所述特征融合网络模型包括边缘感知网络和多级融合网络。
[0009]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：还包括，利用边缘损失函数对所述边缘感知网络进行监督训练，所述边缘损失函数L
E
为：
[0010]L
E
＝
‑
(y*log(p)+(1
‑
y)*log(1
‑
p))
[0011]利用解析损失函数对所述多级融合网络进行监督训练，所述解析损失函数L
M
为：
[0012][0013]其中，y
i
为i种类的样本标签，p为预测为正样本的概率，K为种类类别。
[0014]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：所述低层次特征图由Res1、Res2、Res3、Res4生成。
[0015]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：还包括，通过平均池化操作获取全局的上下文特征，而后通过1x1卷积、相乘和相加进行最终的特征映射。
[0016]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：所述不同尺度的特征图由所述Res1、Res3和Res5生成。
[0017]作为本专利技术所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：所述测试和评估包括，利用PyTorch神经网络架构搭建平台对所述特征融合网络模型，通过随机梯度下降算法进行结构训练；将验证集和测试集输入至训练好的特征融合网络模型，获得预测得分图。
[0018]本专利技术的有益效果：本专利技术可以选择性地利用编解码过程中的语义特征和细节特征，在不利用扩大感受野获取多尺度信息和额外添加分支的情况下恢复在编码过程中丢失的空间细节信息，提升服装解析时的解析精度。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0020]图1为本专利技术第一个实施例所述的基于特征融合网络模型的服装解析方法的特征融合网络模型结构示意图；
[0021]图2为本专利技术第一个实施例所述的基于特征融合网络模型的服装解析方法的特征融合模块100结构示意图。
具体实施方式
[0022]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0023]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0024]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指
同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0025]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0026]同时在本专利技术的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0027]本专利技术中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0028]实施例1
[0029]参照图1～2，为本专利技术的第一个实施例，该实施例提供了一种基于特征融合网络模型的服装解析方法，包括：
[0030]S1：获取服装数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合网络模型的服装解析方法，其特征在于：包括，获取服装数据集的训练集，并对所述训练集进行预处理；建立特征融合网络模型，并利用解析损失函数和边缘损失函数训练所述特征融合网络模型；利用编码网络提取高层次特征图；而后通过特征融合网络模块(100)将所述高层次特征图和低层次特征图进行融合；根据通道顺序连接不同尺度的特征图，感知语义边缘特征；根据所述通道顺序，将解码网络的特征图和所述语义边缘特征进行连接，以获得解析的服装图像，并对所述解析的服装图像分别进行测试和评估。2.如权利要求1所述的基于特征融合网络模型的服装解析方法，其特征在于：所述预处理包括，分别将所述训练集进行裁减，裁剪尺寸为336*336；对裁剪的训练集图像进行随机缩放和顺时针旋转，旋转角度为30
°
；将训练集进行归一化到[
‑
1,1]，获得初始化数据集。3.如权利要求1所述的基于特征融合网络模型的服装解析方法，其特征在于：所述特征融合网络模型包括边缘感知网络和多级融合网络。4.如权利要求3所述的基于特征融合网络模型的服装解析方法，其特征在于：还包括，利用边缘损失函数对所述边缘感知网络进行监督训练，所述边缘损失函数L
E

【专利技术属性】
技术研发人员：陈丽芳，余恩婷，丛洪莲，张晓婷，
申请(专利权)人：江南大学，
类型：发明
国别省市：