基于时尚拼图与动态聚类的服装图像时尚风格学习方法技术

本发明专利技术涉及一种基于时尚拼图与动态聚类的服装图像时尚风格学习方法，本发明专利技术提出了动态聚类算法，通过引入“质心”这一属性，使新增数据可以更快速进行聚类，减少了计算负担；除了方便计算外，也是反映该簇的代表特征，是该时尚风格的代表形象；噪点在传统聚类中被忽视其作用，而在对时尚风格的研究中，将噪点当做潜在风格，当有足够多数量的噪点聚在一起，就会形成新的簇，这对新时尚风格的发现具有重要意义。意义。意义。

【技术实现步骤摘要】
基于时尚拼图与动态聚类的服装图像时尚风格学习方法


[0001]本专利技术涉及图像分类方法
，具体的讲是一种基于时尚拼图与动态聚类的服装图像时尚风格学习方法。

技术介绍

[0002]2014年来自美国南加利福利亚大学的Kiapour等人作为最早开始时尚风格学习的专家，设计了一个网络游戏来获得时尚图像的人工标签。他们将1893张带有人工标注信息的图像分为了5种风格，通过分析这些图像风格内部和不同风格之间图像属性的差异来研究时尚风格中服装属性对时尚风格的影响。
[0003]2017年清华大学的贾珈教授团队手工提出了一种多模态的方法。制作了一个具有视觉特征的时尚走秀数据集并基于小林美学理论设计了一个时尚语义空间。将上身和下身的服装特征分别提取后混合作为时尚图像的表征来映射到设计好的度量空间中得到风格属性。
[0004]同年美国德克萨斯州大学奥斯汀分校的Wei
‑
Lin Hsiao和Kristen Grauman从自然语言处理的主题模型得到启发，将时尚风格类比为文本的主题，图像里的各种属性就是文本中的单词。然后使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，包括以下步骤：步骤1、将服装图像数据集进行预处理，其中，预处理包括切割、增强和拼接，预处理后得到时尚拼图集；步骤2、将时尚拼图集输入主干网络进行特征提取，得到每个时尚拼图的图像特征向量；步骤3、计算每个时尚拼图的图像特征向量的聚类损失和定位损失，通过最小化损失函数，对主干网络的参数进行调整，获得预训练模型；步骤4、将部分预处理后的目标数据集输入预训练模型，根据输出结果对预训练模型进行参数微调，获得训练好的模型；步骤5、将目标数据集输入步骤4的训练好的模型中，得到目标数据集的图像特征队列；步骤6、将目标数据集的图像特征队列输入动态密度聚类算法中，得到初始聚类结果，计算各个聚类簇的质心，相似图像标记为相同簇，相同簇的图像表示具有相同的时尚风格，每个簇表示一种时尚风格类型，噪点表示潜在风格，质心是每种时尚风格的代表图像；步骤7、将新增图像数据输入训练好的模型中，得到新增图像数据的图像特征，将新增图像数据的图像特征输入动态密度聚类算法中，计算与初始聚类簇质心的距离，与最近簇进行聚类，标记为已有簇、形成新簇或噪点，根据已有簇得到相应时尚风格类型，将新簇作为新风格类型。2.根据权利要求1所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤1包括以下步骤：步骤11、将输入的图像缩放到预设大小；步骤12、将缩放后的图像按照1:1.6:2.2:1.2的比例由上至下切割成四个图像块，四个图像块分别对应头部图像块、上身图像块、下身图像块和脚部图像块，且相邻的图像块有20％的部分重叠；步骤13、使用图像增强方法对切割后的图像块进行增强处理，得到增强后的图像块；步骤14、将增强后的图像块打乱顺序，并按照由上至下的头部图像块、上身图像块、下身图像块和脚部图像块的顺序随机拼接到一起，组成时尚拼图。3.根据权利要求2所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤13中图像增强方法包括对切割后的图像块随机进行旋转、翻转、褪色处理、改变图像亮度、改变图像对比度、改变图像饱和度、改变图...

【专利技术属性】
技术研发人员：陈佳，袁海东青，胡新荣，彭涛，梁金星，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：