【技术实现步骤摘要】
Vision.2019.)也是专注于解决上衣和下衣的生成问题，同样也存在上述的四个问题。在很多实际的应用场景中，人们需要针对某一特定的服饰单品，希望能够补全剩余的服饰以此来构建一整套搭配的服饰，有时也希望能够指定生成服饰的轮廓，但是目前存在的模型只能对给定的服饰套装进行评测搭配度或者在上下衣之间进行搭配服饰的相互转换。
[0003]近年来，生成对抗网络技术在图像、视频等视觉领域的迅猛发展，使得一系列基于生成模型的应用在市场上大量涌现。其中，图像翻译在图像到图像的转换任务上取得的巨大成功，使得生成对抗网络模型转换成实际场景中的应用成为了可能。在本专利中，依托现有的生成对抗网络技术，特别是图像翻译学习算法，将已有的服饰和潜在搭配的服饰紧密地连接起来，提高在网络购物中的推荐以及搭配的可实施性，并使服饰推荐任务更加精确、自然地推荐给用户，本专利设计了一种采用服饰搭配技术的整套服饰生成模型。首先，本专利的设计灵感来源于目前搭配的整套服饰内部，各服饰之间具有搭配的元素互相加强整体的风格，另外服饰生成任务也不应该是只能生成意见，应该一次性生成多件服饰，和已有的服饰可以搭配
【技术保护点】
【技术特征摘要】
1.一种基于服饰搭配技术的整套服饰生成模型，包含一个套装生成器、一个套装鉴别器和一个搭配监督模块，其特征在于，所述套装生成器包含多个服饰单品生成器，所述套装生成器完成输入服饰图像和目标服饰轮廓掩码到相应搭配的服饰套装图像的转换，每个所述服饰单品生成器负责生成对应的目标服饰单品的图像；所述套装鉴别器包含多个服饰单品鉴别器，每个所述服饰单品鉴别器负责保证生成服饰单品图像的真实性；所述搭配监督模块包含一个卷积神经网络的特征抽取器和双向长短时记忆网络，用于对生成服饰套装搭配度的增强，提高生成服饰和给定服饰的搭配度；所述服饰单品生成器不仅要满足对应的服饰单品鉴别器的鉴别，其生成的合成图像还要在相似度距离上逼近真实图像。2.如权利要求1所述的整套服饰生成模型，其特征在于，所述相似度距离为生成图像与真实图像的L1距离和生成图像与真实图像之间的感知损失距离。3.如权利要求1所述的整套服饰生成模型，其特征在于，所述服饰单品生成器采用“编码器
‑
语义对齐模块
‑
解码器”结构；所述服饰单品鉴别器采用多尺度鉴别器；所述搭配监督模块采用一个在image net上预训练好的分类模型的特征抽取部分作为特征抽取器，一个双向长短时记忆网络对整套服饰的搭配进行建模，所述的双向长短时记忆网络采用交叉熵损失函数作为其目标函数。4.如权利要求3所述的整套服饰生成模型，其特征在于，所述编码器采用的是多层卷积神经网络堆叠，所述解码器采用的是多层上采样层和卷积神经网络的交替堆叠，每个所述的语义对齐模块，包含两路卷积神经网络，分别用于抽取给定服饰经过编码器之后的特征的高级特征以及轮廓掩码的高级特征；所述语义对齐模块还包含一个对应关系计算层，用于计算上述两个高级特征之间的对应关系矩阵，此矩阵包含上述两个高级特征之间任意位置之间的对应关系大小以及一个特征对齐层，用于将编码器得到的特征根据上述得到的对应关系矩阵进行特征对齐。5.如权利要求1
‑
4中任一权利要求所述的整套服饰生成模型，其特征在于，训练所述服饰单品鉴别器时，要使服饰单品生成器生成的图像的损失函数最大，真实图像的损失函数最小；在训练所述服饰单品生成器时，要使得生成器生成的图像倾向于真实图像，最小化对应的服饰单品鉴别器损失。6.一种基于服饰搭配技术的整套服饰生成模型的实施方法，其特征在于，所述实施方法包括以下步骤：A、构建搭配服饰数据集：构建包含图像信息、所有图像的轮廓掩码以及包含所有图像类别信息的服饰数据集；B、预训练模型：所述基于服饰搭配技术的整套服饰生成模型需要预训练两处模型包括用于感知损失对应的VGG模型，以及搭配监督模块，所述的搭配监督模块包含一个卷积神经网络的特征抽取器和双向长短时记忆网络；所述感知损失对应的VGG模型是在image net上进行预训练好，之后再在公开的服装数据集上进行属性预测，微调之后的模型用于感知损失的计算；所述搭配监督模块在如A所述的搭配服饰数据集上进行搭配预测训练；C、设计基于服饰搭配技术的整套服饰生成模型：所述整套服饰生成模型包含一个套装生成器、一个套装鉴别器和B中所述的搭配监督模块；所述套装生成器包含多个服饰单品生成器，每个服饰单品生成器负责生成对应的目标服饰单品的图像，所述套装生成器完成输入服饰图像和目标服饰轮廓掩码到相应搭配的服饰套装图像的转...
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。